第一篇：運(yùn)動(dòng)目標(biāo)跟蹤方法

方法大致可以分為四類：基于區(qū)域匹配的跟蹤方法、基于模型的跟蹤方法、基 于動(dòng)態(tài)輪廓的跟蹤方法和基于特征的跟蹤方法。

(1)基于區(qū)域匹配跟蹤方法的主要思想：該方法主要是將包含運(yùn)動(dòng)目標(biāo)的運(yùn)動(dòng)區(qū)域作為參考模板12引，在下一幀圖像中按照一定的搜索方法搜索模板，找 到的最優(yōu)搜索區(qū)域判定為匹配區(qū)域。該方法在理論上是十分有效，其可以獲得 豐富的目標(biāo)信息，對小目標(biāo)跟蹤效果好；但是當(dāng)搜索范圍較大時(shí)，目標(biāo)匹配會(huì) 花費(fèi)大量的時(shí)間，而且如果目標(biāo)發(fā)生變化或者被遮擋時(shí)，跟蹤效果會(huì)大大下降。

(2)基于模型跟蹤方法的主要思想：該方法通常會(huì)使用三種模型進(jìn)行目標(biāo)

跟蹤：線圖模型、2D模型、3D模型【231。在實(shí)際的應(yīng)用中，由于3D模型更接近現(xiàn)實(shí)生活中的物體，使用最多的是基于3D模型的跟蹤方法，特別是針對剛體(如 汽車、飛機(jī)等)的跟蹤。概括來說，跟蹤的方法如下：利用獲得的目標(biāo)3D模型，然后針對實(shí)際的視頻序列進(jìn)行目標(biāo)的搜索與匹配。在實(shí)際的跟蹤環(huán)境中，3D模 型的運(yùn)算量很大，而且獲得所有目標(biāo)的3D模型并全部存儲是一項(xiàng)幾乎不可能的 任務(wù)，因此該方法的實(shí)際應(yīng)用比較少。

(3)基于動(dòng)態(tài)輪廓跟蹤方法的主要思想：該方法主要是指對目標(biāo)的輪廓進(jìn)

行提取，即用一組封閉的輪廓曲線來描述目標(biāo)，將其作為匹配的模板。此輪廓 曲線能進(jìn)行自我更新以適應(yīng)非剛體目標(biāo)的形狀變化12引。例如Paragan等人利用短 程線的輪廓，加入水平集理論檢測并跟蹤目標(biāo)【2 5J；最經(jīng)典的算法是Michael Kass 等人在1 988年提出的主動(dòng)輪廓模型(即Snake模型)的方法【2 6|，其本質(zhì)是能量 的最小化。通過不斷求解輪廓曲線能量函數(shù)的最小值，不斷調(diào)整其形狀，從而 實(shí)現(xiàn)對目標(biāo)的跟蹤。該方法在簡單背景下，能夠準(zhǔn)確的進(jìn)行目標(biāo)跟蹤。但其對 于背景復(fù)雜情況以及速度較快或形變較大的目標(biāo)，運(yùn)算速度很慢，而且對于遮 擋問題的解決不是很好，因此很少應(yīng)用于實(shí)際的監(jiān)控系統(tǒng)中。

(4)基于特征的跟蹤方法的主要思想：該方法主要是通過提取目標(biāo)特定的特征集合，如角點(diǎn)或邊界線條等【2¨，將其作為跟蹤模板，在下一幀中搜索并進(jìn) 行幀間的匹配，從而實(shí)現(xiàn)目標(biāo)的跟蹤1281。改算法的優(yōu)點(diǎn)在于其是以目標(biāo)特征為 基礎(chǔ)，因此，在目標(biāo)的整體特征不完整，即目標(biāo)被部分遮擋的情況下仍然可以 實(shí)現(xiàn)跟蹤。該方法是目前應(yīng)用最多的一種方法。

1．4．課題的研究內(nèi)容與論文結(jié)構(gòu)安排

運(yùn)動(dòng)目標(biāo)檢測與跟蹤是智能視頻監(jiān)控領(lǐng)域的基礎(chǔ)與前提。本文主要是針對 靜態(tài)場景下的運(yùn)動(dòng)目標(biāo)檢測與跟蹤，通過不斷的研究和學(xué)習(xí)，找到更好的運(yùn)動(dòng) 目標(biāo)檢測與跟蹤方法。

本文對目前常用的目標(biāo)檢測與跟蹤方法進(jìn)行了原理介紹與性能分析，并在 前人的基礎(chǔ)上提出了自己的解決方案，且與原有的基于混合高斯模型的目標(biāo)檢 測方法以及基于基于碼本模型的目標(biāo)檢測進(jìn)行了比較。在運(yùn)動(dòng)目標(biāo)跟蹤方面采 用基于Kalman預(yù)測的Mean Shift方法，同時(shí)加入了信息量度量的方法，使得

第二篇：運(yùn)動(dòng)目標(biāo)檢測方法總結(jié)報(bào)告

摘要

由于計(jì)算機(jī)技術(shù)的迅猛發(fā)展，使得基于內(nèi)容的視頻信息的存取、操作和檢索不僅成為一種可能，更成為一種需要。同時(shí)，基于內(nèi)容的視頻編碼標(biāo)準(zhǔn)MPEG-4和基于內(nèi)容的視頻描述標(biāo)準(zhǔn)MPEG-7正在發(fā)展和完善。因此提取和視頻中具有語義的運(yùn)動(dòng)目標(biāo)是一個(gè)急需解決的問題。運(yùn)動(dòng)目標(biāo)提取和檢測作為視頻和圖像處理領(lǐng)域的重要研究領(lǐng)域，有很強(qiáng)的研究和應(yīng)用價(jià)值。運(yùn)動(dòng)檢測就是將運(yùn)動(dòng)目標(biāo)從含有背景的圖像中分離出來，如果僅僅依靠一種檢測算法，難以從復(fù)雜的自然圖像序列中完整地檢測出運(yùn)動(dòng)的目標(biāo)。較高的檢測精度和效率十分重要，因此融合多種檢測方法的研究越來越受到重視。本文介紹了幾種國內(nèi)外文獻(xiàn)中的經(jīng)典的視頻運(yùn)動(dòng)目標(biāo)的檢測和提取算法，并對各種方法進(jìn)行了評價(jià)和總結(jié)。首先介紹了基本的運(yùn)動(dòng)目標(biāo)檢測的基本知識和理論，然后介紹了基本的幾種目標(biāo)檢測方法及其各種改進(jìn)方法。對今后的運(yùn)動(dòng)目標(biāo)檢測提取的相關(guān)研究提供一定的參考。

關(guān)鍵詞：運(yùn)動(dòng)目標(biāo)檢測 光流法 幀差法 背景建模方法

摘要 i

ABSTRACT Because of the rapid development of computer technology, it is possible to access, operate and retrieve the video information based on the content of the video.At the same time, based on the content of the video coding standard MPEG-4 and content-based video description standard MPEG-7 is developing and improving.Therefore, it is an urgent problem to be solved in the extraction and video.Moving object extraction and detection is a very important field of video and image processing, and has a strong research and application value.Motion detection is to separate moving objects from the image containing background, if only rely on a detection algorithm, it is difficult to from a complex natural image sequences to detect moving target.Higher detection accuracy and efficiency are very important, so the study of the fusion of multiple detection methods is becoming more and more important.In this paper, the detection and extraction algorithms of the classical video moving objects in the domestic and foreign literatures are introduced, and the methods are evaluated and summarized.Firstly, the basic knowledge and theory of basic moving target detection is introduced, and then the basic method of target detection is introduced.To provide a reference for the research on the extraction of moving target detection in the future.Keywords: Visual tracking

Optical flow method

Frame Difference

Background modeling method

ii ABSTRACT

目錄

摘要...................................................................................................................................0 ABSTRACT.....................................................................................................................1 第一章 緒論....................................................................................................................3

1.1 研究背景及意義................................................................................................................4 1.2 研究現(xiàn)狀............................................................................................................................4

第二章 經(jīng)典的運(yùn)動(dòng)目標(biāo)檢測算法................................................................................5

2.1 光流法................................................................................................................................5 2.2 幀差法................................................................................................................................5 2.3 背景差分法........................................................................................................................7

第三章 改進(jìn)的運(yùn)動(dòng)目標(biāo)檢測算法................................................................................9

3.1 改進(jìn)的三幀差分法............................................................................................................9 3.2 幀間差分法與光流法結(jié)合..............................................................................................10 3.3 改進(jìn)的背景建模算法......................................................................................................11

第四章 總結(jié)..................................................................................................................13 參考文獻(xiàn)：....................................................................................................................16

目錄 i 2 運(yùn)動(dòng)目標(biāo)檢測方法研究總結(jié)

第一章 緒論

1.1 研究背景及意義

近幾十年來，在科學(xué)技術(shù)飛速發(fā)展的條件下，視頻與圖像處理技術(shù)不斷提高，各種各樣的視頻監(jiān)控產(chǎn)品已經(jīng)走入了人們的視野，并且在給我們的生活帶了很多方便。視頻監(jiān)控系統(tǒng)的研究技術(shù)涉及到視頻圖像處理、計(jì)算機(jī)視覺、模式識別以及人工智能等科學(xué)領(lǐng)域。視頻監(jiān)控系統(tǒng)多數(shù)要求監(jiān)控人員長期盯著監(jiān)控屏幕，進(jìn)行人為的分析判斷，這樣容易因?yàn)楸O(jiān)控人員的疏忽造成重要信息的遺漏。為此，人們開始將計(jì)算機(jī)領(lǐng)域的相關(guān)技術(shù)引入到視頻監(jiān)控系統(tǒng)中，形成智能監(jiān)控系統(tǒng)[1,2,3,4]。智能監(jiān)控系統(tǒng)可以在沒有人為干預(yù)的條件下，利用計(jì)算機(jī)視覺的相關(guān)技術(shù)來對視頻序列圖像進(jìn)行智能的分析，實(shí)現(xiàn)對運(yùn)動(dòng)目標(biāo)的檢測、跟蹤、分類和識別等。現(xiàn)在，運(yùn)動(dòng)目標(biāo)檢測技術(shù)不僅應(yīng)用在發(fā)電站、商場、銀行、民宅、廣場和火車站等公共場所的智能監(jiān)控系統(tǒng)中，而且在其他的領(lǐng)域也有十分廣泛的應(yīng)用。

1.2 研究現(xiàn)狀

目前，基于視頻的運(yùn)動(dòng)目標(biāo)檢測算法主要有三種：光流法、幀差法和背景差分法，這三種算法都有各自的優(yōu)缺點(diǎn)。1981 年，Horn 和 Schunck 通過將二維速度場與圖像灰度相聯(lián)系，從而引入了光流約束方程，得到一個(gè)計(jì)算光流的基本方法[5]。Meyer 等人[6]在對光流法進(jìn)行了深入研究的基礎(chǔ)上，提出在光流場中采用基于輪廓的跟蹤方法，該方法在攝像機(jī)運(yùn)動(dòng)的情況下能夠有效的對運(yùn)動(dòng)目標(biāo)進(jìn)行檢測和跟蹤。Barron 等人[7]通過使用簡單而有效的門限，先分割圖像，再計(jì)算光流，通過消除雜亂的背景光流來得到較好的目標(biāo)光流。Roland 等人[8]利用相鄰幀差，通過局部閾值的迭代松弛技術(shù)實(shí)現(xiàn)圖像邊緣的光滑濾波。甘明剛等人[9]提出一種三幀差分和邊緣信息相結(jié)合的運(yùn)動(dòng)目標(biāo)檢測算法，該算法有效地改善了一些情況下幀間差分法會(huì)出現(xiàn)“雙影現(xiàn)象”的問題。郝豪剛和陳佳琪等人[10]提出五幀差分法和景差分法相結(jié)合的運(yùn)動(dòng)目標(biāo)檢測算法，該算法利用背景差分法和幀間差分法性能上的互補(bǔ)來得較好的檢測結(jié)果。背景差分法有均值法、中值法、核密度估計(jì)法、Surendra 背景更新、單高斯模型和混合高斯模型等，從 20 世紀(jì)以來，相繼出現(xiàn) 第一章 緒論 1 了一批批成熟的背景差分法，Wren 等人[11]提出了單高斯模型，該方法在單一背景下能夠獲得較好的檢測結(jié)果，但是不適合復(fù)雜背景。Stauffer 等人[12]在單高斯模型的基礎(chǔ)上提出了混合高斯模型，混合高斯模型在外界環(huán)境比較復(fù)雜的條件下仍然可以得到很好的檢測效果。左軍毅等人[13]提出時(shí)間平均模型和混合高斯模型雙模式切換式的運(yùn)動(dòng)目標(biāo)檢測算法。除了以上三種的算法外，還有一些學(xué)者嘗試采用其他的算法進(jìn)行運(yùn)動(dòng)目標(biāo)檢測，例如，郝志成和吳川等人[14]提出的基于穩(wěn)定矩陣的動(dòng)態(tài)圖像運(yùn)動(dòng)目標(biāo)檢測算法，該算法通過在短時(shí)間內(nèi)自動(dòng)的感知背景變來快速的建立背景模型。近年來，越來越多的研究機(jī)構(gòu)和學(xué)者都參與到基于視頻的運(yùn)動(dòng)目標(biāo)檢測的研究之中，并提出很多有效的、新穎的方法。但是仍存在一些問題善待提高，所以找到一種檢測精度高、魯棒性好的運(yùn)動(dòng)目標(biāo)檢測算法依然是我們?yōu)橹Φ姆较颉?/p>

運(yùn)動(dòng)目標(biāo)檢測方法研究總結(jié)

第二章 經(jīng)典的運(yùn)動(dòng)目標(biāo)檢測算法

2.1 光流法

空間中物體的運(yùn)動(dòng)可以用運(yùn)動(dòng)場來描述，同樣可以通過序列圖像中不同圖像的灰度分布差異體現(xiàn)圖像平面變化，對比空間中的運(yùn)動(dòng)場，體現(xiàn)在圖像上表現(xiàn)為光流場。在運(yùn)動(dòng)的某一個(gè)時(shí)刻，為圖像中的各個(gè)像素點(diǎn)賦一個(gè)速度的矢量，這樣就成為了一個(gè)圖像的運(yùn)動(dòng)場。由于空間物體上的點(diǎn)與圖像上的點(diǎn)通過投影關(guān)系可以一一對應(yīng)，則根據(jù)各個(gè)像素點(diǎn)的速度矢量的變化特征可以對圖像進(jìn)行動(dòng)態(tài)分析[16]。當(dāng)圖像中沒有目標(biāo)運(yùn)動(dòng)時(shí)，在整個(gè)圖像區(qū)域中光流矢量的變化是連續(xù)的；而當(dāng)圖像中有運(yùn)動(dòng)目標(biāo)時(shí)，圖像的背景和目標(biāo)就會(huì)有相對的運(yùn)動(dòng)，那么目標(biāo)運(yùn)動(dòng)所形成的速度矢量必然和鄰域背景速度矢量不同，由此能夠檢測出運(yùn)動(dòng)目標(biāo)的位置。光流法利用圖像的灰度信息的變化從序列圖像中計(jì)算出速度場，然后加上一些約束條件，從而推出運(yùn)動(dòng)目標(biāo)的運(yùn)動(dòng)參數(shù)和物體結(jié)構(gòu)[17]。

光流法事先不需要知道場景的任何信息，就可以準(zhǔn)確的計(jì)算出運(yùn)動(dòng)物體的速度。它不僅能應(yīng)用于靜態(tài)背景下的運(yùn)動(dòng)目標(biāo)檢測，而且可以用于攝像機(jī)運(yùn)動(dòng)的情況，實(shí)現(xiàn)動(dòng)態(tài)背景下的運(yùn)動(dòng)目標(biāo)檢測。它的缺點(diǎn)是：光流法的特點(diǎn)是要進(jìn)行迭代運(yùn)算，精度越高需要的計(jì)算量就越大，因此，光流法的計(jì)算量大，運(yùn)算時(shí)間長，是一種比較耗時(shí)的算法，很難滿足工程上對實(shí)時(shí)性的要求；光流法的抗噪性能差，例如，當(dāng)光照發(fā)生變化時(shí)，即使沒有運(yùn)動(dòng)發(fā)生，光流仍然存在，會(huì)被誤檢測為有目標(biāo)運(yùn)動(dòng)，同時(shí)，如果缺少足夠的灰度級變化，目標(biāo)運(yùn)動(dòng)物體很難被檢測到；當(dāng)三維物體的運(yùn)動(dòng)投影到二維的圖像時(shí)，亮度會(huì)有變化，從而導(dǎo)致通過光流約束是計(jì)算不出平面某點(diǎn)的圖像速度流；使用光流法對運(yùn)動(dòng)目標(biāo)進(jìn)行檢測，需要特定的硬件設(shè)備的支持。已經(jīng)有一些學(xué)者針對光流法所存在的缺點(diǎn)進(jìn)行了改進(jìn)，相信未來光流法能夠得到更好的實(shí)際應(yīng)用。

2.2 幀差法

幀差法[18]又叫時(shí)間差分法，它通過將視頻序列圖像中的當(dāng)前幀與相鄰幀所對 第二章 經(jīng)典的運(yùn)動(dòng)目標(biāo)檢測算法 3 應(yīng)的像素點(diǎn)的灰度值進(jìn)行比較，然后找到差異，進(jìn)而檢測出運(yùn)動(dòng)目標(biāo)[19]。在視頻序列圖像中，相鄰的圖像之間具有連續(xù)性，當(dāng)視頻圖像中有運(yùn)動(dòng)目標(biāo)時(shí)，由于運(yùn)動(dòng)目標(biāo)的運(yùn)動(dòng)，相鄰圖像間的像素點(diǎn)灰度值差別就會(huì)較大，相反，當(dāng)視頻圖像中沒有運(yùn)動(dòng)目標(biāo)時(shí)，相鄰圖像間的像素點(diǎn)素灰度值差別就會(huì)較小，幀差法就是利用視頻圖像的這一特性進(jìn)行檢測的，它是運(yùn)動(dòng)目標(biāo)檢測的最簡單方法。幀差法是先用相鄰兩幀做差分運(yùn)算，然后做二值化處理，從而檢測出運(yùn)動(dòng)目標(biāo)。幀差法的基本運(yùn)算原理框圖如下：

圖2.1 幀差法基本原理

在二值化的差分圖像中，取值為 0 的像素點(diǎn)代表變化較小或是無變化的區(qū)域，表示為背景區(qū)域；取值為 255 的像素點(diǎn)代表變化的區(qū)域，表示為運(yùn)動(dòng)目標(biāo)。至此，大多數(shù)的運(yùn)動(dòng)目標(biāo)的基本形狀已經(jīng)凸顯出來了。為了能夠精確的提取出運(yùn)動(dòng)目標(biāo)，通常還需要經(jīng)過形態(tài)學(xué)處理，例如，膨脹、腐蝕、開運(yùn)算、閉運(yùn)算等，將斷點(diǎn)進(jìn)行連接或者將多余的部分去掉等，從而獲得更加準(zhǔn)確的檢測結(jié)果。

幀差法優(yōu)點(diǎn)是算法簡單、容易實(shí)現(xiàn)、檢測速度較快、能滿足系統(tǒng)對實(shí)時(shí)性的要求，而且一般相鄰兩幀的時(shí)間間隔比較短，因此對場景的光線變化不是特比敏感，對環(huán)境的自適應(yīng)性較強(qiáng)。幀差法存在著兩個(gè)主要的缺點(diǎn)：幀差法的檢測結(jié)果與目標(biāo)運(yùn)動(dòng)速度和相鄰兩幀間隔大小有關(guān)。如果運(yùn)動(dòng)目標(biāo)速度過快且兩幀時(shí)間間隔長，可能會(huì)出現(xiàn)運(yùn)動(dòng)目標(biāo)在運(yùn)動(dòng)方向上前后分裂并拉長，出現(xiàn)“雙影現(xiàn)象”，最壞的情況下可能發(fā)生同一個(gè)運(yùn)動(dòng)目標(biāo)被檢測為兩個(gè)不同的目標(biāo)。如果運(yùn)動(dòng)目標(biāo)運(yùn)動(dòng)過慢且兩幀時(shí)間間隔小，交疊的部分在兩幀圖像進(jìn)行差分時(shí)會(huì)因差值過小而被誤判為背景區(qū)域，但是事實(shí)上這部分并不是背景區(qū)域，由此會(huì)造成目標(biāo)信息的丟失，我們稱之為“空洞現(xiàn)象”，最壞的情況下可能發(fā)生目標(biāo)完全重疊而不能被檢測出來。

運(yùn)動(dòng)目標(biāo)檢測方法研究總結(jié)

2.3 背景差分法

背景差分法又叫做背景減除法，是固定場景中目標(biāo)檢測算法最長用的一種檢測算法。在背景差分法中，視頻圖像分為背景圖像和前景圖像，該方法將視頻圖像中的當(dāng)前圖像與背景圖片進(jìn)行比較，也就是當(dāng)前幀與背景幀進(jìn)行差分運(yùn)算，在運(yùn)算結(jié)果中像素點(diǎn)的灰度值變化大的區(qū)域即為運(yùn)動(dòng)目標(biāo)，因此我們也常常認(rèn)為背景差分法是幀間差分法的一種特例。

背景差分法的運(yùn)算原理框圖如下：

圖2.2 背景差分法基本原理框圖

提取出運(yùn)動(dòng)目標(biāo)區(qū)域之后，可能會(huì)存在噪聲，可以對其進(jìn)行后期處理，例如膨脹、腐蝕、連通域檢測等操作，從而提取出較為準(zhǔn)確的運(yùn)動(dòng)目標(biāo)。背景差分法的優(yōu)點(diǎn)是算法復(fù)雜度低，算法實(shí)現(xiàn)比較簡單，可以滿足系統(tǒng)的實(shí)時(shí)性要求，并且在運(yùn)動(dòng)目標(biāo)檢測時(shí)一般能夠得到比較完整的特征數(shù)據(jù)。是目前最常用的一種運(yùn)動(dòng)目標(biāo)檢測方法，尤其適用于背景固定或背景緩變的場景。該方法對外界的環(huán)境變化非常敏感，例如場景中天氣的變化，光線的改變，攝像機(jī)的顫動(dòng)，樹葉的搖動(dòng)等等這些外界的干擾很容易使背景點(diǎn)被誤判為目標(biāo)點(diǎn)，因而影響了檢測的精度。所以該方法的難點(diǎn)在于建立一個(gè)符合場景需求的背景模型，而且需要有一套算法對背景模型進(jìn)行更新，使背景成為實(shí)時(shí)而準(zhǔn)確的背景。檢測效果好的背景模型往往都會(huì)比較復(fù)雜，運(yùn)算量比較大，從而使得背景更新的速度減慢，無法實(shí)時(shí)地檢測出運(yùn)動(dòng)目標(biāo)。如果背景模型更新的速度非常慢，實(shí)際上背景在不斷變化著，會(huì) 導(dǎo)致從背景模型得到的背景圖像不是實(shí)時(shí)的背景圖像。但是如果背景模型更新的速度過快，背景有時(shí)就會(huì)和當(dāng)前圖像非常相似，背景差分法就無法檢測出運(yùn)動(dòng)物體。因此，建立一個(gè)合適的背景模型是背景差分法的關(guān)鍵部分，也是該算法的一個(gè)難點(diǎn)。第二章 經(jīng)典的運(yùn)動(dòng)目標(biāo)檢測算法 3

運(yùn)動(dòng)目標(biāo)檢測方法研究總結(jié)

第三章 改進(jìn)的運(yùn)動(dòng)目標(biāo)檢測算法

3.1 改進(jìn)的三幀差分法

三幀差分法是對兩幀差分法的改進(jìn)，它可以有效的克服兩幀差分法的一些缺點(diǎn)，例如，克服了兩幀差分法中的“雙影現(xiàn)象”，但是卻不能改善“空洞現(xiàn)象”，而且當(dāng)運(yùn)動(dòng)目標(biāo)和背景區(qū)域這兩部分的灰度值比較接近時(shí)，三幀差分法不能準(zhǔn)確的檢測出運(yùn)動(dòng)目標(biāo)的輪廓.為了改善三幀差分法檢測結(jié)果的邊緣缺失的這個(gè)缺點(diǎn)，王霏等人嘗試將改進(jìn)的Sobel算子與三幀差分法相結(jié)合，因?yàn)閳D像的邊緣信息不容易受噪聲和亮度突變的影響。改進(jìn)算法的關(guān)鍵是獲得一個(gè)完整的運(yùn)動(dòng)目標(biāo)的邊緣輪廓，針對“空洞現(xiàn)象”，通過后期的形態(tài)學(xué)處理和連通性分析相結(jié)合的方法來改善這個(gè)問題[20]。

改進(jìn)的三幀差分法的基本思想是：把三幀分成兩組，分別求兩幀差分圖，進(jìn)行膨脹處理之后分別和邊緣檢測結(jié)果圖相“與”，將兩個(gè)結(jié)果進(jìn)行“或”運(yùn)算，得到一個(gè)初步的檢測結(jié)果。然后與三幀差分法的結(jié)果進(jìn)行“或”運(yùn)算，得到一個(gè)更加完整的檢測結(jié)果。最后對檢測結(jié)果進(jìn)行后期處理，來達(dá)到改善“空洞現(xiàn)象”和去除噪聲的目的。

(a)經(jīng)典的兩幀差分法

第三章 改進(jìn)的運(yùn)動(dòng)目標(biāo)檢測算法 7

(b)經(jīng)典的三幀差分法

(c)改進(jìn)的三幀差分法

3.2 幀間差分法與光流法結(jié)合

光流法對噪聲敏感，運(yùn)動(dòng)目標(biāo)邊緣以外附近的像素點(diǎn)沒有運(yùn)動(dòng)，但光流值不是零，出現(xiàn)了“速度漂移”。使得光流法和超像素分割的分割結(jié)果雖然不錯(cuò)，但是需要調(diào)節(jié)的參數(shù)空間非常大，需要花費(fèi)大量的時(shí)間來進(jìn)行參數(shù)的調(diào)整，導(dǎo)致它的實(shí)用性較差。幀間差分法簡單易行，利用當(dāng)前幀與前一幀差分，當(dāng)運(yùn)動(dòng)目標(biāo)運(yùn)動(dòng)過快時(shí)提取出的物體往往會(huì)出現(xiàn)雙影而且比實(shí)際要大，當(dāng)運(yùn)動(dòng)過慢時(shí)又往往因無法檢測出重疊部分而出現(xiàn)空洞。為此，我們在光流法和超像素分割方法的基礎(chǔ)上，融合了幀間差分法來進(jìn)一步快速的縮小需要調(diào)節(jié)的參數(shù)的范圍，極大的減少了人工調(diào)節(jié)的工作量。在改進(jìn)的方法中，賀麗麗等人結(jié)合光流法產(chǎn)生的結(jié)果和幀間差分法的結(jié)果來提取出大致的運(yùn)動(dòng)區(qū)域，然后利用超像素分割進(jìn)行精確的提取[21]。

利用超像素分割后的結(jié)果label，對幀間差分法得到的結(jié)果s 進(jìn)行進(jìn)一步的提取，由于超像素分割將圖像分割成許多含有相似特征的標(biāo)記圖label，首先我們需要知道s,即已經(jīng)求出的前景區(qū)域中含有對應(yīng)標(biāo)記圖中的哪些標(biāo)記。當(dāng)我們確定了前景區(qū)域所包含的標(biāo)記后，就需要進(jìn)一步的確定這些標(biāo)記在s和label 中所包含的像素個(gè)數(shù)。對于s，我們統(tǒng)計(jì)出其前景區(qū)域中對應(yīng)于標(biāo)記圖label 中每個(gè)標(biāo)記i所包含的像素的個(gè)數(shù)為isn,標(biāo)記圖label中每個(gè)標(biāo)記i所包含的像素的個(gè)數(shù)為n，我們認(rèn)為isn與n 之間的關(guān)系，將成為提取前景目標(biāo)最重要的衡量標(biāo)準(zhǔn)。如果它們的比值小于某一個(gè)值T 時(shí)，則將Label中對應(yīng)于標(biāo)記i的像素值設(shè)為0，否則,Label中對應(yīng)于i的像素值設(shè)為 1。原始圖像t 中對應(yīng)于 Label中等于 0 的位置也標(biāo)記為 0；因此我們得到了提取出的運(yùn)動(dòng)目標(biāo)圖。

運(yùn)動(dòng)目標(biāo)檢測方法研究總結(jié)

3.3 改進(jìn)的背景建模算法

針對傳統(tǒng)混合高斯背景建模算法，由于受到算法的限制，每個(gè)像素點(diǎn)的模型個(gè)數(shù)是固定不變的。后來，等人提出了基于最大似然估計(jì)的像素點(diǎn)背景模型個(gè)數(shù)自適應(yīng)選擇方法。但由于該方法人為地引入了負(fù)的先驗(yàn)系數(shù)，使得在更新過程中高斯成分的權(quán)重有可能被不合理地負(fù)更新。王永忠等人在傳統(tǒng)混合高斯背景建模的基礎(chǔ)上，提出一種了自適應(yīng)選擇混合高斯模型個(gè)數(shù)的策略，孫麗等在此基礎(chǔ)上提出了新的算法。

其算法的基本思想是對于每幀，在圖像所有像素的模型總個(gè)數(shù)固定的情況下，對于頻繁變化的背景點(diǎn)，當(dāng)未達(dá)到像素點(diǎn)自身的模型個(gè)數(shù)上限且不超過圖像模型總個(gè)數(shù)的前提下，可以“借用”相對穩(wěn)定的區(qū)域像素點(diǎn)的未用模型個(gè)數(shù)的名額，用個(gè)數(shù)不定的模型來描述該像素點(diǎn)可能的背景。根據(jù)模型的轉(zhuǎn)化規(guī)則，通過刪除模型、增加模型、替換模型來動(dòng)態(tài)分配模型個(gè)數(shù)及模型的參數(shù)更新，并實(shí)現(xiàn)背景模型的生成，從而使得背景模型個(gè)數(shù)能夠隨著場景的變化動(dòng)態(tài)調(diào)整。

在當(dāng)前時(shí)刻，每個(gè)像素點(diǎn)都有自己的初始模型，這些模型根據(jù)一定的閾值條件，被劃分成背景模型和候選背景模型。背景模型和候選背景模型都有自我更新并保持自身模型的狀態(tài)。當(dāng)候選背景模型滿足一定的條件后，轉(zhuǎn)化成背景模型，而背景模型和候選模型通過刪除模型的機(jī)制來達(dá)到終止模型狀態(tài)。本文的背景建模算法在不增加模型總個(gè)數(shù)的前提下，通過動(dòng)態(tài)刪除模型、增加模型以及模型間的轉(zhuǎn)化三種處理機(jī)制，分配不定個(gè)數(shù)的背景模型，并自適應(yīng)更新參數(shù)。

實(shí)驗(yàn)表明，該算法能夠較好的處理復(fù)雜動(dòng)態(tài)場景中背景的頻繁變化如樹枝葉搖曳、水面波動(dòng)和噴泉，并在構(gòu)建背景過程中，一定程度上克服了前景運(yùn)動(dòng)目標(biāo)的影響。與傳統(tǒng)的運(yùn)動(dòng)目標(biāo)檢測算法相比，本文算法對動(dòng)態(tài)變化背景的描述能力更強(qiáng)，處理速度更快，符合實(shí)際場景中運(yùn)動(dòng)目標(biāo)檢測的實(shí)時(shí)性和準(zhǔn)確性要求[22]。

第三章 改進(jìn)的運(yùn)動(dòng)目標(biāo)檢測算法 7 12 運(yùn)動(dòng)目標(biāo)檢測方法研究總結(jié)

第四章 總結(jié)

運(yùn)動(dòng)目標(biāo)檢測是計(jì)算機(jī)視覺中富有挑戰(zhàn)性的課題之一，對其展開研究具有重要的應(yīng)用價(jià)值和理論意義。本文首先總結(jié)研究了現(xiàn)存的三種經(jīng)典的運(yùn)動(dòng)目標(biāo)檢測算法：光流法、幀差法和背景差分法，并對分析了它們的優(yōu)缺點(diǎn)。光流法不需要預(yù)先知道有關(guān)場景信息，可以支持?jǐn)z像機(jī)的運(yùn)動(dòng)，但是計(jì)算復(fù)雜度高、耗時(shí)長、抗噪性能差，目前沒有較好的通用硬件支持。幀差法是將相鄰的兩幀圖像對應(yīng)像素點(diǎn)進(jìn)行相減而得到運(yùn)動(dòng)目標(biāo)，能夠適應(yīng)光照突變，運(yùn)算速度快、算法簡單，但是檢測結(jié)果容易出現(xiàn)“空洞現(xiàn)象”和“雙影現(xiàn)象”，它適用于對實(shí)時(shí)性要求高，對檢測的目標(biāo)信息要求不高的場景中。背景差分法是將當(dāng)前圖像幀和建立的背景圖片相減來得到運(yùn)動(dòng)目標(biāo)，該算法復(fù)雜度不高，可以滿足系統(tǒng)對實(shí)時(shí)性的要求，背景模型的建立對該方法的實(shí)現(xiàn)會(huì)產(chǎn)生至關(guān)重要的作用然后。

然后介紹了幾種改進(jìn)的檢測算法，改進(jìn)的三幀差分法將改進(jìn)的 Sobel 邊緣檢測算子引入到三幀差分法中，因?yàn)閳D像的邊緣信息不容易受噪聲和亮度突變的影響，所以將三幀差分法和改進(jìn)的 Sobel 算子相結(jié)合彌補(bǔ)了三幀差分法不能將運(yùn)動(dòng)目標(biāo)輪廓完整檢測出來的缺點(diǎn)。然后對檢測結(jié)果進(jìn)行后期處理，達(dá)到改善空洞現(xiàn)象和去噪的目的。最后通過實(shí)驗(yàn)對比經(jīng)典三幀差分法和改進(jìn)的三幀差分法的檢測效果，結(jié)果表明改進(jìn)的三幀差分法的檢測結(jié)果準(zhǔn)確性更高。利用光流場獲得粗略的運(yùn)動(dòng)區(qū)域，將光流值經(jīng)過濾波，二值化和形態(tài)學(xué)處理，獲得大概的運(yùn)動(dòng)目標(biāo)區(qū)域。利用幀間差分法將相鄰兩幀圖像中變化的區(qū)域提取出來，通過結(jié)合光流法和幀間差分法的結(jié)果，進(jìn)一步將運(yùn)動(dòng)目標(biāo)的提取鎖定在一個(gè)更加準(zhǔn)確的范圍內(nèi)。背景建模法對于每幀，在所有圖像像素模型總個(gè)數(shù)固定的情況下，對于頻繁變化的背景點(diǎn)，當(dāng)未達(dá)到像素點(diǎn)自身的模型個(gè)數(shù)上限且不超過圖像模型總個(gè)數(shù)的前提下，可以借用相對穩(wěn)定的區(qū)域像素點(diǎn)的未用模型個(gè)數(shù)的名額，用個(gè)數(shù)不定的模型來描述該像素點(diǎn)可能的背景，從而實(shí)現(xiàn)背景模型的動(dòng)態(tài)分配及更新。并基于像素的時(shí)域信息，用不包含該像素點(diǎn)在內(nèi)的小鄰域內(nèi)所有像素點(diǎn)的背景模型與當(dāng)前點(diǎn)進(jìn)行匹配，判斷其是否為前景點(diǎn)，以此消除動(dòng)態(tài)背景干擾的影響。這些算法都將為今后的研究提供參考和依據(jù)。第四章 總結(jié) 11 14 運(yùn)動(dòng)目標(biāo)檢測方法研究總結(jié)

參考文獻(xiàn)：

[1] 岡薩雷斯.數(shù)字圖像處理(第二版)[M].北京:電子工業(yè)出版社, 2003:1-115.[2] Stauffer C, Grimson W E L.Learning Patterns of Activity Using Real-time Tracking [J].IEEE Transactions on Pattern Analysis & Machine Intelligence, 2000, 22(8):747-757.[3] H.Akaike.A New Look at the Statistical Model Identification.IEEE Transaction on Automatic Control, 1974, 19(6):716-723.[4] 朱宏.基于視頻序列的運(yùn)動(dòng)目標(biāo)檢測與跟蹤技術(shù)研究[D].西南交通大學(xué)碩士學(xué)位文,2008:1-5.[5] B K P Horn, B G Schunck.Determing Optical Flow [M].Artificial Intelligence, 1981:185-203.[6] Meyer D.Model Based Extraction of Articulated Objects in Image Sequences for Gait Analysis[C].Proe IEEE International Conference on Image Processing, Santa Barbara, California, 1997:78-81.[7] J L Barren, D J Fleet, S S Beauchemin.Performance of Optical Flow Techinques, Computer Vision, 2004, 12(1):43-77.[8] Roland M, Michael W.A Noise Robust Method for Shape Estimation of Moving Objects in Video Sequences Considering a Moving Camera [M].In Signal Processing, 1998:203-217.[9] 甘明剛, 陳杰, 劉勁.一種基于三幀差分和邊緣信息的運(yùn)動(dòng)目標(biāo)檢測方法[J].電子與信息學(xué)報(bào), 2010:894-897.[10] 郝毫剛, 陳家琪.基于五幀差分和背景差分的運(yùn)動(dòng)目標(biāo)檢測算法[J].計(jì)算機(jī)工程, 2012, 38(4): 146-148.[11] Wren C.Real-Time Traeking of the Human Body [J].IEEE Transactions on Pattern Analysis and Machine Intelligenee, 1997, 19(7):780-785.[12] Stauffer C, Grimson E.Learning Patterns of Activity Using Real-Time Tracking [C].In IEEE [13] 左軍毅, 潘泉.基于模型切換的自適應(yīng)背景建模方法[J].自動(dòng)化學(xué)報(bào), 2007, 5(33):467-472.[14] Transactions on Pattern Recognition and Machine Intelligence(TPAMI), 2000, 22(8):747-757.[15] Xuming Zhang.Impulse Noise Removal Using Directional Difference Based Noise Detector 參考文獻(xiàn) 13

and Adaptive Weighted Mean Filter [J].Signal Processing Letters, IEEE, 2009, 16(4):295-298.[16] Gao P, Sun X, Wang W.Moving Object Detection based on Kirsch Operator Combined with Optical Flow[C].Image Analysis and Signal Processing(IASP), 2010 International Conference on.IEEE, 2010: 620-624.[17] Wixson L.Detecting Salient Motion by Accumulating Directionally Consistent Flow[J].IEEE Trans, Pattern Analysis and Machine Intelligence, 2000(22):774-780.[18] Seki M, Fujiwara H, Sumi K.A Robust Background Subtraction Method for Changing background [J].Proceeding of IEEE workship on Application of Computer vision, 2000:207-213.[19] Qinghua Ji, Suping Yu.Motion Object Detection Based on Adaptive Mixture Gaussian Model and Four-frame Subtraction [J].International Conference on Computational and Information Sciences, 2013:1202-1205.[20] 王霏.基于視頻的運(yùn)動(dòng)目標(biāo)檢測算法研究[D].吉林大學(xué), 2014.[21] 賀麗麗.視頻序列中運(yùn)動(dòng)目標(biāo)提取方法研究[D].西安電子科技大學(xué), 2014.[22] 孫麗.基于背景建模的運(yùn)動(dòng)目標(biāo)檢測算法研究[D].東北大學(xué), 2011

第三篇：目標(biāo)跟蹤信息融合及仿真程序

目標(biāo)跟蹤信息融合及仿真程序

質(zhì)心算法是最簡單的定位算法，如圖2-1所示，四個(gè)小圓為觀測站，實(shí)線三角形是目標(biāo)真實(shí)的位置，假設(shè)四個(gè)圓形觀測站都探測到目標(biāo)的存在，則根據(jù)質(zhì)心定位算法，目標(biāo)的位置（x,y）可以表示為：x?x1?x2?x3?x4，4y?y1?y2?y3?y4，這里觀測站得位置為(xi,yi)，同理，當(dāng)觀測站數(shù)目為N4時(shí)，這時(shí)候的質(zhì)心定位算法可以表示為：

?1N?xi??x??N?i?1?y???1N?

???yi????Ni?1??

圖1 質(zhì)心定位

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %

質(zhì)心定位算法Matlab程序

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% function main % 定位初始化

Length=100;% 場地空間，單位：米 Width=100;

% 場地空間，單位：米

d=50;

% 目標(biāo)離觀測站50米以內(nèi)都能探測到，反之則不能 Node_number=6;% 觀測站的個(gè)數(shù)

for i=1:Node_number % 觀測站的位置初始化，這里位置是隨機(jī)給定的 Node(i).x=Width*rand;

Node(i).y=Length*rand;end % 目標(biāo)的真實(shí)位置，這里也隨機(jī)給定 Target.x=Width*rand;Target.y=Length*rand;% 觀測站探測目標(biāo) X=[];

for i=1:Node_number

if DIST(Node(i),Target)<=d

X=[X;Node(i).x,Node(i).y];

end end N=size(X,1);

% 探測到目標(biāo)的觀測站個(gè)數(shù) Est_Target.x=sum(X(:,1))/N;% 目標(biāo)估計(jì)位置x Est_Target.y=sum(X(:,2))/N;% 目標(biāo)估計(jì)位置y Error_Dist=DIST(Est_Target,Target)% 目標(biāo)真實(shí)位置與估計(jì)位置的偏差距離

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% % 畫圖 figure hold on;box on;axis([0 100 0 100]);% 輸出圖形的框架 for i=1:Node_number

h1=plot(Node(i).x,Node(i).y,'ko','MarkerFace','g','MarkerSize',10);

text(Node(i).x+2,Node(i).y,['Node ',num2str(i)]);end h2=plot(Target.x,Target.y,'k^','MarkerFace','b','MarkerSize',10);h3=plot(Est_Target.x,Est_Target.y,'ks','MarkerFace','r','MarkerSize',10);line([Target.x,Est_Target.x],[Target.y,Est_Target.y],'Color','k');circle(Target.x,Target.y,d);legend([h1,h2,h3],'Observation Station','Target Postion','Estimate Postion');xlabel(['error=',num2str(Error_Dist),'m']);%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% % 子函數(shù)，計(jì)算兩點(diǎn)間的距離 function dist=DIST(A,B)dist=sqrt((A.x-B.x)^2+(A.y-B.y)^2);% 子函數(shù)，以目標(biāo)為中心畫圓 function circle(x0,y0,r)sita=0:pi/20:2*pi;plot(x0+r*cos(sita),y0+r*sin(sita));% 中心在(x0,y0），半徑為r %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% 執(zhí)行程序，得到仿真結(jié)果：

1009080Node ***Node 520100 0102030405060error=4.6456m7080Node 390100Node 2Node 6Observation StationTarget PostionEstimate Postion Node 4 更多目標(biāo)定位跟蹤算法和程序請參考以下書籍：

目錄

第一章 目標(biāo)跟蹤概述

1.1 多傳感器探測的目標(biāo)跟蹤架構(gòu)

1.2 目標(biāo)定位算法簡介

1.3 目標(biāo)跟蹤過程描述

1.4 跟蹤模型的建立

第二章 常用目標(biāo)定位算法

2.1 質(zhì)心定位算法程序

2.2 加權(quán)質(zhì)心定位算法程序

2.3 最小二乘/極大似然定位算法

2.3.1 測距技術(shù)

2.3.2 定位技術(shù)

2.3.3最小均方誤差的二維定位方法程序

2.3.4 最小均方誤差的三維定位方法程序

2.3.5 最小二乘/極大似然用于目標(biāo)跟蹤(連續(xù)定位)程序

2.3.6 最小二乘/極大似然用于純方位目標(biāo)跟蹤(連續(xù)定位)程序第三章 卡爾曼濾波

3.1 Kalman濾波

3.1.1 Kalman濾波原理

3.1.2 Kalman濾波在目標(biāo)跟蹤中的應(yīng)用及仿真程序

3.2 擴(kuò)展Kalman濾波（EKF）

3.2.1 擴(kuò)展Kalman濾波原理

3.2.2 基于EKF的單站觀測距離的目標(biāo)跟蹤程序

3.2.3 基于EKF的單站純方位目標(biāo)跟蹤程序

3.3 無跡Kalman濾波（UKF）

3.3.1 無跡Kalman濾波原理

3.3.2 無跡卡爾曼在目標(biāo)跟蹤中的應(yīng)用的仿真程序

3.4 交互多模型Kalman濾波（IMM）

3.4.1 交互多模原理

3.4.1 交互多模kalman濾波在目標(biāo)跟蹤應(yīng)用仿真程序

第四章 蒙特卡洛方法1 2 2 4 7 7 9 12 12 14 16 17 19 22 24 24 24 26 28 28 29 32 35 35 36 40 40 47 52

4.1 概念和定義

4.2 蒙特卡洛模擬仿真程序

4.2.1硬幣投擲實(shí)驗(yàn)（1）

4.2.2硬幣投擲實(shí)驗(yàn)（2）

4.2.3古典概率實(shí)驗(yàn)

4.2.4幾何概率模擬實(shí)驗(yàn)

4.2.5復(fù)雜概率模擬實(shí)驗(yàn)

4.3 蒙特卡洛理論基礎(chǔ)

4.3.1大數(shù)定律

4.3.2中心極限定律

4.3.3蒙特卡洛的要點(diǎn)

4.4 蒙特卡洛方法的應(yīng)用

4.4.1 Buffon實(shí)驗(yàn)及仿真程序

4.4.2 蒙特卡洛方法計(jì)算定積分的仿真程序

第五章 粒子濾波

5.1 粒子濾波概述

5.1.1 蒙特卡洛采樣原理

5.1.2 貝葉斯重要性采樣

5.1.3 序列重要性抽樣（SIS）濾波器

5.1.4 Bootstrap/SIR濾波器

5.2 粒子濾波重采樣方法實(shí)現(xiàn)程序

5.2.1 隨機(jī)重采樣程序

5.2.2 多項(xiàng)式重采樣程序

5.2.3 系統(tǒng)重采樣程序

5.2.4 殘差重采樣程序

5.3 粒子濾波在目標(biāo)跟蹤中的應(yīng)用

5.3.1 高斯模型下粒子濾波的實(shí)例程序

5.3.2 高斯噪聲下粒子濾波用于目標(biāo)跟蹤的程序

5.3.3 閃爍噪聲下粒子濾波用于目標(biāo)跟蹤的程序

本書說明：

該書的研究內(nèi)容是目標(biāo)跟蹤的狀態(tài)估計(jì)方法，主要有最小二乘估計(jì)，Kalman濾波，擴(kuò)展Kalman濾波，無跡Kalman濾波以及粒子濾波等，包括理論介紹和MATLAB源程序兩部分。

全書構(gòu)成：

一，講述原理（原書截圖）

二，Matlab程序給出詳細(xì)中文注釋

三，仿真結(jié)果

Observation StationTarget PostionEstimate Postion***10050 00Node 250Node 4Node 1Node 3error=2.3491m Node 5

三維定位仿真結(jié)果圖例

100908070Node 36050403020100 ***80Node 590100Node 1Node 4Node 2 Observation StationTrue TraceMLE Ttace

純方位目標(biāo)跟蹤軌跡

1400真實(shí)軌跡UKF軌跡 ***00200-100-80-60-40-2002040

觀測距離目標(biāo)跟蹤軌跡

四，結(jié)果分析 25濾波前誤差濾波后誤差 20151050 0102030405060

x方向估計(jì)誤差均值2001000-100-20050100***0350400450y方向估計(jì)誤差均值2001000-100-20050100***0350400450

跟蹤誤差分析圖例

如果你在研究中遇到原理或者編程的困難，歡迎交流，加入QQ：345194112。

本書網(wǎng)址： http://item.taobao.com/item.htm?id=***

第四篇：工程項(xiàng)目造價(jià)全過程跟蹤審計(jì)方法研究

工程項(xiàng)目造價(jià)全過程跟蹤審計(jì)方法研究

2013-06-17 14:10 來源：周萍 打印 | 大 | 中 | 小

分享到：

近年來，建設(shè)項(xiàng)目全過程跟蹤審計(jì)作為工程造價(jià)控制的一種新方法被應(yīng)用到建設(shè)項(xiàng)目造價(jià)控制中，建設(shè)項(xiàng)目全過程跟蹤審計(jì)是由事后結(jié)算審計(jì)向事前、事中、全過程延伸的一種審計(jì)方法，這種方法使整個(gè)工程實(shí)施處于受控狀態(tài)，能有效地克服事后監(jiān)督的局限性，在促進(jìn)相關(guān)管理單位提高投資效益方面發(fā)揮重要作用，更好地達(dá)到控制造價(jià)的目的，并可以從源頭上遏制工程建設(shè)領(lǐng)域的腐敗，從而對廉政建設(shè)產(chǎn)生積極的作用。

一、工程項(xiàng)目造價(jià)全過程跟蹤審計(jì)的重要性

由于建設(shè)工程項(xiàng)目具有周期長、投資額大、控制環(huán)節(jié)多等特點(diǎn)，因此任何一個(gè)環(huán)節(jié)出現(xiàn)問題，都可能導(dǎo)致重大的損失浪費(fèi)。長期以來，我國建設(shè)工程審計(jì)主要是“秋后算賬”式的工程竣工結(jié)算審計(jì)，沒有或缺乏必要的事前預(yù)防和事中控制，因而難以從根本上遏制建設(shè)工程的損失浪費(fèi)，審計(jì)機(jī)關(guān)、審計(jì)工作也很難真正對工程建設(shè)項(xiàng)目發(fā)揮審計(jì)監(jiān)督作用。糾正這種現(xiàn)象，審計(jì)機(jī)關(guān)必須前移審計(jì)“關(guān)口”，實(shí)行從前期準(zhǔn)備、建設(shè)實(shí)施直至竣工投入使用的全過程跟蹤審計(jì)，從而做到及時(shí)發(fā)現(xiàn)并糾正問題，避免造成不可挽回的損失。

近年來，建設(shè)項(xiàng)目全過程跟蹤審計(jì)作為工程造價(jià)控制的一種新方法被應(yīng)用到建設(shè)項(xiàng)目造價(jià)控制中，建設(shè)項(xiàng)目全過程跟蹤審計(jì)是由事后結(jié)算審計(jì)向事前、事中、全過程延伸的一種審計(jì)方法，這種方法使整個(gè)工程實(shí)施處于受控狀態(tài)，能有效地克服事后監(jiān)督的局限性，在促進(jìn)相關(guān)管理單位提高投資效益方面發(fā)揮重要作用，更好地達(dá)到控制造價(jià)的目的，并可以從源頭上遏制工程建設(shè)領(lǐng)域的貪污、浪費(fèi)等現(xiàn)象，從而對廉政建設(shè)產(chǎn)生積極的作用。

二、工程項(xiàng)目造價(jià)全過程跟蹤審計(jì)方法

1、項(xiàng)目設(shè)計(jì)階段

工程項(xiàng)目設(shè)計(jì)階段對投資影響最大，對工程造價(jià)（投資）影響占70%以上。因此，此階段的跟蹤審計(jì)，是重中之重。

（1）對限額設(shè)計(jì)審查的重點(diǎn)與難點(diǎn)。根據(jù)項(xiàng)目的功能要求及生命周期，與類似工程項(xiàng)目相比較，測算指標(biāo)是否在投資控制范圍內(nèi)。同時(shí)，對設(shè)計(jì)提出優(yōu)化建議，提高項(xiàng)目投資效益。如某高校的學(xué)生公寓給排水工程，初始設(shè)計(jì)取用CPVC給水管，后經(jīng)我司提出優(yōu)化建議后，改為同樣滿足設(shè)計(jì)和使用要求的PPR給水管，節(jié)約投資約60萬元（PPR給水管材料價(jià)格約為CPVC給水管材料價(jià)格的1/3）。此階段往往需要大量類似工程項(xiàng)目的指標(biāo)數(shù)據(jù)才能進(jìn)行對比分析，并且對建材價(jià)格及其市場走勢有一定的預(yù)測能力。所以，在平時(shí)的工作中，我們要善于積累和分析數(shù)據(jù)，需要時(shí)還可跟一些專業(yè)公司合作。

（2）對設(shè)計(jì)概算審查的重點(diǎn)與難點(diǎn)。此階段重點(diǎn)審核工程量、材料價(jià)格和有無漏項(xiàng)。由于少部分概算編制單位存在“看菜吃飯”，根據(jù)估算造價(jià)調(diào)整概算造價(jià)的行為。所以，此階段要獨(dú)立細(xì)心審查工程量、材料價(jià)格和有無漏項(xiàng)，確保概算準(zhǔn)確。

（3）對重點(diǎn)材料及設(shè)備審查的重點(diǎn)與難點(diǎn)。由于建筑的多樣性，時(shí)常會(huì)使用一些新材料和特殊設(shè)備。同時(shí)新材料和特殊設(shè)備價(jià)格往往較高，且由于其鮮見性，往往容易含有“水份”，所以要對這部分材料和設(shè)備重點(diǎn)審查。對此階段進(jìn)行審查，需進(jìn)行大量的市場調(diào)研，不可偏聽一家之言。

2、項(xiàng)目發(fā)包階段

（1）完善施工招、投標(biāo)文件的編制及招投標(biāo)的組織管理。

如合同專用條款中的第39條中有關(guān)于“工程量增減15%”規(guī)定條款，本意是盡量少變更合同單價(jià)，但同樣也為有經(jīng)驗(yàn)的施工投標(biāo)方低價(jià)的不平衡報(bào)價(jià)提供了合理的依據(jù)。因此必須采用《合同補(bǔ)遺》等方式來彌補(bǔ)招投標(biāo)文件的漏洞。如政府投資項(xiàng)目，資金撥付和工程變更審批環(huán)節(jié)較多，通用條款中的時(shí)間限制和業(yè)主政策處理時(shí)承包商的協(xié)助責(zé)任等易導(dǎo)致索賠的地方，可在《合同補(bǔ)遺》中加以明確，以便竣工結(jié)算審計(jì)時(shí)準(zhǔn)確定案。

（2）編制合適的標(biāo)底（或工程量清單）和控制價(jià)是基礎(chǔ)。

（3）分析評價(jià)各投標(biāo)單位的投標(biāo)書優(yōu)點(diǎn)和不足及隱含附加條款。

（4）在招標(biāo)答疑時(shí)盡可能彌補(bǔ)招標(biāo)文件缺陷，明確今后可能采取的一些控制措施，減少索賠隱患。

（5）擬定合同措辭準(zhǔn)確，哪怕是“等”也應(yīng)推敲使用，避免由于合同未明確或不嚴(yán)謹(jǐn)?shù)仍蚨斐稍靸r(jià)失控或扯皮現(xiàn)象。

3、項(xiàng)目施工階段

（1）審查各項(xiàng)合同的執(zhí)行情況。審查該項(xiàng)目的中標(biāo)單位及各供應(yīng)商是否認(rèn)真履行合同條款，有無違法分包、轉(zhuǎn)包工程；審查履約保證金是否按照投標(biāo)文件所述如實(shí)繳納；審查工程進(jìn)度款的支付，是否符合合同的約定，對計(jì)量支付的工程款是否經(jīng)監(jiān)理、審計(jì)等單位進(jìn)行審核，以避免超付工程款。

（2）審查內(nèi)控制度建立、執(zhí)行情況。審查建設(shè)單位法人責(zé)任制的落實(shí)情況，是否建立健全并執(zhí)行了各項(xiàng)內(nèi)控制度。如財(cái)務(wù)管理及審核制度，工程簽證、驗(yàn)收制度，設(shè)備材料采購、價(jià)格控制、驗(yàn)收、領(lǐng)用、清點(diǎn)制度，安全施工及防火防盜等制度。應(yīng)監(jiān)督、指導(dǎo)項(xiàng)目業(yè)主方建立完善各項(xiàng)管理制度，保證項(xiàng)目建設(shè)規(guī)范運(yùn)行及建設(shè)資金合法使用。

（3）審查工程設(shè)計(jì)變更、施工現(xiàn)場洽商、簽證等手續(xù)是否合理、合規(guī)、及時(shí)、完整、真實(shí)。審查工程變更是否經(jīng)業(yè)主、施工、設(shè)計(jì)、監(jiān)理等簽證，是否由原設(shè)計(jì)單位出具變更文件，變更發(fā)生后是否在規(guī)定時(shí)間內(nèi)確認(rèn)由此產(chǎn)生的造價(jià)金額。

（4）審查基建財(cái)務(wù)核算及賬務(wù)處理是否符合財(cái)政部《基本建設(shè)財(cái)務(wù)管理規(guī)定》的要求，是否有利于建設(shè)項(xiàng)目的管理及竣工決算的要求。

（5）審查建設(shè)資金到位情況是否與資金籌集計(jì)劃或投資進(jìn)度相銜接，有無大量貸款閑置或因資金不到位而造成停工待料等損失浪費(fèi)現(xiàn)象。

（6）審查建設(shè)資金是否?？顚Ｓ茫皇欠癜凑找?guī)定付款，有無擠占、挪用建設(shè)項(xiàng)目資金等問題；對往來資金數(shù)額較大且長時(shí)間不能及時(shí)結(jié)轉(zhuǎn)的預(yù)付工程款、預(yù)付備料款要查明原因，防止出現(xiàn)超付工程款的現(xiàn)象。

（7）審查各項(xiàng)費(fèi)用的計(jì)取是否符合有關(guān)規(guī)定，設(shè)備材料價(jià)格是否與實(shí)際收費(fèi)情況相符合，有無人為串標(biāo)抬高中標(biāo)價(jià)格及轉(zhuǎn)移專項(xiàng)資金的違法違規(guī)問題。

（8）審查建設(shè)項(xiàng)目支出的票據(jù)是否真實(shí)有效，有無利用增值稅發(fā)票違規(guī)進(jìn)行進(jìn)項(xiàng)稅抵扣以及有無使用虛假發(fā)票支出的問題。

4、建設(shè)項(xiàng)目竣工驗(yàn)收階段的跟蹤審計(jì)

（1）竣工驗(yàn)收階段。審查的主要內(nèi)容包括： 項(xiàng)目驗(yàn)收工作是否按分項(xiàng)驗(yàn)收、階段驗(yàn)收和竣工驗(yàn)收進(jìn)行； 是否按預(yù)驗(yàn)收和正式驗(yàn)收的程序辦理； 驗(yàn)收的竣工報(bào)告、圖紙、文件等是否齊全； 驗(yàn)收過程中，建設(shè)單位、設(shè)計(jì)、施工、監(jiān)理、地方質(zhì)量檢查部門、行業(yè)管理部門以及檔案管理等專業(yè)人員是否到場； 驗(yàn)收中有關(guān)行業(yè)管理部門提出的問題是否按規(guī)定及時(shí)解決； 相關(guān)設(shè)備是否有批準(zhǔn)運(yùn)行的證明； 建設(shè)項(xiàng)目竣工驗(yàn)收后，有關(guān)部門是否及時(shí)辦理了資產(chǎn)移交手續(xù)。

（2）項(xiàng)目建成竣工后的試運(yùn)行。審查的主要內(nèi)容包括： 建設(shè)項(xiàng)目是否具備使用或試生產(chǎn)等條件；設(shè)備、設(shè)施是否存在安全隱患； 運(yùn)行記錄是否齊全； 試運(yùn)行時(shí)是否達(dá)到原設(shè)計(jì)的要求； 是否達(dá)到項(xiàng)目建設(shè)時(shí)的預(yù)期目標(biāo)。

總之，合理分配審計(jì)資源，加大審計(jì)監(jiān)督力度，充分發(fā)揮全過程跟蹤審計(jì)的適時(shí)性、及時(shí)性，使關(guān)鍵崗位、關(guān)鍵人員隨時(shí)處于審計(jì)監(jiān)督之下，起到全面監(jiān)督的作用。而且還應(yīng)注意與建設(shè)評價(jià)相結(jié)合，注重成果與完善內(nèi)部控制相結(jié)合，對項(xiàng)目的總體管理水平作出評價(jià)，提高審計(jì)監(jiān)督的層次。

第五篇：問題學(xué)生的跟蹤教育與轉(zhuǎn)化方法

問題學(xué)生的跟蹤教育與轉(zhuǎn)化方法

班主任工作的一個(gè)重點(diǎn)是 “問題學(xué)生” 跟蹤教育與轉(zhuǎn)化，也是最令班主任頭痛的工作之一。所謂問題學(xué)生，是指學(xué)習(xí)、思想或行為方面存在偏差的學(xué)生?！皢栴}學(xué)生”的種類很多，包含上網(wǎng)成癮、癡迷早戀、心理偏差、厭學(xué)逃課、行為孤僻、性格乖張、心理壓抑或有陰影、離家出走、甚至結(jié)交社會(huì)不良分子進(jìn)行違法活動(dòng)等行為，問題學(xué)生的產(chǎn)生既有社會(huì)、家庭的因素，也與學(xué)生個(gè)體家庭成長環(huán)境、身體健康狀況、同伴關(guān)系以及興趣、愛好、需要、動(dòng)機(jī)、性格、氣質(zhì)、能力等內(nèi)在心理要素密切：因而，問題學(xué)生的教育過程，事實(shí)上就是一個(gè)為問題學(xué)生的健康、全面發(fā)展提供全面教育與綜合服務(wù)的過程。在幾年的班主任工作經(jīng)歷中我發(fā)現(xiàn)，要想轉(zhuǎn)化問題學(xué)生，班主任必須具有“三心”：愛心、細(xì)心、耐心，必須對學(xué)生個(gè)體家庭成長環(huán)境、身體健康狀況、同伴關(guān)系以及興趣、愛好、需要、動(dòng)機(jī)、性格、氣質(zhì)、能力等內(nèi)在心理要素進(jìn)行細(xì)膩觀察和深刻體味，針對不同的個(gè)體因材施教，只有這樣，問題學(xué)生才能朝著健康的方向發(fā)展轉(zhuǎn)化。假設(shè)教師對學(xué)生不聞不問，就根本談不上教育，即使教育了，沒有一定的情感基礎(chǔ)，那也不會(huì)取得良好的效果，愛心是問題學(xué)生教育成功的基礎(chǔ)。愛心也是教育問題學(xué)生的一味良藥。我在擔(dān)任班主任工作中，有幾點(diǎn)做法與體會(huì)供大家參考并指正：

一、處理上網(wǎng)成癮、心理偏差、厭學(xué)逃課、行為孤僻、性格乖張等這類問題學(xué)生時(shí)，班主任在情緒上不能有太過激烈的反應(yīng)。學(xué)生往往最不怕的就是老師的羞辱和訓(xùn)斥，因?yàn)樗I(lǐng)教得實(shí)在太多了。

二、對每次教育的期望值不要太高。冰凍三尺，非一日之寒，既然是“問題”學(xué)生，其問題必然早已存在，是長期不良的壞習(xí)慣培養(yǎng)出來的，教育時(shí)應(yīng)把握先易后難的原則，采用情感教育，反復(fù)地多次跟蹤學(xué)生，用心去感化，用情去滋潤，用行去熏陶，用言去說服，用法去明理，想盡千方百計(jì)留住學(xué)生。

三、教育問題學(xué)生，要選準(zhǔn)時(shí)機(jī)和角度，該說什么、不該說什么、怎樣去說，要做到心中有數(shù)，不要不痛不癢，泛泛而談。否則，不僅不能對學(xué)生的心理防線有所觸動(dòng)，反而讓他看扁你，增強(qiáng)抗擊你的信心。泛泛而談的教育他接觸的也很多，我們也不可能講出更多的新穎東西。

四、要明白問題學(xué)生的心理需求。我認(rèn)為問題學(xué)生的心理需求就是得到老師應(yīng)有的尊重。在教育中，我們會(huì)很主動(dòng)的去尋找優(yōu)秀學(xué)生的優(yōu)點(diǎn)，而對“問題”學(xué)生很顯露的優(yōu)點(diǎn)且“視而不見”，我們往往很容易去寬容一個(gè)優(yōu)秀學(xué)生的缺點(diǎn)，而很難讓自己真誠的去表揚(yáng)一個(gè)問題學(xué)生的優(yōu)點(diǎn)或者進(jìn)步，這在心理需求上是不平衡的，也是不公平的，但這就是教育的現(xiàn)實(shí)。每個(gè)人潛意識里都有渴望被肯定、被尊重的欲望，他們也是如此。要發(fā)掘閃光點(diǎn)，真誠地賞識他們那些曾經(jīng)被“遺忘”了的光輝，這樣對幫助他們維護(hù)自尊心和自信心至關(guān)重要。

五、與問題學(xué)生家長溝通，積極爭取家長的支持和配合；要采取家訪、調(diào)查、觀察、談心等方式。

六、給問題學(xué)生無微不至的關(guān)愛，給予他們春天般的溫暖。一句話、一次行動(dòng)、一回暗示就會(huì)給學(xué)生無窮的力量。身為人師，何必吝惜？對學(xué)生生活、學(xué)習(xí)上微小進(jìn)步的認(rèn)可，對過失行為的再次反思，都能有助于學(xué)生的成長。

七、構(gòu)建良好的校園人際關(guān)系。只有校園的和諧，才有社會(huì)的和諧。在構(gòu)建和諧社會(huì)的今天，我們是教書育人，不是教輸誤人。校園內(nèi)師與生、生與生間和諧相處，和諧社會(huì)的建設(shè)進(jìn)程才會(huì)日益加快。

八、樹立科學(xué)的人才觀、質(zhì)量觀。打造不求人人升學(xué)，但求人人成才的新理念，就會(huì)大大減少問題學(xué)生的數(shù)量。

人是有感情的動(dòng)物，未走入社會(huì)的學(xué)生感情更豐富，問題學(xué)生也不例外，班主任只要用自己的真誠和不圖回報(bào)的愛去感染學(xué)生，我相信總有冰雪融化的那一天。

1、尊重問題學(xué)生是做好教育和轉(zhuǎn)化的前提和條件。教師要做到尊重問題學(xué)生的人格、情感、興趣、愛好和選擇。教師對每個(gè)問題學(xué)生建立個(gè)案研究記錄，對其思想狀態(tài)、學(xué)習(xí)情況、行為表現(xiàn)做好起點(diǎn)記錄和跟蹤記錄。定期幫助他們確定易突破的有一定基礎(chǔ)的近期目標(biāo)，使其在短時(shí)期內(nèi)通過努力獲得成功的喜悅及相應(yīng)的身心體驗(yàn)，從而增強(qiáng)努力進(jìn)取的信心，帶動(dòng)行為習(xí)慣的改變和文化學(xué)習(xí)的進(jìn)步。

2、發(fā)掘?qū)W生的優(yōu)點(diǎn)和長處，發(fā)現(xiàn)其閃光點(diǎn)及時(shí)表揚(yáng)，給問題學(xué)生以自信，增強(qiáng)其榮譽(yù)感和上進(jìn)心，讓問題自行消解。

3、教師有計(jì)劃有步驟的實(shí)施教育措施，定期找學(xué)生談話，曉之以理，動(dòng)之以情，循循善誘；組織學(xué)生結(jié)成幫教對子，使其從思想上、學(xué)習(xí)上、行為上及時(shí)得到應(yīng)有的幫助，循序漸進(jìn)，逐步轉(zhuǎn)化。

4、讓問題學(xué)生進(jìn)行階段自我評價(jià)，自己總結(jié)自己的優(yōu)點(diǎn)和缺點(diǎn)，使他們靜下心來自省。書寫思想?yún)R報(bào)，制定成長計(jì)劃。

5、密切學(xué)校和家長的關(guān)系。定期召開家長會(huì)，了解學(xué)生在家里的學(xué)習(xí)和生活情況；要求家長真誠面對問題學(xué)生，關(guān)注問題學(xué)生的閃光點(diǎn)，實(shí)施賞識教育。

6、針對問題學(xué)生的問題開展有效的教育活動(dòng)

通過豐富多彩的活動(dòng)，提高了學(xué)生的思想覺悟，端正了學(xué)生的學(xué)習(xí)態(tài)度，使學(xué)生明確了學(xué)習(xí)目的，增強(qiáng)了自主學(xué)習(xí)的積極性。特別是那些問題學(xué)生也能積極參與其中，得到展示自己特長、表現(xiàn)自我才能的機(jī)會(huì)，促使他們從中體驗(yàn)學(xué)習(xí)的樂趣，從而使問題學(xué)生的問題得以解決。