【正文】 存在大面積均勻灰度的時候，會產生“孔洞”現象，導致將運動目標的圖像分割成幾個部分。2. 閾值的選?。?在運用幀間差法提取運動目標時，涉及到閾值的選取問題。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性。下面介紹兩種亮度統計法來提取背景。 (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) 路面信息統計后的閾值分割結果 (b) 多幅圖像統計后的閾值分割結果 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果。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。：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，將各次的結果組合起來，就可得到完整的橢圓目標。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。如果在某一個位置的變化只偶爾出現，就可判斷為噪聲。設該圖像中各個位置的值是每次比較中發(fā)生變化的次數總和。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。將三幀差分與自適應背景差技術結合，引入三幀背景差分方法來檢測運動目標。= ()= ()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，該背景并非當前圖像的真實背景，而是從多幅圖像中經統計學習得到的背景模型。2. 背景差法的實現 原始圖像 多幅圖像統計的背景亮度圖 背景差法實現結果實驗證明，該方法能夠提取出背景圖像（），它在提取背景的過程中，不受前景物體的影響。另外，運動目標也可能長時間停留在場景中，對于這部分區(qū)域，可以在一段時間后將其看作背景的一部分。三幀背景差分法算法比較簡單，運算量小大，比較適用于實時監(jiān)控。第3章 基于改進的光流法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。光流(Optical Flow)是指圖像亮度模式的表觀(或視在)運動(Apparent Motion)。此時光流不等于零，但運動場為零，因為物體沒有運動?；谔荻鹊姆椒ɡ脠D像灰度的梯度來計算光流，這是研究的最多的一種方法。全局約束的方法[16]假定光流在整個圖像范圍內滿足一定的約束條件。依據該象素上的位移幀差的梯度最小值，對預測作進一步的修正。如果遞歸過程中v收斂，假設圖像大小為NN，搜索相應窗口范圍為MxM，則平均做步。同時，通過對低分辨率、尺寸較小的上層進行分析所得到的信息還能用來指導對高分辨率、尺寸較大的下層進行分析，從而大大簡化了分析和計算。借助一個小符號能夠寫出高斯金字塔各層的簡單表達式。：(a) 高斯金字塔第一層（原圖像） (b) 高斯金字塔第二層 (c) 高斯金字塔第三層2. 數學形態(tài)學的基本思想數學形態(tài)學是研究數字影像形態(tài)結構特征與快速并行處理方法的理論，是通過對目標影像的形態(tài)變換實現結構分析和特征提取的。從圖2g中可知，使具有一定的形態(tài)的結構元素度量和提取圖像中的對應形狀信息，在形態(tài)學的操作中最重要的是結構元素的選擇，結構元素是一個用來定義形態(tài)學操作中所用到的鄰域的形狀和大小的矩陣，該矩陣僅由0和1組成，具有任意的大小和維數，1代表鄰域內的像素，形態(tài)學運算都是對數值為1的區(qū)域進行運算?？梢?，對于膨脹運算，結構元素b的反射與輸入圖像f的交不為空(也就是說，只要有一個相交即可)。b對f的開啟定義為： ()b對f的閉合定義為： ()開啟運算能夠去除圖像上與結構元素不相吻合的凸區(qū)域，同時保留那些相吻合的區(qū)域。 基于改進光流法的運動目標提取方法1. 基于金字塔光流法的光流值計算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。設第L1層的圖像為，則通過降采樣，上一層第L層的圖像為： () 升采樣為降采樣的逆過程，現將圖像隔行插入0點，再通過與濾波器卷積并乘以4，得到下一層的圖像。即將計算出的離散點光流值連成一片區(qū)域，利于下一步進行面積閾值判斷。3. 基于改進光流法的面積閾值算法在檢測結果可能會出現一些孤立的小區(qū)域，這些孤立的小區(qū)域是在分割的過程中被錯誤分割出來的，如果不把這些小區(qū)域過濾掉，很有可能會把它們也認為是運動目標區(qū)域。這些特征信息描述了運動物體的特征。如何實現在遮擋情況下的多目標跟蹤是視頻監(jiān)控的難點。(3) 對背景和車輛顏色接近的情況進行分割 (a)原始圖像 (b)亮度圖像 (c)分割后圖像，分割出的圖像（(c)）具有車的特征，分割效果較為理想。計算機視頻處理主要由視頻數據的獲得，圖像處理，車輛檢測等幾大部分組成，這些部分的總體構成方案及各部分的性能優(yōu)劣直接影響處理系統的質量。實時性：實時性就是程序的處理必須在時間上與外部發(fā)生的事件同步，即對外來事件在限定時間內能夠做出反應。它表現在以下幾個方面：包括獲取圖像即時，處理分析即時，輸出結果即時，控制其他設備即時，總體的“即時”是各部分即時的綜合表現。由于目前圖像的輸入方式是以逐點輸入為主，這樣就對圖像的數字化要求很高。最后，山于信息網絡化的發(fā)展趨勢“即時”還應包括數字化圖像的遠距離傳輸。通常圖像空間分辨率和圖像數字化空間精度有關。采用成熟的、并經實踐證明其實用性的技術，能滿足現在業(yè)務處理的需要，并能適應將來一定時期業(yè)務發(fā)展的需要。如主機、硬盤、網絡等所有關鍵硬件資源都能做到冗余各份。就本文的系統來說，將來可擴充的功能包括：車牌識別，車型識別等等。另一個方而，在這些原則的取舍時，要考慮這十個原則是有輕重之分的，比如，系統的實用性和實時性就是非常重要的原則。該系統的性能特點是：支持攝像頭運動的情況；支持不同道路環(huán)境，快速適應道路環(huán)境變化；可同時監(jiān)控小同路段和多條車道；通過有效且直觀的信息反饋，實現實時監(jiān)控。(3)圖像預處理：算法子系統首先將這些采集到的序列數字圖像進行預處理：濾波除噪，灰度轉換等等。軟件：Windows9X， windows2000， XP操作系統，可視化編程語言Visual C++.net、MFC，圖像處理工具庫OPENCV。1. Visual C++.net Visual C++.net[25]是美國Microsoft公司推出的4GL軟件開發(fā)工具，目前已成為國內應用最廣泛的高級程序設計語言之一。2) 眾多的開發(fā)商支持以及業(yè)已成為工業(yè)標準的MFC類庫：MFC類庫已經成為事實上的工業(yè)標準類庫，得到了眾多開發(fā)商和軟件開發(fā)工具的支持；另外，由于眾多的開發(fā)商都采用Visual C++.net進行軟件開發(fā)，這樣用Visual C++.net開發(fā)的程序就與別的應用軟件有許多相似之處，易于學習和使用。2. OpenCVOpenCV是Intel公司開發(fā)的開源圖像處理和計算機視覺函數庫。它有以下一些特點：1) 開放C源碼；2) 基于Intel處理器指令集開發(fā)的優(yōu)化代碼；3) 統一的結構和功能定義；4) 強大的圖像和矩陣運算能力；5) 方便靈活的用戶接口；6) 同時支持MSWINDOWS， LINUX平臺。同時，OpenCV也在不斷成長和完善中，增加了更多功能強大結構復雜的函數，彌補了一些現有函數的不足。窗口4窗口5窗口6窗口3窗口2窗口1注：窗口6功能未實現，為預留窗口，有利于系統功能的擴展。在地圖上同時還將顯示地理信息，當前檢測的交通路段或路口信息，以及用不同顏色標記的交通態(tài)勢信息等。窗口中顯示的圖像可以進行放大、縮小等操作。在背景差的方法中，“丟檢”主要出現在運動汽車的灰度接近于道路的情況。在金字塔光流法中，“丟檢”主要出現在運動速度過慢情況。相反，幀間差法對檢測低速、高速、靜止的、大面積沒有紋理的目標有困難，但對檢測灰度同背景相似的運動目標有優(yōu)勢。表52 三種運動目標提取方法性能比較背景差法三幀背景差分法金字塔光流法靜止目標能能不能灰度與道路接 近的運動目標差較優(yōu)較優(yōu)大面積無紋理 的運動目標較優(yōu)差較優(yōu)高速運動目標較優(yōu)較差優(yōu)低速運動目標較優(yōu)較差較差第6章 當前不足及前景展望 當前不足及解決建議1. 當攝像機運動時，攝像機的運動導致相對大地靜止的景物在圖像平面也產生運動。同時，由于光流法計算量較大，導致系統的實時性受到影響，建議計算一次光流值后，利用卡爾曼濾波計算出下一刻的狀態(tài)值，從而實現目標的跟蹤，原理框圖如下：3. 視頻交通目標檢測及識別系統功能不夠完善，雖然目前能能夠)能夠對監(jiān)視區(qū)域內的通過車輛數目進行實時計數，并對監(jiān)視區(qū)域內的運動車輛進行實時速度測量，但作為一套實用性較強的系統，還應該能夠將交通檢測獲得的數據存入數據庫，并對數據庫的數據進行統計輸出，同時能夠保存道路現場的視頻數據，以供將來進行錄像回放。2. 目前常用的算法在解決動態(tài)背景下的運動目標提取時都會存在運算量較大的問題，可以考慮引入機器學習的理論，先建立目標的模型庫，再通過特征匹配識別出目標，同時結合幀間的相關信息，減少檢測算法的運算量并能提高檢測算法的識別率。雖然三幀差背景差分技術己經考慮了背景的運動問題，但該方法僅從序列圖像的角度出發(fā)，未考慮攝像機的運動影響，因而差圖像中仍可能存在偽運動信息，需進行運動補償。致謝值此論文完成之際，我要向所有給我指導、幫助和關心的人表示感謝。感謝吳財軍老師在學習生活中給予的指導、支持和關心。最后，我要感謝我的父親和母親，是他們撫育我長大成人，支持我完成本科生階段的學業(yè)。A 7：912922.[18] Lucas B and Kanade T. An Iterative Image Registration Technique with an Application to Stereo Vision. Proc. Of 7th International Joint Conference on Artificial Intelligence (IJCAI), .[19] Linda , George ,2005年.[20] JeanYves Bouguet. Pyramidal Implementation of the Lucas Kanade Feature Tracker.[21] Anderson C, Bert P and Vander Wal G.. Change detection and tracking using pyramids transformation techniques. In： Proc SPIE Conference on Intelligent Robots and Computer Vision, Cambridge,MA,1985, 579： 7278.[22] Rafael . 數字圖像處理. 電子工業(yè)出版社, 2005.[23] 蘇虹, 32(9)：2427.[24] A. Mutrat Tekalp著,1998.[25] 曉東, C++.NET中文版實用培訓教程. 清華大學出版社, 2002.[26] Intel Corporation. OpenCV Reference Manuals.。在此，謹以此文獻給我的雙親，以表達我對他們最深的感激和愛。在學習期間，陳煦陽、吳燕雄、吳明璽等同學給我很多耐心的幫助，在此深表感謝。羅老師認真嚴謹的治學精神和科學的研究方法給了我很深的影響，使我終生受益。3. 在上述研究的基礎上，構建了視頻交通目標檢測及識別系統，它主要是被設計用來統計交通路段上行駛的機動車的數量，并監(jiān)測道路交通狀況。并搭建了基于改進光流法的視頻交通目標檢測及識別系統。 前景展望1. 視頻交通目標檢測及識別系統有必要拓寬車輛檢測算法以解決不同同的交通場景下的車輛檢測(這些場景包括黑夜，雪天條件下的交通視頻檢測)。為此，在做差圖像前，應先彌補攝像機的運動，做運動補償。金字塔光流法解決了大目標的識別問題。表51 三種方法的檢測率比較丟檢率%誤檢率%檢測率%背景差