【正文】 0751517120851654 運動目標(biāo)跟蹤算法研究運動目標(biāo)跟蹤是智能視頻監(jiān)控系統(tǒng)的主要應(yīng)用部分，是整個系統(tǒng)有效地、智能地運行的關(guān)鍵，是運動目標(biāo)檢測的延續(xù)。得到的二值圖像，使用開運算進行形態(tài)學(xué)濾波，結(jié)構(gòu)元素，消除其中存在的噪聲，獲得較好的目標(biāo)形態(tài)。圖像預(yù)處理包括：灰度圖像轉(zhuǎn)換，圖像濾波；基于累積差分更新背景減除法包括：背景模型建立與更新，運動目標(biāo)提取；檢測后處理包括：形態(tài)學(xué)濾波，連通分量分析。閥值的獲取采用灰度直方圖閥值分割法[59,60]，灰度直方圖表示圖像中灰度級的概率分布，圖像中運動目標(biāo)與背景像素灰度值存在明顯差異，在直方圖上表現(xiàn)為兩峰或多峰分布，差分結(jié)果是當(dāng)前幀與背景模型坐標(biāo)處的灰度差值，由差值的大小來判斷像素點是否為運動目標(biāo)，因此閥值應(yīng)設(shè)定為直方圖中兩主峰間的差值。首先采用視頻序列第1幀圖像作為初始背景，以后序列幀中時刻當(dāng)前幀圖像 與前一時刻背景圖像進行差分運算，得到一個背景模型更新模板，由判決閥值對更新模板二值化得到： （）若當(dāng)前幀圖像與前一時刻背景圖像某些像素處的差值大于閥值，可認為該區(qū)域發(fā)生了變化，但由于不能判定該變化是由運動目標(biāo)進入場景而出現(xiàn)的前景區(qū)域還是背景區(qū)域發(fā)生的變化，當(dāng)前時刻背景圖像按如下方法更新： （）其中、為更新因子，且，此時將的像素點創(chuàng)建累積差分值，并使，隨著后續(xù)序列幀的輸入，每當(dāng)差值大于閥值時，累積差分值加1，當(dāng)大于設(shè)定值時，基本可以認定差值較大的區(qū)域是場景中背景區(qū)域發(fā)生的變化即新出現(xiàn)的背景像素，此時背景圖像按如下方法更新： （）對于滿足條件的像素點，用當(dāng)前幀像素值替換，由于當(dāng)前幀更能反映背景變化的情況，且隨著幀數(shù)的增加背景波動紋理增多，誤差增大，因此選擇適當(dāng)?shù)拈y值，更新因子、以及設(shè)定值是用該方法建立與更新背景模型的關(guān)鍵。高斯模型法是通過對視頻序列幀圖像中的每個像素建立高斯分布模型，根據(jù)高斯分布模型的變化，從而更新背景模型的方法。統(tǒng)計平均法是對連續(xù)視頻序列幀圖像求平均值，將得到的平均值作為當(dāng)前背景模型中的像素值的方法。在視頻序列的連續(xù)幀中，光流場在整幅圖像中是連續(xù)變化的，當(dāng)圖像中出現(xiàn)運動目標(biāo)，運動目標(biāo)即前景區(qū)域速度場與靜止或運動的背景區(qū)域的速度場不同，則可區(qū)分出目標(biāo)區(qū)域與背景區(qū)域。背景減除法的性能嚴重依賴于背景模型的獲取與更新，（c）當(dāng)行人未進入場景時有車輛經(jīng)過，而背景模型由第1幀替換為車輛經(jīng)過時序列幀，（e）就會出現(xiàn)差錯。背景減除法的核心是建立并維護一個背景模型，假設(shè)獲取的視頻序列第1幀為背景模型，當(dāng)前視頻幀為，將當(dāng)前幀與背景模型進行差分運算如下： （）其中為當(dāng)前幀圖像坐標(biāo)像素灰度值，為背景模型對應(yīng)像素灰度值，為差分后絕對值，由判決閥值對差分后圖像進行二值化： （）二值圖像中，像素為1的區(qū)域即檢測出的運動目標(biāo)區(qū)域。 幀間差分法流程圖Fig the flow chart of interframe difference algorithm將得到的二值圖像進行形態(tài)學(xué)濾波后，輸出檢測出的運動目標(biāo)。本章主要研究了靜態(tài)背景下的運動目標(biāo)檢測算法，提出了一種基于累積差分更新的背景減除法，經(jīng)實驗該算法能實時有效地檢測出運動物體。（a）4鄰接方式 （b）8鄰接方式 連通分量標(biāo)記Fig connected ponent stable3 運動目標(biāo)檢測算法研究運動目標(biāo)檢測是智能視頻監(jiān)控系統(tǒng)的核心部分，是整個系統(tǒng)能夠準(zhǔn)確、實時、穩(wěn)定運行和后續(xù)運動目標(biāo)跟蹤、目標(biāo)識別與分析的基礎(chǔ)。灰度值為1的像素是待提取的像素，與該像素相鄰的像素規(guī)定了兩種鄰接方式：4鄰接，水平與垂直方向上的相鄰像素；8鄰接，除水平與垂直方向外還包括對角方向上的相鄰像素。（c）顯示了用B對A進行閉運算的過程，經(jīng)閉運算后，比B小的細長鴻溝被填充，連接和突出部分被保存下來，圖形邊緣方向角變得圓滑。閉運算可以消彌狹窄間斷和細長鴻溝、填充細小孔洞等同樣使物體輪廓光滑，對中的集合A和B，使用結(jié)構(gòu)元素B對集合A進行閉運算定義如下： （）因此，使用B對A進行閉運算的定義是先用結(jié)構(gòu)元素B對集合A進行膨脹，然后再用結(jié)構(gòu)元素B對膨脹后的結(jié)果進行腐蝕。形態(tài)學(xué)的4種基本運算是：膨脹、腐蝕、開運算和閉運算。 （a）加入脈沖噪聲 （b）中值濾波結(jié)果 （c）均值濾波結(jié)果 中值濾波結(jié)果Fig the result of medium value filtering 形態(tài)學(xué)處理二值圖像是只有兩個灰度級的圖像，即黑色灰度值為0，白色灰度值為1。中值濾波能有效地去除脈沖（椒鹽）噪聲，同時較好地保留了物體的邊緣，因為中值濾波只對區(qū)域小于的孤立噪聲點有效，對更大的區(qū)域影響減小。 （a）灰度圖像 （b）加入高斯噪聲 （c）均值濾波結(jié)果 均值濾波結(jié)果Fig the result of average value filtering（2）中值濾波中值濾波是一種非線性的統(tǒng)計排序濾波器，其原理是對一定圖像區(qū)域內(nèi)的像素值進行排序，由統(tǒng)計排序結(jié)果來確定該區(qū)域中心像素值[25]。濾波模板的大小會影響去除噪聲和不相干細節(jié)的能力，也會導(dǎo)致不同的模糊程度，一般采用或的濾波模板。本文基于數(shù)字圖像的特性，將獲取的彩色圖像變換為灰度圖像后，對其進行空間域濾波。本文中輸入信號為YCbCr4:2:2格式，每個色度信道的采樣率是亮度信道的一半，對于8比特圖像，相鄰4個像素需要8字節(jié)內(nèi)存空間。YUV模型亮度信號與色度信號是分離的，只有Y信號時顯示的就是灰度圖像。BMP格式?jīng)]有灰度圖像的概念，若圖像每個像素R=G=B=γ，該圖像就是灰度圖像，RGB模型彩色圖像轉(zhuǎn)變?yōu)榛叶葓D像的公式如下： （）CMY色彩模型與RGB模型相似，但采用的三基色青、深紅、黃是顏料原色，與RGB中三原色相加產(chǎn)生色彩不同，CMY模型是基于相減色原理的，例如青色吸收白光中的紅色，深紅吸收白光中的綠色，黃吸收白光中的藍色。RGB色彩模型來源于自然界中的三原色，Red、Green、Blue原色光譜分量按一定比列混合，就能夠得到RGB模型中的任意一種顏色，該模型基于笛卡爾坐標(biāo)系，顏色空間是一立方體，紅綠藍分別位于坐標(biāo)軸上3個頂點，黑色位于原點，白色位于原點的對角，將顏色值歸一化后，所有的顏色值都在立方體表面或內(nèi)部，灰度等級沿黑白兩點間的連線分布。常見的色彩模型有RGB模型、CMY模型、YUV模型。簡單地說就是定義了一種數(shù)據(jù)傳輸接口而已。PAL制式傳輸一個亮度信號和兩個色度信號，其中一個色度信號進行逐行交替相位調(diào)制，另一個色度信號進行正交平衡調(diào)制。(a) 單個傳感器 (b) 傳感器陣列 傳感器及傳感器陣列Fig a sensor and a array of sensors數(shù)字圖像是將連續(xù)模擬圖像信號進行采樣和量化后的結(jié)果，可以用一個矩陣來表示，如下： （）就表示了一幅M行N列的數(shù)字圖像，矩陣中每個元素稱為一個像素。CCD（Chargecoupled Device）電荷耦合器件，1969年由美國Bell試驗室的Willard S. Boyle和George E. Smith發(fā)明，兩位科學(xué)家也因發(fā)明了電荷耦合器件圖像傳感器CCD而獲得2009年諾貝爾物理學(xué)獎。人類通過眼睛來獲取圖像，而機器的眼睛則是傳感器。目標(biāo)檢測部分：對圖像采集部分送來的數(shù)據(jù)進行處理，首先進行預(yù)處理包括，彩色圖像到灰度圖像變換、圖像濾波，然后進行運動目標(biāo)檢測包括，背景模型建立及更新、運動目標(biāo)提取，再對檢測得到的二值圖像還要進行形態(tài)學(xué)處理、連通分量分析。 系統(tǒng)結(jié)構(gòu)智能視頻監(jiān)控系統(tǒng)實現(xiàn)了從攝像頭采集視頻數(shù)據(jù)，數(shù)據(jù)傳送到工作站進行處理，監(jiān)控終端監(jiān)視器畫面顯示，監(jiān)控畫面存儲，異常情況報告，遠程數(shù)據(jù)傳輸?shù)裙δ?。第六?基于SOPC的運動目標(biāo)檢測與跟蹤系統(tǒng) 介紹了SOPC開發(fā)平臺，給出了系統(tǒng)的總體設(shè)計，各模塊的設(shè)計，最后進行了仿真與測試。第二章 系統(tǒng)結(jié)構(gòu)與關(guān)鍵技術(shù) 給出了基于視頻的運動目標(biāo)檢測與跟蹤系統(tǒng)的功能模塊圖，介紹了系統(tǒng)所用到的視頻信號制式、圖像色彩模型和圖像處理技術(shù)。（2）分析了比較了連續(xù)自適應(yīng)均值漂移CAMShift算法與Kalman濾波算法，在綜合考慮跟蹤精度和計算復(fù)雜度的基礎(chǔ)上，提出了一種改進后的Kalman濾波與目標(biāo)直方圖匹配相結(jié)合的運動目標(biāo)跟蹤算法，經(jīng)測試該算法能對檢測出的目標(biāo)進行有效的跟蹤。 主要研究內(nèi)容及本文結(jié)構(gòu)本文主要就基于視頻的運動目標(biāo)檢測與跟跟系統(tǒng)進行了研究，限制在單攝像機靜止背景下，研究了一個基于視頻的運動目標(biāo)檢測與跟蹤系統(tǒng)的主體結(jié)構(gòu)以及工作流程，系統(tǒng)視頻信號的制式以及各種圖像數(shù)據(jù)結(jié)構(gòu)，以及圖像濾波、形態(tài)學(xué)處理、連通分量分析、灰度直方圖等圖像處理技術(shù)。SOPC系統(tǒng)采用了IP核復(fù)用技術(shù)，特別是IP軟核技術(shù)，使得在一個系統(tǒng)中可以實現(xiàn)多處理器。雖然處理數(shù)據(jù)方面有優(yōu)越性，但系統(tǒng)控制方面能力略顯不足。（2）基于DSP平臺，DSP（Digital Signal Processor）處理器是一種專門為處理大量數(shù)據(jù)而設(shè)計的專用處理器，因為其強大的數(shù)據(jù)處理能力和極快的運算速度，特別適合于各種數(shù)字信號處理，能快速實現(xiàn)各種數(shù)據(jù)處理算法。小型化，隨著系統(tǒng)的規(guī)模越來越大，基于計算機的系統(tǒng)體積過于龐大，已經(jīng)不適應(yīng)這種發(fā)展，使用嵌入式系統(tǒng)是今后主要的發(fā)展方向。（3）魯棒性，是指算法在受到外界干擾時，能繼續(xù)執(zhí)行原先功能的穩(wěn)定能力，如在有新目標(biāo)進入畫面，畫面中目標(biāo)發(fā)生重疊等情況下，算法能繼續(xù)進行目標(biāo)跟蹤而不發(fā)生丟失。 智能視頻監(jiān)控系統(tǒng)效果圖 the running frames of intelligent video surveillance 發(fā)展趨勢未來的視頻監(jiān)控系統(tǒng)將向智能化，實時化，小型化發(fā)展。2011年12月，全國首個城域級視頻監(jiān)控網(wǎng)，被譽為城市智慧之眼的武漢城市視頻監(jiān)控系統(tǒng)正式運行，該系統(tǒng)由遍布全市的25萬個攝像頭組成，由城域級通信專網(wǎng)承載，能放大200米遠的車牌，具有自動監(jiān)控跟蹤，異常情況報告等功能。一些重要學(xué)術(shù)會議：計算機視覺和模式識別會議CVPR（IEEE Computer Society Confe rence on Computer Vision and Pattern Recognition）、視覺監(jiān)控會議IWVS（IEEE Interna tional Workshop on Visual Surveillance）、國際計算機視覺會議ICCV（International Confe rence on Computer Vision）等將智能視頻監(jiān)控及其關(guān)鍵技術(shù)作為會議的主題之一，促進了該研究領(lǐng)域的交流與發(fā)展。智能視頻監(jiān)控系統(tǒng)與傳統(tǒng)監(jiān)控系統(tǒng)相比優(yōu)勢突出，有極高的實用價值和經(jīng)濟價值。智能視頻監(jiān)控系統(tǒng)有效地解決了傳統(tǒng)視頻監(jiān)控系統(tǒng)中存在的由人為因素帶來的及時性差、效率低的問題。近年來，智能視頻監(jiān)控系統(tǒng)已經(jīng)廣泛應(yīng)用于人們生產(chǎn)生活的各個方面。然而，（John Von Neumann）博士發(fā)明了程序儲存體系結(jié)構(gòu)的電子計算機以來，隨著微電子技術(shù)的不斷進步和因特網(wǎng)（Internet）這一全球互聯(lián)網(wǎng)的形成，當(dāng)代計算機家族徹底地改變了人們的生活。智能技術(shù)、多媒體技術(shù)已成為信息時代的主導(dǎo)技術(shù)，計算機視覺、視頻圖像處理等領(lǐng)域已成為研究領(lǐng)域中的前沿和熱點。 Object Tracking。然后，在VC++，采用MFC應(yīng)用程序框架及OpenCV計算機視覺庫代碼，實現(xiàn)了基于USB攝像頭的運動目標(biāo)檢測與跟蹤系統(tǒng)，對于USB攝像頭或AVI視頻文件輸入的視頻，系統(tǒng)能實時檢測出場景中的運動物體并進行跟蹤。運動目標(biāo)檢測與跟蹤是智能視頻監(jiān)控系統(tǒng)中的關(guān)鍵技術(shù)和主要研究方向，目的是實時檢測視頻序列幀中出現(xiàn)的運動目標(biāo)，獲得目標(biāo)參數(shù)，對運動目標(biāo)進行匹配和跟蹤，進而獲得目標(biāo)的運動軌跡。與我一同工作的同志對本研究所做的貢獻均已在論文中做了明確的說明并表示了謝意。盡我所知，除文中已經(jīng)注明引用內(nèi)容和致謝的地方外，本論文不包含其他個人或集體已經(jīng)發(fā)表的研究成果，也不包含其他已申請學(xué)位或其他用途使用過的成果。(保密的論文在解密后遵守此規(guī)定)學(xué)位論文作者簽名： 指導(dǎo)教師簽名：日期： 日期西華大學(xué)碩士學(xué)位論文摘 要以計算機視覺技術(shù)為基礎(chǔ)的智能視頻監(jiān)控系統(tǒng)，目前已經(jīng)廣泛應(yīng)用于人們生產(chǎn)生活的各個方面。接著，分析比較了連續(xù)自適應(yīng)均值漂移CAMShift算法與Kalman濾波算法，提出了一種基于幾何特征的Kalman濾波與目標(biāo)直方圖匹配相結(jié)合的運動目標(biāo)跟蹤算法，以目標(biāo)灰度質(zhì)心及外接矩形框長寬作為目標(biāo)幾何特征參數(shù)，分別使用兩組卡爾曼濾波預(yù)測后，根據(jù)目標(biāo)灰度模板相似度進行目標(biāo)匹配。 Object Detection。從愚昧的原始社會，到穩(wěn)步發(fā)展的古典時代，再到欣欣向榮的啟蒙時代，然后是繁忙的工業(yè)時代，人類文明在不斷發(fā)展，科學(xué)技術(shù)在不斷進步，21世紀涌現(xiàn)出了一大批新興科學(xué)與技術(shù)，使人類社會和人們的生活發(fā)生了翻天覆地的變化。當(dāng)然，在離這個最終目標(biāo)的實現(xiàn)還有一定距離的今天，人們努力的目標(biāo)是建立一種在由人為規(guī)定的一些約束條件下，實現(xiàn)某些簡單功能的準(zhǔn)智能機器視覺系統(tǒng)，能夠部分代替人們的工作。而今天，計算機視覺技術(shù)得到了越來越多的關(guān)注和長足的發(fā)展，智能視頻監(jiān)控（Intelligent Video Surveillance）系統(tǒng)就是計算機視覺技術(shù)主要的研究方向和重要的應(yīng)用領(lǐng)域之一。在人們的生活中，家庭遠程監(jiān)控系統(tǒng)使人們在千里之外也能看到家里的情況，駕車疲勞檢測系統(tǒng)降低了事故的發(fā)生率使人們的生命安全得到了保障，而視覺輔助駕駛系統(tǒng)可以實現(xiàn)簡單的車輛導(dǎo)航功能。 運營級智能監(jiān)控系統(tǒng)Fig a