【正文】 在兩幀中的信息，即檢測出的目標比真實的物體大很多。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。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。圖(b)至圖(d)分別為，時刻對應的累計差圖像。 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。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。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。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，恢復真正的運動圖像。 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。一個好的背景圖像估計方法應能適應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。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。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。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致檢測錯誤。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。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。在介紹了系統(tǒng)環(huán)境要求后，對系統(tǒng)進行軟件實現(xiàn)。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。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)。其中三幀差操作用來決定圖像序列中的運動區(qū)域，自適應背景差就用來提取目標的完整輪廓信息。 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，并對其進行相應的分析和處理。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。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。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。在國內(nèi)，運動圖像分析已在人體運動檢測與跟蹤、智能交通、機器人視覺、運動目標檢測與跟蹤等諸方面展開了深層次研究。但是，已有的運動目標提取算法大多受限于特定的應用背景，并且待于進一步研究和深化，因此，研究一種魯棒性好、精確度高、性能穩(wěn)定和適用性強的運動目標提取方法依然面臨巨大挑戰(zhàn)。研究如下內(nèi)容：（1）空基立體交通態(tài)勢的獲取與處理總體技術(shù)；（2）空基交通信息獲取技術(shù)；（3）空地一體交通信息實時傳輸技術(shù)；（4）復雜條件下立體交通態(tài)勢分析與處理技術(shù)。該技術(shù)的理念是利用空基平臺特有的不受路面交通狀況制約、可快速到達指定地點的特點，對重大活動、災害事件、突發(fā)交通事件進行監(jiān)視并提供各種應急信息服務，從而為全面、快速、準確的獲取與處理交通態(tài)勢奠定基礎(chǔ)。 the image sequence with dynamic background, as background is constantly changing and have more and more plex features, it is difficult to accurately calculate the static background. Based on the optical flow vector field ,this paper have researched the pyramidal implementation of optical flow calculation method, and by using morphological filtering, directly detect the motive objects, and the statistics of the motive objects. 2. Details on the software design and implementation which is the subsystem of the new technologies of Spacebased threedimensional traffic situation acquisition and processing. It uses image processing technology to achieve the objectives of traffic detection and identification of the puter processing, mainly designed for the traffic statistics on the section of moving vehicle numbers, the calculation of various traffic parameters, such as density, and to monitor road traffic conditions. Keywords： motion detection, threeframedifference background subtraction, pyramidal implementation of optical flow, traffic monitoring目 錄第1章 緒論 1 引言 1 課題來源和意義 2 國內(nèi)外研究現(xiàn)狀 3 本文的研究內(nèi)容和論文安排 5 研究內(nèi)容 5 論文安排 5第2章 基于三幀背景差分的運動目標提取方法 7 基于幀間差的提取運動目標方法 7 基于背景差的提取運動目標方法 8 基于三幀背景差分的運動目標提取方法 11 引言 11 原理及算法流程 11 算法實現(xiàn) 15第3章 基于改進的光流法的運動目標提取方法 19 光流法提取運動目標 19 運動場和光流場 19 光流的計算 20 基于改進光流法的運動目標提取方法 21 基本原理 21 算法流程 24 算法實現(xiàn) 28第4章 視頻交通目標檢測及識別系統(tǒng)的設計與實現(xiàn) 30 系統(tǒng)概述 30 系統(tǒng)設計原則 30 系統(tǒng)總體設計 32 軟件需求概述 32 系統(tǒng)功能結(jié)構(gòu) 32 系統(tǒng)環(huán)境 32 系統(tǒng)的實現(xiàn) 33 實現(xiàn)的準備 33 軟件實現(xiàn) 34第5章 仿真結(jié)果及性能分析 38 仿真結(jié)果分析 38 性能比較分析 40第6章 當前不足及前景展望 41 當前不足及解決建議 41 前景展望 42結(jié)論 43致謝 44參考文獻 45第1章 緒論 引言長期以來，我國各大城市的交管部門對交通信息的采集仍停留在使用傳感線圈、固定的攝像裝置等路基采集設備階段，存在監(jiān)視范圍狹小、靈活性低、無法應付突發(fā)事件、缺乏對宏觀信息的掌控等困難，嚴重影響對交通的有效疏導。作者：馬強簽字：時間：2007年6月 本論文受國家高技術(shù)研究發(fā)展計劃（863計劃）《空基立體交通態(tài)勢獲取與處理新技術(shù)》課題的支持項目編號： SQ2006AA11Z104840起止時間： 2006年11月－2008年12月 基于視頻圖像的運動目標提取方法研究學 生：馬 強指導老師：羅喜伶摘 要隨著近年來全國各大城市交通擁擠程度的加劇，為克服傳統(tǒng)路基交通監(jiān)視設備監(jiān)視范圍小、靈活性等固有缺點，對寬廣范圍內(nèi)的路面交通狀況進行覆蓋監(jiān)視，快速到達突發(fā)事故地點，實時獲取事故現(xiàn)場信息，歐美一些發(fā)達國家在20世紀90年代就已經(jīng)開始探索一種可以代替或增強路面交通態(tài)勢監(jiān)視手段的新技術(shù)——道路交通態(tài)勢空中監(jiān)測技術(shù)，其中需要對視頻圖像中的運動目標進行提取，將結(jié)果用于運動目標的跟蹤以及交通態(tài)勢分析，本文主要對基于視頻圖像的運動目標提取算法進行研究并實現(xiàn)，主要完成的內(nèi)容如下：1 靜止背景的情況通常發(fā)生在攝像機相對靜止狀態(tài)，采用三幀間差分統(tǒng)計的方法進行分析并計算背景，在此基礎(chǔ)之上利用恢復的背景及當前幀的信息檢測運動目標，此方法可用于空基平臺懸停的情況；對于動態(tài)背景的運動圖像，由于背景是不斷變化且呈現(xiàn)出復雜的特征，因此很難準確求出靜止背景，本文在光流矢量場的基礎(chǔ)上探討研究了基于金字塔的光流計算方法，并利用形態(tài)學濾波，基于亮度和色度的分割，面積閾值判斷，從而檢測出運動目標，并統(tǒng)計出運動目標的數(shù)量，此方法可用于空基平臺飛行的情況。2 詳細介紹了視頻交通目標檢測和識別軟件的設計與實現(xiàn)。如果為了獲取全面的交通信息而在所有潛在交通擁堵地點和奧運等重大活動周邊都安裝固定監(jiān)視設備，不但成本昂貴，而且由于大型活動具有短期性，將造成資源的巨大浪費。雅典奧運會上采用無人飛艇對交通態(tài)勢進行全天候監(jiān)視以隨時應對突發(fā)事件是該理念的一次成功應用（）。，在進行圖像融合后，需要進行交通對象運動檢測與跟蹤，而檢測交通對象的關(guān)鍵就在于提取出運動目標。 國內(nèi)外研究現(xiàn)狀運動目標提取是近年來計算機視覺領(lǐng)域中備受關(guān)注的前沿方向，尤其在美國、英國等國家已經(jīng)開展了大量相關(guān)項目的研究。對于運動圖像的檢測分析，背景圖像是靜止的情況，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。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。3. 復雜環(huán)境造成的視頻可用信息減少。 4. 目標間的相對運動時的遮擋重疊問題。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。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。主要是被設計用來統(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。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)。在背景固定的情況下，常用的方法有幀間差法和背景差法。 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。而且如果運動物體表面