【正文】 像是靜止的情況，現(xiàn)階段的研究成果比較成熟，也易于廣泛實現(xiàn)，常見的有背景減除法、時間差分方法等，而對動態(tài)變化的背景圖像，由于外界條件的復(fù)雜多變性，研究方法不可能完全一致，因而各研究方法也會有不同的適用性?？偟膩碚f，針對單一問題的運動目標提取已有許多現(xiàn)成的解決方案，而在立體交通態(tài)勢的復(fù)雜條件下還存在許多技術(shù)難點和挑戰(zhàn)：1. 背景運動情況下提取運動目標較復(fù)雜。當(dāng)攝像機處于運動狀態(tài)時，序列圖像中背景和目標都處于運動狀態(tài)，如何從運動的背景中提取出運動目標是一項較為復(fù)雜的工作。目前的方法對于已知背景運動規(guī)律的情況，可以將運動背景校正為靜止背景；如果背景運動未知，往往采取背景運動估計的方法來求出背景的運動情況。JiangBin Zheng，David Dagan Feng等[1]提出了一種比較準確的分割和跟蹤運動目標的算法，它主要通過自適應(yīng)背景估計和兩個相鄰幀的綜合差別來從圖像序列中準確提取目標。但是背景運動的估計本身就是個較難解決的問題，計算量過大。2. 計算量與識別準確率的平衡。目前現(xiàn)有的算法往往不能滿足計算量小、準確性高的特點，例如光流法[2]就需要進行大量的運算，而差圖像[3]等計算速度快的算法，其檢測精度又值得探討，如何在計算量與準確性兩者之間折中，尋求最佳解決方案是目前所有算法的追求目標。3. 復(fù)雜環(huán)境造成的視頻可用信息減少?，F(xiàn)實環(huán)境中，影響運動目標檢測的因素有很多，如光照產(chǎn)生的陰影可能被識別成運動目標，目標與背景紋理接近時無法識別出運動目標。最大限度的減少環(huán)境因素對目標的影響是必須解決的一個問題。C. Tomasi等人[4] [5]通過對圖像中像素點顏色分量的分布建立區(qū)域模型，并且綜合利用該模型和邊緣模型對富含紋理的圖像區(qū)域進行角點檢測，實現(xiàn)目標檢測和跟蹤，但當(dāng)背景的紋理與目標的紋理相似時，該算法卻不能得到正確的結(jié)果。 4. 目標間的相對運動時的遮擋重疊問題。對于多個運動目標，如果不是以相同的速度運動，大多數(shù)情況下會出現(xiàn)目標的遮擋、重疊等情況，目標與目標之間的相對運動會直接影響序列圖像的目標成像效果[6]，給目標檢測工作帶來了很大的不便，這也正是當(dāng)前許多算法不能徹底解決的問題。最后需要指出的是本課題也是針對復(fù)雜條件下的立體交通態(tài)勢分析與處理問題進行運動目標提取算法的研究，但也會適當(dāng)考慮其它情況下算法的適應(yīng)性。 本文的研究內(nèi)容和論文安排 研究內(nèi)容本文主要研究在攝像機固定和運動兩種情況下，如何從監(jiān)控視頻圖像中提取出運動目標，并對其進行相應(yīng)的分析和處理。主要研究內(nèi)容總結(jié)如下：1. 從基本原理上分析了光流法、幀間差法和背景差法等較為常見的目標檢測算法，分析了這些算法的應(yīng)用范圍，探討了算法的優(yōu)缺點以及值得改進的地方，通過具體的序列圖像實現(xiàn)了這些算法。2. 在總結(jié)常用的基于差分圖像的運動目標檢測方法的基礎(chǔ)上，對幀間差算法提出了改進。該算法將三幀差分與自適應(yīng)背景差技術(shù)結(jié)合，引入三幀差去背景方法來檢測運動目標。其中三幀差操作用來決定圖像序列中的運動區(qū)域，自適應(yīng)背景差就用來提取目標的完整輪廓信息。3. 在總結(jié)常用的基于光流法的運動目標檢測方法的基礎(chǔ)上，對LK、HS光流法進一步改進，基本思想是利用圖像金字塔，將相鄰兩幀降采樣到最底層，計算這兩幀間的光流值，在上一層中將前一幀圖像平移一定的值（下層計算出的光流），與后一幀利用光流法求出運動向量，最后與下層計算出的光流進行疊加。直到金字塔的最上層，即原始圖像。擬利用這種方法解決常用光流法中大運動目標的識別問題。4. 在上述研究的基礎(chǔ)上，搭建了視頻交通目標檢測及識別系統(tǒng)，它是一種利用圖像處理技術(shù)實現(xiàn)對交通目標檢測和識別的計算機處理系統(tǒng)。主要是被設(shè)計用來統(tǒng)計交通路段上行駛的機動車的數(shù)量，并監(jiān)測道路交通狀況。 論文安排本文共分為六章來闡述所研究的內(nèi)容。第一章為本文的緒論，首先介紹了本課題的來源，分析了國內(nèi)外現(xiàn)有的運動目標提取方法的局限性，并給出了運動目標提取技術(shù)的研究意義。第二章首先分析了背景固定情況下常用的運動目標的提取方法：幀間差法和背景差法，并基于上述兩種方法的缺陷提出了一種改進方法——三幀背景差分來提取運動目標。第三章首先分析了背景運動情況下常用的運動目標的提取方法：光流法，并基于光流法的缺陷提出了一種改進方法——基于金字塔光流的運動目標提取方法。第四章重點介紹了視頻交通目標檢測及識別系統(tǒng)的設(shè)計與實現(xiàn)。首先介紹了系統(tǒng)的設(shè)計原則，進行了系統(tǒng)的需求分析，構(gòu)建了適合于交通視頻的運動目標提取系統(tǒng)的總體框架。在介紹了系統(tǒng)環(huán)境要求后，對系統(tǒng)進行軟件實現(xiàn)。第五章是對二、三章所提出改進算法實驗結(jié)果的提供與實現(xiàn)。首先總結(jié)仿真結(jié)果的完成情況，其次對各算法進行比較并分析出它們的特點。第六章是對全文的總結(jié)，分析各算法及系統(tǒng)存在哪些不足以及解決建議，給出了對運動目標提取技術(shù)的展望。第2章 基于三幀背景差分的運動目標提取方法運動目標的提取可分為背景固定和背景運動兩種情況。在背景固定的情況下，常用的方法有幀間差法和背景差法。幀間差法受光線變化影響小，檢測有效而穩(wěn)定，但檢測不出目標的精確位置，且圖像信息不完整。背景差法檢測位置精確、速度快，不足之處是受環(huán)境、光線變化影響大。本章將對幀間差法和背景差法做簡要分析，并提出一種改進方法——三幀背景差分來提取運動目標，擬解決幀間差法檢測不出目標的精確位置，圖像信息不完整和背景差法受環(huán)境、光線變化影響大的缺點。 基于幀間差的提取運動目標方法幀差法，又稱幀間差法、時間序列差分法。其基本思想就是把相鄰幀相減，通過閾值化方法濾除圖像中的靜止景物，提取出運動區(qū)域。最早采用的是相鄰兩幀相減，如Lipton等[7]利用兩幀差分方法從實際視頻圖像中檢測出運動目標，后來出現(xiàn)了三幅連續(xù)幀的雙差分改進方法。幀差法的優(yōu)點是對環(huán)境的光線變化不敏感，且能夠快速地從背景中檢測出運動口標，對于動態(tài)環(huán)境具有較強的自適應(yīng)性：缺點是無法檢測靜止車輛，對于太慢或太快的車速也可能導(dǎo)致檢測錯誤。而且如果運動物體表面存在大面積均勻灰度的時候，會產(chǎn)生“孔洞”現(xiàn)象，導(dǎo)致將運動目標的圖像分割成幾個部分。 幀間差法算法流程圖1. 預(yù)處理：由于原始采集的圖像往往存在很嚴重的噪聲，直接用之求差分圖像則受噪聲的影響較大，差分圖像的效果很差不利于后面的圖像分析。因此，在作差分之前必須對原始圖像進行濾波預(yù)處理。本文選取中值濾波算法，因為中值濾波不僅能夠濾去高頻噪聲，而且能夠很好地保持圖像的邊緣信息。2. 閾值的選取： 在運用幀間差法提取運動目標時，涉及到閾值的選取問題。閾值的選取在運動目標提取過程中非常重要，一個好的閾值，可以大大提高目標提取的精度。閾值的選取方法有很多種。最簡單、最直接的方法連續(xù)拍攝同一場景兩次，取得兩幀圖像，將拍攝的兩幅圖像作差，將最大灰度像素差值作為提取運動目標的閾值。這種確定閾值的方法簡單直接，但是不精確，且對場景的改變沒有一定的自適應(yīng)性。 基于背景差的提取運動目標方法基于背景差法[8]的原理非常簡單，其主要工作過程，首先必須按照一定的算法從序列圖像中提取出可靠的、穩(wěn)定的背景圖像，然后利用當(dāng)前幀圖像作差，取定一定的閾值，得到差值圖像，對差值圖像進行一定的后處理得到MASK圖像。 背景差法算法流程圖運用背景差法進行運動目標檢測時，最主要的環(huán)節(jié)是穩(wěn)定可靠的背景的提取以及背景的更新。一個好的背景圖像估計方法應(yīng)能適應(yīng)諸如目標停止在場景中，場景中有目標開始運動，光線等外界干擾因素的影響。下面介紹兩種亮度統(tǒng)計法來提取背景。(1) 利用多幅圖像對背景進行統(tǒng)計分析(6幅) 亮度圖像 多幅圖像統(tǒng)計亮度直方圖本文基本思想：通過對圖像的亮度信息（）進行統(tǒng)計，分析出背景（路面）的亮度范圍（）、從而確定出背景的上下限分別為73，158（0255），利用該上下限去除背景，以便達到圖像閾值分割的目的。 (a) 亮度圖像 (b)閾值分割后圖像(2) 直接提取路面信息，進行分割。 截取的路面圖像 路面直方圖從圖像中提取如下圖所示的一小塊路面（）作為背景信息，對這塊路面的亮度信息進行統(tǒng)計，得到路面直方圖（），從而確定出背景的上下限分別為86，121（0255），利用該上下限去除背景，以便達到圖像閾值分割的目的。 (a) 亮度圖像 (b) 分割后圖像 (3)兩種背景提取分割方法的比較分析 (a) 路面信息統(tǒng)計后的閾值分割結(jié)果 (b) 多幅圖像統(tǒng)計后的閾值分割結(jié)果 比較兩種方法閾值分割后的圖像(b)的閾值分割更為準確，可以從圖像中濾除更多的背景信息，但當(dāng)背景的紋理與目標的紋理相似時，該算法卻不能得到正確的結(jié)果。 基于三幀背景差分的運動目標提取方法、背景差法對運動物體界定過大、模糊的缺陷，本文提出三幀背景差分法進行運動目標的提取，利用三幀圖像計算出兩個差圖像[9][10]，再令它們對應(yīng)像素相與。該方法在連續(xù)的三幀視頻圖像中，對第一二幀和第二三幀的圖像分別做差分運算，根據(jù)未變化區(qū)域與運動變化區(qū)域服從不同的統(tǒng)計規(guī)律設(shè)置變化檢測門限，對差分圖像做運動變化檢測和連通域的識別。然后將檢測到的運動變化圖像做去噪和空域識別后，做相與運算，最后再基于物體自身的灰度信息，恢復(fù)真正的運動圖像。1. 累計差分原理在序列圖像中，通過逐像素比較可直接求取前后兩幀圖像之間的差別。假設(shè)照明條件在多幀圖像間基本不變化，那么差圖像的不為零處表明該處的像素發(fā)生了移動。也就是說，對時間上相鄰的兩幅圖像求差可以將圖像中目標的位置和形狀變化突顯出來。如果對一系列圖像兩兩求差，并把差分圖像中值為正或負的區(qū)域邏輯相加就可以得到整個目標的形狀。：將長方形區(qū)域逐漸向下移動，依次劃過橢圓目標的不同部分，將各次的結(jié)果組合起來，就可得到完整的橢圓目標。 利用差分圖像提取運動目標設(shè)在時刻和采集到兩幅圖像和，可得到差圖像[11]：= ()其中T為閾值。差圖像中為0的像素對應(yīng)于前后兩時刻間沒有發(fā)生變化的地方，為1的像素對應(yīng)著變化的地方。在實際情況中，即使沒有運動目標，由于隨機噪聲的干擾，沒有發(fā)生像素移動的地方也會出現(xiàn)圖像間差別不為零的情況。為把噪聲的影響跟像素的移動區(qū)別開來，可對差圖像取較大的閾值。另外由于噪聲產(chǎn)生的為1的像素一般比較孤立，所以也可根據(jù)連通性分析將它們除去。但這樣做有時也會將慢運動和尺寸較小的目標除去。 累計差圖像的生成過程為了克服上述問題，本系統(tǒng)考慮利用多幅圖像。如果在某一個位置的變化只偶爾出現(xiàn)，就可判斷為噪聲。設(shè)有一系列圖像，…， ，并取第一幅圖作為參考圖。通過將參考圖與其后的每一幅圖進行比較可得到累計差圖像。設(shè)該圖像中各個位置的值是每次比較中發(fā)生變化的次數(shù)總和。圖(a)為時刻采集的圖像，其中有一個用4行3列像素代表的矩形目標。設(shè)它每單位時間內(nèi)右移一個像素。圖(b)至圖(d)分別為，時刻對應(yīng)的累計差圖像。圖(e)是普通差圖像，左邊一列的1是圖(a)目標后沿和圖(b)背景的差，右邊一列1是圖(a)背景和圖(b)目標前沿的差。圖(f)可由圖(a)和圖(c)的差加上圖(e)得到，依次類推。2. 三幀背景差分對連續(xù)的三幀視頻圖像分別做前兩幀和后兩幀的差分圖像，這兩幀差分圖像中都含有運動物體。如果將兩幀連續(xù)的差分圖像進行相與運算，則可以得到運動物體本身的灰度值，基于這時運動變化區(qū)域的灰度值所設(shè)定灰度檢測門限將是完全基于運動物體的本身，所以檢測到的運動物體相對要比兩幀差分法檢測到的運動物體準確。將三幀差分與自適應(yīng)背景差技術(shù)結(jié)合，引入三幀背景差分方法來檢測運動目標。其中三幀差操作用來決定圖像序列中的運動區(qū)域，自適應(yīng)背景差就用來提取目標的完整輪廓信息。設(shè)表示t = n時刻的圖像幀中像素點(x，y)的亮度值。若某像素點的亮度值在連續(xù)的三幀圖像間變化顯著，則認為該像素點(x，y)屬于“運動點(Moving Pixel)，即 ()且 ()其中是某像素點亮度變化統(tǒng)計意義的閾值，可由如下遞歸公式求出：= 非零極小值 () = ()其中表示第一幀圖像的背景亮度值，表示第一幀圖像亮度值。= ()= ()其中，為目標相對于背景的速度大小上式中的表示像素點(x，y)在n時刻的背景亮度值，該背景并非當(dāng)前圖像的真實背景，而是從多幅圖像中經(jīng)統(tǒng)計學(xué)習(xí)得到的背景模型。和都是從觀察所得的圖像序列{} (k n)中學(xué)習(xí)得到的統(tǒng)計特性，由()， ()兩式迭代產(chǎn)生。經(jīng)過三幀之間的運動判別之后，將所有滿足式( )和( )的像素點都作為運動點，其它像素點作為背景，從而將原圖像區(qū)分為目標與背景兩大區(qū)域。 算法實現(xiàn)1