【正文】 th,int height,int targetThreshold)。3) 將兩幅幀差圖像相乘，存在運(yùn)動重疊的地方出現(xiàn)較高的相關(guān)峰，其他不連續(xù)的區(qū)域的數(shù)值為零或較小，這樣利用閾值就能有效排除虛假目標(biāo)的干擾，從而得到較精確的運(yùn)動目標(biāo)的邊緣。公式如下： (36)式中，分別為配準(zhǔn)后的圖像像素，為經(jīng)過差分相乘處理后后所得圖像像素。 差分相乘原理在確定相鄰幀圖像背景間的運(yùn)動偏移量之后，把后幀圖像按運(yùn)動偏移量與前幀圖像進(jìn)行對準(zhǔn)，再作幀間差分運(yùn)算，現(xiàn)在就減掉了之前配準(zhǔn)的背景。當(dāng)兩幀圖像的背景只有平移變化時(shí)，只需要簡單計(jì)算出平移量就可以實(shí)現(xiàn)配準(zhǔn)。這個(gè)方法是基于圖像配準(zhǔn)技術(shù)的，通過圖像配準(zhǔn)處理估計(jì)出幀間運(yùn)動背景的全局運(yùn)動矢量，然后把后幀與前幀進(jìn)行圖像配準(zhǔn)。在達(dá)到預(yù)定的閾值后，ReceiveFrame函數(shù)將建立起背景模型，并進(jìn)行目標(biāo)檢測，檢測結(jié)果通過成員變m_pDiffImage量輸出。 if(pixel255) m_pBackground[t] = BYTE(255)。j++) { for(i=0。i++) m_pTemplate[j*nWidth+i]+=sGray[j*nWidth+i]。for(int j=0。i++) { int diff=sGray[j*nWidth+i]pGray[nWidth*j+i]。 for(j=0。 SaveBmp(m_pBackground,WIDTH,HEIGHT,8,index)。 SaveBmp(m_pBackground,WIDTH,HEIGHT,8,index)。GetMultiData(m_pGrayImage,WIDTH,HEIGHT)。 delete []m_pTemplate。 delete []m_pGrayImage。 memset(m_pTemplate,0,IMAGESIZE*sizeof(UINT))。 memset(m_pDetectImage,0,IMAGESIZE*3)。 memset(m_pBgImage,0,IMAGESIZE*3)。 memset(m_pGrayImage,0,IMAGESIZE)。 IMAGESIZE = WIDTH*HEIGHT。 類的實(shí)現(xiàn)include include /* Construction/Destruction*/CStatsticDetect::CStatsticDetect(int nwidth, int nheight){ m_nFrame = 0。 void GetBgImage()。 void Medianfilter_3x3(BYTE *sGray, int nWidth, int nHeight)。public : void RGBToYUV(BYTE *sRGB,BYTE* sGray, int nWidth, int nHeight)。 //存取前一幀灰度圖像 BYTE *image1。 //當(dāng)前灰度圖像 BYTE *m_pBackground。 //檢測結(jié)果圖像 int m_nFrame, count。 void ReceiveFrame(int index, BYTE* sBuf, DETECT_METHOD sMethod)。最后進(jìn)行形態(tài)學(xué)膨脹，將與物體接觸的所有背景點(diǎn)合并到該物體中，使邊界擴(kuò)張，把兩個(gè)靠的很近的物體連接起來，填補(bǔ)閾值分割后孔洞。 （33）對當(dāng)前幀圖像與背景圖像進(jìn)行差分處理之后，還需要進(jìn)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(cuò)誤標(biāo)記成運(yùn)動物體；閾值選得過大，一些運(yùn)動物體會被錯(cuò)誤標(biāo)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(dá)到預(yù)期的目標(biāo)跟蹤效果。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(yùn)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。本節(jié)根據(jù)它們的特點(diǎn)，把這兩種方法結(jié)合用來提取運(yùn)動目標(biāo)。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。算法的不足就是不能檢測完整的運(yùn)動目標(biāo)。(l)幀間差分法幀間差分法是常用的運(yùn)動目標(biāo)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(yùn)動區(qū)域。 靜止背景下的運(yùn)動目標(biāo)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(yùn)動能量法等。3 運(yùn)動目標(biāo)檢測運(yùn)動目標(biāo)檢測跟蹤把自動控制、圖像處理、信息科學(xué)等學(xué)科有機(jī)地結(jié)合在一起，形成了一種能從圖像中快速檢測出運(yùn)動目標(biāo)、提取運(yùn)動目標(biāo)位置信息并進(jìn)行實(shí)時(shí)跟蹤的高新技術(shù)。 圖22 直方圖表達(dá)目標(biāo)運(yùn)動軌跡表達(dá)了目標(biāo)運(yùn)動位置信息，它是由一系列的關(guān)鍵點(diǎn)和一組在這些關(guān)鍵點(diǎn)間插值的函數(shù)組成的。見圖21。全局運(yùn)動具有規(guī)律、整體性比較強(qiáng)等特點(diǎn)。在對圖像序列的研究時(shí)，一般把圖像分為前景和背景兩個(gè)部分，這樣運(yùn)動就區(qū)分為前景運(yùn)動和背景運(yùn)動兩部分。檢測場景中運(yùn)動目標(biāo)位置、運(yùn)動軌跡和運(yùn)動方向以及運(yùn)動速度，根據(jù)當(dāng)前圖像包含的運(yùn)動信息估測出目標(biāo)的運(yùn)動趨勢和運(yùn)動軌跡。第五章， 對課題進(jìn)行總結(jié)。具體章節(jié)分配如下：第一章， 緒論部分，敘述課題研究的背景及現(xiàn)狀，以及存在的問題。這就導(dǎo)致目標(biāo)跟蹤實(shí)時(shí)性和準(zhǔn)確性不可能同時(shí)達(dá)到最大，運(yùn)動目標(biāo)跟蹤必然平衡好兩者。l 難以選取運(yùn)動目標(biāo)特征動態(tài)圖像序列包含大量信息，這些信息都可用與目標(biāo)檢測跟蹤，但由于這些信息非常龐雜，所以提取那些信息作為運(yùn)動目標(biāo)檢測跟蹤的特征也需要認(rèn)真研究，需要根據(jù)運(yùn)動的具體情況來選擇，很難說有一種普遍的實(shí)用的運(yùn)動特征用于目標(biāo)檢測跟蹤。目前用于目標(biāo)跟蹤的方法有很多，如基于濾波理論的目標(biāo)跟蹤算法、Mean Shift目標(biāo)跟蹤算法、偏微分方程算法等等。第二，圖像分割和目標(biāo)的檢測技術(shù)，在復(fù)雜的場景中利用圖像分割技術(shù)從圖像中檢測出可能的運(yùn)動目標(biāo)。隨著研究的加深和技術(shù)的成熟，我國在視頻監(jiān)控、交通管理、醫(yī)療診斷、導(dǎo)彈制導(dǎo)、雷達(dá)預(yù)警、工業(yè)生產(chǎn)等領(lǐng)域有了很多的研究成果。但我國的圖像處理技術(shù)、運(yùn)動目標(biāo)識別跟蹤技術(shù)正在穩(wěn)步發(fā)展。美國康奈爾大學(xué)的實(shí)驗(yàn)室研制完成一套航拍視頻檢測跟蹤系統(tǒng)，針對目標(biāo)運(yùn)動狀態(tài)不穩(wěn)定以及目標(biāo)被遮擋問題，能夠?qū)Χ嗄繕?biāo)實(shí)施準(zhǔn)確實(shí)時(shí)跟蹤。 國內(nèi)外發(fā)展與研究現(xiàn)狀1974年，美國白沙導(dǎo)彈靶場聯(lián)合新墨西哥州立大學(xué)以及亞利桑那大學(xué)科學(xué)中心開始研制實(shí)時(shí)電視跟蹤系統(tǒng)。如車輛自動駕駛，期望車輛能夠識別道路特征和路面情況，并作出相應(yīng)駕駛調(diào)整；如機(jī)器手的應(yīng)用，要求安裝機(jī)器手配備的攝像機(jī)拍攝目標(biāo)圖像，利用跟蹤技術(shù)計(jì)算目標(biāo)運(yùn)動軌跡，做出最佳的動作等。在智能交通監(jiān)控系統(tǒng)中，期望系統(tǒng)能夠在不需要人的干預(yù)、或者很少干預(yù)的情況下，通過對攝像機(jī)拍錄的視頻序列進(jìn)行分析來實(shí)現(xiàn)相應(yīng)的需求。以動態(tài)圖像序列為基礎(chǔ)的目標(biāo)檢測和跟蹤研究是成為目標(biāo)跟蹤領(lǐng)域的重要方向。運(yùn)動目標(biāo)位置的改變在圖像上的反映就是相鄰幀灰度的空間分布改變。關(guān)鍵詞 數(shù)字圖像處理 運(yùn)動目標(biāo)檢測 運(yùn)動目標(biāo)跟蹤 AbstractIn recent years, with the development of information technology, image processing technology has been more widely used. Moving target detection and tracking of digital image processing part, has also bee the research focus of the theory and application of image processing technology. The basic characteristic of the dynamic image is grayscale changed. Reflection of the change of the moving target position on the image is the gray space between adjacent frames distribution of changes, of course, the existence of such circumstances, there is no target motion in the scene, but due to the change of light and other conditions, also caused adjacent frames gray value changes. This topic only ment on the problem of target detection and tracking of moving targets when the scene.This paper analysis the principle of moving target detection and tracking, programs to achieve the target detection and tracking. Moving target detection and tracking is divided into two parts, namely the goal of realtime detection and realtime tracking of the target analysis, target detection part is divided into moving target detection in static background and dynamic background of target detection, static object detection method: interframe difference method, background subtraction, block matching and optical flow method. Target tracking parts of the two methods were analyzed, a Mean shiftbased target tracking method, and the other is the focus of lawbased target tracking method. Experiments show that the above method can achieve detection and tracking of moving targets.Keywords: Digital image processing Moving target detectionMoving targets tracking目 錄摘要 IAbstract II1 緒論 1 課題研究背景與意義 1 國內(nèi)外發(fā)展與研究現(xiàn)狀 2 目標(biāo)檢測跟蹤存在的問題 3 主要研究內(nèi)容與論文結(jié)構(gòu) 42 運(yùn)動目標(biāo)檢測跟蹤基礎(chǔ) 5 運(yùn)動圖像的分析 5 運(yùn)動估計(jì) 5 運(yùn)動目標(biāo)檢測 5 運(yùn)動目標(biāo)分割 5 運(yùn)動目標(biāo)跟蹤 5 運(yùn)動的分類 5 運(yùn)動的表達(dá) 5 矢量場表達(dá) 6 直方圖表達(dá) 6 運(yùn)動軌跡的表達(dá) 73 運(yùn)動目標(biāo)檢測 8 靜止背景下的運(yùn)動目標(biāo)檢測 8 建立背景模型 9 檢測變化區(qū)域 9 檢測運(yùn)動目標(biāo) 10 靜態(tài)背景目標(biāo)檢測你算法的實(shí)現(xiàn) 11 動態(tài)背景下得運(yùn)動目標(biāo)檢測 18 圖像配準(zhǔn) 18 差分相乘原理 18 基于差分相乘原理的運(yùn)動目標(biāo)檢測算法實(shí)現(xiàn) 194 運(yùn)動目標(biāo)跟蹤 24 基于Mean Shift的運(yùn)動目標(biāo)跟蹤算法 24 基于Mean Shift的目標(biāo)跟蹤的基本原理 24 運(yùn)動目標(biāo)跟蹤中的Mean Shift算法 25 Mean shift跟蹤算法的實(shí)現(xiàn) 28 基于形心法的目標(biāo)跟蹤算法 37 基本理論 37 算法實(shí)現(xiàn) 385 結(jié)論 41致謝 42參考文獻(xiàn) 431 緒 論 課題研究背景與意義近年來，隨著信息技術(shù)地發(fā)展，圖像處理技術(shù)越來越得到廣泛地應(yīng)用。本設(shè)計(jì)主要是對運(yùn)動目標(biāo)檢測與跟蹤原理進(jìn)行分析，并通過編程實(shí)現(xiàn)對目標(biāo)的檢測與跟蹤。運(yùn)動目標(biāo)檢測是指在視頻或圖像序列中把感興趣的并且運(yùn)動著的目標(biāo)與背景和其他不感興趣的運(yùn)動目標(biāo)進(jìn)行區(qū)分。運(yùn)動目標(biāo)檢測與跟蹤是數(shù)字圖像處理重要部分，也成為圖像處理技術(shù)理論和應(yīng)用的研究熱點(diǎn)。本課題只分析目標(biāo)運(yùn)動時(shí)的目標(biāo)檢測跟蹤問題。實(shí)驗(yàn)證明，通過以上方法能夠很好地實(shí)現(xiàn)對運(yùn)動目標(biāo)的檢測與跟蹤。相比與靜態(tài)圖像，動態(tài)圖像的基本特征就是灰度發(fā)生了改變。相比與靜止圖像，圖像序列增加了時(shí)間這一變量，使得動態(tài)圖像序列幀間存在一定的時(shí)間和空間上的對應(yīng)關(guān)系，這也導(dǎo)致我們可以利用動態(tài)圖像序列更好地研究運(yùn)動目標(biāo)的檢測與跟蹤過程。l 視頻監(jiān)控視頻監(jiān)控系統(tǒng)主要應(yīng)用于對安全要求比較高的場所，諸如銀行、小區(qū)、超市、停車場、交通路口等。期望機(jī)器通過裝配的攝像設(shè)備檢測環(huán)境，能夠?qū)崿F(xiàn)跟蹤和識別環(huán)境中的物體，并做出相應(yīng)動作。雷達(dá)、經(jīng)緯儀、無人機(jī)、導(dǎo)彈導(dǎo)航系統(tǒng)、導(dǎo)彈攔截系統(tǒng)、預(yù)警系統(tǒng)等等，這些技術(shù)的應(yīng)用都?xì)w功與目標(biāo)檢測跟蹤技術(shù)的進(jìn)步和發(fā)展。1997年，美國國防高級研究項(xiàng)目署設(shè)立關(guān)于視覺監(jiān)控的項(xiàng)目，主要研究用于戰(zhàn)場及普通民用場景進(jìn)行監(jiān)控的自動視頻理