【正文】 即便同一灰度級(jí)上造成的污染程度也可能存在著較大的差異。過(guò)去這一任務(wù)主要由線性濾波器來(lái)完成，但線性濾波器不能有效地抑制各種非加性高斯噪聲，且不利于信號(hào)邊緣等細(xì)節(jié)特征的保持。 中值濾波原理中值濾波的基本思想是用象素點(diǎn)鄰域灰度值的中值來(lái)代替該象素點(diǎn)的灰度值，對(duì)于奇數(shù)個(gè)元素，中值是指按大小排序后中間的數(shù)值；對(duì)于偶數(shù)個(gè)元素，中值是指排序后中間兩個(gè)元素灰度值的平均值。對(duì)于一維情況，中值濾波器不影響階躍函數(shù)和斜坡函數(shù)，并可以有效地消除單、雙脈沖，使三角函數(shù)的頂端變平；對(duì)于二維情況，中值濾波的窗口形狀和尺寸對(duì)濾波器效果影響很大。 中值濾波后的圖像 本章小結(jié)本章主要討論了圖像預(yù)處理的思路，先將背景圖像進(jìn)行灰度處理，然后分析圖像上產(chǎn)生的噪聲，為了消除采集圖像的噪聲和干擾，分析與選用何種濾波器，討論濾波器的特性和是否滿足需求。運(yùn)動(dòng)目標(biāo)檢測(cè)依據(jù)前景目標(biāo)所處的背景環(huán)境，可以劃分為兩類一一靜態(tài)背景下運(yùn)動(dòng)目標(biāo)檢測(cè)和動(dòng)態(tài)背景下運(yùn)動(dòng)目標(biāo)檢測(cè)，本章結(jié)合論文的工作實(shí)際主要研究攝像機(jī)不發(fā)生運(yùn)動(dòng)的靜態(tài)背景運(yùn)動(dòng)目標(biāo)檢測(cè)算法。為了對(duì)監(jiān)控對(duì)象的變化進(jìn)行檢測(cè)，系統(tǒng)要對(duì)采集得到的圖像序列進(jìn)行有效地處理，從中分離出變化信息，對(duì)于一般場(chǎng)合變化信息就是目標(biāo)的運(yùn)動(dòng)。不足之處是很難求出運(yùn)動(dòng)物體的速度，且當(dāng)運(yùn)動(dòng)物體在成像平面有重迭時(shí)，幀間差閾值法不適用。一個(gè)好的運(yùn)動(dòng)目標(biāo)檢測(cè)算法，應(yīng)該能適用于所監(jiān)視的各種環(huán)境，通常一個(gè)優(yōu)秀的運(yùn)動(dòng)目標(biāo)檢測(cè)算法應(yīng)具有以下的特征:1 不依賴于攝像頭的安裝位置。5 能適應(yīng)場(chǎng)景中個(gè)別物體運(yùn)動(dòng)的干擾，如樹(shù)木的搖晃，水面的波動(dòng)。場(chǎng)景中任何可觀察的運(yùn)動(dòng)都會(huì)體現(xiàn)在場(chǎng)景圖像序列的變化上，如果能檢測(cè)這種變化，就可以分析其運(yùn)動(dòng)特性。首先，利用公式()計(jì)算第k 幀圖像與第k ?1幀圖像之間的差別，得到差分后的圖像，然后對(duì)差分后圖像使用圖像分割算法—式()進(jìn)行二值化處理，即認(rèn)為當(dāng)差分圖像中某一像素的差大于設(shè)定的閉值時(shí)，則認(rèn)為該像素是前景像素(檢測(cè)到的目標(biāo))，反之則認(rèn)為是背景像素。 ()其中T是二值化設(shè)定閥值。4 由于相鄰幀的時(shí)間間隔較短，因此該方法對(duì)場(chǎng)景光線的變化不太敏感，受目標(biāo)陰影的影響也不太大，可以講連續(xù)幀間差分法對(duì)動(dòng)態(tài)環(huán)境有較好的適應(yīng)性。 背景差法其原理如下圖所示 背景差分法原理流程 基于背景差分方法的原理非常簡(jiǎn)單，其基本運(yùn)算過(guò)程如圖()所示:先利用公式()計(jì)算背景圖像fbk與當(dāng)前幀圖像fk的差，然后依據(jù)公式()對(duì)差分圖像Dk進(jìn)行二值化和形態(tài)學(xué)濾波處理，并對(duì)所得結(jié)果Rk進(jìn)行區(qū)域連通性分析，當(dāng)某一連通的區(qū)域的面積大于某一給定閾值，則成為檢測(cè)目標(biāo)，并認(rèn)為該區(qū)域就是目標(biāo)的區(qū)域范圍，就可以確定目標(biāo)的最小外接矩形。2 利用背景圖像與當(dāng)前幀圖像的差進(jìn)行運(yùn)動(dòng)目標(biāo)檢測(cè)。這就說(shuō)明了光流與運(yùn)動(dòng)場(chǎng)不一定是唯一對(duì)應(yīng)的，即有光流不一定就是物體運(yùn)動(dòng)產(chǎn)生的，反之物體發(fā)生了運(yùn)動(dòng)也不一定會(huì)產(chǎn)生光流。但是在實(shí)際的場(chǎng)景中，即便是室內(nèi)環(huán)境，也存在光線等各種變化造成的干擾，或者人為造成的開(kāi)燈等光線的強(qiáng)烈變化。保證背景圖像能隨著光線的變化而變化，確保檢測(cè)的準(zhǔn)確性。減少以后運(yùn)算的復(fù)雜度，克服噪聲對(duì)圖像處理結(jié)果的干擾。根據(jù)概率統(tǒng)計(jì)學(xué)假設(shè)檢驗(yàn)“3”法則，并依據(jù)“正確的閾值T應(yīng)該能消除大部分噪聲”的原則。即將256個(gè)亮度等級(jí)的灰度圖像通過(guò)適當(dāng)?shù)拈y值選取而獲得仍然可以反映圖像整體和局部特征的二值化圖像。如果某特定物體在內(nèi)部有均勻一致的灰度值，并且其處在一個(gè)具有其他等級(jí)灰度值的均勻背景下，使用閥值法就可以得到比較的分割效果。形態(tài)學(xué)一般指生物學(xué)究動(dòng)物和植物結(jié)構(gòu)的一個(gè)分支，后來(lái)人們用數(shù)學(xué)形態(tài)學(xué)表示以形態(tài)為對(duì)圖像進(jìn)行分析的數(shù)學(xué)工具。假定只考慮黑色像素，其分認(rèn)為是背景。形態(tài)學(xué)圖像處理是在圖像中移動(dòng)一個(gè)結(jié)構(gòu)元素，然后將結(jié)構(gòu)元素與下面的二值圖像進(jìn)行交、并等集合運(yùn)算。用B（x）代表結(jié)構(gòu)元素，對(duì)工作空間E中的每一點(diǎn)x。腐蝕可以把小于結(jié)構(gòu)元素的物體去掉。如果兩個(gè)物體之間的距離比較近，那么膨脹運(yùn)算可能會(huì)使兩個(gè)物體連通在一起。 開(kāi)運(yùn)算和閉運(yùn)算膨脹和腐蝕并不是互為逆運(yùn)算，所以它們可以級(jí)連結(jié)合使用。先膨脹后腐蝕的過(guò)程稱為閉運(yùn)算。結(jié)構(gòu)元素的大小、形狀選擇合適與否，將直接影響圖像的形態(tài)運(yùn)算結(jié)果。 目標(biāo)檢測(cè)試驗(yàn)與結(jié)果分析對(duì)比幾種運(yùn)動(dòng)目標(biāo)檢測(cè)的基本方法，這里選取幀間法來(lái)檢測(cè)運(yùn)動(dòng)目標(biāo)，在經(jīng)過(guò)圖像二值化將運(yùn)動(dòng)目標(biāo)提取出來(lái)，在經(jīng)形態(tài)學(xué)濾波處理改善提取效果。 本章小結(jié)本章介紹了差分法識(shí)別目標(biāo)的具體過(guò)程及實(shí)現(xiàn)流程，主要內(nèi)容為利用VC++6．0實(shí)現(xiàn)從序列幀中對(duì)檢測(cè)出運(yùn)動(dòng)的目標(biāo)。開(kāi)始主要是用于軍事研究，是精確武器制導(dǎo)中的關(guān)鍵技術(shù)。 運(yùn)動(dòng)目標(biāo)特征運(yùn)動(dòng)目標(biāo)的特征是一個(gè)重要的跟蹤依據(jù)，在很多跟蹤算法中都有目標(biāo)特征提取這一環(huán)節(jié)。所謂邊緣(或邊沿)是指其周圍像素灰度有階躍變化或屋頂變化的那些像素的集合。實(shí)際中，階躍邊緣將變成斜坡型邊緣，線條邊緣將變成屋頂型邊緣。輪廓的表示要求：輪廓應(yīng)該是一種簡(jiǎn)潔的表示；輪廓應(yīng)能精確的逼近圖像特征；輪廓應(yīng)適合于后處理階段的計(jì)算。在相關(guān)跟蹤的誤差信號(hào)處理中，對(duì)相關(guān)度的取值有一定的要求，相關(guān)跟蹤系統(tǒng)對(duì)與選定的跟蹤目標(biāo)圖像不相似的其它一切景物都不敏感，所以它有較好的選擇跟蹤能力和抗背景干擾能力?；趫F(tuán)塊的跟蹤算法也可以稱為基于圖像分割的跟蹤，因?yàn)樗蛨D像分割所使用的基本方法是一致的，都是根據(jù)給定線索優(yōu)化像素的選擇、合并和分離，都把具有相同特征的像素點(diǎn)集合成一個(gè)區(qū)域。x和y分別是團(tuán)塊位置的橫坐標(biāo)和縱坐標(biāo)，w和h分別是團(tuán)塊的寬度和高度，ID是團(tuán)塊的標(biāo)識(shí)符，用于區(qū)分不同的團(tuán)塊。這個(gè)類還提供一些操作函數(shù)，用來(lái)方便地添加和刪除團(tuán)塊。前景檢測(cè)模塊的輸入數(shù)據(jù)為當(dāng)前幀圖像，輸出數(shù)據(jù)為當(dāng)前幀的前景掩碼（mask）。所有函數(shù)必須在子類中被重載，同時(shí)也需要重寫(xiě)新類的創(chuàng)建函數(shù)。此模塊的目的是簡(jiǎn)化團(tuán)塊跟蹤模塊的創(chuàng)建。 CvBlobTracker * cvCreateBlobTrackerList(CvBlobTrackerOne * (*create)())；所以。因此如何選取目標(biāo)的特征信息，并且在可靠的前提下簡(jiǎn)化運(yùn)算是目標(biāo)跟蹤的關(guān)鍵。 運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤演示本實(shí)驗(yàn)是在學(xué)校寢室內(nèi)，固定好攝像頭，連接攝像頭后，打開(kāi)運(yùn)行程序可以得到如圖所示的結(jié)果 運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤演示圖1 運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤演示圖2 運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤演示圖3 本章小結(jié)在本章中，主要是將OPENCV進(jìn)行配置，與攝像頭連接，固定在合適的地方后，運(yùn)行系統(tǒng)。通過(guò)調(diào)用OPENCV函數(shù)進(jìn)行算法設(shè)計(jì)。在對(duì)檢測(cè)出的變化區(qū)域進(jìn)行后處理方面：采用適當(dāng)?shù)男螒B(tài)學(xué)濾波處理得到更清晰、更準(zhǔn)確的運(yùn)動(dòng)目標(biāo)，進(jìn)而進(jìn)行連通性分析，去除小面積噪聲，保留足夠大的目標(biāo)。這就是本次課題研究達(dá)到的目標(biāo)。然而，迄今為止的主要目標(biāo)圖像識(shí)別和跟蹤算法卻無(wú)法同時(shí)滿足這三方面的要求。2)本文研究的跟蹤算法也有待進(jìn)一步改進(jìn)，使之能夠在更短時(shí)間內(nèi)，更精確地完成目標(biāo)的跟蹤。1 Conf. Computer Vision, 2001, 5255．[15] Nils T Siebel. Design and Implementation of People Tracking Algorithms for Visual Surveillance Applications Thesis for the Degree of Doctor of Philosophy[D]. The University of Reading, 2003.致 謝時(shí)間過(guò)得真快，由于我在校外實(shí)習(xí)，畢業(yè)設(shè)計(jì)一直讓指導(dǎo)老師很費(fèi)心，在指導(dǎo)老師的指導(dǎo)和督促下，完成這個(gè)學(xué)期的畢業(yè)設(shè)計(jì)。在這次設(shè)計(jì)當(dāng)中，實(shí)現(xiàn)的路很漫長(zhǎng)，不懂的地方還很多，非常感謝關(guān)威老師。那么多個(gè)日夜，如此多的困難，同學(xué)們勤懇塌實(shí)，從開(kāi)始到結(jié)束，沒(méi)有顯出一點(diǎn)倦意，始終熱情高漲，我感謝這種氛圍，感謝學(xué)校提供的良好條件。// const double MAX_TIME_DELTA = 。// ring image bufferIplImage **buf = 0。CvConnectedComp *cur_p, min_p。 //二維坐標(biāo)系下的點(diǎn)，類型為整型 IplImage* silh。 2)/2, ( amp。 float temp。 // 時(shí)間戳 CvSize size = cvSize(imgwidth,imgheight)。CvMemStorage *storage。// 臨時(shí)圖像IplImage *mhi = 0。 //const int N = 3?？傊谶@個(gè)過(guò)程里我受益匪淺,讓我更加明了了自己專業(yè)的方向。最初的“懵懂”、焦慮并沒(méi)有影響老師的悉心關(guān)切，設(shè)計(jì)中遇到的問(wèn)題老師都一一解答。當(dāng)然，畢業(yè)設(shè)計(jì)這是一個(gè)需要不斷的嘗試，不斷的校核，不斷的修改，最后完成一個(gè)合理的設(shè)計(jì)的過(guò)程。在處處智能化的今天，基于OpenCV的運(yùn)動(dòng)目標(biāo)的檢測(cè)與跟蹤有著很美好的前景，相信今后會(huì)有更多的研究人員投入其中，使其應(yīng)用越來(lái)越廣泛。對(duì)于存在的一些問(wèn)題，有待于以后進(jìn)一步改進(jìn)和完善。實(shí)現(xiàn)攝像頭的數(shù)據(jù)采集過(guò)程，進(jìn)而編寫(xiě)基于VC的圖像處理程序，對(duì)畫(huà)面中的動(dòng)態(tài)物體進(jìn)行識(shí)別并用矩形方框?qū)⑵錁?biāo)記。3. 系統(tǒng)實(shí)驗(yàn)測(cè)試在軟件的設(shè)計(jì)和實(shí)現(xiàn)過(guò)程中，對(duì)多種設(shè)計(jì)方案和算法進(jìn)行編程實(shí)現(xiàn)，經(jīng)過(guò)多次測(cè)試，性能穩(wěn)定，運(yùn)行良好。提取單幀視頻圖像，采用各種算法對(duì)其進(jìn)行圖像預(yù)處理，并對(duì)處理效果進(jìn)行分析比較。結(jié) 論隨著計(jì)算機(jī)視覺(jué)在軍事領(lǐng)域、交通智能監(jiān)控領(lǐng)域的發(fā)展，視頻的運(yùn)動(dòng)目標(biāo)檢測(cè)及跟蹤必然會(huì)得到越來(lái)越廣泛的應(yīng)用和發(fā)展。視頻輸入有一個(gè)USB攝像頭?？偟恼f(shuō)來(lái)，運(yùn)動(dòng)目標(biāo)跟蹤的難點(diǎn)在于如何快速而可靠地從一幀圖像到另一幀圖像中匹配目標(biāo)。CvBlobTrackerOne只實(shí)現(xiàn)一個(gè)團(tuán)塊的跟蹤功能。視頻幀新團(tuán)塊（pos,size）前景掩碼新團(tuán)塊檢測(cè)模塊 新團(tuán)塊檢測(cè)模塊結(jié)構(gòu) 團(tuán)塊跟蹤模塊的輸入數(shù)據(jù)為當(dāng)前幀（是RGR圖像）、當(dāng)前幀的前景掩碼和新團(tuán)塊，輸出數(shù)據(jù)為當(dāng)前幀的團(tuán)塊信息（ID，pos，size）。例如運(yùn)動(dòng)的物體（人）被認(rèn)為是前景，而視頻中不動(dòng)的部分都被當(dāng)做背景區(qū)域。具體的前景檢測(cè)算法在文件cvaux/src/vs/。這些團(tuán)塊的集合可以是運(yùn)動(dòng)軌跡，或當(dāng)前幀中的所有團(tuán)塊。分割線索一般有目標(biāo)的運(yùn)動(dòng)特征、紋理特征和圖像深度信息等。它的基本原則就是通過(guò)相關(guān)函數(shù)的計(jì)算來(lái)找到待跟蹤目標(biāo)及其位置。早在上世紀(jì)50年代末期，歐洲MACE巡航導(dǎo)彈就已開(kāi)始采用圖像匹配技術(shù)作地形匹配制導(dǎo)。封閉的輪廓對(duì)應(yīng)于區(qū)域的邊界，而區(qū)域內(nèi)的像素可以通過(guò)填充算法來(lái)填滿，斷開(kāi)的輪廓可能是區(qū)域邊界的一部分，也可能是圖像的線條特征，如手寫(xiě)體筆畫(huà)、圖畫(huà)中的線條等。圖像中的邊緣通常與圖像亮度的不連續(xù)性或圖像亮度的一階導(dǎo)數(shù)的不連續(xù)性有關(guān)。圖像目標(biāo)的特征大致分為：① 像的視覺(jué)特征，如圖像的輪廓、邊緣、形狀、紋理和區(qū)域等特征；② 圖像的統(tǒng)計(jì)特征，如顏色直方圖、各種不變矩等特征；③ 圖像變換系數(shù)特征，如傅立葉描述子、小波變換系數(shù)和自回歸模型等特征；④ 圖像的代數(shù)特征，如圖像矩陣的奇異值分解等。研究一種魯棒性好、精確度高、性能穩(wěn)定和適用性強(qiáng)的目標(biāo)跟蹤方法依然面臨巨大挑戰(zhàn)，并且具有重要的理論意義和實(shí)用價(jià)值。5 目標(biāo)跟蹤算法的研究目標(biāo)跟蹤是在事先不了解目標(biāo)運(yùn)動(dòng)信息的條件下，通過(guò)來(lái)自信息源的數(shù)據(jù)實(shí)時(shí)估計(jì)出目標(biāo)的運(yùn)動(dòng)狀態(tài)，從而實(shí)現(xiàn)對(duì)目標(biāo)的位置和運(yùn)動(dòng)趨勢(shì)的判定。 幀間差法運(yùn)動(dòng)目標(biāo)檢測(cè)演示 由此可以看出，通過(guò)合理的快速的算法實(shí)現(xiàn)，該方法在應(yīng)用中取得了很好的效果。如梁勇提出的用多方位形態(tài)學(xué)結(jié)構(gòu)元素進(jìn)行邊緣檢測(cè)算法既具有較好的邊緣定位能力，又具有很好的噪聲平滑能力。實(shí)驗(yàn)結(jié)果： 膨脹與腐蝕的實(shí)驗(yàn)結(jié)果 可見(jiàn)，二值形態(tài)膨脹與腐蝕可轉(zhuǎn)化為集合的邏輯運(yùn)算，算法簡(jiǎn)單，適于并行處理，且易于硬件實(shí)現(xiàn)，適于對(duì)二值圖像進(jìn)行圖像分割、細(xì)化、抽取骨架、邊緣提取、形狀分析。先腐蝕后膨脹的過(guò)程稱為開(kāi)運(yùn)算。用B（x）對(duì)E進(jìn)行腐蝕的結(jié)果就是把結(jié)構(gòu)元素B平移后使B包含于E的所有點(diǎn)構(gòu)成的集合。膨脹定義為： ()上式表明用B膨脹E的過(guò)程是，先對(duì)B做關(guān)于原點(diǎn)的映射，再將其映象平移x，這里E與B映象的交集不為空集。換句話說(shuō)，用E來(lái)腐蝕A得到的集合是B完全包含在E中時(shí)B的原點(diǎn)位置的集合。在形態(tài)學(xué)中，結(jié)構(gòu)元素是最重要最基本的概念。 腐蝕與膨脹數(shù)學(xué)形態(tài)學(xué)中二值圖像的形態(tài)變換是一種針對(duì)集合的處理過(guò)程。該技術(shù)一般以二值圖像為處理對(duì)象，但也可以用在某些灰度圖像用中。動(dòng)態(tài)調(diào)節(jié)閥值實(shí)現(xiàn)圖像的二值化可動(dòng)態(tài)觀察其分割圖像的具體結(jié)果。為了得到理想的二值圖像，一般采用封閉、連通的邊界定義不交疊的區(qū)域。 圖像的二值化要從圖像中分離出對(duì)象物，得把圖形(對(duì)象物)和其背景作為二值圖像對(duì)待。其中： () ()上式中，T為閾值。這樣就達(dá)到了加大目標(biāo)信息的權(quán)重，同時(shí)抑制了靜態(tài)背景的效果，得到的運(yùn)動(dòng)檢測(cè)圖像包含了更多日標(biāo)的信息，不僅包含目標(biāo)輪廓而且還有目標(biāo)輪廓內(nèi)的目標(biāo)相關(guān)點(diǎn)，從而將運(yùn)動(dòng)目標(biāo)從背景圖像中分離出來(lái)，最終得到視頻序列圖像中運(yùn)動(dòng)存在與否的二值化圖像。如果不進(jìn)行重新初始化，錯(cuò)誤的檢測(cè)結(jié)果將隨時(shí)間不斷累計(jì)，造成惡性循環(huán)，從而造成監(jiān)控失效。由于實(shí)時(shí)性和實(shí)用性都比較差，所以不采用，也就不多做介紹了。 光流法光流是指圖像亮度模式的表觀(或視在)運(yùn)動(dòng)。 ()其中T 是二值化設(shè)定閥值。分析原因，前者是由于我們直接用相鄰的兩幀相減后，保留下來(lái)的部分是兩幀中相對(duì)變化的部分，因此兩幀間目標(biāo)的重疊部分不容易被檢測(cè)出來(lái)。2 程序設(shè)計(jì)復(fù)雜度低。 ()其中 , 為連續(xù)兩幀圖像。