一、文献综述
- 国内外研究现状
Morris水迷宫是行为学研究方法之一，由英国心理学家Morris于20世纪80年代初设计，是经典记忆空间行为实验。“水迷宫”实验是用于动物学习记忆机制研究一项实验，主要用于实验动物(如小鼠)在水池中的游动轨迹的记录与分析。Morris水迷宫实验被广泛应用于学习记忆、老年痴呆等多个学科。常用的两种对水迷宫视频中大鼠的识别跟踪方法是人工手持跑表处理方式和计算机软件处理方式。人工手持跑表处理方法是最耗时并且最不可靠的处理方式。这种直接观察和手工记录存在客观性差、指标量化不够准确、标准不统一及耗时费力等缺陷，从而难以获得全面准确和科学客观的实验数据。后来随着计算机技术的不断的发展以及各种软件与操作平台的不断更新，计算机已经广泛应用于生物医学仪器上，随着其在医学研究上的影响的不断扩大，出现了多种水迷宫智能图像追踪系统来对水迷宫参数进行较为客观精确的测量。
从水迷宫系统的发展历程来看，我国的水迷宫起步比较晚，于20世纪80年代末，中国科学院心理研究所建立了我国第一个Morris水迷宫实验室，并于90年代初建立了Morris水迷宫视频分析系统[2]。此后我国生产Morris水迷宫视频分析系统的公司如雨后春笋大量涌现，如上海软隆科技有限公司、安徽正华生物仪器设备有限公司等。但是国产的系统普遍存在追踪精度不够高、实验数据不够丰富等缺陷，无法很好满足研究的需求；国外的Mirror水迷宫视频分析系统，如美国ANStoelting公司开发的Y-maze、德国的TSE公司，虽然克服了部分问题，但存在着操作复杂、价格昂贵等缺陷，导致实验成本过高，不利于推动实验发展。
从视频追踪技术来看，一些效率更高、速度更快的技术应运而生，如帧间差分法，背景差分法，光流法，其中CamShift（Continuously Adaptive Mean-SHIFT）算法进行目标检测比较出色，它是Bradski[1]对MeanShift算法进行改良，延伸到连续图像序列，能自动调整窗口尺寸，并将上一个窗口的质点作为下一个窗口的中心进行迭代[5]，对搜索窗口进行简单运动预测，并增加二次搜索方法，提高跟踪的稳定性[15]，由于使用颜色的概率信息进行的跟踪，因此算法的效率较高。
随着目标检测跟踪进入数字化时代，数字图像处理方法亦广泛应用于目标跟踪系统中，形成了数字视频跟踪技术。它是将模拟视频信号数字化得到数字视频序列，通过数字图像处理的方法对图像序列进行分析，找到数字视频序列中的目标位置，根据不同的特征值，将图像序列中的不同帧的同一运动目标关联起来，进行识别跟踪，从而对运动目标进行观察、分析，得到各个运动目标完整的运动轨迹，获得需要的跟踪信息。
（二）研究主要成果
水迷宫的对目标的监测和追踪，目前主要使用CamShift算法，利用加权直方图模型反向投影，建立了跟踪图像的概率投影图，利用均值漂移方法完成目标跟踪任务[13]。此算法目标检测比较出色，效率较高，因此得到广泛使用。传统Camshift算法在建立目标颜色直方图时，只提取了目标在色度H分量上的特征，而忽视了饱和度S分量上的特征信息[14]。对此，刘朝兵提出采用H和S分量相结合的H-S二维直方图，同时针对不同区域的像素对颜色直方图的贡献不同，对其进行加权处理以提高目标颜色信息的利用率[6]。同时也有一种融合HSV空间中色调、饱和度以及反应物体形状信息的边缘梯度的三维直方图特征[9]，并基于背景模型自适应调整特征直方图三种分量的权重值，提高了算法的跟踪准确度的方法[10]。刘朝兵还提出遮挡是视觉跟踪中常见的干扰因素，由于Camshift算法是根据目标表面的颜色信息进行跟踪，当被部分遮挡时，跟踪精度会降低;被完全遮挡时，则会跟踪失败。为解决遮挡问题，可引入Kalman滤波进行轨迹预测，但该滤波在遇到大面积遮挡时计算出的估计值误差较大。对此本文提出对是否遇到大面积遮挡进行判断，若未遇到大面积遮挡，采用Kalman滤波预测，否则采用线性预测的方法进行改进，以提高遮挡状况下的跟踪准确性和鲁棒性。
Camshift算法追踪目标时，在目标与背景色调一致，或者目标与镜头相距较远的情况下可能会跟踪失败。已有研究者张丽媛, 梁凤梅从目标初始化和阈值筛选这两方面做出了改进;将原算法中的单框圈定目标改进为双框取定目标，阈值不变改进为自动调整阈值。在目标较小或者目标移动迅速的情况下也能准确地进行跟踪，提高了算法对背景的适应能力以及跟踪的成功率和准确率[16]。
- 发展趋势
运动目标检测最早从连续帧间差分法、背景差分法、到光流法开始。连续帧间差分法是将连续的两帧图像进行比较，从中提取出运动目标的信息，这种方法提取出的运动目标的完整性较差，但对动态环境有较好的适应性背景差分法将当前帧图像与背景图像相比较，这种方法其原理和算法设计简单，检测速度快、能够较完整地提取目标点，但对场景的动态变化如光照或者外部条件引起的场景变化较为敏感。基于这几种常用的方法，有多种改进方法，一种是将连续帧间差分法和背景差分法结合的方法取得了较好的效果，但还是存在着目标轮廓检测不完整和目标相关点保留较少的问题。杨威[3]利用连续帧进行帧间差分，对得到的图像进行相应处理后利用二值化算法得到运动目标信息。Yu Ting Chen [4]中提出一种将基于像素和基于块方法结合起来建立有效的分级的背景图像的方法，该方法首先利用分级的思想将非固定背景确定出来，并且粗略地检测出前景目标，然后在此基础上更进一步的利用基于像素的方法有效地提取出前景目标。候志强提出了一种基于像素灰度归类的背景重构算法。该算法连续求解相邻两帧图像对于像素点的灰度差，利用该灰度差对该像素点灰度进行归类，最后选择频率最高的灰度值作为该点背景像素的灰度值。孟凤在混合高斯模型[7]进行建模方法的基础上，为了使运动目标检测算法能够适应复杂场景的情况，提出了一种新的快速检测算法。该算法基于像素时域和空域相关性，利用这一性质可以减少高斯混合模型的个数，从而提高算法运行速度。文献通过计算位移向量光流场来初始化基于轮廓的跟踪算法，从而有效地提取和跟踪运动目标。使用背景差分法的前提是预先知道背景，除了直接获取法外，获取背景的方法还有统计平均法，它是通过对连续的图像序列进行统计平均来获得背景图像的一种方法。此外为了更好的得到背景，提出了建立单高斯背景模型和自适应混合高斯背景模型将混合高斯背景模型与背景差分法结合的运动目标检测方法，用多高斯背景模型描述背景的变化，随着图像序列的输入动态的更新背景模型，然后与当前帧图像作差从而检测出目标[7]，来获取更精确的背景描述。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
