【正文】 于背景的變化非常緩慢，而運動目標的變化比較迅速，比較容易區(qū)分開兩種運動。檢測場景中運動目標位置、運動軌跡和運動方向以及運動速度，根據(jù)當前圖像包含的運動信息估測出目標的運動趨勢和運動軌跡。在場景中檢測出目標位置，通過提取的目標特征和運動參數(shù)等進一步確定目標，一般通過攝像機獲取動態(tài)序列圖像的信息。通過對獲取的圖像序列進行分析處理，計算并確定目標在圖像上的位置，并得出運動趨勢和運動軌跡。目前有很多運動目標的跟蹤方法，不同的目的可采用不同的跟蹤算法，以保證目標跟蹤的準確性和實時性。在對圖像序列的研究時，一般把圖像分為前景和背景兩個部分，這樣運動就區(qū)分為前景運動和背景運動兩部分。前景運動也叫作局部運動，是指目標在場景中自身的運動；背景運動也叫作全局運動（或攝像機運動），是指由攝像機的運動所造成的拍攝背景的移動。在運動圖像分析中，前景和背景的運動或靜止有四種情況：兩者都運動、兩者都靜止以及其中一個運動而另一個靜止。 運動的表達全局運動和局部運動各有特點。全局運動具有規(guī)律、整體性比較強等特點。而局部運動較復雜，尤其是在存在多目標的情況下，各個目標做不同的運動，只有采用精細方法才能夠準確表達。這小節(jié)具體介紹幾種運動的表達方式。 矢量場表達因為運動有大小，有方向，所以可以用矢量表示，為了表示瞬時運動得矢量場，這里將運動矢量用不帶箭頭的線段表示，線段的長度、矢量的大小與運動的速度均成正比關(guān)系。見圖21。圖21 矢量場表達為了表示目標運動具有的復雜性和多變性，進行連續(xù)短時間運動分析，采用運動矢量方向直方圖的表達方式。直方圖方法的基本思路是僅保留運動的方向信息，并將運動方向（0到360度）分為若干個間隔，把運動矢量場上每點的數(shù)據(jù)劃到與它運動方向最接近的間隔里，最后得到的統(tǒng)計結(jié)果為運動矢量方向直方圖。見圖22。 圖22 直方圖表達目標運動軌跡表達了目標運動位置信息，它是由一系列的關(guān)鍵點和一組在這些關(guān)鍵點間插值的函數(shù)組成的。這些關(guān)鍵點可以用2D或3D的坐標值來表達，而插值函數(shù)分別對應(yīng)各坐標軸。見圖23。圖23 運動軌跡表達在實際工程應(yīng)用中可以根據(jù)具體的場景、運動的類型、目標的類型等來選擇合適的表達方式描述運動。3 運動目標檢測運動目標檢測跟蹤把自動控制、圖像處理、信息科學等學科有機地結(jié)合在一起，形成了一種能從圖像中快速檢測出運動目標、提取運動目標位置信息并進行實時跟蹤的高新技術(shù)。包含運動目標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)生背景靜止的動態(tài)圖像序列，可采用幀間差分或自適應(yīng)背景相減對消的方法來消除背景的干擾，計算方法比較簡單；變化背景是指目標運動同時，拍攝的攝像機也作相對運動，產(chǎn)生背景變化的運動圖像序列，這時情況比較復雜，目標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檢測方法。 靜止背景下的運動目標檢測在靜止背景下常用的幾種檢測方法有幀間差分法、背景差分法、光流場法、塊匹配法和運動能量法等。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)用到運動目標檢測中，由于硬件運算能力和算法的限制，在目前的目標檢測與跟蹤的實時性和魯棒性并不太理想。在實際的工程系統(tǒng)中，人們更傾向于使用相對簡單的幀間差分法和背景差分法完成目標檢測。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動目標檢測方法，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動區(qū)域。首先將相鄰幀圖像對應(yīng)的像素值進行差分運算得到差分圖像，減掉灰度不會變化的背景部分。然后對差分圖像進行二值化，如果對應(yīng)像素值的變化小于規(guī)定的閾值，認為是背景像素:如果對應(yīng)像素值變化較大，則認為這些像素區(qū)域是前景像素，這樣就確定了目標在圖像中所處位置。幀間差分法分有點就是具有較好的實時性、算法較為簡單、計算量小。算法的不足就是不能檢測完整的運動目標。且閾值的選擇決定了檢測結(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檢測方法，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）進行差分提取出運動區(qū)域，區(qū)別較大的區(qū)域作為運動區(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時更新。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間內(nèi)存儲的觀測數(shù)據(jù)進行建模，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雜度適中，計算簡單且實時性較好，是目前使用最廣泛的目標檢測方法。本節(jié)根據(jù)它們的特點，把這兩種方法結(jié)合用來提取運動目標。大致思想是先根據(jù)幀間差分提取出運動區(qū)域，然后在提取的運動區(qū)域內(nèi)對背景差分圖像和幀間差分圖像進行目標檢測。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，這個參考圖像十分接近于背景圖像，適用于目標連續(xù)運動的情況，不適用目標緩慢運動的情況；另一種是通過訓練的方法，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 檢測變化區(qū)域運用幀差法可以檢測出相鄰兩幀圖像間發(fā)生變化的區(qū)域。檢測出的這個區(qū)域?qū)嶋H上包含了運動物體在前一幀所處區(qū)域P和其在當前幀所處的區(qū)域Q，它們的關(guān)系如下圖。QP 圖（31）運動變化區(qū)域這里設(shè)和分別為圖像序列中連續(xù)的兩幀圖像，將這兩個量按下面的規(guī)則進行幀間差分處理。 （32）式中：——檢測的閾值； ——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 檢測運動目標確定背景區(qū)域和變化區(qū)域之后，對于當前幀圖像，只考慮對變化區(qū)域中的圖像與背景圖像做差分處理來檢測運動目標。 （33）對當前幀圖像與背景圖像進行差分處理之后，還需要進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)域會被錯誤標記成運動物體；閾值選得過大，一些運動物體會被錯誤標記為背景圖像，要根據(jù)具體的場景和要求來選取合適的閾值，才能達到預期的目標跟蹤效果。閾值分割完成之后，為了能更好地進行目標定位，需要將由于噪聲干擾出現(xiàn)的一些小孔洞和毛刺填補或去除?？刹捎脭?shù)字圖像處理中常用的對二值圖像進行腐蝕和膨脹的方法來完成填補和去除工作。首先，需要定義結(jié)構(gòu)元素： （34）然后進行圖像形態(tài)學腐蝕，結(jié)構(gòu)元素像“探針”一樣對二值圖像進行探測，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。最后進行形態(tài)學膨脹，將與物體接觸的所有背景點合并到該物體中，使邊界擴張，把兩個靠的很近的物體連接起來，填補閾值分割后孔洞。這樣，一些小的空洞和毛刺就被去除。 靜態(tài)背景目標檢測你算法的實現(xiàn) 類的定義靜態(tài)背景檢測程序類為CStaticDetectinclude define BACK_ALL_NUM 100 //計算背景所需幀數(shù)define BACK_SEQ_NUM 3 //背景計算循環(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。 //當前幀圖像 BYTE *m_pBgImage。 //背景圖像 BYTE *m_pDetectImage。 //檢測結(jié)果圖像 int m_nFrame, count。 int WIDTH, HEIGHT,IMAGESIZE。 short int *m_pBackHistgram。 //背景顏色統(tǒng)計 BYTE *m_pGrayImage。 //當前灰度圖像 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：接收圖像并進行運算 */Void CStatsticDetect::ReceiveFrame(int index, BYTE *sBuf, DETECT_METHOD s