本文所研究的溺水报警系统,将摄像头安装在泳池水中,观测水下一定范围内的运动目标,摒除了水面上一定区域的拥挤人群的干扰,使得视频中的目标数量大大减少,从而减小了系统的计算量,加快了系统的反应时间。对于一个溺水报警系统而言,为了分析游泳者的运动特征,我们首先要做的事就是将游泳者从受各种噪声污染的水下观测图像背景中检测并分离出来。但是由于水对光的选择吸收性和散射特性,泳池水下图像的对比度较低,边缘模糊：另外游泳池水中各种微粒、浮尘、游泳者产生的气泡干扰以及其他物体在水中的倒影等都大大降低了泳池水下图像的信噪比。这样一来,直接使用传统的计算机视觉处理技术,显然效果会不好。因此,必须探讨新的抗噪性能好、鲁棒性能强、能够克服水下成像过程中非线性影响的计算机视觉处理方法。 如果把一幅图像看成是一组观测数据,图像中的噪声等污染就叫做离群数据,鲁棒估计技术就是一种能够剔除离群数据的影响的参数估计方法,它能够容忍很大比例的离群数据的存在,抗噪性能强。为此,本文将鲁棒估计理论应用到计算机视觉处理技术中,使计算机视觉处理技术能够具有更强的鲁棒性,从而适用于溺水报警系统的研究。本文的具体研究工作主要如下： 1)本文首先讨论了与鲁棒估计有关的一些基本概念与方法,分析了传统鲁棒统计学的局限性,探讨了鲁棒估计理论新的发展,并列举了鲁棒估计理论在计算机视觉各方面的应用。 2)然后,本文把鲁棒估计理论与图像恢复技术相结合,提出了一种基于鲁棒估计的图像平滑滤波算法,用于泳池水下图像的预处理工作。实验证明,该算法不仅能更有效地去除系统噪声,同时还可以保持原始图像中的大部分边缘结构,鲁棒性更强。 3)最后,为了利于后续对多个游泳者的同时跟踪分析,本文将鲁棒估计中的M-估计方法与运动估计理论相结合,提出了一种基于鲁棒估计的多运动同步估计算法,用于系统游泳者目标的检测。因为在运动估计中经常会出现动作不连续、观测图像空间邻域中包含多个运动而出现“断裂”的情况。这就导致模型拟合时会出现离群数据,为了排除离群数据的影响,准确地估计运动参数,我们必须采用鲁棒估计的方法。通过仿真实验表明,该算法能准确地检测出运动目标,并且每个像素的运动情况可以被保留下来进行后续的操作。