【正文】 于背景的變化非常緩慢，而運(yùn)動(dòng)目標(biāo)的變化比較迅速，比較容易區(qū)分開兩種運(yùn)動(dòng)。檢測(cè)場(chǎng)景中運(yùn)動(dòng)目標(biāo)位置、運(yùn)動(dòng)軌跡和運(yùn)動(dòng)方向以及運(yùn)動(dòng)速度，根據(jù)當(dāng)前圖像包含的運(yùn)動(dòng)信息估測(cè)出目標(biāo)的運(yùn)動(dòng)趨勢(shì)和運(yùn)動(dòng)軌跡。在場(chǎng)景中檢測(cè)出目標(biāo)位置，通過提取的目標(biāo)特征和運(yùn)動(dòng)參數(shù)等進(jìn)一步確定目標(biāo)，一般通過攝像機(jī)獲取動(dòng)態(tài)序列圖像的信息。通過對(duì)獲取的圖像序列進(jìn)行分析處理，計(jì)算并確定目標(biāo)在圖像上的位置，并得出運(yùn)動(dòng)趨勢(shì)和運(yùn)動(dòng)軌跡。目前有很多運(yùn)動(dòng)目標(biāo)的跟蹤方法，不同的目的可采用不同的跟蹤算法，以保證目標(biāo)跟蹤的準(zhǔn)確性和實(shí)時(shí)性。在對(duì)圖像序列的研究時(shí)，一般把圖像分為前景和背景兩個(gè)部分，這樣運(yùn)動(dòng)就區(qū)分為前景運(yùn)動(dòng)和背景運(yùn)動(dòng)兩部分。前景運(yùn)動(dòng)也叫作局部運(yùn)動(dòng)，是指目標(biāo)在場(chǎng)景中自身的運(yùn)動(dòng)；背景運(yùn)動(dòng)也叫作全局運(yùn)動(dòng)（或攝像機(jī)運(yùn)動(dòng)），是指由攝像機(jī)的運(yùn)動(dòng)所造成的拍攝背景的移動(dòng)。在運(yùn)動(dòng)圖像分析中，前景和背景的運(yùn)動(dòng)或靜止有四種情況：兩者都運(yùn)動(dòng)、兩者都靜止以及其中一個(gè)運(yùn)動(dòng)而另一個(gè)靜止。 運(yùn)動(dòng)的表達(dá)全局運(yùn)動(dòng)和局部運(yùn)動(dòng)各有特點(diǎn)。全局運(yùn)動(dòng)具有規(guī)律、整體性比較強(qiáng)等特點(diǎn)。而局部運(yùn)動(dòng)較復(fù)雜，尤其是在存在多目標(biāo)的情況下，各個(gè)目標(biāo)做不同的運(yùn)動(dòng)，只有采用精細(xì)方法才能夠準(zhǔn)確表達(dá)。這小節(jié)具體介紹幾種運(yùn)動(dòng)的表達(dá)方式。 矢量場(chǎng)表達(dá)因?yàn)檫\(yùn)動(dòng)有大小，有方向，所以可以用矢量表示，為了表示瞬時(shí)運(yùn)動(dòng)得矢量場(chǎng)，這里將運(yùn)動(dòng)矢量用不帶箭頭的線段表示，線段的長(zhǎng)度、矢量的大小與運(yùn)動(dòng)的速度均成正比關(guān)系。見圖21。圖21 矢量場(chǎng)表達(dá)為了表示目標(biāo)運(yùn)動(dòng)具有的復(fù)雜性和多變性，進(jìn)行連續(xù)短時(shí)間運(yùn)動(dòng)分析，采用運(yùn)動(dòng)矢量方向直方圖的表達(dá)方式。直方圖方法的基本思路是僅保留運(yùn)動(dòng)的方向信息，并將運(yùn)動(dòng)方向（0到360度）分為若干個(gè)間隔，把運(yùn)動(dòng)矢量場(chǎng)上每點(diǎn)的數(shù)據(jù)劃到與它運(yùn)動(dòng)方向最接近的間隔里，最后得到的統(tǒng)計(jì)結(jié)果為運(yùn)動(dòng)矢量方向直方圖。見圖22。 圖22 直方圖表達(dá)目標(biāo)運(yùn)動(dòng)軌跡表達(dá)了目標(biāo)運(yùn)動(dòng)位置信息，它是由一系列的關(guān)鍵點(diǎn)和一組在這些關(guān)鍵點(diǎn)間插值的函數(shù)組成的。這些關(guān)鍵點(diǎn)可以用2D或3D的坐標(biāo)值來表達(dá)，而插值函數(shù)分別對(duì)應(yīng)各坐標(biāo)軸。見圖23。圖23 運(yùn)動(dòng)軌跡表達(dá)在實(shí)際工程應(yīng)用中可以根據(jù)具體的場(chǎng)景、運(yùn)動(dòng)的類型、目標(biāo)的類型等來選擇合適的表達(dá)方式描述運(yùn)動(dòng)。3 運(yùn)動(dòng)目標(biāo)檢測(cè)運(yùn)動(dòng)目標(biāo)檢測(cè)跟蹤把自動(dòng)控制、圖像處理、信息科學(xué)等學(xué)科有機(jī)地結(jié)合在一起，形成了一種能從圖像中快速檢測(cè)出運(yùn)動(dòng)目標(biāo)、提取運(yùn)動(dòng)目標(biāo)位置信息并進(jìn)行實(shí)時(shí)跟蹤的高新技術(shù)。包含運(yùn)動(dòng)目標(biāo)的圖像序列可以分為兩種情況即靜止背景和變化背景。靜止背景產(chǎn)生背景靜止的動(dòng)態(tài)圖像序列，可采用幀間差分或自適應(yīng)背景相減對(duì)消的方法來消除背景的干擾，計(jì)算方法比較簡(jiǎn)單；變化背景是指目標(biāo)運(yùn)動(dòng)同時(shí)，拍攝的攝像機(jī)也作相對(duì)運(yùn)動(dòng)，產(chǎn)生背景變化的運(yùn)動(dòng)圖像序列，這時(shí)情況比較復(fù)雜，目標(biāo)的變化和背景的變化混合在一起。下面將分別討論靜止背景和變化背景兩種情況下的目標(biāo)檢測(cè)方法。 靜止背景下的運(yùn)動(dòng)目標(biāo)檢測(cè)在靜止背景下常用的幾種檢測(cè)方法有幀間差分法、背景差分法、光流場(chǎng)法、塊匹配法和運(yùn)動(dòng)能量法等。還有一些優(yōu)秀的算法如神經(jīng)網(wǎng)絡(luò)方法和小波放大等也被應(yīng)用到運(yùn)動(dòng)目標(biāo)檢測(cè)中，由于硬件運(yùn)算能力和算法的限制，在目前的目標(biāo)檢測(cè)與跟蹤的實(shí)時(shí)性和魯棒性并不太理想。在實(shí)際的工程系統(tǒng)中，人們更傾向于使用相對(duì)簡(jiǎn)單的幀間差分法和背景差分法完成目標(biāo)檢測(cè)。下面介紹一下這兩種方法。(l)幀間差分法幀間差分法是常用的運(yùn)動(dòng)目標(biāo)檢測(cè)方法，基本原理是在圖像序列中相鄰幀間做差提取出圖像中的運(yùn)動(dòng)區(qū)域。首先將相鄰幀圖像對(duì)應(yīng)的像素值進(jìn)行差分運(yùn)算得到差分圖像，減掉灰度不會(huì)變化的背景部分。然后對(duì)差分圖像進(jìn)行二值化，如果對(duì)應(yīng)像素值的變化小于規(guī)定的閾值，認(rèn)為是背景像素:如果對(duì)應(yīng)像素值變化較大，則認(rèn)為這些像素區(qū)域是前景像素，這樣就確定了目標(biāo)在圖像中所處位置。幀間差分法分有點(diǎn)就是具有較好的實(shí)時(shí)性、算法較為簡(jiǎn)單、計(jì)算量小。算法的不足就是不能檢測(cè)完整的運(yùn)動(dòng)目標(biāo)。且閾值的選擇決定了檢測(cè)結(jié)果的好壞，閾值過低不能抑制圖像噪聲，過高則濾去了有用變化。 (2)背景差分法背景差分法是另一種常用的目標(biāo)檢測(cè)方法，基本原理是利用圖像序列與背景的參數(shù)模型（近似背景圖像的像素值）進(jìn)行差分提取出運(yùn)動(dòng)區(qū)域，區(qū)別較大的區(qū)域作為運(yùn)動(dòng)區(qū)域，區(qū)別較小的區(qū)域則作為背景區(qū)域。使用背景差分方法的關(guān)鍵在于背景的建模及其實(shí)時(shí)更新。目前有很多的背景建模方法被提出來，但可以歸納為兩類即非回歸遞推方法和回歸遞推方法。非回歸遞推建模方法是利用一段時(shí)間內(nèi)存儲(chǔ)的觀測(cè)數(shù)據(jù)進(jìn)行建模，常用的有幀間差分、中值濾波等。而回歸遞推建模方法是通過回歸方式依據(jù)輸入的每幀圖像來更新背景，不需要始終維持保存背景估計(jì)幀的緩沖區(qū)，常用的有線性卡爾曼濾波法、混合高斯模型等。幀間差分法和背景差分法算法復(fù)雜度適中，計(jì)算簡(jiǎn)單且實(shí)時(shí)性較好，是目前使用最廣泛的目標(biāo)檢測(cè)方法。本節(jié)根據(jù)它們的特點(diǎn)，把這兩種方法結(jié)合用來提取運(yùn)動(dòng)目標(biāo)。大致思想是先根據(jù)幀間差分提取出運(yùn)動(dòng)區(qū)域，然后在提取的運(yùn)動(dòng)區(qū)域內(nèi)對(duì)背景差分圖像和幀間差分圖像進(jìn)行目標(biāo)檢測(cè)。下面將具體介紹它的基本步驟。 建立背景模型目前常用的背景建模方法有兩種：一種是取圖像序列中的一系列圖像的平均值作為背景的參考圖像，這個(gè)參考圖像十分接近于背景圖像，適用于目標(biāo)連續(xù)運(yùn)動(dòng)的情況，不適用目標(biāo)緩慢運(yùn)動(dòng)的情況；另一種是通過訓(xùn)練的方法，先設(shè)定圖像像素值服從某一種空間分布模型，通過訓(xùn)練不斷地更新分布參數(shù)。下面以第一種方法取平均值方法堿性建模，有如下公式： （31）式中:——建模的圖像序列幀數(shù)；——目的背景圖像；——第k幀的圖像 檢測(cè)變化區(qū)域運(yùn)用幀差法可以檢測(cè)出相鄰兩幀圖像間發(fā)生變化的區(qū)域。檢測(cè)出的這個(gè)區(qū)域?qū)嶋H上包含了運(yùn)動(dòng)物體在前一幀所處區(qū)域P和其在當(dāng)前幀所處的區(qū)域Q，它們的關(guān)系如下圖。QP 圖（31）運(yùn)動(dòng)變化區(qū)域這里設(shè)和分別為圖像序列中連續(xù)的兩幀圖像，將這兩個(gè)量按下面的規(guī)則進(jìn)行幀間差分處理。 （32）式中：——檢測(cè)的閾值； ——差分處理后確定為背景區(qū)域；——差分處理后確定為變化區(qū)域 檢測(cè)運(yùn)動(dòng)目標(biāo)確定背景區(qū)域和變化區(qū)域之后，對(duì)于當(dāng)前幀圖像，只考慮對(duì)變化區(qū)域中的圖像與背景圖像做差分處理來檢測(cè)運(yùn)動(dòng)目標(biāo)。 （33）對(duì)當(dāng)前幀圖像與背景圖像進(jìn)行差分處理之后，還需要進(jìn)行的步驟是閾值分割，將差分圖像轉(zhuǎn)換成二值圖像，閾值分割的關(guān)鍵是閾值的選取，閾值選得過小，一些背景區(qū)域會(huì)被錯(cuò)誤標(biāo)記成運(yùn)動(dòng)物體；閾值選得過大，一些運(yùn)動(dòng)物體會(huì)被錯(cuò)誤標(biāo)記為背景圖像，要根據(jù)具體的場(chǎng)景和要求來選取合適的閾值，才能達(dá)到預(yù)期的目標(biāo)跟蹤效果。閾值分割完成之后，為了能更好地進(jìn)行目標(biāo)定位，需要將由于噪聲干擾出現(xiàn)的一些小孔洞和毛刺填補(bǔ)或去除?？刹捎脭?shù)字圖像處理中常用的對(duì)二值圖像進(jìn)行腐蝕和膨脹的方法來完成填補(bǔ)和去除工作。首先，需要定義結(jié)構(gòu)元素： （34）然后進(jìn)行圖像形態(tài)學(xué)腐蝕，結(jié)構(gòu)元素像“探針”一樣對(duì)二值圖像進(jìn)行探測(cè)，尋找出圖像內(nèi)能夠放下它的區(qū)域，這樣就可以消除一些小而無意義的毛刺。最后進(jìn)行形態(tài)學(xué)膨脹，將與物體接觸的所有背景點(diǎn)合并到該物體中，使邊界擴(kuò)張，把兩個(gè)靠的很近的物體連接起來，填補(bǔ)閾值分割后孔洞。這樣，一些小的空洞和毛刺就被去除。 靜態(tài)背景目標(biāo)檢測(cè)你算法的實(shí)現(xiàn) 類的定義靜態(tài)背景檢測(cè)程序類為CStaticDetectinclude define BACK_ALL_NUM 100 //計(jì)算背景所需幀數(shù)define BACK_SEQ_NUM 3 //背景計(jì)算循環(huán)數(shù)目define THRESHOLD 20 //設(shè)置差分閾值class CStatsticDetect{public: CStatsticDetect(int nwidth, int nheight)。 virtual ~CStatsticDetect()。 void ReceiveFrame(int index, BYTE* sBuf, DETECT_METHOD sMethod)。 public: BYTE *m_pCurImage。 //當(dāng)前幀圖像 BYTE *m_pBgImage。 //背景圖像 BYTE *m_pDetectImage。 //檢測(cè)結(jié)果圖像 int m_nFrame, count。 int WIDTH, HEIGHT,IMAGESIZE。 short int *m_pBackHistgram。 //背景顏色統(tǒng)計(jì) BYTE *m_pGrayImage。 //當(dāng)前灰度圖像 BYTE *m_pBackground。 //背景 BYTE *m_pDiffImage。 //差分圖像 UINT *m_pTemplate。 //存取多幀數(shù)據(jù) BYTE *m_pPreGrayImage。 //存取前一幀灰度圖像 BYTE *image1。 BYTE *image2。 BYTE *image3。 BYTE *image4。public : void RGBToYUV(BYTE *sRGB,BYTE* sGray, int nWidth, int nHeight)。 BOOL GetBgByHistgram(short int *pHistgram,BYTE *sBg,int nWidth,int nHeight)。 void DiffImage(BYTE *sGray, BYTE *pGray,int nWidth, int nHeight,int nThreshold)。 void DeNoise(BYTE *sGray,int nWidth, int nHeight)。 void Medianfilter_3x3(BYTE *sGray, int nWidth, int nHeight)。 void Dilation(BYTE *sGray,int nWidth, int nHeight,int structure[3][3])。 void Erosion(BYTE *sGray,int nWidth, int nHeight,int structure[3][3])。 void GetMultiData(BYTE *sGray,int nWidth, int nHeight)。 void GetBgImage()。 void SaveBmp(BYTE *buffer,int nwidth, int nheight, int bit, int index)。 void ImageCopy(BYTE *sGray, int m_num)。 }。 類的實(shí)現(xiàn)include include /* Construction/Destruction*/CStatsticDetect::CStatsticDetect(int nwidth, int nheight){ m_nFrame = 0。 count = 0。 WIDTH = nwidth。 HEIGHT = nheight。 IMAGESIZE = WIDTH*HEIGHT。 m_pCurImage = new BYTE[IMAGESIZE*3]。 memset(m_pCurImage,0,IMAGESIZE*3)。 m_pGrayImage = new BYTE[IMAGESIZE]。 memset(m_pGrayImage,0,IMAGESIZE)。 m_pBackground = new BYTE[IMAGESIZE]。 memset(m_pBackground,0,IMAGESIZE)。 m_pBgImage = new BYTE[IMAGESIZE*3]。 memset(m_pBgImage,0,IMAGESIZE*3)。 m_pDiffImage = new BYTE[IMAGESIZE]。 memset(m_pDiffImage,0,IMAGESIZE)。 m_pDetectImage = new BYTE[IMAGESIZE*3]。 memset(m_pDetectImage,0,IMAGESIZE*3)。 m_pBackHistgram = new short int[IMAGESIZE*256]。 memset(m_pBackHistgram,0,IMAGESIZE*256*sizeof(short int))。 m_pTemplate = new UINT[IMAGESIZE]。 memset(m_pTemplate,0,IMAGESIZE*sizeof(UINT))。 }CStatsticDetect::~CStatsticDetect(){ delete []m_pBackHistgram。 delete []m_pDiffImage。 delete []m_pBgImage。 delete []m_pGrayImage。 delete []m_pBackground。 delete []m_pDetectImage。 delete []m_pCurImage。 delete []m_pTemplate。}/*ReceiveFrame函數(shù)說明：接收?qǐng)D像并進(jìn)行運(yùn)算 */Void CStatsticDetect::ReceiveFrame(int index, BYTE *sBuf, DETECT_METHOD s