5  改进与优化  ...  30
5．1  光流算法的改进    30 5.1.1  大位移问题的解决  .  30
5.1.2  实时性的提高  .  30
5.1.3  鲁棒性和精确性的提高  .  31
5.1.4  概率统计方法对光流法性能的改进  ...  31
5．2  运动目标获取能力的改进    32
结  论  ..  33
致  谢  ..  34
参 考 文 献  .  35
 
 1  绪论
基于视觉感知的车门开启提示系统，顾名思义，就是要在摄像机拍摄的图像序列
中，找出对车门开启造成威胁的运动物体，并产生提示。这一过程中的核心问题在于
如何从图像序列中获取运动物体，而光流法恰恰能够反映出图像序列中物体的运动。  
1．1  光流法简述
光流是图像中亮度模式运动的速度分布。光流可以从物体和观察者的相对运动中
获得。它可以提供空间排列的重要信息，并给出这种排列变化的变化率，从而用来描
述相对于观察者运动所造成的被观测目标、物体表面或边缘的运动。光流的不连续性
可以帮助将图片分成与不同物体相对应的区[1]
。
光流法在模式识别、计算机视觉以及其他图像处理中有非常广泛的应用，可用于
运动检测、物件切割、碰撞时间与物体膨胀的计算、运动补偿编码，或者通过物体表
面与边缘进行立体的测量等。
1．2  光流法发展
在光流理论出现的早期，出现了诸如基于微分（differential）的方法、基于区
域匹配（region-based matching）的方法、基于能量（energy-based，或
frequency-based）的方法和基于相位（phase-based）的方法等诸多进行光流估计的
技术。这些技术的共同特征有以下几点[2]
：
1. 存在一定程度的预滤波或平滑处理；
2. 存在基本测量的提取，例如时空导数或局部相关表面；
3. 这些测量的积分构成了一个2 文的光流场，该光流场通常包括平滑性假设。
在早期，光流计算具有很大的局限性。计算光流时，要求暂时性图像失真并不严
重，图像的强度可以被微分，而且图像中不能存在遮挡现象。以上所有的方法在遮挡
边界处均会出现问题[2]
。
随着光流方法的发展，在对图像序列进行光流计算的众多方法中，微分方法逐渐
显示其优点，成为了使用范围最广的方法[8]
。该方法以亮度恒定假设和空间平滑性假
设为基础，利用图像光强的时空导数所构成的能量函数来计算速度。根据函数中正则
化的类型，微分方法可以分为两类：基于特征（feature-based）的方法和变分
（variational）方法[21]
。其中，前者属于局部方法，以 Lucas-Kanade 方法[8]
为代表；
后者属于全局方法，以 Horn-Schunck方法[1][8]
为代表。
基于特征的方法为一个像素及其邻居像素计算光流，该结果与图像中从其他像素
获得的光流结果无关。这种方法计算速度快，对噪声有很高的鲁棒性，计算结果精确，
但所得到的光流场是一个稀疏场[4][8][21]
。
变分方法考虑到了邻居像素的光流计算结果，并在整个光流场中使用了平滑性假
设。其能量式由两部分组成：数据项（一段时间内亮度不变）和平滑项（亮度模式的
流场变化平滑）。该方法的计算速度与前者相比慢，对噪声的鲁棒性和精确性也不比
前者，但其得到的光流场是一个稠密场，该光流场更加吸引人[4][8][21]
。
1．3  光流法所存在的问题 基于视觉感知的车门开启提示系统设计(2):http://www.youerw.com/jisuanji/lunwen_8769.html