水下运动目标检测面临的问题



我觉得我做的水下运动目标检测跟踪系统主要面临这几下难点：

1. 水下复杂环境的视频图像采集

   问题：由于水下环境比陆地上要复杂的多，在水下没有光源的情况下，水下的视频采集系统必须依赖人造光源提供照明，光在水中传输时又会受到水的吸收、反射和散射等影响而发生严重的衰减，采集到的水下图像难免会出现可见范围有限、模糊不清、低对比度、非均匀光照、色彩不协调及噪声等问题。

解决办法：采取水下图像增强技术，通过利用水下图像的增强技术，可以得到更好质量的图像。

1. 采集到的视频图像处理

       问题：当将原图转为灰度图，再将灰度图像二值化时的阈值选取问题

解决办法：主要是分为两种:全局阈值法和局部阈值法，拟定参考的算法：（1）双峰法（2）P参数法（3）大津法（Otsu法或最大类间方差法）（4）最大熵阈值法（5）迭代法（最佳阈值法）

1. 运动目标的检测与跟踪

       问题与解决办法：对于水下运动目标来说，由于光照、摄像机的抖动、复杂背景干扰、目标类型多样化、目标运动速度较快等客观因素的影响，以至于物体所处的场景会变化，进而影响运动目标检测的效果。此外，当背景光源发生变化时，视频序列中的目标物体的颜色，分布会产生变化，这导致提取的底层颜色特征也随之发生变化，从而影响目标检测的准确率；摄像机抖动会造成背景区域的变化，影响基于背景建模的目标检测方法的准确性；复杂背景干扰和目标类型多样化给目标的表示带来了困难，需要泛化能力和适应能力较好的目标表示模型；目标运动速度过快会导致运动目标的丢失。

目标识别算法依赖于目标提取的准确性，然而视频序列中运动目标可能受到其他物体或者背景的遮挡从而引起目标变形或暂时消失，这使得基于全局特征的目标检测会失效，因此需要提高目标检测的鲁棒性，根据序列图像中多帧之间目标的信息和目标的局部特征重新检测到被遮挡的目标物体。

视频序列每秒钟有 25 帧至 30 帧图像，数据量是其他媒体信息源的数倍甚至数百倍。运动目标检测和识别需要对图像的像素进行处理，提取出表示目标物体的底层视觉特征，这一过程需要大量的运算量，如果检测和识别算法选择不恰当，无法保证系统实时性的要求。另一方面，目标识别系统需要保证识别的准确性，为了保证识别率，需要多个特征联合进行匹配，从而导致计算复杂度上升，降低了系统的实时性。这样就造成了运动目标检测和识别实时性与准确性之间矛盾，所以要选择合适的检测算法来解决这一问题。