一、原理
在對處理後的影象資料進行分析之前，影象分割是最重要的步驟之一，它的主要作用是將影象劃分為感興趣的影象區域和不感興趣的影象區域兩太類。在實際應用中，常用的影象分割方法可劃分為三種型別：閾值化、基於邊緣的分割和基於區域的分割。
1、閾值化
閾值化處理包括灰度級閾值化、最優化閾值、多光譜閾值化以及分層資料下的閾值化。灰度級閾值化是最簡單的分割處理，這種方法先確定乙個處於影象灰取值範圍之中的灰度閾值，然後將影象中各個畫素的灰度值都與這個閾值相比較並根據比較結果將對應的畫素劃分為兩類：畫素的灰度值大於閾值的為一類，小於閾值的為另一類。這兩類畫素一般分別屬於影象中的兩類區域（也稱前景和背景），所以對畫素根據閾值分類達到了區域分割的目的。閾值的選擇通常採用直方圖分析的門限分割法。然而
隨著影象處理的複雜度越來越高，閾值的選擇難度也越來越大。但閾值化計算簡單、執行速度快�在簡單的應用中仍然被廣泛地使用著。
2、基於邊緣的分割
基於邊緣的分割代表了一大類基於影象邊緣資訊的分割方法，它是最早的分割方法之一，現在仍然有著重要的應用。基於邊緣的分割依賴於由邊緣檢測子所找到的影象的邊緣，邊緣意味著乙個區域的終止和另乙個區域的開始，標示了影象在灰度、色彩、紋理等方面不連續的位置。影象的邊緣包含了物體形狀的重要資訊，它不僅在分析影象時大幅度的減少了需要處理的資訊量，還包含了目標的邊界結構。因此，邊緣檢測可以看作是處理許多複雜問題的關鍵。對於邊緣的檢測，常常借助於空域微分運算元進行，通過將其模板與影象卷積完成。常用的方法主要有sobe運算元、laplacian運算元、prewitt運算元和kirsch運算元等。這些邊緣檢測器對邊緣灰度值過渡比較尖銳且雜訊較小的影象有較好的效果。但對於邊緣複雜、採光不均勻的影象來說，效果不理想，主要表現在邊緣模糊、弱邊緣丟失和整體邊緣的不連續等方面。
3、基於區域的分割
上述兩種方法分析的是畫素點的差別，而區域跟蹤是尋找具有相似性的畫素群。它是從某一畫素出發按照屬性一致性（這個一致性可以是灰度級、彩色、梯度或其他特性）原則逐步地增加畫素，即區域增長，對由這些畫素組成的區域使用某種均勻測度函式測試。若為真，則繼續擴大區域，直到均勻測度為假。常用的方法有區域生長法和區域**合併法。區域生長法是從滿足檢測準則的點開始，從各個方向開始「生長」物體。因為物體同一區域中畫素點的灰度級或色彩值相差很小，可假設乙個己滿足檢測準則的一小塊物體，那麼開始檢查它所有鄰近點的灰度值或色彩值，如果滿足檢測準則，即將該鄰近點併入上述小塊中，當鄰近點被接受後「生長」成新的塊，再用得到的新塊重複上面的過程，直到沒有可接受的鄰近點時，生長過程中止。區域**合併方法是首先將影象分割為初始區域，然後**合併這些區域，逐步改善區域分割的效能，直到最後將影象分割為最少的均勻區域為止。通常使用一種基於金字塔四叉樹結構的分割方法。區域跟蹤演算法更多的把灰度或色彩的同一性與空間的位置聯絡在一起，因此能得到滿意的效果。其缺點在於它們固有的順序特性，因為目前影象塊的初始劃分常常或是固定的或是人為規定的，分割結果好壞受種子點的選取和區域生長與合併的次序影響較大，而且這種方法時空代價較大。
運動目標檢測
目錄 檢測方法 背景模型 目標檢測 後處理 檢測方法 基於統計背景模型的運動目標檢測方法 問題 1 背景獲取 需要在場景存在運動目標的情況下獲得背景影象 2 背景擾動 背景中可以含有輕微擾動的物件，如樹枝 樹葉的搖動，擾動部分不應該被看做是前景運動目標 3 外界光照變化 一天中不同時間段光線 天氣等...
運動目標跟蹤
運動目標跟蹤 mot 子系統 也稱為移動障礙物的檢測器和 datmo 負責檢測和跟蹤自動駕駛汽車周圍環境中移動的障礙物的姿態。這個子系統對於讓自動駕駛汽車決定如何行動以避免與可能移動的物體 如其他車輛和行人 相撞至關重要。移動障礙物在一段時間內的位置通常是由測距感測器 如雷射雷達和雷達 或立體和單目...
運動背景下的運動目標檢測
各種目標檢測方法介紹 懶人可以直接略過 目標檢測是乙個老話題了，在很多演算法當中都有它的身影。目標檢測要做的就兩件事 檢測當前中有沒有目標？如果有的話，在哪？按照先驗知識和背景運動來劃分的話，目標檢測方法大概可以分為兩大類 第一，已知目標的先驗知識。在這種情況下檢測目標有兩類方法，第一類方法是用目標...