2019年11月20日開發手記

兩種運動檢測算法的介紹：

幀差法：

幀差法是目前運動目標檢測中最經常使用的算法。幀差法依據的原則是：當視頻中存在移動物體的時候，相鄰幀（或相鄰三幀）之間在灰度上會有差異，求取兩幀圖像灰度差的絕對值，則靜止的物體在差值圖像上表現出來全是0，而移動物體特別是移動物體的輪廓處因爲存在灰度變化爲非0，當絕對值超過必定閾值時，便可判斷爲運動目標，從而實現目標的檢測功能。

二維頻域運動目標檢測：

經過對動態圖像的行列分解, 將三維頻域內的運動檢測問題轉化到兩組二維頻域內進行, 從而下降了濾波器設計的難度。給出了一種提取主運動能量的自適應濾波算法, 經過剔除背景和噪聲的頻率成分, 有效地檢測出運動目標。

 

複雜度分析：

針對幀差法進行分析，代碼複雜度主要集中在absdiff與findContours部分，其中absdiff的迭代次數爲2*500*500=50000次，時間爲88.46ms(取兩百幀計算平均的時間)

 

針對二維頻域運動目標檢測算法，這裏有兩個代碼版本：

針對py-new-fuliye.py，代碼的複雜度主要集中在兩個部分：傅里葉變換以及遍歷，在py-new-fuliye.py中，共使用了兩次傅里葉變換與兩次遍歷，遍歷的迭代次數次數爲2*50*30=300次，時間爲：54.175ms

 

針對pepoplefft.py（改進版）進行分析，使用了兩次傅里葉變換（一次正一次逆），進行了一次嵌套遍歷，遍歷次數爲：50*10=500次，時間爲：  ms

 

針對pepoplefft.py進行優化調參：

搜尋噪點：

要找到噪點，就要知道經傅里葉高通濾波變換後，剩餘的邊緣部分在數組中的表現規律，採用numpy繪圖表示出來：

 

通過閾值去噪後，效果如圖：

 

在隨後的視頻測試中發現其面對複雜環境表現仍不理想，此時考慮選擇繪製多個矩形來框選標記多個候選目標，暫時不考慮使用其餘的濾波進行去噪，緣由爲一、會佔用本來就很少的處理時間，二、不認爲在通過高通濾波後還未被濾掉的噪點會被其餘濾波函數濾掉，目標被濾掉的可能性反而更大。