目标模型范文

目标模型范文（精选11篇）

目标模型第1篇

运动目标检测是智能视频监控领域的一项关键技术,为后续行为分析提供研究对象,其检测精度直接影响到系统性能,常见运动目标检测算法有:背景差分法、相邻帧差法、光流法[1]、Vi Be[2](Visual Background Extractor)、混合高斯背景建模法等。背景差分法相对简单,实现比较容易,运算速度快,但其没有背景更新机制,导致运动区域提取不准确;相邻帧差法采用相邻两帧图像差分来提取运动区域,实现容易且计算量小,但此方法会引入拖影区域;光流法[1]通过计算图像的光流场来进行运动检测,时间复杂度较高,不适用于实时性要求高的应用;Vi Be[2]是一种像素级的背景建模算法,计算量小,时间复杂度低,抗噪能力好,能够较好地适应背景的突变,但容易引入拖影区域;混合高斯背景建模法(Gaussian Mixture Model,GMM)[3,4,5,6,7,8]是一种基于像素统计信息的背景表示方法,对噪声具有较强的鲁棒性,但其计算量大,实时性较差。

针对GMM算法计算量大和时间复杂度高的缺点,很多研究人员研究和改善GMM算法,文献[9]提出一种应用改进GMM算法进行运动检测的方法,其最大改进之处在于引入分块模型[9],该方法本质是采用重采样技术降低原视频分辨率,再对新视频利用传统GMM算法进行运动检测,由于新视频尺寸相对于原视频大幅减小,所以此方法大量减少算法计算量,但对传统GMM算法并没做实质性改进。

本文将基于传统GMM算法,综合考虑算法时间、空间复杂度和检测准确率,采用分块处理技术和概率更新策略改进传统GMM算法,提出一种基于块模型的混合高斯模型运动目标检测方法,与传统GMM算法为每个像素点建立一个GMM模型相比,此方法考虑了像素间空域信息,通过为每个块建立一个GMM模型减小模型总数,从而减少算法内存消耗,同时采用概率更新策略对块内模型参数进行更新,减小算法计算量。实验表明此算法保证了检测效果,改善了算法时间和空间复杂度。

1 混合高斯背景建模法

传统GMM算法是基于像素统计信息的背景建模方法,该方法利用在较长时间内像素的概率密度、均值、标准差等统计信息来建立背景模型,再使用统计差分方法(如3σ原则)进行运动检测。传统GMM算法假设各个像素点间不相关,对于每个像素点可以用单或多个高斯分布来描述其在时域内的分布曲线,高斯概率分布如图1所示。

对于混合高斯模型,各像素点按不同权值的多个高斯分布叠加来建模,各高斯分布的权值与分布参数随时间更新。假设第t时刻,像素点(x0,y0)取值集合为{X1,X2,…,Xt}={I(x0,y0,i)|1≤i≤t},其中I为视频流。若用K个高斯分布表征图像各像素点,则每个像素点的概率为:

其中,K为高斯分布个数,ωi,t为第i个高斯分布t时刻权重,满足0≤ωi,t≤1且权重总和为1,Xt为t时刻像素值,μi,t、∑i,t分别为第i个高斯分布t时刻均值与方差,η(Xt,μi,t,∑i,t)为第i个高斯分布的概率密度,其定义如下:

综上,传统GMM算法运动目标检测具体流程如下:

Step1:新像素值Xt与当前K个高斯模型按式(3)进行比较,找到匹配新像素值的分布模型,即与该模型的均值偏差在2.5σ以内。

Step2:若所匹配的模型符合背景要求,则该像素属于背景,否则属于前景。

Step3:各模型权值按公式(4)进行更新,其中α是学习速率,对于匹配的模型Mi,t=1,否则Mi,t=0,再对各模型权重进行归一化处理。

Step4:未匹配模型的均值μ与标准差σ不变,匹配模型的参数按公式(5)-(7)进行更新:

Step5:若Step1中没有任何模型与之匹配,则权重最小的模型被替换,即该模型的均值被设置为当前像素值Xt,标准差和权重设置成初始值。

Step6:各模型根据ω/σ降序排列,权重大、标准差小的模型排在前面。

Step7:选前B个模型作为背景,B满足下式(8),参数T表示背景所占比例:

2 分块处理技术

分块处理技术指将图像按照一定块大小划分成很多小块,后续处理以这些小块为单位进行。在传统GMM算法中,假设对各像素点的处理互不影响,为每个像素点建立一个混合高斯模型,因此传统GMM方法并没有考虑像素间空域信息。通过对现场视频的仔细观察,发现图像相邻像素点的像素值非常接近(如图2所示的12×12矩阵),因此可将图像按适当的块大小(W×W)分成很多小块,对各小块用一个混合高斯模型替代原来的W×W个模型,减小模型总数,进而减少算法的存储空间。

假设传统GMM算法的存储空间为RGMM,其分为混合模型所占内存量RModel和其它变量所占内存量Rother,则:

分块处理技术仅将模型个数减少为传统GMM算法模型个数的1/(W×W),而其它空间开销并未改变,因此改进算法所需存储空间为:

算法所需存储空间的减少量和减少率分别为:

公式(11)和(12)表明,在分辨率一定时,算法所需存储空间减少量和减少率随着块宽的增加而增大,当块宽增大到一定程度后,存储空间的减少量和减少率增大趋势变缓;同时块宽一定时,存储空间的减少量和减少率受RModel的影响,而RModel与视频分辨率有关,分辨率越大RModel也越大,因此存储空间的减少量和减少率随着视频分辨率的增大而增大。

图2为分块处理技术示意图,图中间的12×12(中间下)和9×9(中间上)的矩阵来自于原图像两个部分的R通道数据。从9×9大小矩阵可以发现很多相邻像素值并不相近,甚至差别很多,其原因是此矩阵对应于原图像边缘区域,像素值波动较大,解决方法是对原图像进行边缘模糊,减少相邻像素间的波动。

边缘模糊可以采用图像滤波技术中均值滤波技术[10]来实现,均值滤波技术输出是包含在滤波器模板邻域内像素的平均值,这种处理方式降低了图像灰度的“尖锐”变化,能较好地对图像边缘区域进行模糊。

均值滤波技术过程由式(13)给出:

其中,F为M×N的原图像,U为m×n(m,n为奇数)的滤波器模板,G为输出图像。对于滤波器模板,为了达到较好的边缘模糊处理效果,本文采用第一类模板(模板内的系数全为1)对图像进行均值滤波,模板尺寸大小为5×5。

3 概率更新策略

基于块模型的混合高斯模型运动目标检测以块为单位建立混合高斯模型,如何利用块内的像素对建立的块模型进行更新以达到降低算法时间复杂度目的是整个算法核心,直接影响算法的运行效率。本节提出一种概率更新策略对以块为单位建立的混合高斯模型进行模型参数更新。

通过对图像进行边缘模糊处理以后,本文假设块内的所有像素值基本保持一致。对于基于块模型的混合高斯模型,参数更新方法分为两种:第一种就是块内的所有像素点都对这个模型进行更新,此做法并没有达到减少算法计算量的目的;第二种做法是本节提出的概率更新策略,由于块内的像素波动较小,因此可以用块内的某几个像素点对模型进行参数更新,概率更新策略的具体做法:块内的像素以一定的概率P对混合高斯模型进行更新,从而降低算法的计算量。

假设传统GMM算法处理每帧图像耗时为TGMM,算法对各像素点的处理时间分为模型更新时间Tu和其它操作(如匹配操作等)时间Tother,本文改进算法耗时为Tnew,图像大小为M×N,混合高斯模型中高斯模型数为K,则:

对于基于概率更新策略的模型更新方法,在某一个时刻,块内进行模型更新的像素点数期望为W×W×P,为了保证从期望角度看某个时刻块内至少有一个像素点对模型进行更新,应保证W×W×P≥1,本文设定P=1/(W×W),则:

其中,Tp为边缘模糊处理耗时。本文改进算法与传统GMM算法相比,耗时减少量和减少率分别为:

实验表明,边缘模糊处理耗时与传统GMM算法耗时的比值Tp/TGMM≈0,因此,公式(17)可化简:

公式(16)和(18)表明:改进算法减少了处理每帧图像所消耗的时间,耗时的减少量与视频分辨率有关,但耗时减少率与视频的分辨率无关,同时这两者都随着块大小的增大而增大;结合第3节公式(11)和公式(12)可知,本文改进算法改善了算法的时间与空间复杂度。但是,当块宽被设定为1时,d T=0,dR=0,P=1,此时本文改进算法与传统的GMM算法的区别仅在处理的视频源不同,传统GMM算法处理的视频是原始视频,而本文处理的视频是经过边缘模糊处理后的视频。

综上所述,本文改进算法的具体流程如下:

Step1:对图像以W×W块大小进行分块处理,对每个块建立一个混合高斯模型(即K个高斯模型)。

Step2:对图像进行边缘模糊处理。

Step3:新像素值Xt与当前K个高斯模型按式(3)进行比较,找到匹配新像素值的分布模型,即与该模型的均值偏差在2.5σ以内。

Step4:若所匹配的模型符合背景要求,则该像素属于背景,否则属于前景。

Step5:以概率P=1/(W×W)对各模型权值按公式(4)进行更新,其中α是学习速率,对于匹配的模型Mi,t=1,否则Mi,t=0,然后对各模型权重进行归一化处理。

Step6:未匹配模型均值μ与标准差σ不变,匹配模型参数按公式(5)-(7)以概率P=1/(W×W)进行更新。

Step7:若Step3中没有任何模型与之匹配,则以概率P=1/(W×W)将权重最小的模型替换,即该模型均值被设置为当前像素值Xt,标准差和权重设置成初始值。

Step8:各模型根据ω/σ降序排列,权重大、标准差小的模型排在前面。

Step9:选前B个模型作为背景,B满足公式(8),参数T表示背景所占比例。

4 实验与结果分析

由于本文改进算法没有限定块大小取值,根据公式(11)和公式(16)可知:块大小影响着算法的运行效率和内存消耗;同时本文改进算法做了边缘模糊预处理,对边缘模糊处理带来的影响也未进行说明。下面通过实验来确定块大小取值,以及验证边缘模糊处理的影响,同时将确定的块大小值应用到算法中对不同分辨率和不同运动目标像素数的视频进行运动检测,进而验证改进算法相对于传统GMM算法在运行效率与内存消耗上的改善。实验在一台处理器为Intel(R)Core(TM)i5-3470CPU@3.20GHz,内存为8G的PC机上完成,算法程序利用Open CV库、采用Visual Studio 2010编译器编写。

4.1 实验一:确定块大小取值和验证边缘模糊处理的影响

实验一视频分辨率为CIF(352×288),为了在实验中能更好地将本文改进算法与传统GMM算法进行比较,本文将块宽W从1到5分别代入到改进算法中进行实验并对比各算法的检测效果。具体的实验结果如图3与表1所示,图3为不同块大小算法耗时与存储空间曲线图,表1为不同块大小情况下的检测效果图。

对图3进行分析,可知:在视频监控平台上,视频分辨率一定时,改进算法耗时与存储空间随着块宽W的增加而减少,但当块宽W大于3时,算法的耗时与存储空间的减少逐渐趋于平缓,主要因为公式(11)和(16)受因子1/W×W的影响,而该因子是关于块宽W的反比例函数。而表1表明,当块宽W超过3时,检测结果与传统GMM算法的检测结果相比出现很多噪点,检测效果逐渐下降。究其原因主要是因为当块宽超过某个范围时,块内像素值波动较大,以这种块为单位建立的混合高斯模型并不精确,导致了噪声的出现。

通过对比表1中传统GMM算法与本文改进算法(W=1)的检测效果可知:边缘模糊处理会在目标的边缘区域对检测效果产生一定程度的影响,但其整体的检测效果与传统GMM算法基本一致,主要因为边缘模糊只处理平滑图像的边缘区域,对于图像的其它部分平滑效果较弱。因此本文得出:边缘模糊处理会在一定程度上影响边缘区域的检测效果,但其影响程度较小,对运动目标的整体检测效果不会有太大的影响。

为了更加直观地分析,本文对表1的检测结果进行量化处理,采用衡量目标形状完整性的两个性能指标[11,12]:检测率(DR)和误报率(FAR)。

其中,TP为检测出属于真实前景的像素数,FN为未被检测出的前景像素数,FP为被误当作前景而检测出的属于背景区域的像素数。对表1按公式(19)和(20)进行量化处理,得到表2的实验—量化结果。

可见,当块宽W不超过3时,检测效果与传统GMM算法检测效果基本一致,检测率DR相差不大,且误报率FAR为0或接近0;但当块宽W大于3时,检测结果中出现噪点,误报率FAR相应增加。综上分析可得,将块大小设置为3×3时既能保证算法检测效果,又能获得较低的算法耗时和存储空间。

4.2 实验二:对不同分辨率、不同运动目标像素数的视频进行运动检测

通过实验一,确定了改进算法的最佳块大小参数值为3×3像素,并验证了模糊处理对运动目标检测的影响不大。下面验证改进算法对不同分辨率和不同运动目标像素数的视频的检测效果和算法的运行效率与内存利用率。实验具体做法:将改进算法与传统GMM算法应用到不同分辨率和不同运动目标像素数的监控视频(包括Sub QCIF、QCIF、CIF、2CIF、DCIF、4CIF、WD1、720P八种分辨率)进行运动检测,对比两个算法的检测率(DR)、误报率(FAR)以及处理每帧图像的平均耗时与算法的存储空间。实验二的结果如图4和表3所示,同时实验表明,对于具有不同运动目标像素数的监控视频,其检测率DR和误报率FAR具有与图4相似的曲线分布。

图4表明:本文改进算法在分辨率不低于CIF情况下,其检测率与误报率与传统GMM算法基本一致,但当视频分辨率低于CIF时,改进算法的整体检测效果较差,其主要是因为分辨率过低时,块内的像素点波动较大,边缘模糊处理也无法消除这种波动,可见本文改进算法并不适用于分辨率低于CIF的情况。由表3可见:在算法耗时方面,改进算法相对于传统GMM算法耗时减少量随着分辨率的增大而增大,而减少率基本维持不变,在不考虑分辨率低于CIF情况时其平均耗时减少率为46.16%,符合公式(16)和(18)的表述;在算法存储空间方面,改进算法相对于传统GMM算法存储空间减少量与减少率都随着视频分辨率的增加而加大,而且视频分辨率越高,存储空间减少量和减少率越大,与公式(11)和(12)表述一致。

综上,改进算法在块大小取值为3×3像素、分辨率不低于CIF时可保证与传统GMM算法有基本一致的检测效果,同时大量减少了算法耗时与存储空间,平均耗时减少率为46.16%,存储空间减少率不低于54.15%。

5 结束语

在传统的混合高斯模型基础上,本文提出利用分块处理技术与概率更新策略来对传统混合高斯模型进行改进,改进算法在耗时与存储空间这两个方面得到了很大改善,同时有效利用了图像像素间的空域信息,表现出了较好的环境适应能力。实验结果表明,在视频分辨率不低于CIF时,该算法与传统GMM算法检测效果基本一致,能够较为完整地、准确地提取出运动目标,同时改善了时间和空间复杂度。

参考文献

[1]Denman S,Fookes C,Sridharan S.Improved Simultaneous Computation of Motion Detection and Optical Flow for Object Tracking[C].Digital Image Computing:Techniques and Applications,Melbourne VIC,2009:175-182.

[2]Olivier Barnich,Marc Van Droogenbroeck.Vi Be:A universal background subtraction algorithm for video sequences[J].IEEE Transactions and Image Processing,Jun.2011,20(6):1709-1724.

[3]Chris Stauffer,Grimson W E L.Adaptive background mixture models for real-time tracking[C].IEEE Computer Society Conference on Computer Vision and Pattern Recognition.Fort Collins,Co,1999:246-252.

[4]Greggio N,Bernardino ALaschi C,et al.Self-adaptive Gaussian mixture models for real-time video segmentation and background subtraction[C].10 th International Conference on Intelligent Systems Design and Applications,Cairo,2010:983-989.

[5]Chen Ze-zhi,Ellis T.Self-adaptive Gaussian Mixture Model for urban traffic monitoring system[C].IEEE international Conference on Computer Vision Workshops,Barcelona,2011:1769-1776.

[6]Zhang Fan,Yang Lei,Zhang Guang-wen.Adaptive Fast Gaussian Background Subtraction Algorithm[C].2nd International Conference on Computer Science and Network Technology,Changchun,2012:766-771.

[7]向世明,陈睿,邓宇,等.在线高斯混合模型和纹理支持的运动分割[J].计算机辅助设计与图形学学报,2005,17(7):1504-1509.

[8]陈允杰,王顺风,王利,等.基于各向异性Gibbs随机场与高斯混合模型的脑MR图像分割算法[J].计算机辅助设计与图形学学报,2007,19(12):1558-1563.

[9]张燕平,白云球,赵勇,等.应用改进混合高斯模型的运动目标检测[J].计算机工程与应用,2010,46(34):155-157.

[10]Rafael C Gonzalez,Richard E Woods.阮秋琦,等.数字图像处理[M].3版.电子工业出版社,2013:93-94.

[11]周建英,吴小培,张超,等.基于滑动窗的混合高斯模型运动目标检测方法[J].电子与信息学报,2013,35(7):1650-1656.

被动声呐浮标目标运动分析数学模型第2篇

被动声呐浮标目标运动分析数学模型

将直升机被动声呐浮标目标运动分析(TMA)问题分为固定目标和匀速直线运动目标两种情况进行了研究;对于这两种情况,均用确定性参数计算、线性最小二乘法建立了TMA的数学模型,对于固定目标还用线性化后的最小二乘法进行了数学建模.

作者：董志荣 DONG Zhi-rong 作者单位：江苏自动化研究所,江苏,连云港,222006刊名：电光与控制 ISTIC PKU英文刊名：ELECTRONICS OPTICS & CONTROL年，卷(期)：200613(6)分类号：V275.1关键词：直升机被动声呐浮标目标运动分析数学模型

基于胜任力模型的人才培养目标研究第3篇

[摘要]培养技能创新型人才是当前职业学校面临的一项重要课题，胜任力理论为职业学校培养技能创新型人才提供了新的视角，通过对技能创新型人才应具备的关键素质特征进行调研，对技能创新型人才胜任力构成要素进行归纳，初步构建创新意识、创新思维、创新品格三维技能创新型人才胜任力模型，明晰技能创新型人才的培养目标。

[关键字]胜任力；技能创新型人才；培养目标

[中图分类号]G710 [文献标志码]A [文章编号]1005-6009（2016）14-0037-03

[作者简介]马永祥，江苏省泰州机电高等职业技术学校（江苏泰州；225300）副校长、高级讲师，主要研究方向为职业教育管理与教学；沈若冰，江苏省泰州机电高等职业技术学校（江苏泰州；225300）教师，中学一级教师，主要研究方向为职业教育教学。

“大众创业、万众创新”已成为新时代的主题。创新既需要理论科学家（科学院士）、技术科学家（工程院士）等高端理论人才，也需要工程师、工人技师等一线操作人才。技能创新型人才就是具备优良品德和博专结合的专业知识、精湛的专业技能，具有一定的创新能力、创新意识、创新品格，在生产和服务等领域岗位一线的工作实践中能够取得创新成果，创造更多社会价值的劳动者。中等职业教育肩负着培养技能创新型人才的重任，开展创新教育，培养技能创新型人才已成为职业教育界的共识，如何培养技能创新型人才是当前职业学校面临的一项重要课题。

一、技能创新型人才培养的现状分析

不少地区和职业学校对技能创新型人才的培养进行了探索，特别是以创新大赛为纽带的江苏省中等职业学校创新教育，培养了一大批技能创新型人才，取得了显著的成效，但也存在以下两个误区：

一是关注作品本身的研发，缺乏对人才培养目标的研究。创新创业已形成联动，但从研究的成果来看，创业教育已形成体系，创新教育体系却尚未建立。从一些编写出版的教材来看，创新教育缺乏对培养目标的研究。教育的本质就是培养人，关注的是培养什么样的人以及怎么培养的问题。只有准确把握人才培养的目标，才能批量培养技能创新型人才。目前职业学校开展的创新教育，主要是应对国家创新的要求和行业企业对创新型应用技术人才的需求而提出的，人才培养方案中缺乏对创新能力的要求，创新教育零打碎敲和追求功利的局面仍未改变。

二是关注作品的评奖，缺乏对人才成长规律与培养模式的研究。教育要培养人才的可复制性，可复制的关键就是寻找人才成长规律。技能创新型人才成长既有一般规律又有特殊规律，涉及人才学、教育学、脑科学、创造学、心理学、社会学、管理学等领域。从现实来看，技能创新型人才的教育大多还停留在关注作品的评奖，缺乏对培养模式的研究。

二、技能创新型人才胜任力模型构建

技能创新型人才培养是一项系统工程，胜任力理论给我们带来了新的视角。美国学者McClelland在1973年发表的《测量胜任力而非智力》一文中首先提出“胜任力”的概念，近年来中西方学者纷纷提出对胜任力的不同理解。本文采用Spencer等人（1994）的定义，即胜任力是指特质、动机、自我概念、社会角色、态度、价值观、知识、技能等能够可靠测量，并可以把高绩效人员与一般绩效人员区分开来的任何个体特征。经过近二十年对胜任力的研究和应用，人们提出冰山模型（The Iceberg Model）、洋葱模型（The Onion Model）和胜任力辞典，在冰山模型中，将胜任力分成外显的胜任力和内隐的胜任力。本文侧重于将冰山模型作为研究的理论基础。

为了从不同渠道、不同层面了解技能创新型人才的胜任特征，我们对（副）教授，企业中高层管理者以及在企业一线业绩较为突出的员工进行了关键事件访谈，提取了胜任特征，并通过借鉴HyaGroup公司的“基本胜任力词典”，设计了开放式问卷，对技能创新型人才胜任力进行问卷调查，收集了胜任特征项目。对职业学校群体进行了随机调查，共发放问卷200份，回收有效问卷186份，回收率为93%，通过对问卷调查结果进行分析、整理、归纳，最终形成频数大于20的26个胜任特征项目，见表1。

借鉴人才学、心理学、胜任力模型相关理论，经过分析、归纳、整理及反复推敲，初步将技能创新型人才胜任力模型分成创新能力、创新知识、创新技能、创新意识、创新思维、创新品格六个维度。借鉴冰山模型，构建了技能创新型人才胜任力理论模型，如图1所示。

创新人才胜任力特征要素在创新素质的形成中具有不同的作用，但彼此之间又是相互联系、相互制约、相互促进的。在技能创新型人才胜任力冰山模型中，创新能力处于最顶部，创新知识和创新技能是外显胜任力，较容易培养；创新意识、创新思维、创新品格等是内隐的胜任力，是较难培养的，却是决定技能创新型人才行为及表现的关键因素。

三、基于胜任力视角的技能创新型人才培养目标

从胜任力的视角来看，技能创新型人才应当注重对学生创新意识、创新思维、创新品格三个内隐维度的培养，使学生能够具备创新能力，它与技能型人才培养的区别在于，学习与实践不是目的而是手段。在三个内隐维度内，技能创新型人才的培养目标主要就是唤醒学生的创新意识，激发学生善于发现问题的能力；训练学生的创新思维，掌握创新必备的基本思维和方法；锤炼学生的创新品质，培养学生的自信心、意志力及积极乐观的人生观。

（一）唤醒学生的创新意识，激发学生善于发现问题的能力

创新意识是开展创新活动的前提，它是在创新实践活动中对自我身心状态与外界环境变化的觉知和认识。创新意识一方面是对自我的意识，如自我是否有创新的想法，是否具备相关能力，有没有好奇心、求知欲、创新兴趣、创新能力等；另一方面是对环境的意识，如是否敏锐地捕捉环境中的创新机会、识别商机、发现市场、宏观地审视经济环境、洞察未来市场形势等。创新意识是动力和心理准备，确保能够捕捉生活和工作中的各种信息，进行有意识的创新活动。

创新意识是从问题意识开始的，但学生的问题意识不是天生的，它也需要培养和激发。据考察和研究，职业学校学生的问题意识比较薄弱，具体表现为两种典型形式：第一类是不敢或不愿提出问题，第二类是不能或不善于提出问题。第一类情况是学生虽有一定的问题意识，但没有表现出来，呈潜在的状态。对教育者来说，要激发学生的问题意识，而激发的过程就是使潜在的、静态的问题意识转化为外显的、动态的问题意识，发挥其作用和价值。第二类情况是学生因教与学等多种因素，不善思考，思维惰性强，不能提出问题或者不善于提出问题，问题意识较少或没有。对教育者来说，当前重要任务之一是培养学生的问题意识。创新意识需要培养和训练，可通过典型案例和成才榜样，展示创新的魅力；可通过列举法、组合法、联想法、类比法、设问法等科学方法的训练，教会学生选题的方法；可通过到生活中、市场中、生产中调研，不断提高学生研究选题的本领。

（二）训练学生的创新思维，开发学生创新必备的基本研究方法

思维能力是指人们对遇到的问题进行分析、综合、概括、抽象、比较、具体化和系统化的能力，是对感性材料进行加工并将其转化为理性认识的能力。创新需要创新思维，创新思维是开展创新活动的保障。学生创新思维主要体现在：学生敢于质疑，善于质疑，有敢于推陈出新的问题意识和不迷信权威的勇气；有广阔的思维空间，具有直觉思维、求异思维、发散思维、归纳思维等多种思维能力。创新思维也需要培养和训练，通过学习TRIz理论，让学生学会解决问题的一般方法；通过研究方案的制定，让学生学会研究项目的方法；通过专利申请的学习，让学生学会对知识产权的保护；通过学习专利成果的转化，让学生提高对专利的认识水平。为了达到这一目的，我们必须改革当前课堂结构，建立适应学生思维展开的课堂结构模式，通过创新思维训练，激发学生创新思维的欲望，排除学生创新思维障碍。

（三）锤炼学生的创新品质，培养学生的自信心、意志力及积极乐观的人生观

创新不可能一蹴而就，不可避免要经历失败的过程，创新者要有面对失败的勇气，要有很强的心理承受能力。良好的抗压性离不开积极乐观的心态和自信的人格，自信心是提高学生创新能力不可缺少的心理品质。创新活动中，每一个障碍的克服都离不开意志力，面对每一个艰难的决定，我们所依靠的是内心的力量。事实上，意志力并非是生来就有或者不可改变，它是一种能够培养和发展的技能。创新意志是学生主观能动性最突出的表现，也是达到最终目标的决定因素，它对创新活动能起到调节作用：一方面启动、维持和强化达到创新目的所必需的行动，另一方面制止或削弱那些违背目标的行动。在整个创新过程中，困难会层出不穷，如创意被否定、创新不成功等，想要克服这些困难，除了自身的能力、知识和外界的帮助之外，最强有力的依靠便是创新者本身的坚定意志。

目标模型第4篇

随着各种灾害的频繁发生,应急物流受到了广泛关注[1,2]。地震、台风、洪涝、干旱等自然灾害以及恐怖主义等人为灾害都会造成巨大的生命财产损失[3,4],因此,应急物资的配送直接关系到灾民的生存质量[5]。如何提高应急物资的配送数量及质量,是一个亟待研究的重要议题。

由于灾害发生的时间、强度等无法被精确预测,以致其造成的损失及影响亦无法准确估计,使得应急物资的需求等信息充满不确定性[6,7]。鉴于此,一些学者开始从随机规划的角度来研究应急物流问题。文献[6]建立了两阶段都存在不确定性的随机规划模型;文献[8,9]将期望值与机会约束规划结合运用到应急医疗服务的选址-配送问题中;文献[4]针对洪涝应急物流的不确定性建立了随机规划模型。这些研究的共同缺点是:考虑单目标层面问题的多,而考虑多目标层面问题的少。多目标优于单目标的地方是:同时考虑了应急物资配送的公平性、及时性和经济性。

一方面,由于诸如药品、食物等应急物资一般为非耐用商品,在灾害发生之前无法保持高库存,使得应急物资的供应受到数量的限制[5,10]。限量的供应导致类似分配不均的情况时有发生,比如有些灾民获得了充分的物资救济,而另一些却得不到足够的帮助。可见,应急物资分配的公平性应予考虑。另一方面,应急物资的及时运输应符合“快速响应”的应急物资配送政策[11]。另外,虽然应急物资配送活动具有弱经济性的特征,但经济性仍不容忽略[2,4,6,8,12];文献[12,13,14]的研究涉及了上述问题,但要做到三者同时兼顾仍有差距。因此,同时兼顾应急物资配送的公平性、及时性和经济性是研究应急物资配送问题的核心所在。

本文从多目标的角度,建立具有最大覆盖范围限制的多目标随机出救点规划模型。为兼顾目标之间重要性的纵横向比较[13,15,16,17],采用加权排序法进行模糊目标规划(fuzzy goal programming,FGP)问题求解。

1 模型描述

本文研究多出救点、多受灾点、多应急物资的应急设施选址、物资配送问题。供应链成员包括:出救点和受灾点,二者共同构成双层应急物资配送网络。应急物资的多样性更加符合灾害发生后灾民对物资的实际需求,包括食物、药品、帐篷等不同类型和作用的物品。出救点具有若干个已知位置的候选地址,决策者需要在灾害发生之前做出出救点选址决策,在灾害发生之后做出物资配送决策。具体网络结构如图1所示。

1.1 假设

(1)由于带连续型随机变量的随机规划很难求解[18,19],故假设本模型的随机变量为离散型。类似于文献[4,6,8,14],假设有限个已知发生概率的灾害情景、需求以及配送路径畅通性基于情景来表示。

(2)同文献[1,2],假设受灾点的地理位置已知,可以通过地理信息系统(geographic information systems,GIS)等技术测得。

(3)鉴于及时性是应急物资配送问题的重要目标,而出救点坐落在离受灾点一定标准距离范围之内的地方是实现配送及时性的有效方法[13],因此,假设出救点对受灾点有最大覆盖范围限制。

(4)假设出救点选址决策和出救点车辆数量已定,则各出救点的事先物资储备量随之确定,其值取决于出救点所确定的车辆数量。

1.2 符号

(1)集合。

I为受灾点i的集合,i∈I;J为出救点候选地址j的集合,j∈J;K为应急物资k的集合,k∈K;Ω为灾害情景ω的集合,ω∈Ω。

(2)参数。

Tij为出救点j到受灾点i的距离;T为覆盖范围的阈值;fj为出救点j的固定开设成本;cj为出救点j的单位容量开设成本;tc为单位运输成本;tt为单位运输时间;Uj为出救点j的最大车队规模;wk为应急物资k的单位质量;WV为车辆的最大装载质量;pω为灾害情景ω发生的概率;dωik为情景ω下受灾点i对应急物资k的需求;Aωij为情景ω下出救点j到受灾点i的畅通性(当j到i畅通时取1,当j到i不畅通时取0);Dωij为情景ω下出救点j到受灾点i的有效距离。

(3)决策变量。

zj为0～1变量,表示是否选择出救点候选地址j开设出救点;xj为非负整数变量,表示确定出救点j的车辆数量;yωijk为应急物资k由出救点j到受灾点i的运输数量;sωij为0～1变量,表示出救点j到受灾点i的应急物资流量是否存在。

1.3 模型描述

目标函数为

min(obj1,obj2,obj3)

$o b j_{1} = \sum_{j} (f_{j} z_{j} + c_{j} x_{j}) + \sum_{i} \sum_{j} \sum_{ω} t_{c} D_{i j}^{ω} p_{ω} s_{i j}^{ω} (1)$

$o b j_{2} = \sum_{i} \sum_{j} \sum_{ω} t_{t} D_{i j}^{ω} p_{ω} s_{i j}^{ω} (2)$

$o b j_{3} = \frac{\sum_{i} \sum_{k} \sum_{ω} p_{ω} (d_{i k}^{ω} - \sum_{j} y_{i j k}^{ω})}{\sum_{i} \sum_{k} \sum_{ω} p_{ω} d_{i k}^{ω}} (3)$

约束条件为

xj≤Ujzj ∀j (4)

$\sum_{i} \sum_{k} w_{k} y_{i j k}^{ω} \leq W_{V} x_{j} \forall j, ω (5)$

$\sum_{j} y_{i j k}^{ω} \leq d_{i k}^{ω} \forall i, k, ω (6)$

$D_{i j}^{ω} = {\begin{cases} Τ_{i j} A_{i j}^{ω} = 1 \\ + \infty A_{i j}^{ω} = 0 \end{cases} \forall i, j, ω (7)$

${\begin{cases} y_{i j k}^{ω} \geq 0 D_{i j}^{ω} \leq Τ \\ y_{i j k}^{ω} = 0 D_{i j}^{ω} > Τ \end{cases} \forall i, j, k, ω (8)$

$s_{i j}^{ω} = {\begin{cases} 1 y_{i j k}^{ω} > 0 \\ 0 y_{i j k}^{ω} = 0 \end{cases} \forall i, j, k, ω (9)$

zj∈{0,1} j∈J (10)

xj为非负整数,j∈J (11)

本模型有3个目标函数,分别为:经济性目标、及时性目标和公平性目标。式(1)为最小化总成本,包括开设出救点的固定成本、可变成本,以及应急物资的运输成本,其值反映应急物资配送活动的经济性。式(2)为最小化应急物资配送的总时间,反映应急物资配送活动的及时性。式(3)为最小化未满足需求占总需求的比重,可以反映应急物资配送活动的公平性。

在所有约束条件中,式(4)是出救点的最大车队规模约束,且保证了只能在已经开设的出救点安排车队。式(5)是出救点对应急物资的最大承载重量约束,当出救点没有安排车队时,该出救点将无法配送物资。式(6)表示应急物资的供应量不超过需求量。式(7)是出救点j到受灾点i的畅通性的表达式,当j到i不畅通时,其有效距离为无穷大。式(8)是出救点j对受灾点i的最大覆盖范围约束,当两者之间有效距离大于覆盖范围阈值时,j到i不存在流量。式(8)对决策变量yωijk的取值范围予以规定。式(9)是流量规模与流量存在性的转换公式。式(10)与式(11)定义了决策变量的取值范围,其中式(10)是zj的0～1约束,式(11)是xj的非负整数约束。

不难发现,该模型是带补偿的两阶段随机规划模型[18,20]。根据决策时间与灾害发生的先后顺序不同,将本模型的决策变量分为两种类型:诸如zj、xj等变量的确定,发生在灾害发生之前,我们称之为第一阶段决策,或称here-and-now决策;而诸如yωijk、sωij等变量因其取值随情景的不同而不同,对其进行确定,发生在灾害发生之后,我们称之为第二阶段决策,或称wait-and-see决策。通过将本模型设计成带补偿的两阶段随机规划模型,使得不确定性得以消除,本模型等价于多目标确定性模型,可以运用FGP等多目标求解方法进行求解。

2 基于加权排序法的FGP

在有关FGP的各种解法中,加权法虽考虑了取小法没有考虑的目标之间重要性差别的问题,但却仅仅只是考虑了横向比较,即只考虑了同一层次目标的重要性差别,而未考虑纵向比较,即未考虑不同层次间的目标重要性差别。基于加权法在权重改变时可能会获得不满意的结果,于是Chen等人提出了排序法。为解决排序法仅考虑纵向比较,未考虑横向比较的弱点。本文提出了基于加权排序法的FGP。为使原模型获得满意解,采取了如下设计方法:

(1)为每一目标设定隶属函数μn,n=1,2,3,为每一目标函数设定模糊目标值区间[f*n,f′n],并设定f*n=min objn,f′n=max objn,从而有

$μ_{n} = {\begin{cases} 1 o b j_{n} \leq f_{n}^{*} \\ \frac{f^{'}_{n} - o b j_{n}}{f^{'}_{n} - f_{n}^{*}} f_{n}^{*} < o b j_{n} < f_{n}^{´} \\ 0 o b j_{n} \geq f^{'}_{n} \end{cases} n = 1, 2, 3 (12)$

目标隶属函数可以看成是目标接近理想目标值的程度,即理想目标的实现程度。隶属函数值越大,表明目标越接近理想目标,从而理想目标的实现程度越大。

(2)用基于加权排序方法的FGP求解原模型,将原模型的多目标函数转化为单目标函数。目标函数的含义可解释为:最大化加权的理想目标实现程度,可表示为

$\max \sum_{n} λ_{n} μ_{n} (13)$

式中,λn为反映同一层次目标重要性的权重, $\sum_{n} λ_{n} = 1$ 。

约束条件包括原模型的约束条件,即式(4)～式(11),以及

μn′≥μn″objn′优于objn″,n′,n″=1,2,3 (14)

其中,式(14)用来反映不同层次之间目标重要性的优先级差别。

式(13)、式(14)使得FGP兼顾了目标重要性的横向比较和纵向比较,让决策结果更加符合决策者的心理预期。

3 算例分析

3.1 算例描述

某地拟在4个候选地址开设应急设施,以服务附近4个居民区域。灾害发生时,需要为灾区配送3种应急物资(药品、食物、帐篷)。有3种灾害情景(轻度、中度、重度)。各参数设置如表1～表5所示,另有WV=20t/辆,tc=0.1元/m,tt=0.06s/m,T=30km。

3.2 结果分析

本模型属整数非线性规划问题(INLP),通过LINGO9.0编程求解。为设定各目标的模糊目标值区间[f*n,f′n],先分别进行单目标求解,得到[f*1,f′1]=[0,632 500],[f*2,f′2]=[0,11 100],[f*3,f′3]=[0,1]。

对于目标的权重设置,考虑到应急物流的弱经济性,经济性目标的重要性应排在最末。本文认为公平性目标比及时性目标更重要,理由在于:公平性由“未满足需求占总需求的比重”来量化,其值反衬出部分灾民“长期”无法得到需求的满足,意味着未满足需求的长期延误;及时性则反衬出应急物资配送的“短期”延迟,意味着未满足需求的短期延误;“长期延误”比“短期延误”危害性更大。故置λ1=0.2,λ2=0.3,λ3=0.5,且目标优先级排序为:obj3优于obj2优于obj1,即μ3≥μ2≥μ1。

在CPU为2.5GHz、内存为2GB的计算机上运行编程,仅费时6s即可得到求解结果。加权理想目标实现程度的最大值 $\max \sum_{n} λ_{n} μ_{n} = 0.77$ 。此时,灾民对应急物资的需求几乎得到了完全满足(μ3=0.96),较好地保持了物资配送的及时性(μ2=0.61),而此前提下,损失的只是部分经济利益(μ1=0.55),符合决策者设定的目标重要性预期。

图2～图5所示分别描绘了不同灾害情景下的选址-配送决策。正如前面所述,由于应急设施的选址(即zj的确定)和车辆数量的确定(即xj的确定)发生在灾害发生之前,属于第一阶段决策,因此其取值不受灾害情景变化的影响,图2～图5显示了这一结果:选择候选地址2和4开设出救点,并且在这2个出救点分别确定车辆数为15辆和21辆。区别于zj和xj在不同灾害情景下的高度统一性,应急物资的配送和车辆路径的存在性则会依不同情景的变化而变化。图2～图5描绘了这种变化:当灾害由轻度转到中度时,由于灾民对应急物资的需求增大,既有物资配送路径上的应急物资流量也增大;当灾害进一步加剧时,在既有配送路径上的物资流量增大的同时,某些配送路径的有效性被破坏而失去畅通性,因此,实际存在流量的物资配送路径会减少。

可见,本文提出的模型和解法可以灵活应对不同的灾害情景,以便决策者做出合理的物资配送决策,且决策结果与决策者设定的目标重要性预期相一致。

3.3 方法比较

为对基于不同解法的FGP进行比较,分别运用这些方法对本文的模型进行求解,得到图5和图6所示的求解结果。由图5看出,取小法无法反映决策者原先规定的目标之间的重要性差异,加权法和排序法则有所反映,而加权排序法使得这种差异更加凸显。图6则表明加权排序法求得的加权理想目标实现程度最大。这说明基于加权排序法的FGP不仅比其他方法能更好地符合决策者设定的目标重要性预期,而且最终的目标重要性的总体实现程度也为最优,这意味着4种方法当中,基于加权排序法的FGP其求解效果最好,最适合应用于解决应急物资配送过程中的公平与效率问题。

4 结论

(1)本文提出的两阶段随机规划模型及其解法可以灵活应对不同的灾害情景,以便决策者做出合理的物资配送决策。

(2)本文提出的基于加权排序法的FGP比其他方法能更好地符合决策者设定的目标重要性预期,且求解结果最优,更适合应用于解决应急物资配送过程中的公平与效率问题。

(3)今后的研究方向:多层应急物资配送网络;灾情信息不断更新的应急物资配送问题;多种运输方式结合的应急物资配送问题。

目标模型第5篇

废弃物逆向物流网络设计的多目标优化模型

针对城市固体废弃物中转站和处理站的两级选址问题,同时考虑了总的建设费用最小和尽可能满足居民的意愿,建立了一个多目标规划模型.通过引入目标函数的模糊满意度,采用两阶段模糊算法求解,确定建立中转站和处理站的`位置、中转站的数量以及由中转站服务的废弃物产生点,构建了一个废弃物的逆向物流网络.最后以在巩义市的建设规划为例,说明了模型的可行性和有效性.

作者：何波杨超杨B HE BO YANG Chao YANG Jun 作者单位：华中科技大学,管理学院,湖北,武汉,430074刊名：工业工程与管理 ISTIC PKU英文刊名：INDUSTRIAL ENGINEERING AND MANAGEMENT年，卷(期)：12(5)分类号：O22关键词：逆向物流多目标优化固体废弃物模糊算法

目标模型第6篇

摘要：智能交通系统领域中的路网拥塞控制是解决路网拥塞问题的主要手段之一，针对该问题，利用自底向上的agent建模方式，构建一种多目标路径决策agent移动模型.在该模型中，车辆agent兼顾最短路径和拥塞避免两个优化目标，通过车辆agent行驶距离最短（最短路径）和途经区域的拥塞程度最低（拥塞避免）两个目标优化来动态进行路径决策.基于多目标路径决策移动模型一方面能够实现对交通拥堵路段的分流控制，另一方面能够挖掘网络拓扑结构中易发生拥塞的路口的共同特征，为路网拥塞控制提供帮助.仿真实验结果表明，该模型能较好地改善路网结构中的拥塞路段.针对不同链路密度及链路分布的网络所进行的仿真实验结果进一步表明，路网结构的链路密度对拥塞路段出现在网络中的地理位置影响不同，而路口节点位置影响其拥塞程度；网络结构的链路分布形态对发生拥塞路段的地理位置和拥塞优化结果具有直接影响.

关键词：多目标优化；路网拥塞；agent移动模型

中图分类号：TP399 文献标识码：A

智能交通系统（ITS，Intelligent Transportation Systems）在交通领域的各个方面，例如路径规划、车辆导航及拥塞控制等方面已得到了许多成功应用.拥塞控制作为ITS中的一个关键应用，一直是研究热点＼[1＼].目前，交通拥塞的研究方法大致可以分为3类：1）基于统计物理学的方法，如Liao等人使用熵复杂因果关系平面法分析交通数据，实验结果表明：其方法在评价交通动态状态分级时效果最好，交通数据被分为：拥塞，中级，通畅＼[2＼].Helbing介绍了多种交通流以及自主性多粒子所描述的系统，回顾和比较了交通领域中关于实证数据、行人和车辆通行的主要方法以及微观中观宏观三种模型＼[3＼]. 2）基于数学规划的方法.1985年，Sheffi运用数学动态规划及其建模方法，系统地阐述了交通流量的拥塞问题，并且提出了多种用户均衡状态及交通流建模的解决方案＼[4＼].文孟飞等人利用一种基于增量搜索的多目标优化方法实现了车辆的实时路径诱导＼[5＼].3）基于ABMS（agentBased Modeling and Simulation）的智能交通拥塞控制方法.例如，Narzt等人运用昆虫群集产生的电子信息素，通过对其它车辆信息素的搜集、区分及避开拥塞，采用非集中控制的方式在仿真交通系统中分析汽车多种规避拥塞的不同策略＼[6＼]. 梁满朝、李文勇等人针对城市交通信号控制的动态路径优化问题，综合考虑了路口距离和道路的饱和程度，通过基于蚁群算法和群决策理论的动态路径优化算法模型，并证明了其有效性＼[7＼]. Buscema等人则考虑驾驶员行为偏好对路径选择的影响，指出驾驶员对于路径的选择不仅仅依赖于交通引导系统同时也依赖于驾驶员的主观感觉＼[8＼].此外，文献＼[9＼]提出了一种基于agent的智能驾驶模型，通过结合网络、车辆信息共享更新的基础设备和自适应巡航联合控制的方法，证明了该agent智能驾驶模型的实用性以及如何使用该技术减少拥塞.

湖南大学学报（自然科学版）2015年第4期蒋斌等：路网拥塞控制中的多目标路径决策模型研究

交通系统涉及个体自主驾驶行为与复杂交通环境之间的实时交互和反馈机制，属于典型的复杂系统研究范畴.本文采用自底向上的ABMS方法，联系微观个体行为与宏观交通涌现现象来研究智能交通系统的拥塞控制问题.现有基于agent的拥塞控制方法主要从车辆个体行为出发来研究改善拥塞的方法，预测驾驶时间或者用户行为，缺乏一定的宏观视角分析整个交通系统拥塞分布的涌现，从多目标优化的角度来实现网络拥塞均衡算法也较少.针对上述问题，本文提出一种基于多目标路网拥塞均衡算法的agent移动模型，同时考虑最短路径和拥塞避免两个目标来动态决定车辆agent的移动目标，依据该优化策略自主地向各自预定目标移动，以实现整个网络拥塞动态均衡的目的.

1 ODD协议模型描述

通过ODD协议（Overview， Design concepts，Details）＼[10＼]描述基于多目标路网拥塞均衡算法的agent移动模型的设计与实现.

1.1 目的

本文提出一种基于多目标路径决策移动模型分析路网的拥塞问题.模型同时考虑最短路径和拥塞避免两个目标的优化，确保车辆抵达目的地的过程中整个网络拥塞得到改善.仿真实验验证了模型的有效性，同时针对不同链路密度和链路分布的模型试验，分析了不同网络结构对拥塞涌现和优化结果的影响，为实际路网中拥塞控制提供理论参考.

1.2 实体，状态变量和尺度

如表1所示，模型包含两类实体：路口节点和车辆.其中，路口节点表示仿真实验预定义的路网结构中的交通路口节点，车辆定义为网络中依据一定移动策略自主移动的agent.

表2给出了模型中的状态变量：1）路口节点状态，包括节点饱和度和当前等待的车辆agent队列，节点饱和度指交通路口的最大通行能力，当车辆agent数目达到上限时将饱和度置1（具体定义及计算见2.4）；2）网络链路状态，表示整个路网不同路口节点间的连接状况（即网络中的边）；3）车辆agent的状态，包括出发地、目的地、当前路径及当前状态（等待或是移动至下一路口）.对于每个路口节点r，我们定义状态变量Ux来描述其在时刻t的拥塞状况为：

Ux=preA（r，t）desiG（r，t），（1）

其中，preA（r， t）表示节点r在时刻t的前置影响，desiG（r，t）表示节点r在时刻t的节点饱和度，具体计算见1.4.本文中，为了简化计算，我们将preA（r， t）的值设置为1.

表2 状态变量定义及其描述

Tab.2 Status variables definition and description

1.3 过程与调度

仿真过程中，每个agent抵到一个路口节点i，会根据该路口节点i的邻接节点集Si={v1， v2，…，vj，…，vn}进行计算（vj表示与节点i相邻的节点j），通过多目标优化算法计算集合中所有节点的效用值（效用函数定义及计算见2.6），处于移动状态的agent会选择集合Si中效用值最小的节点作为目标节点.若agent移动后到达最终目标路口节点，则将该agent从路网中移除.每一个仿真周期将执行两类实体和整个网络状态的更新.图1是对该仿真过程和调度的伪代码描述.

1.4 设计理念

基本原理. 本模型设计的主要原理来自于Sheffi提出的城市路网车流均衡最优化理论[4].拥塞作为交通复杂系统中最重要的机制之一，直接影响着通行时间，并与该交通节点的车流数目相关.在给定网络结构和平流量数据时，Sheffi将影响交通通行的因子细化为多类，其中最为重要的一点即是链路函数，链路函数反应为该道路关于车辆流量的通行时间函数，通过时间的长短将直接反应出车流拥塞的程度.Sheffi还提出UE（userequilibrium）状态理论，即没有驾驶员能够通过改变路径缩短他们的通行时间，该理想状态在实际情况中很难达到.针对UE状态，他提出了多种解决该类均衡问题的方法，并指出最小路径树（Label connecting algorithm）方法是其中最有效的办法之一.根据Sheffi的理论和建模方法，我们的模型选取避免拥塞和最短路径作为两个考虑的优化目标，并基于其理论来建立我们agent移动模型的相关参数和移动规则.

Sheffi理论大多是建立在宏观车流数学模型之上，通过数学规划等方法为达到某种平衡而进行计算.模型结合其理论，将交通复杂系统通过多agent系统进行模拟仿真，将个体移动策略和全局拥塞分布动态联系起来，是交通领域仿真模拟的新尝试.

涌现. 随着车辆agent在路网中的自主移动，将形成路网中各路口节点不同的拥塞分布，并涌现出某些拥塞特别严重的路口节点.研究agent移动策略与拥塞现象涌现的内在联系，对实现拥塞均衡具有很大的意义.

适应性. 在模型中，车辆agent会基于最短路径和拥塞避免两个原则决定最终移动目标.车辆agent在移动过程中会基于周边路口节点的拥塞程度改变移动策略.

目标. 假设路口节点的最大车辆通行数量为Max，若节点r在仿真时间步t内通过的车辆数目为v，则节点r在时刻t的饱和度desiG定义为

desiG（r，t）=1v≥Max；

v+1Maxv

假设网络由N个节点构成，仿真实验结束时间步为End，则定义模型的目标函数为整个仿真过程中的平均节点饱和度之和nwval，其值越小则整个网络的拥塞分布情况越好.

nwval=∑Endt=0∑Nr=1desiG（r，t）.（3）

随机特性. 模型中车辆agent的出发地、目的地以及加入到网络中的时间都是随机设定的.在每一个仿真时间步，车辆agent基于效用函数的计算决定下一目标路口节点，该效用函数的定义不仅考虑了主要因素的影响，还通过高斯随机函数模拟了车辆移动过程中随机影响.

观察. 为分析不同网络拓扑结构下路口节点拥塞状况的涌现特征，在每个仿真时间步，记录下所有路口节点的节点饱和度desiG和整个模型的目标函数值nwval.

1.5 初始化

初始化阶段，模型随机产生500个具有不同移动策略、出发点和目的地的车辆agent；不同agent类别之间的比例，效用函数中的权值设定，根据实验目的具体设定.

1.6 子模型

我们所定义的agent移动模型理论来自于朗之万方程，假定agent移动是由主导因子和随机因子两部分共同的作用结果.据此我们定义agent的移动效用方程，见式（4），其中Λ（Ux，t，λ）代表了相邻节点x在时间t的效用值.车辆agent i将会选择其相邻节点集合Si={v1，v2，…，vn}中效用值最小的一个作为目标节点.式（4）中的f（Ux，t）表示的是周边路口节点x在时间t对车辆agent移动的外部作用，其值动态反应了该邻接节点x的饱和程度；g（x，t）代表对agent的路径约束，其值直接反应出agent距离最终目标节点的路径长度，g（x，t）将会约束agent朝着目的地行进.参数λ是这两个目标之间（最短路径和拥塞避免）的权值.此外，为了保持移动过程中具有一定的随机性，我们在效用函数中加入高斯随机扰动Gauss，

Λ（Ux，t，λ）=（1-λ）f（Ux，t）+

λg（x，t）+Gauss. （4）

为简化仿真实验，我们进行了如下约束：在每个仿真时间步，每个路口节点只允许单个车辆agent通过，其他车辆按到达该路口节点的次序进入车辆agent队列尾部等待.

2 实验设定及结果

如表3所示，我们执行3组实验来分别1）验证基于多目标的agent移动模型对网络拥塞均衡的有效性，2）分析网络链路密度对拥塞的影响.

对拥塞均衡的影响

网络结构及节点饱和度分析

分析网络链路分布形态对拥塞的影响.仿真实验中定义了两类agent：第一类Floyd agent将沿着最短路径向目的地移动；第二类Autonomous agent将同时考虑最短路径和拥塞避免两个优化目标，根据效用函数公式（4）向目的地自主移动.通过仿真实验采用的网络拓扑结构以及两类agent在不同比例和权值下的网络节点饱和度分布来分析仿真结果.3组实验都分别给出了本组仿真所采用的网络拓扑结构.

特别的，实验2和3中的网络拓扑结构分别按照链路数目、链路分布形态的不同进行对比实验，实验2中用黑色圆圈进行标识的节点表示在仿真过程中出现明显拥塞或异常的节点.3组仿真实验都给出对应其网络拓扑结构的平均节点饱和度分布，3种不同形状的图标（菱形、正方形、三角形）分别表示采用不同比例和权值构成的agent运行得到的仿真实验结果.如表4所示，3组仿真实验中，当网络中只含有Floyd agent时，用菱形图标表示网络节点的饱和度，而当两类agent各占50%，权值为0.85和0.15（实验1）或者0.95和0.2（实验2和3）时，网络节点饱和度分别采用正方形和三角形表示.表5给出了实验的参数设定.500个车辆agent将在前50个时间步随机加入到预定义的网络结构中，为保证所有agent都能够达到目的地，设定仿真时间步长

坦克打击目标威胁评估排序模型第7篇

随着战场复杂度和现代信息化水平快速发展, 战车打击过程的自动化需求越来越迫切。威胁评估作为目标分配和火力分配的前提, 是作战决策过程中的重要一环。由于评估过程所涉及的因素众多, 相互关系复杂, 目前还没有一个通用的方法。

威胁评估中模型的准确度对评估准确度有至关重要的影响。合理的评估模型是求取综合威胁值的基础, 是提高评估效果的关键。一些文献中, 采用了简单的树形的层次结构处理坦克目标威胁评估问题, 评估结果由各个子部分加权求和得到, 如文献[1]中设置的单层评估模型, 如图1。

此种模型各个因素看做完全独立, 没有考虑到各个因素间的相互联系, 会造成一定程度的评估失真。如, 目标的类型和与本车的距离主要影响目标的命中率。而命中率目标距离有关, 具体来说, 是与目标当前距离和其射程的比值有关。而采用树形的模型则没有考虑到射程的影响。另外, 对目标相对速度的判断也与目标类型有关。判断目标是高速行驶还是低速前进, 应该用与其当前速度和其平均速度相比, 仅以绝对速度判断不够准确。因此, 此种模型则不能满足要求。

坦克打击目标的威胁评估模型结构复杂, 本文针对坦克打击目标的特点, 模拟人为评估的过程, 确定威胁评估指标体系, 依据打击实际, 构建评估结构模型。

1威胁评估指标选择

对坦克打击目标进行威胁评估依照:完整性、可运算性、无冗余性的原则选择评估指标, 确保威胁评估准确度高, 冗余度低。

其中, 评估指标的选择有多种方案, 多数评估系统采集目标类型、相对距离、目标速度、打击角度、打击状态五个量。这个指标体系内容完整, 而且冗余度低, 但存在一些问题。其中, 目标的攻击状态难以采集。将其设置为中间变量更为合适, 而目标的朝向比较容易观测, 并且可以间接地反映目标的攻击意图, 可以作为基础指标。

文献[2]中除了这五个量的采集, 还增设了“射击反应”、“命中率”、“快速性”、“通过性”、“隐蔽性”、“符合上级意图”、“符合作战意图”等因素, 这些性质是五个基本指标的组合和概括, 此种方案造成了信息的冗余。

本文依据四个基本指标:目标类型、相对距离、目标速度、目标朝向为基础, 构建威胁评估模型, 进行威胁评估。其中, 目标类型是依据目标特点分类, 共将分为:坦克、步兵战车、车载式反坦克导弹、单兵肩扛式反坦克导弹、火箭筒5类目标。目标速度选取在敌我视线方向上的速度, 单位为m/s。本车方向表示本车正面与视线的角度。0°表示车体正对目标, 180°表示背对目标。目标朝向的选取与本车方向相同, 选取0°~180°范围内变化。

2威胁评估模型

2.1三层评估模型

将评估模型设置为三层结构:第一层为基础指标层, 对目标指标进行归一化处理;第二层为判断层, 依据基础指标得到目标命中概率、杀伤能力以及攻击意图。第三层为综合层, 对三个方面加权得到综合威胁度。命中概率、杀伤能力和攻击意图构成三个判断因素, 每一个因素都由多个指标决定。

2.2判断层评判函数

2.2.1命中概率

目标的命中概率表示目标对本车的命中精度。假设本车的外接矩形宽、高分别为2a、2b, 体形系数为K。命中率P可以通过下列四种方法之一求得[3]:

①拉普拉斯函数法:是简化的拉普拉斯函数, 为水平和垂直中数误差。②数值积分法:是拉普拉斯法的另一种形式。③均方差法:是标准正态分布函数, 是方向和高低向均方差。④多项式计算法:P=a0+a1d+a2d2+a3d3+a4d4, 各弹种的多项式系数由查表得到。

2.2.2杀伤能力

杀伤能力与目标火力以及本车的防护力有关, 分别计算两者的评估值, 然后将两者综合, 得到目标杀伤能力的判断。

①目标火力。目标火力与其采用的弹种密切相关, 不同的弹种由于装药和形状的不同, 破甲能力不同。弹丸对装甲的侵彻厚度依据德马尔公式计算:

其中, T表示装甲侵彻厚度, D表示弹丸最大直径, W表示弹丸重量, V表示弹丸速度, θ为着角 (弹轴与装甲发现夹角) , α和β为常数, 对于非形变弹丸, 取log10α=6.15, β=1.43。对于某一选定的弹种, 将其对同一高度垂直装甲的侵彻力作为判断基础。公式中, D和W由弹丸本身属性决定, V和θ由外弹道公式计算。火力值设定:当穿甲厚度大于1000mm时设为1, 小于1000m时, 除以1000mm, 得到火力值。

②本车防护能力。由于坦克的装甲防护力在各个方向不同, 因此需要考虑本车的姿态。本文以坦克平均装甲厚度为依据计算防护能力。

长度为L厚度为h的装甲, 当装甲成θ角度对敌时, 可以看做长L′=Lcosθ, 厚度为h′=h/cosθ的装甲。多边形装甲的平均厚度可以看成多块不同倾角的装甲的组合, 其计算公式为:

计算六边形炮塔坦克的平均装甲厚度, 以θ1表示炮塔方向, θ2表示车体方向。炮塔和车体方向在0°~180°变化时的平均装甲厚度为

分段点位于7°, 60°, 90°, 120°, 173°。

车体的平均装甲厚度的计算与炮塔类似。

将平均装甲厚度归一化, 得到各个方向上的威胁度:

将炮塔与车体防护力依据高度比约为2:3, 综合得整车防护力:

杀伤能力TK依据目标火力T与本车的防护能力H综合得到:TK=0.5 (T-H+1) 。

2.2.3攻击意图

目标速度大小是结合目标的机动能力进行判断的。将目标当前速度与其平均速度比较得到目标的相对速度, 0表示目标静止, 1表示目标正在进行高速机动。

目标类型依次表示坦克、步兵战车、反坦克导弹车、肩扛式反坦克导弹、火箭筒。

目标朝向:是目标攻击方向与本车的夹角, 0°表示目标正对本车, 180°表示目标背对本车。

目标在进行高速机动时或者基本背离本车时都应当看做是攻击意图比较弱的情况。因此以乘积法求取攻击意图:

2.3综合威胁度求取

目标的综合威胁度由命中概率、杀伤能力、攻击意图加权达到。权值的准确性对评估结果有至关重要的影响。为了证明模型的准确性, 本文采用在此问题上常用方法:层次分析法AHP求取权值, 具体计算步骤见文献[4]。

设置坦克、步兵战车、车载式反坦克导弹、单兵反坦克导弹、火箭筒的判断矩阵分别为:A1A2A3A4A5。

计算得到综合权值依次为:λK1λK2λK3λK4λK5。

加权求和得到目标综合威胁度W=λTT, T=[TD, TK, TI]T, 分别表示命中概率、打击能力、攻击意图三个判断因素的估计值。

3威胁评估实例

火箭筒, 700m, 5km/h, 右侧45°, 朝左15°;坦克, 1800m, 25km/h, 右侧15°, 正对本车;反坦克导弹车, 2500m, 30km/h, 左侧20°, 朝右30°;步兵战车:1000m, 20km/h, 左侧50°, 正对本车;肩扛反坦克导弹:2000m, 静止, 左侧55°, 朝左5°。本车炮塔相对车体顺时针旋转30°。

下面以右侧1800m远的坦克目标的威胁度计算为例, 计算各个目标的威胁度。

命中概率的计算:设本车宽3.3m, 高2.0m, 体形系数为0.86。按照均方差法, 查表得稳像火控下穿甲弹1800m处对运动目标的高低和水平均方差为:1.01和1.10, 计算得到命中概率为0.5962。杀伤能力计算:以M827穿甲弹计算, 弹芯直径38mm, 弹丸重7.2kg, 初速为1650m/s, 依据射表, 得到在1800m远处的落角和落速分别为:0.22°和1479.7m/s, 计算得到穿甲厚度为382.1mm, 因此设置火力值为0.3821。目标与炮塔正面和车体正面角度都为15°, 得到炮塔和车体的防护能力分别为0.2993和0.5103, 综合防护力为0.4399, 目标杀伤力为0.4711。攻击意图计算:相对速度0.3571, 目标朝向:0。计算攻击意图:0.6429。综合威胁度计算:选择权值为:[0.5396, 0.163, 0.2970], 综合威胁度W=[0.5962, 0.4711, 0.6429][0.5396, 0.1630, 0.2970]T=0.6324。

火箭筒、坦克、反坦克导弹车、步兵战车、肩扛式反坦克导弹的威胁度分别为:

排序为:反坦克导弹车>坦克>肩扛式反坦克导弹>步兵战车>火箭筒。此排序结果符合专家经验, 所建立的模型具有一定准确性。

4结束语

模型合理性是影响威胁评估准确度的重要方面, 本文针对当前评估模型的不足之处, 做出符合坦克打击过程特点的修改。本文建立的模型以作战效能为依据, 可靠性高, 具有一定的实用价值。算例表明, 依据此模型的威胁评估符合人为判断, 结果准确合理。依据本文模型评估时, 必须准确获取目标信息, 而且计算过程稍显繁琐。如何建立准确的目标信息库, 并提高计算速度有待进一步研究。

参考文献

[1]杜涛, 朱英贵, 杭兴龙.坦克火力运用自动化系统目标威胁评估模块[J].火力与指挥控制, 2009, 4.

[2]张文华, 宁树亮, 麻勇.基于神经网络和遗传算法对反装甲目标威胁评估研究[J].指挥控制与仿真, 2008, 2.

[3]王建民, 刘焕章, 刁联旺, 孟海露.现代坦克射击[M].国防大学出版社, 1999, 4:172-175.

后勤士官人才培养目标、模型、方式第8篇

一、研究新情况, 不断增强使命感

近年来, 我院为搞好后勤士官人才培养组织了思想调查和有关单位走访, 了解到改革的深入和市场经济的发展, 既给后勤士官人才培养注入新的活力, 又使得面临许多新的矛盾。

一是后勤士官人才培养的紧迫感与学员兴趣淡化的反差, 使人才培养的地位受到挑战。去年通过对1 000名青年干部和学员的调查发现, 有54.7%对人才培养不感兴趣, 64.2%的学员没有考虑过如何使自己成才, 个别甚至认为人才培养空而无用。

二是后勤士官人才培养与现行政策之间的差异。调查中发现, 不少学员认为过去军人是最可爱的人, 经济收入也不低, 现在大不如前, 感到当兵吃亏, 尤其是从地方入校的学员, 34%的感到入军校选错了门, 个别的入校仅三天, 就写报告要求退学;有的从地方选调来的青年教员, 还没开始上课就打算转业。

针对这些思想反映, 学院党委认真学习中央军委的有关重要指示, 强烈认识到三个方面: (1) 后勤士官人才培养是院校建设的重要指导思想, 越是改革开放, 越是抓好教育, 不断增强军校的凝聚力和战斗力。 (2) 在后勤士官人才培养上存在“剃头担子一头热”现象, 说明院校教育任重道远。 (3) 青年干部、战士和学员对后勤士官人才培养存在疑虑, 有一定的历史必然性, 不能笼统地否定。我们需要正确把握人才培养本质, 坚持继承创新, 不断拓宽人才培养的路子;抓好重点, 不断巩固和发展优良人才培养成果。

二、培养目标与培养人才的质

后勤院校对培养的人才有质的规定, 反映在培养目标上, 即把“学员培养成什么人”, “将来成为什么人”。在制定培养目标中, 应特别注意划清三个界限:

一是军队院校与地方院校的界限。军队院校培养的人才, 应该有“军”的特点, 为军队服务, 具有献身国防的思想, 从事部队建设的本领, 还要有良好的军人素质。前些年, 我们军队院校教育在这方面是有教训的, 特别是一些指挥院校, 受“文化热”的影响, 重视科学文化知识的传授, 放松体现“军”的特点的素质培养。结果毕业分配到部队不会带兵, 造成不良影响。

二是划清一个专业与相近专业的界限。在确定专业的培养目标时, 应该体现这种区别。一个专业培养的人才质的规定性是什么?应该是部队所需这种专业人才的知识和能力结构。实际工作中, 应避免盲目抄袭相近专业的教学计划, 注意把专业办得有特色, 使培养的人才特点突出。

三是划清层次的界限。我们院校教育有中专、大专两个层次, 每个层次有其人才质的规定性, 不能降低或提高培训标准。但实际中存在课程设置、能力培养上没多大区别;设施条件不具备的情况下人才质量不能保证。

三、模型:教学内容和方法与培养对象的量变

院校教育工作的任务就是不断促进学员在德、智、军、体方面的量变, 而最终完成质的转变。

德的量变是通过德育来实现的。德育是确立世界观的教育。院校教育应把马克思主义的教育作为必修课;参加革命实践, 是使学员获得“亲知、深知、真知”的有效途径。前些年, 院校的德育, 不论在内容上, 还是在方法上都存在着一些偏差, 严重影响学员科学世界观的确立。从内容 (下转103页) (上接95页) 上看, 忽视马克思主义理论教育, 而西方的哲学、经济学理论却充斥课堂;从方法上看, 枯燥呆板, 缺乏感染力。

智的量变是通过智育来实现。智育是传授给培养对象一定知识和能力的教育。必须认真根据“一个目标, 两个适应”去安排内容, “一个目标”就是培养目标, “两个适应”就是适应部队现代化建设的需要, 适应未来反侵略战争的需要。这些年来, 学员的学习动力不足是影响的主要因素, 如何扭转这种局面?要从多方面采取措施, 加强教育, 调动内驱力;强化管理, 形成外压力;改革教学, 增强吸引力。

体的量变是通过体育来实现。体育是锻炼学员身体, 保证学员身体健康的教育。除了正课安排的内容外, 还应该把业余时间的群众性的体育活动抓起来, 创设生龙活虎的气氛。

四、方式:优化课程体系注重教学过程中度的把握

院校教育中, 不断优化课程体系和教学过程, 就是寻求“最佳度”的过程。应该特别注意把握好以下几个度:

一德育、智育、体育三者结合的度:全面发展。关键是克服工作指导上的绝对化、走极端, 工作方法上顾一头丢一头的倾向。

二基础理论与专业教育结合的度。除了强化基础理论, 军队院校还有一条, 就是培养的人才要适应第一任职或近期任职的需要。因此, 军队院校培养的人才既要有“后劲”又必须有“前劲”。基础理论教育为“后劲”打基础, 专业知识教育为“前劲”打基础, 兼顾发展, 防止厚此薄彼。否则会造成培养在人才“前劲”不足, 几日之内还适应不了部队工作, 结果因受干部任职时间和年龄的限制而被淘汰。

三课堂讲授与实践环节结合的度。当前存在:重课堂教育, 轻实践, 动手能力弱。应该根据部队所需人才必须具备的知识能力, 合理安排二者的内容和时间:如课程内容的深度、广度, 课堂讲授内容的强度 (信息的容量) , 教学与科研结合的度。

五、小结

基于自主轮廓模型的原木目标检测第9篇

森林是人类赖以生存的重要生态环境, 也是人们生产生活必不可少的资源之一。我国是一个少林国家, 森林资源十分贫乏, 原木在相当长时间内都是紧缺的。我们既要保护好森林资源, 也要适当的利用。要保持森林资源的可持续发展和利用, 林业管理部门要大力监督管理森林资源的砍伐、流通等各个环节, 企业要节约原木资源。福建省是林业大省, 各林区县市还数百个林业木材检查站, 对森林资源的流通进行检查。省内有数以千计的木材生产企业和木材加工企业。每天都有大量的原木流通和原木交易, 每年有数千万立方米的原木通过汽车和火车进出省内外。不管是监管部门的监督检查还是企业的原木交易, 都要对原木的进行检验, 原木检验工作包括原木材种辨别、等级评定和材积检量三个部分。目前我国原木检验仍然依靠手工, 工作现场如图1所示。以福建省的青州造纸厂为例, 每年购进约100万立方米的原木, 需要近百个检尺人员。依靠人工完成原木检量, 工作劳动强度大, 效率低, 并有较大的主观随意性, 误差大, 容易造成各种经济纠纷。亟需实现原木检验的自动化。

随着计算机技术和信息处理技术的发展, 机器视觉已广泛应用于各种生产过程, 大大提高了生产效率。从90年代开始, 人们就开始探索利用数字成像设备和计算机完成原木检尺自动化的方法, 人们作了有益的尝试, 下一节集中回顾这些成果。

1 原木检尺自动化研究历程回顾

1994年, 栾新、朱铁一[1]结合聚类分析和模糊识别, 并将原木端面看作是类圆目标, 给出了一种识别的方法。通过二值图像与边缘图像构造模式特征C (i, j) ={E (i, j) , B (i, j) }, 由这个特征将不同的点归为两类:w1:可能为圆心点;w2:不可能为圆心点。设计了两级判别算法, 第一级算法将所有的点进行分类, 第二级判别算法依据隶属函数μ1 (i, j) =T/2πr判断w1类中的点能构造出以为半径为的圆程度。并做出各个圆作为目标的近似。

2003年《中国造纸》报道[2], “原木材积自动化检测系统通过验收”填补了国内的空白。就我们掌握的情况来看, 福建省内的林业检查站、造纸企业、国有林场均未能使用报道中所述系统。

2003年, 樊尚春等[3]给出了利用计算机实现原木材积自动化检尺软件系统框架。主要含图像采集系统、图像处理与反馈系统和数据库管理系统。

2005年, 龙德帆等[4]提出一种利用图像分析实现原木检尺自动化的算法。主要分为以下五个步骤: (1) 利用小波变换提取所获取目标的边缘、并计算边缘点所对应的梯度方向; (2) 由边缘图像及其梯度信息, 利用Hough变换估计目标的中心位置及其可能的圆心坐标; (3) 计算原始图像的骨架化图像。对原木端面图像的骨架上的每一点, 去除其最大圆盘中半径小于此点对应的半径的骨架点, 则最后剩下的骨架点中, 对应的最大圆盘半径大于某一阈值的点就是该端面的近似圆心。在每一个近似圆心对应的最大圆盘中搜寻Hough变换的极值点, 由此确定Hough变换的一个局部极值; (4) 构造自主轮廓模型的能量函数, 求得各端面的轮廓; (5) 由圆心坐标与端面轮廓求取长短轴半径, 计算材积。人工修正检测结果。实验结果如图2所示。

a:原始图像, b:小波变换后提取到的边缘, c:Hough变换结果, d:ACM方法得到的不收敛的结果

我们从三个方面讨论这种方法。 (1) 由于小波变换是一种窗口正交变换, 其基函数是有限支撑的, 这种方法可以较好地保留边缘信息, 但同样是由于这种原因, 它对目标内部由于其他原因造成的非边缘信息也会被看作是边缘。相比之下, 对于本实验用的图像来说Canny算子提取到的边缘更完整如图3所示。

(2) 在Hough变换的计算中, 由于量化引入了误差在结果中出现了大量噪声峰值。对一个没有噪声的图像, 使用上式方法得到的结果如图4所示。这里的噪声主要来自于梯度计算的时候用差分代替导数的时候产生的, 即用由这种方法所得到的梯度方向角并不准确地指向圆心。

(3) 在步骤4中用Snake模型来获取目标轮廓时, 其效果受目标大小的均匀性影响较大。对于单个目标的轮廓获取时, 其效果是理想的, 但同样的算法对于多目标且目标大小不均匀时, 出现了不收敛的情况。如图5所示。

2006年, 景林等[5]提出了一种通过对边缘图像进行曲线段拟合的方式获得原木端面的检尺参数。这个方法本质上是利用图像的边缘点构造最佳平方逼近的圆或椭圆曲线[6], 并用一个链表存储这些拟合结果, 从这些链表中除去伪目标。用一个拟合圆近似代替一个目标, 用拟合得到的参数 (XC, YC) 代表目标中心, 用r代表原木的检尺半径。这种方法要求图像预处理结果理想, 原木形状比较接近于圆。从实验结果来看速度较快, 但精度有待提高。结果如图6所示。

2008年, 辛颖等[7]首次以计数为目标, 提出用距离变换来统计原木堆中原木的根数。其过程主要包括: (1) 用类间最大方差将图像进行二值化; (2) 用链码表示轮廓, 并填充二值化图像中的小孔洞; (3) 由填充后的二值图像计算距离变换; (4) 每个距离变换局部区域的最大值对应于一个目标。同年, 他们在文献[8]中提取了对采集到的图像进行一次中值滤波, 用迭代法选择二值化阈值, 并二值化图像, 用数学形态学的腐蚀与膨胀操作使得连接目标分离;剩下的步骤与[7]相同。

这两种方法存在同一个问题, 不管用类间最大方差还是迭代取阈值方法进行图像的二值化, 对于光照不均的图像来说这种全局性的阈值都是不理想的。中值滤波对于去除噪声有一定效果, 但对于全局性阈值缺点的改进作用不大。在文献[8]中使用数学形态学操作分离相连目标, 比文献[7]的方法有所改进, 但引入了新的问题, 在数学形态学的操作中结构元的大小对结果的影响是很大的。如果结构元素太大, 会使小的目标丢失, 而结构元太小会使得原来单个目标由于边缘的不连续性被分离成两个或更多的目标, 在作数学形态学操作之前, 先进行小孔洞的填充会有所改善, 但不明显。

到目前为止, 有关原木检测自动化研究的成果取得了一定的成果, 也有一些自动化系统能投入使用, 但离行业的广泛应用还需要做大量的研究与开发工作。

要想从一个图像中获得目标的特征参数, 一种可行的方法是用一个表达式近似表示目标 (比如圆等) , 将待检测目标映射到参数空间, 将区域确定的问题转化为峰值点检测等, 这正是Hough变换的思想。另一种可行的方法是将图像按一定规则将像素归为不同的类别, 并将每一类看作不同的目标, 这是图像分割的思想。Hough变换对于较少目标的检测时有很好的鲁棒性, 但对于含有大量目标的时候, 峰值的检测成为一个十分困难的问题。而图像分割在不同领域中应用广泛, 人们提出了许多方法, 其中目前表现较好的是基于自主轮廓模型 (Active Contour Model) 的方法。接下来我们将分别介绍这两种方法在原木检测中的应用.

2 Hough变换用于原木检测

Hough变换[9]最早由P.V.Hough于1962年提出的, 它被用于直线检测。其原理基于点-线的对偶性质。已知直线的一般表达式可写为y=ax+b, 那么它也可以改写为b=-ax+y, 对于给定的一个点 (xi, yi) 可以确定参数空间a-b里的一条真线b=yi-axi。

这个算法思想可以用于任何可用参数表示的曲线的检测, 以圆为例:一个圆的表达式可写为 (x-a) 2+ (y-b) 2=r2对于图像上的一个点 (xi, yi) 对应于参数空间a-b-r中的一个圆。而不同的点 (xj, yj) 与它同处于一个圆上, 那么在参数空间中它们将相交于一点 (a0-b0-r0) 。其算法可描述为:

定义一个累加器A (a, b, c) , 分别取定a, r的量化步长Δa, Δr, 由实际问题确定A的大小, 并初始化为零;

对于图像中的每一个边缘点 (xi, yi) 计算

对于每个aj=a0+jΔa计算

对于每个rk=r0+Δr计算

累加器中的峰值点所对应的参数[a, b, r]=arg peak (A) 就是图像中的圆心坐标及其相应的半径。这算法计算量大, 但它对噪声不敏感。将它应用于单一的原木, 可以看到极佳效果, 如图7所示, 从 (a) 到 (c) 分别对应于sobel算子、prewitt算子、canny算子所输出边缘图像的HT检测结果。从实验结果来看, 边缘检测结果的好坏对检测结果的影响是不同的。

a:由Sobel算子得到边界, 再用Hough变换得到的目标b:由Prewitt算子得到边界, 再用Hough变换得到的目标c:由Canny算子得到边界, 再用Hough变换得到的目标

从上面的描述可以看出, 若利用Hough变换完成多目标检测, 最终归结为局部峰值点的检测, 这相当困难。1983年Lawrence O'Gorman和Arthur C.Sanderson提出的CSA方法[11], 利用迭代的方法将整个区域分割成有若干个不相重叠的区域, 再确定峰值点。这种方法应用于Hough变换后累加器的峰值检测其结果优于用全局阈值的方法所获得的结果。但对于孤立的峰值点会被当作噪声滤除。1990年Ibrahim M Sezan提出一种峰值检测方法, 并将它应用于图像的数据压缩[12]。更一般的峰值检测是利用Gaussian函数的微分算子作为滤波器与目标数据进行卷积, 由不同的方差σ2得到不同的极值点, 这种思想正图像边缘检测Canny算子的核心。1998年, 李庆丰等, 给出了一种新局部极值的定义, 并由此基础上结合Gaussian微分算子给出了一种峰值检测的算法[13]。在这种算法下, 一个区间内只有f (xi) “真”的较大 (小) 时才是极值点, 而不是像微积分中那样以导数 (或偏导数) 定义的局部极值点。其中尺度的大小可以用于分别目标的大小。大尺度所对应的尺度极大值点是宏观目标, 小尺度所对应的极小值点描述的是细节目标。

4 自主轮廓模型

自主轮廓模型 (Active Contour Model) 由Michael Kass于1987年提出[14], 其思想来自于样条曲线的形式由能量函数决定。如果将图像的像素值当作空间样条曲线的控制点, 那么在适当的能量函数的作用下, 它将会以预想的方式逼近于目标轮廓。找到轮廓的过程是迭代进行的, 这个过程中空间曲线不断变化形如蛇, 所以自主轮廓模型也称为“Snakes”模型。

一个自主轮廓是图像上一组排序的点的集合, 表示为:V={v1, v2, …, vL}, i=1, 2, …, L其中是图像上点的坐标, 用参数形式可表示为V=V (s) = (x (s) , y (s) ) , 这里的s通常是曲线的弧长.找到的轮廓就是要找到点集使得能量函数

达到极小。这里Eint, Eimage, Econ分别表示内部能量函数, 图像能量函数和用于其它限制的能量函数。一般情况下Eint限定了样条函数的连续性和弹性, 常写成

而Eimage+Econ通常称为外部能量函数, 记作Eext。如果在上式中α (s) =α, β (s) =β是常数, 则求轮廓使得能量最小等价于求解以下方程组

参量函数的形式将直接影响收敛的结果.一种常见的内部能量函数为

其中Econ, Ebal分别代表连续能量和膨胀能量。Econ迫使不封闭的曲线变成直线, 而封闭的曲线变成一个圆, (计算过程是在vi的邻域中进行的, 在以下表达式中v′i就取值于vi的邻域中。) 常用的形式

其中

而Ebal迫使曲线逼近到轮廓, 它的定义一般与样条曲线的走向有关

其中ni是在点vi处的沿V向外的单位法线向量, 它可以将

旋转90°得到。

外部能量函数将变形模板向感兴趣的方向吸引。这个函数的设计一般根据目标不同有广泛的选择余地, 它通常与图像的灰度值和图像梯度值有关系, 有时目标的尺寸和形状也可以考虑在内。如果只考虑灰度与梯度的外部函数可能是这样的

为了运算过程的稳定性, 在程序中要将上面所定义的各种能量函数进行归一化[15]。为了数值算法的有效性与能量函数设计的灵活, 人们提出了几何形式的自主轮廓模型。

Caselles和Malladi等[19,20]基于曲线演化与水平集方法分别的出了几何形式的自主轮廓模型方法。其基本思想是把轮廓表示为一个高维空间隐函数 (常称为水平集函数) 的水平集, 并通过偏微分方程演化水平集函数。这种方法与通常的参数形式的自主轮廓模型方法相比, 有以下优点: (1) 用水平集函数表达轮廓, 在演化的过程中, 轮廓将自然融合或分裂, 其拓扑结构也将保持不变。 (2) 可以从水平集函数表达方式导出高效的数值方法。

早期的几何轮廓模型一般通过Lagrange方法由参数化曲线产生一个演化偏微分方程。再用水平集方法中的欧拉公式将这个偏微分方程改写成可用作水平集函数的演化偏微分方程。而另一种方法是通过极小化一个水平集函数中特定的能量函数得到水平集函数的演化偏微分方程。这是一种变分方法, 称为变分水集方法。

与第一种方法相比, 变分水平集方法更加简便, 也更易于利用其它先验知识。Chan和Vese[16]在它的能量函数中加入基于区域信息的限制条件, 使得这种方法具有更大的收敛区域, 也降低了算法对于初始数据的依赖。Vemuri和Chen[17]提出了另一种变分水平集方法, 他考虑了形状先验信息。

在这里我们构造一个基于区域信息的能量函数用于实现原木的检测。

5. 基于LBF的原木检测

在这里我们构造一个与图像的局部区域相关的能量函数, 用水平集函数表示轮廓, 导出演化曲线, 最后由变分方法求解得到原木轮廓。

记K:Rn→[0, +∞], 是一个非负核函数, 它满足: (1) 它是偶函数, K (-u) =K (u) ; (2) 它是快速衰减的, K (u) ≥K (v) ,

记Ω∈Rn是图像论域, 图像I∶Ω→Rd, 如果d=1它是一个灰度图, 如果d=3它是一个彩色图像。C是图像空间Ω上的封闭轮廓, 它将Ω分为两个区域, Ω1=outside (C) , Ω2=inside (C) 分别代表目标和背景。对于任意给定的点x∈Ω, 定义局部能量[18]

式中λ1, λ2是两个正的常数, f1 (x) , f2 (x) 分别代表区域Ω1, Ω2的图像亮度的估计值。我们称这个表达式为轮廓C在x点处的能量函数。由于在表达式中I (y) 的有效部分是以点x为中心, 由K (x-y) 决定的一个区域, 所以也称可变区域拟合能量函数, 简称RSFE。这里我们取K为高斯函数

表达式 (5.1) 实际上是用f1 (x) , f2 (x) 估计x点处亮度的所产生的加权平方和 (WMSE) , 它的值依赖于核函数支撑区间的大小, 对于我们取定的高斯核函数来说, 它在3σ之外基本为零, 随着σ取值的不同, 影响区域也发生变化。

对于给定的一点x拟合能量函数εxFit当轮廓C完全处于目标的边界时, 它达到最小, 而f1 (x) , f2 (x) 是C的两侧区域亮度的最佳拟合值。要找到图像的所有目标, 只要使对于一整个图像这个能量达到极小就可以了, 即求得达到极小。另外, 我们一般希望得到的轮廓具有一定的光滑性, 为此引入控制项v C, 所以目标函数可以写作

在文献[21]中, 轮廓由一个Lipschitz函数φ∶Ω→R的水平集表示, 如果用H表示Heaviside函数, 则能量函数 (5.1) 可以表示为

这里M1 (φ) =H (φ) , M2 (φ) =1-H (φ) 。从而能量函数式 (5.3) 可写为

在计算中, 常用以下函数代替

代入式 (5.4) , 可以得到

引入正则化约束

于是我们的目标是使得以下函数达到极小值

其中μ是一个正的参数。求解这个方程有多种数值方法, 如最速下降法。对于一个给定的水平集函数准, 可以验证 (5.5) 式中的f1 (x) , f2 (x) 满足

求解 (5.6) , 有

如果固定f1 (x) , f2 (x) , 关于φ最小化F (φ, f1, f2) , 即求解水平集演化方程

其中

式 (5.7) 中可分为三项:来自于数据拟合;用于控制轮廓曲线的弧长和光滑性;用于控制水平集演化的正则化。在数值计算中, 所有偏导数用中心差分代替, 并将式 (5.7) 离散化, 即可得到迭代形式。水平集函数φ的初值取为

其实验结果如图8所示。

由此, 我们可以获得原木图像的单像素边界, 从理论上的推导可知, 如果目标之间不相连, 那么每一个轮廓线将代表一个目标, 但由于成像受光照条件的影响, 会使得这些目标是连接的。

6. 总结与讨论

基于目标变换模型的跟踪方法研究第10篇

图像目标跟踪指随着目标在场景中的运动, 在一个或多个图像平面内估计目标真实运动轨迹的过程。此外, 依据跟踪的应用领域, 需同时提供目标的方向、面积、形状等附加信息[1]。图像目标跟踪的应用领域广阔, 目前已经广泛应用于场景监视、运动识别与测量、交通管制等社会生产和生活的各个领域。也正是因为应用背景的多样性和灵活性, 使得目标跟踪成为计算机视觉领域中的热点和难点问题。

一个完整的目标跟踪流程通常应该包括以下几个环节:目标表示、特征选择、目标检测、逐帧跟踪和分析识别。其中, 逐帧跟踪是整个过程的关键, 目前已有不少学者在这方面进行了丰富的实践, 提出了许多行之有效的方法。文献[1]对这方面已取得的成果做了深入而细致的综述和分类。对刚体面目标的跟踪方法主要有以下几类:

(1) 基于目标相关匹配的方法[2,3,4]。为解决传统模板匹配方法容易受到干扰的问题, 文献[2]采用变模板技术取得了较好的效果;文献[3]利用图像边沿特征进行相关跟踪, 使跟踪过程能够较好地适应不同灰度分布的背景;文献[4]使用基于区域协方差矩阵进行相关匹配的方法, 展现了较好的鲁棒性和精确性。但总体来说, 基于相关匹配的方法都会受到计算量等的限制, 难以处理目标具有连续性的尺度、旋转和变形等情况。

(2) 基于图像目标分割的方法[5,6,7]。光流分割法在目前这类方法中占有相当大的比重[5], 但光流分割法容易受到噪声干扰, 且难以精确分割出目标区域;而文献[6,7]将区域活动轮廓模型用于目标轮廓的提取, 进而实现了目标跟踪, 该方法适用于图像质量较高的情况。

(3) 基于mean-shift的方法[4]。这类方法是一种基于非参数概率密度估计方法, 目前应用较为广泛, 但应用通常受其核函数中带宽的影响。

基于上述分析, 本文提出了一种基于目标变换模型的方法, 该方法通过对相邻两帧图像中目标的平移、尺度、旋转、变形等变化确立一个变换关系模型, 并利用该变换关系模型和一定的目标匹配测度, 建立了最优化数学模型, 然后以变换关系模型参数为求解目标, 采用L-M优化算法对该数学模型进行求解, 最终实现目标跟踪。该方法有效地克服了传统匹配方法在这方面的局限性, 且对图像质量要求不高。通过对若干空中飞行目标图像进行跟踪实验, 取得了良好的实验效果。本文首先分析了相邻两帧图像中目标变换关系模型的确立, 之后根据均方误差测度建立跟踪的数学模型;详细讨论了用L-M算法进行模型求解的原理和过程, 并给出了算法流程图, 实验结果及最后得出一些结论。

1 目标跟踪的数学模型

1.1 目标变换模型

目标变换模型指目标在图像序列的相邻两帧图像中位置、形状、方向等相对变化关系的数学表达。目标在相邻两帧图像中的变化越复杂, 则能够恰当描述它的数学模型也越复杂。但刚体目标由于运动而引起的形变是有限的, 可以通过较简单的数学模型来近似。具体设 (xi, yi) (i=1, 2, …, N) 是第n帧 (n>1) 图像In中目标区域内N个离散的坐标点, 由于目标的变化使得在第n+1帧图像In+1中对应的N个像点坐标变为 (xi′, yi′) (i=1, 2, …, N) , 则上述两个坐标集之间的对应关系可记为图像坐标空间上的映射T= (Tx, Ty) , R2→R2′, 其数学表达式为:

${\begin{cases} x_{i^{'}} = Τ_{x} (x_{i}, y_{i}) \\ y_{i^{'}} = Τ_{y} (x_{i}, y_{i}) \end{cases} (1)$

式 (1) 即为描述目标在相邻两帧图像中变化变换模型。变换模型的选择直接影响目标跟踪的效果和精度, 模型越符合图像中目标的变化规律, 跟踪效果越好。常用的变换模型主要有平移变换、RST变换 (平移-旋转-尺度变换) 、投影变换等。而刚体目标在图像中经常出现的显著的变化主要有平移、尺度、旋转及一定的刚性变形, 使用仿射变换模型可以较好地描述和反映上述变化。二维的仿射变换模型是一个6参数的映射关系, 记为Tα, 其表达式如下:

$[\begin{array}{l} x^{'} \\ y^{'} \end{array}] = [\begin{matrix} a_{1} & b_{1} \\ a_{2} & b_{2} \end{matrix}] [\begin{array}{l} x \\ y \end{array}] + [\begin{array}{l} c_{1} \\ c_{2} \end{array}] (2)$

式中:参数a1, b1, a2, b2共同决定了目标的尺度、旋转、错切等变形情况。特别是当a1=b2=1;a2=b1=0时, 目标不发生任何形变;c1, c2分别决定了目标在x, y方向上的平移情况。

1.2 最优化模型

根据目标相关匹配的跟踪原理, 当目标在两帧图像中所有对应的区域灰度在一定测度下最为相近时, 则达到最佳的匹配效果, 从而实现目标跟踪。基于目标变换模型的方法, 就是以实现最佳匹配为目标, 对变换模型参数进行求解的问题。描述一个区域对另外一个区域的“逼真度”, 通常有两类测度:相关测度和差值测度。均方误差测度是差值测度的一种, 考虑到均方误差测度直观、严格、计算简便, 能够较好地对两个区域的相近程度做出较总体的评价, 且以它为目标函数的优化问题有相对成熟的算法, 则本文采用均方误差测度, 其描述相邻两帧图像中目标区域相近程度的表达式如下:

$ε = \sum_{i = 1}^{Ν} [Ι_{n + 1} (x_{i^{'}}, y_{i^{'}}) - Ι_{n} (x_{i}, y_{i})]^{2} / Ν (3)$

根据式 (3) 定义的匹配测度ε和式 (2) 定义的目标变换模型Tα建立最优化模型如下:

$\begin{array}{l} \min ε = \min {\sum_{i = 1}^{Ν} [Ι_{n + 1} (Τ_{α} (x_{i}, y_{i})) - Ι_{n} (x_{i}, y_{i})]^{2} / Ν} \\ = \min (∥ f_{n + 1} - f_{n} ∥_{2} / Ν) (4) \end{array}$

式中:fn+1, fn表示相邻两帧图像中目标区域灰度的向量;fn+1, fn∈RN+, ‖·‖2表示RN+上的2范数。式 (4) 中的ε也称为匹配的能量值。

式 (4) 给出了由当前帧目标区域与下一帧图像目标区域变换关系的最优化模型, 但在图像序列的第一帧中, 由于不能通过上述模型来求解目标区域, 而需要特殊对待的, 同时它也是后续帧建立目标变换模型的基础, 为保证对该帧图像中目标分割的稳定性和准确性, 本方法采用人机交互式的方式确定目标的初始区域。

2 模型求解

由式 (4) 定义的最优化模型是以仿射变换模型的6个参数为求解目标最佳平方逼近的问题。L-M算法是解决该类问题的优秀算法, 但L-M算法作为无约束非线性问题的局部最优化数值迭代解法, 通常需要保证以下两个适用条件[8]:

(1) 目标函数在最优解附件的某区域内连续可微;

(2) 需要一个较好的迭代初值。

数字图像是离散化采样的结果, 为保证图像灰度函数的连续性, 在计算时需对图像进行一定的插值处理。本文从插值效果和计算效率两方面考虑, 选用双线性插值[9]。此外, 通常情况下图像成像时的噪声及剧烈变化的区域边缘通常是非连续的阶跃函数, 为了能更好地保证条件 (1) , 本方法对所有参与运算的图像区域进行高斯平滑处理。通常, 相邻两帧图像中目标的形变较小, 故可令a1=b2=1;a2=b1=0。而平移变化可能较大, 故这里对平移初值的确定分以下两种情况讨论。若目标在相邻两帧图像中有较大平移变化 (可取目标尺寸的2/3作为衡量标准) 时, 采用相邻两帧图像差帧法检测发生相对变化的区域, 并粗略估计平移量作为模型的初值;否则, 取0平移量作为模型初值。

2.1 L-M优化算法

L-M算法的基本思想是通过自动调整迭代的阻尼因子, 使之在当前解远离正确解时, 与梯度下降法相似, 收敛缓慢, 但可以保证较高的稳定性;在当前解逐步靠近正确解时, 又演化为高斯牛顿法, 快速收敛到局部极值, 从而融合了两种算法各自的优点。根据优化模型式 (4) , 第n+1帧图像In+1中, 目标区域的灰度向量fn+1是关于仿射变换模型Tα的参数向量tα= (a1, b1, c1, a2, b2, c2) T的6维函数, 并记为fn+1 (tα) , 对于给定的向量Δtα= (Δa1, Δb1, Δc1, Δa2, Δb2, Δc2) T, 利用多元函数对fn+1 (tα+Δtα) 进行泰勒展开, 得一阶近似如下:

$f_{n + 1} (t_{α} + Δ t_{α}) ⧋ f_{n + 1} (t_{α}) + \frac{\partial f_{n + 1} (t_{α})}{\partial t_{α}} Δ t_{α} (5)$

记 $\frac{\partial f_{n + 1} (t_{α})}{\partial t_{α}} = (\frac{\partial f_{n + 1}}{\partial a_{1}}, \frac{\partial f_{n + 1}}{\partial b_{1}}, \frac{\partial f_{n + 1}}{\partial c_{1}}, \frac{\partial f_{n + 1}}{\partial a_{2}}, \frac{\partial f_{n + 1}}{\partial b_{2}}, \frac{\partial f_{n + 1}}{\partial c_{2}})$ , 且可由式 (2) 得:

$\frac{\partial f_{n + 1}}{\partial a_{1}} = \frac{\partial f_{n + 1}}{\partial x^{'}} \cdot \frac{\partial x^{'}}{\partial a_{1}} = x \cdot \frac{\partial f_{n + 1}}{\partial x^{'}}$

$\begin{array}{l} \frac{\partial f_{n + 1}}{\partial b_{1}} = \frac{\partial f_{n + 1}}{\partial x^{'}} \cdot \frac{\partial x^{'}}{\partial b_{1}} = y \cdot \frac{\partial f_{n + 1}}{\partial x^{'}} \\ \frac{\partial f_{n + 1}}{\partial c_{1}} = \frac{\partial f_{n + 1}}{\partial x^{'}} \cdot \frac{\partial x^{'}}{\partial c_{1}} = \frac{\partial f_{n + 1}}{\partial x^{'}} \\ \frac{\partial f_{n + 1}}{\partial a_{2}} = \frac{\partial f_{n + 1}}{\partial y^{'}} \cdot \frac{\partial y^{'}}{\partial a_{2}} = x \cdot \frac{\partial f_{n + 1}}{\partial y^{'}} \\ \frac{\partial f_{n + 1}}{\partial b_{2}} = \frac{\partial f_{n + 1}}{\partial y^{'}} \cdot \frac{\partial y^{'}}{\partial b_{2}} = y \cdot \frac{\partial f_{n + 1}}{\partial y^{'}} \\ \frac{\partial f_{n + 1}}{\partial c_{2}} = \frac{\partial f_{n + 1}}{\partial y^{'}} \cdot \frac{\partial y^{'}}{\partial c_{2}} = \frac{\partial f_{n + 1}}{\partial y^{'}} \end{array}$

在L-M算法迭代过程中需要产生一系列的向量t $_{α}^{(1)}$ , t $_{α}^{(2)}$ , …, 且这些向量在一定条件下依函数式 (4) 收敛于局部极小点t+α。因此根据目标函数式 (4) 和泰勒展开式 (5) , 在每一次迭代中, 都要寻找Δtα, 使得式 (6) 取值最小。

$\begin{array}{l} ∥ f_{n} - f_{n + 1} (t_{α} + Δ t_{α}) ∥ ⧋ ∥ f_{n} - f_{n + 1} (t_{α}) - J Δ t_{α} ∥ \\ = ∥ ε - J Δ t_{α} ∥ (6) \end{array}$

式中:J是由目标各点的偏导数向量 $\frac{\partial f_{n + 1}^{(k)} (t_{α})}{\partial t_{α}}, k = 1, 2, \dots, Ν$ , 组成的矩阵:

$J = [\begin{matrix} \frac{\partial f_{n + 1} (x_{1}, y_{1})}{\partial a_{1}} & \frac{\partial f_{n + 1} (x_{1}, y_{1})}{\partial b_{1}} & \frac{\partial f_{n + 1} (x_{1}, y_{1})}{\partial c_{1}} & \frac{\partial f_{n + 1} (x_{1}, y_{1})}{\partial a_{2}} & \frac{\partial f_{n + 1} (x_{1}, y_{1})}{\partial b_{2}} & \frac{\partial f_{n + 1} (x_{1}, y_{1})}{\partial c_{2}} \\ \frac{\partial f_{n + 1} (x_{2}, y_{2})}{\partial a_{1}} & \frac{\partial f_{n + 1} (x_{2}, y_{2})}{\partial b_{1}} & \frac{\partial f_{n + 1} (x_{2}, y_{2})}{\partial c_{1}} & \frac{\partial f_{n + 1} (x_{2}, y_{2})}{\partial a_{2}} & \frac{\partial f_{n + 1} (x_{2}, y_{2})}{\partial b_{2}} & \frac{\partial f_{n + 1} (x_{2}, y_{2})}{\partial c_{2}} \\ ⋮ & ⋮ & ⋮ & ⋮ & ⋮ & ⋮ \\ \frac{\partial f_{n + 1} (x_{Ν}, y_{Ν})}{\partial a_{1}} & \frac{\partial f_{n + 1} (x_{Ν}, y_{Ν})}{\partial b_{1}} & \frac{\partial f_{n + 1} (x_{Ν}, y_{Ν})}{\partial c_{1}} & \frac{\partial f_{n + 1} (x_{Ν}, y_{Ν})}{\partial a_{2}} & \frac{\partial f_{n + 1} (x_{Ν}, y_{Ν})}{\partial b_{2}} & \frac{\partial f_{n + 1} (x_{Ν}, y_{Ν})}{\partial c_{2}} \end{matrix}] (7)$

通过式 (6) 对Δtα的求解是一个线性最小二乘问题。当JΔtα-ε正交于J的列空间时, 该式取最小值, 即Δtα满足正规方程:

$J^{Τ} J Δ t_{α} = J^{Τ} ε (8)$

式 (8) 即为Gauss-Newton法在一次迭代中求得的改正量方程式, L-M算法为抑制矩阵JTJ的奇异性、控制算法的收敛速度, 并处理模型高度非线性化的情况。使用如下正规方程求解改正量:

$Ν Δ t_{α} = J^{Τ} ε (9)$

式中:矩阵N=μE+JTJ;E为单位阵;μ为阻尼因子, 它是随迭代过程不断变化的量。如果根据式 (9) 计算出来的Δtα, 更新参数向量tα后, 导致误差量ε减小, 则更新值被接受, 且后续迭代过程中减小阻尼因子;否则, 增大阻尼因子, 重新求解方程 (9) , 并重复上述过程直到所解出的改正量Δtα使误差下降。因此阻尼因子在每次迭代中都可以自适应地保证误差量ε减小。

在迭代中, 如果阻尼因子是一个比较大的数, 方程 (9) 中的矩阵N近似一个对角线矩阵, 此时L-M的更新步长向量Δtα接近于最陡下降的方向;如果该阻尼因子是一个比较小的数, 则L-M算法的步长近似于精确的二次步长, 而适合于线性模型。

2.2 算法步骤及流程图

2.2.1 算法迭代过程

算法迭代过程为:

(1) 算法初始化。令迭代计数器m=0, 阻尼因子μ (0) =0.001, 采用差帧法进行变化检测, 确定仿射变换模型各参数初值t $_{α}^{(0)}$ (该初值通常只组略给出平移变化量) , 并计算初始能量值ε (0) 。

(2) 对图像In中的目标区域, 以及In+1中由t $_{α}^{(m)}$ 确定的目标区域进行高斯平滑、双线性插值运算, 并根据式 (7) 建立如式 (9) 的正规方程。

(3) 求解式 (9) 的正规方程, 得到变换模型各参数的改正量Δt $_{α}^{(m)}$ , 并用t $_{α}^{(m)}$ +Δt $_{α}^{(m)}$ 计算当前能量值ε (m+1) 。

(4) 若ε (m+1) ≥ε (m) , 则不接受Δt $_{α}^{(m)}$ , 并取μ (m+1) =10μ (m) , 更新正规方程的系数矩阵, 并转步骤 (2) 。

(5) 若ε (m+1) <ε (m) , 则接受Δt $_{α}^{(m)}$ , 令t $_{α}^{(m + 1)}$ =t $_{α}^{(m)}$ +Δt $_{α}^{(m)}$ , 并取μ (m+1) =0.1μ (m) ;m=m+1。

(6) 判断是否满足算法的结束条件, 若满足, 则停止迭代, 输出迭代结果, 跟踪结束;否则转步骤 (2) 。

2.2.2 算法结束条件

本文考虑三个准则作为跟踪算法的结束条件:第一是迭代次数超过了预先设定的最大迭代次数M, 其中M>1, 即m>M;第二是区域已经达到了很好的匹配效果, 即匹配误差的能量值ε (m) 已经小于预先设定的一个先验门限εmin;第三是在一次迭代过程中改正量Δt $_{α}^{m}$ 的各分量值Δa1, Δb1, Δc1, Δa2, Δb2, Δc2的绝对值均小于一个先验的门限amin。跟踪算法的流程图如图1所示。

3 实验结果

采用苏-30飞机在某次航空飞行表演的序列图像作为实验数据, 对上述跟踪算法进行测试。该图像序列共计20帧, 每帧图像的像素尺寸均为1 024×768。其中, 前10帧图像中的目标 (飞机) 有较强烈的平移运动;后10帧图像中的目标出现了大于90°的旋转、较大的变形和一定的尺度缩放。本文的跟踪算法对以上两种典型情况下的飞机目标均能够进行稳健而精确的跟踪, 如图2～图4所示。

4 结语

提出一种基于目标变换模型的图像目标跟踪方法, 具有如下优点:能较好地对发生连续性尺度、旋转、变形等变化及较大平移变化的目标进行正确跟踪;跟踪过程综合使用了图像中目标各点的灰度信息, 特征信息量大, 可使相邻两帧图像中目标区域的灰度在最小二乘意义下最为相似。因此, 非常适合于图像质量较差, 但对目标跟踪精度要求较高的情况;该方法使用L-M优化算法进行求解, 计算量小, 运算速度快。但本文的方法也存在一些不足, 如L-M算法的收敛性要求相邻两帧图像中的目标区域在发生尺度、旋转、变形等变化时不能过大, 这是下一步工作需要研究和解决的问题。

参考文献

[1]Alper Yilma, Omar Javed, Mubarak Shah.Object Tracking:A Survey[J].ACM Computing Surveys, 2006 (12) :1-45.

[2]高峰, 雷志勇, 易娟.基于模板匹配的图像跟踪技术[J].国外电子元器件, 2008 (10) :34-36.

[3]张云峰, 宋建中.利用图像边沿特征实现相关跟踪[J].仪器仪表学报, 2004 (8) :697-699.

[4]管学伟, 刘先志, 罗镇宝.基于区域协方差矩阵的目标跟踪方法[J].红外技术, 2009 (2) :99-102.

[5]邵文坤, 黄爱民, 韦庆.目标跟踪方法综述[J].影像技术, 2006 (1) :17-20.

[6]张昊, 黄战华, 郁道银, 等.基于差分图像的运动目标跟踪与分割方法的应用研究[J].光学技术, 2007 (7) :565-567.

[7]查宇飞, 张育, 毕笃彦.基于区域活动轮廓运动目标跟踪方法研究[J].中国图像图形学报, 2006 (12) :1 844-1 848.

[8]Marquardt D W.An Algorithm for Least-squares Estimationof No-linear Parameters[J].Soc.Indust.Appl.Math., 1963, 11 (6) :431-441.

[9]孙即详.图像处理[M].北京:科学出版社, 2004.

基于自适应背景模型的运动目标检测第11篇

在许多计算机视觉应用领域,如智能监控、人机交互等,从视频图像序列中实时分割运动目标是一项基本而又重要的环节。现有的运动分割方法可以归纳为3种:光流法[1,2]、相邻帧差法[3,4]、背景减法[5,6,7]。光流法的优点是能够检测独立运动的对象,不需要预先知道场景的任何信息。但光流法计算复杂耗时,很难实现实时检测。相邻帧差法适用于动态变化的环境,但不能够完整的分割运动对象,不利于进一步的对象分析和识别。背景减法是最常用的运动对象检测算法,在算法速度和效果两个方面综合性能最好。

背景减法就是计算参考图像,然后用当前帧与参考图像相减得到差图像,对差分图像进行阈值分割,所分割出的二值图像代表了图像序列中的运动目标对应的区域。背景减法包括背景表示、背景初始化、背景维护、运动像素检测等。背景表示研究采用什么样的模型有效表示图像序列中的背景及其变化。背景初始化研究背景模型初始参数的获取问题。背景维护是研究背景模型的更新策略。运动像素检测研究如何减小诸如光线变化等因素对运动对象检测的影响。背景减法直接影响后续运动目标检测的质量好坏,从而影响到对运动对象的识别和分类。

2 背景提取

2.1 静态背景提取的一般算法

背景提取一般是利用背景图像的缓变性,或者说是在时域上的稳定性。尽管背景部分的某些点有时会被前景物体遮挡,但是在大部分时间里,背景部分的图像都是不变或是缓变的。较为简单快速的算法是直接从图像序列中选取某一幅完全没有运动前景的图像作为背景[8]。但是这在现实应用中很难满足。另一种背景提取方法是取图像序列在一段时间内的平均值。视频图像序列可看作是受运动目标影响和噪声污染的背景序列,目标的不同色彩表现为灰度的随机分布。对于视场内的每一个像素,隶属于背景的概率极大。经过对输入序列的若干帧图像进行平均即可得到与实际背景图像近似的初始背景,平均同时达到了过滤随机噪声的目的。得到的初始背景质量不依赖于起始时间。

这种基于点平均的方法有以下三个问题:1)最后得到的背景图像含有大量的噪声点。2)需要对每帧图像做大量的乘除法运算,运算量大。3)收敛速度不稳定,对于运动比较快、运动面积比较小的情况,可以很快得到比较好的背景图像,但是如果运动缓慢或者运动面积比较大,可能就需要很长的时间。因此有必要提出新的背景提取方法。

2.2 一种基于改进K-均值聚类算法的背景提取方法

聚类分析是把一个给定的数据对象集合分成不同的簇。一个好的聚类方法应能产生高质量的聚类结果——簇,这些簇需具备两个特点:高的簇内相似性和低的簇间相似性。聚类结果的好坏取决于该聚类方法采用的相似性评估方法。传统的聚类算法有分割聚类方法以及层次聚类方法两种。分割聚类方法又包括了试探算法和迭代算法两种,迭代算法比较实用,它是从一个初始的分割开始,反复地进行迭代直到达到最优。K-均值聚类算法和自适应聚类算法是比较典型的迭代算法,经常用于对数据流的聚类[9,10]。

K-均值聚类算法有一个明显的缺点,就是要求事先确定群集中心的初值,而这些参数的设定一般需要通过大量的实验才能得出。自适应聚类算法虽然不存在这样的问题,不依赖于经验参数和阙值的设定,但它得到的群集个数太多,相应的就是群集内的对象个数过少,不满足现实的需求。针对以上两种算法的不足,本文提出了一种新的适用于图像序列背景提取的聚类算法,该算法首先确定群集个数k,把数据流中前k个数据对象分配给这k个凝聚点,在以后的聚类过程中,根据距离最近准则归类,然后计算新群集的均值形成新的凝聚点。

针对每个像素的灰度值X,按下面的公式进行转换:

式中:XR,XG,XB分别是像素RGB颜色空间的红色分量值,绿色分量值和蓝色分量值。

算法的具体步骤如下:

1)设置群集数k=3,给三个群集中心赋初值{C1(1),C2(2),C3(3)},也就是图像序列中前3帧像素的灰度值,其中,Ci(1)代表第i个群集第1次迭代后凝聚点的值。

2)处理后续帧图像的像素灰度值,按照距离最小准则将每个像素的灰度值划归到3个群集中的某一个。划分条件为

X是像素灰度值,l代表第几次迭代,对于i=1,2,3,j≠i。上式中的距离就是像素灰度值与群集均值之间的差值。这一步同时记录隶属于该群集的像素个数Mj。

3)用第二步中建立的新群集中所有成员来计算群集的均值,更新凝聚点,以便群集中每个对象到凝聚点的距离之和最小。即,希望最小化Jj:

式中:Sj(l)代表第l次迭代时,群集j的全体。群集中心值可按下式计算:

同时计算所有隶属Sj(l)像素灰度方差σj2。这样,对于像素序列Xt将由3个形如{Cj,Mj,σj2}的三元组构成。

4)比较M1,M2,M3,将最大的那一组数据的均值和方差作为背景模型的参数,完成背景提取。

应用上述算法在室内场景下进行了实验。视频序列中有运动目标,经过足够长时间的学习,可以得到理想的背景模型。图1(a)、图1(b)是正常情况下有运动目标的视频帧。图1(c)是经过学习得到的背景图像。

3 背景维护和更新

随着时间的推移,视场内会发生许多变化。其中,光照亮度的渐变和突变会导致背景图像的变化,与前景物体混淆。还有背景物体的移入移出,比如墙上原来挂着的一件衣服被永久拿走,对此我们需要更新背景模型。

为了解决这些问题,对于每一个像素点,在上文完成背景提取,得到该像素均值和方差的基础上,重新维护一个动态三元组{µ,σ2,N},这里的N是像素点最近连续被判定为前景点的次数。

3.1 变化像素检测

当前时刻,某一像素的强度值为It,其动态三元组中的均值为µt,用m(x,y)存储当前像素是否为运动像素的判定结果:

根据虚警率设置图像的全局阈值T,本文根据经验采用T=3σ。当m(x,y)等于1时表示当前帧像素为运动像素。

3.2 基于动态三元组的背景维护和更新

我们知道,一般运动物体停留的时间比较短,所以对于场景本身的变化,如果某个像素点连续被判定为前景的次数N大于设定值Nu,就可以判定背景发生了物体移入或移出。此时,将该点的背景用当前的前景值替代:

Nu的取值不能太小,否则将会把在背景内做短暂停留的对象更新到背景中,影响后面检测的准确性。考虑光线突变或者是摄像头移动等影响因素,本文给出突变判断因子β:

式中Fu是反映背景变化程度的阈值(本文取值20000)。当∑m(x,y)>Fu时有突变发生,此时对于变化像素不需要再累积N,判断是否大于Nu,模型可直接按式(6)更替。

对于光线的缓慢变化,本文选择在像素点被判定为非运动像素的前提下,即m(x,y)=0时,有如下更新策略:

式中α∈(0,1)为更新系数,控制背景更新速度。

4 背景减除

应用第2节描述的自适应背景模型分割运动物体。用自适应背景模型更新算法得到当前的背景模型,然后用当前图像与背景模型相减,得到差分图像,再对差分图像进行阈值分割。

这时,由于噪声的影响等因素,会使一些背景区域被检测成运动区域,也可能使运动目标对应区域内产生裂缝和空洞,需要应用数学形态学和判断连通域大小的方法对该二值图像做进一步的处理。首先对检测后的结果进行闭运算,得到运动目标的完整区域,再计算每个独立的前景区域的大小(即包含的像素点数目),如果小于一定值,则将其抛弃,不认为是前景运动目标,最后得到准确的运动区域。

5 算法实验

利用本文的方法,在室内针对多种场景条件进行了实验。我们移动背景中的物体使背景发生变化。如图2(a)和图2(b)所示,背景中一件衣服过了一段时间后被拿走。应用本方法分割出的图像如图2(c)和图2(d)所示。可以看到背景变化后仍然能够正确地检测出运动人体。

图3是一组图像帧及其检测结果。尽管背景发生了光照突变(关闭了部分日光灯),但运动目标仍然能被检测出来。说明本文的背景模型是有效的。

6 结论

本文提出了一种新颖的背景差方案。使用K-均值聚类算法初始化背景图像,该方法的优点在于可以在存在运动目标的情况下,提取出背景模型。此外,使用基于动态三元组(DTDG)的自适应背景模型检测运动目标。根据像素的动态变化信息决定更新策略,能有效地处理外界光照条件变化、场景变化、背景扰动等带来的影响。

对提出的方案在多种场景条件下进行了实验。很好的实现了图像背景的提取和背景模型的更新,在物体移入移出,光线的缓变和突变等情况下都能有效的检测出运动目标。

本文方法还存在一些问题,需要进一步解决。首先是在阈值分割过程中,当前景运动目标与背景灰度很接近时,运动目标很难被检测出来,或者是运动目标出现较大的空洞,对于这种情况,可以在阈值分割过程中考虑颜色、轮廓、深度等信息。其次,本文中一些阈值、系数和连通域大小的选取目前主要是靠经验,或特定场景下反复实验得出,对于不同的场景取值不同。因此,如何为各种场景提取自适应的阈值,也是一个值得研究的问题。

参考文献

[1]李熙莹,倪国强,陈小梅.红外目标运动参数估计方法[J].光学技术,2003,29(1):63-65.LI Xi-ying,NI Guo-qiang,CHEN Xiao-mei.A Method of Infrared Target Motion Parameter Estimation[J].Optical Technology,2003,29(1):63-65.

[2]Hiraiwa A,Fuse K,Komatsu N,et al.Accurate Estimation of Optical Flow for Fully Automated Tracking of Moving-Objects within Video Streams[J].IEEE International Symposium on Circuits and Systems,1999,4:515-519.

[3]吕常魁,姜澄宇,王宁生.一种新的运动检测及轮廓追踪方法[J].武汉大学学报,2005,30(8):724-727.LüChang-kui,JIANG Cheng-yu,WANG Ning-sheng.A Novel Statistical Model for Motion Detection and Contour Tracing[J].Editorial Board of Geomatics and Information Science of Wuhan University,2005,30(8):724-727.

[4]Lipton A,Fujiyoshi H,Patil R.Moving Target Classification and Tracking from Real-time Video[C]//Applications of Computer Vision,1998.WACV'98.Proceedings.,Fourth IEEE Workshop on.Princeton,NJ,USA:IEEE,1998:8-14.

[5]胥健,胡福乔,霍宏.基于二维时空图像分析的车辆检测和分割方法[J].上海交通大学学报,2002,36(6):887-890.XU Jian,HU Fu-qiao,HUO Hong.Vehicle Detection and Separation Based on2D Spatio Temporal Image Analysis[J].Journal of Shanghai Jiaotong University,2002,36(6):887-890.

[6]Zhao T,Nevatia R.Tracking Multiple Humans in Complex Situations[J].IEEE Trans Pattern Analysis and Machine Intelligence,2004,26(9):1208-1221.

[7]HAN Hong-zhe,WANG Zhi-liang,LIU Ji-wei,et al.Adaptive Background Modeling with Shadow Suppression[J].The IEEE6th International Conference On Intelligent Transportation Systems,2003,1:720-724.

[8]童念念.车辆自动监控系统算法研究及实现[D].北京:北京大学,2002.TONG Nian-nian.The Research and Realization of Vehicle Automatic Surveillance System Algorithm[D].Beijing:Peking University,2002.

[9]李俊韬,张海,范跃祖.复杂交通场景中多运动目标分割算法[J].北京航天航空大学学报,2006,32(3):297-300.LI Jun-tao,ZHANG Hai,FAN Yue-zu.Multiple Moving Objects Segmentation Algorithm in Complex Traffic Scene[J].Journal of Beijing University of Aeronautics and Astronautics,2006,32(3):297-300.

目标模型范文

目标模型 第1篇

被动声呐浮标目标运动分析数学模型 第2篇

基于胜任力模型的人才培养目标研究 第3篇

目标模型 第4篇

目标模型 第5篇

目标模型 第6篇

坦克打击目标威胁评估排序模型 第7篇

后勤士官人才培养目标、模型、方式 第8篇

基于自主轮廓模型的原木目标检测 第9篇

基于目标变换模型的跟踪方法研究 第10篇

基于自适应背景模型的运动目标检测 第11篇