【正文】 它部分以C語言編寫，加上其開源的特性，處理得當(dāng)，不需要添加新的外部支持也可以完整的編譯鏈接生成執(zhí)行程序，所以很多人用它來做算法的移植，OpenCV的代碼經(jīng)過適當(dāng)改寫可以正常的運(yùn)行在DSP系統(tǒng)和單片機(jī)系統(tǒng)中。其重要重要特性包括：擁有包括300多個C函數(shù)的跨平臺的中、高層API。為IntelIntegrated Performance Primitives(IPP)提供了透明接口。此外，由于有全球眾多編程者的參與，開源軟件一般具有簡約精煉、資源占用少、功能集中和安全性好的優(yōu)點(diǎn)。OpenCV作為一個開放的計算機(jī)視覺函數(shù)庫在使用上必然沒有Matlab那樣解釋執(zhí)行來得方便，而softhitegration將CH和OpenCV綁定起來推出的CH OpenCV，解決了這一使用上的瓶頸。軟件開發(fā)平臺為WindowsXP、OpenCV Visual C++ ()。()。菜單：ProjectSettings，然后將Setting for選為All Configurations，然后選擇右邊的link標(biāo)簽，在Object/library modules(對象/庫模塊)附加上： ，你可以只添加你需要的lib。 /* x坐標(biāo), 通常以0為基點(diǎn) */int y。IplImage結(jié)構(gòu)來源于inter的另外一個函數(shù)庫IPL,該函數(shù)庫主要是針對圖像處理。 /*大多數(shù)opencv函數(shù)支持1~4個信道*/ int depth。只有cvCreateImage可以創(chuàng)建交叉存取圖像*/ int origin。 /*圖像感興趣區(qū)域*/ int imageSize。5）cvCreateVideoWriter結(jié)構(gòu)typedef struct CvVideoWriter CvVideoWriter。iscolor：指定讀入圖像的顏色和深度。image：被顯示的圖像。當(dāng)分配的結(jié)構(gòu)不再使用的時候，它應(yīng)該使用cvReleaseCapture函數(shù)釋放掉。函數(shù)cvCreateCameraCapture給從攝像頭的視頻流分配和初始化CvCapture結(jié)構(gòu)。 函數(shù)cvQueryFrame從攝像頭或者文件中抓取一幀，然后解壓并返回這一幀。property_id：屬性標(biāo)識。property_id：屬性標(biāo)識。 fourcc：四個字符用來表示壓縮幀的codec 例如，CV_FOURCC(39。,39。)是MPEG1 codec，CV_FOURCC(39。,39。)是motionjpeg codec等。is_color：如果非零，編碼器將希望得到彩色幀并進(jìn)行編碼；否則，是灰度幀（只有在Windows下支持這個標(biāo)志）。 本章小結(jié)本章主要介紹了OpenCV技術(shù)，包括OpenCV在Visual C++，著重介紹了與本文工作密切相關(guān)的OpenCV中的數(shù)據(jù)結(jié)構(gòu)和常用函數(shù)，為后面的系統(tǒng)實(shí)現(xiàn)打下基礎(chǔ)。通常圖像里的噪聲類型有高斯噪聲、脈沖噪聲、瑞利噪聲等。一般用平滑濾波器降低高斯噪聲。利用普通的彩色CCD 攝像機(jī)拍攝的圖像都可以統(tǒng)一規(guī)整為寬度為384，高度為255像素(pixels)點(diǎn)的位圖文件格式，即彩色的BMP 位圖文件。一些系統(tǒng)的攝像部分采用單色CCD 攝像頭則可以直接得到灰度圖像。OpenCV 只支持其中的一個子集。特別是圖像的輸入、采集噪聲的抑制是十分關(guān)鍵的問題，若輸入伴有較大的噪聲，必然影響處理全過程及輸出的結(jié)果。但在許多情況下這些函數(shù)很難測出或描述，甚至不可能得到，所以常用統(tǒng)計特征描述噪聲，如:均值、方差、相關(guān)函數(shù)等。 噪聲的分類根據(jù)噪聲產(chǎn)生的來源，大致可以分為外部噪聲和內(nèi)部噪聲兩大類。但綜合來說，噪聲是隨機(jī)產(chǎn)生的量，所以又可以從統(tǒng)計數(shù)學(xué)的觀點(diǎn)來定義噪聲。凡是統(tǒng)計特征不隨時間變化的噪聲稱為平穩(wěn)噪聲，而統(tǒng)計特征隨時間變化的噪聲稱作非平穩(wěn)噪聲。 圖像濾波為了消除采集圖像的噪聲和干擾，加強(qiáng)有用信息，使圖像更易于辨識，需要去除噪聲。因而，近年來的噪聲信號恢復(fù)問題主要采用非線性濾波器來處理。中值濾波這種方法由于不依賴于鄰域內(nèi)那些與典型值差別很大的值，因而能在去除噪聲脈沖、椒鹽噪聲的同時又能保留圖像邊緣細(xì)節(jié)。使用二維中值濾波最值得注意的是要保持圖像中有效的細(xì)線狀物體，如果圖像中的線、尖角細(xì)節(jié)較多，則不宜采用中值濾波。4 運(yùn)動目標(biāo)檢測運(yùn)動目標(biāo)檢測處于整個視頻監(jiān)視系統(tǒng)的最底層，是各種后續(xù)高級應(yīng)用如目標(biāo)跟蹤、目標(biāo)分類、目標(biāo)行為理解等的基礎(chǔ)。相對于靜止信息來說，運(yùn)動信息更能引起人們的注意，也更加有用。目前，檢測運(yùn)動目標(biāo)的方法主要有光流法和幀間差閾值法。本文使用圖像背景差分的方法來對序列圖像中的運(yùn)動目標(biāo)進(jìn)行檢測。2 在各種天氣條件下應(yīng)是魯棒的。人們總是希望能有一個能適用于監(jiān)視各種各樣環(huán)境，能夠滿足各種要求以及普遍適用的一個運(yùn)動目標(biāo)檢測算法，但是實(shí)際應(yīng)用中要達(dá)到這樣的要求是十分困難的，因?yàn)閷?shí)際應(yīng)用中不但要考慮到算法要盡量適用于多種環(huán)境，而且一般還要在算法的復(fù)雜度、可靠性，以及實(shí)時性等諸多方面中考慮。進(jìn)一步，如果目標(biāo)的運(yùn)動限制在平行于圖像平面的一個平面上，則可以得到目標(biāo)運(yùn)動特性定量參數(shù)的很好估計。在對差分圖像二值化后還可以使用數(shù)學(xué)形態(tài)學(xué)對其進(jìn)行濾波處理，然后得到圖像凡，最后對 圖像進(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閉值，則成為檢測目標(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?；谶B續(xù)幀間差分法的運(yùn)動目標(biāo)檢測其主要優(yōu)點(diǎn)是：1 算法實(shí)現(xiàn)簡單。然而，這種方法在使用過程中還存在兩個問題:一是兩幀間目標(biāo)的重疊部分不容易檢測出來，即只能檢測出目標(biāo)的一部分:二是檢測出目標(biāo)在兩幀中變化的信息，這樣會存在較多的偽目標(biāo)點(diǎn)，檢測出的目標(biāo)要比實(shí)際的目標(biāo)大一些。 ()其中fk(x,y) 、fbk(x,y)為連續(xù)兩幀圖像， Dk(x,y)為幀差圖像。在確定了比例參數(shù)后調(diào)解積分參數(shù)，最后調(diào)節(jié)微分參數(shù)。但一般情況下，可以認(rèn)為光流與運(yùn)動場沒有太大區(qū)別，因此就可以根據(jù)圖運(yùn)動估計相對運(yùn)動。所以在背景差分法的實(shí)現(xiàn)中，它的固定背景不能一成不變。 新算法思想在視頻圖像序列中，利用已有的背景差分法和幀間差分法作為啟示，將動態(tài)圖像中連續(xù)兩幀差圖像和背景差圖像直接進(jìn)行與操作，再將結(jié)果進(jìn)行二值化處理得到運(yùn)動結(jié)果。（2）、從視頻圖像序列中選取出背景圖像Bk(x,y)，使其只包含固定的背景圖像；（3）、在視頻圖像序列中選取連續(xù)的兩幀圖像，其中前一幀圖像Pk1(x,y)，當(dāng)前幀圖像Pk(x,y)；（4）、計算當(dāng)前幀與背景幀的差得FD(x,y)，從 圖像中提取出完整的目標(biāo)；（5）、計算當(dāng)前1幀的差得FG(x,y)，得到目標(biāo)的變化量；（6）、求幀差FD（x,y）與，F(xiàn)G(x,y)的交集得到運(yùn)動目標(biāo)粗糙的運(yùn)動區(qū)域圖像；（7）、數(shù)學(xué)形態(tài)學(xué)運(yùn)算使得運(yùn)動區(qū)域封閉、連續(xù)、完整，并去掉背景中的噪聲。由試驗(yàn)測試得閾值T在本文特定的應(yīng)用背景下可以選在5~15之間。在數(shù)字圖像處理中，二值圖像占有非常重要的地位，特別是在實(shí)用的圖像處理中，以二值圖像處理實(shí)現(xiàn)而構(gòu)成的系統(tǒng)是很多的，要進(jìn)行二值圖像的處理與分析，首先要把灰度圖像二值化，得到二值化圖像，這樣子有利于再對圖像做進(jìn)一步處理時，圖像的集合性質(zhì)只與像素值為0或255的點(diǎn)的位置有關(guān)，不再涉及像素的多級值，使處理變得簡單，而且數(shù)據(jù)的處理和壓縮量小。如果物體同背景的差別表現(xiàn)不在灰度值上（比如紋理不同），可以將這個差別特征轉(zhuǎn)換為灰度的差別，然后利用閥值選取技術(shù)來分割該圖像。數(shù)學(xué)形態(tài)學(xué)的基本思想是用具有一定形態(tài)結(jié)構(gòu)元素去度量和提取圖像中的對應(yīng)形狀以達(dá)到對圖像分析和識別的?；镜男螒B(tài)學(xué)變換是膨脹和腐蝕，由這兩個變換可以更多的形態(tài)學(xué)運(yùn)算，如開運(yùn)算、閉運(yùn)算和形狀分解，等等?；镜男螒B(tài)運(yùn)算是腐蝕和膨脹。腐蝕定義為： ()上式表明E用B腐蝕的結(jié)果是所有x的集合，其中B平移X后仍在E中。另外，如果兩個物體之間有細(xì)小的連通，那么選擇適當(dāng)?shù)慕Y(jié)構(gòu)元素，通過腐蝕運(yùn)算就可以把兩個物體分開。膨脹對填補(bǔ)圖象分割后物體中的空洞很有用。例如，可先對圖像進(jìn)行腐蝕然后膨脹其結(jié)果，或先對圖像進(jìn)行膨脹然后腐蝕其結(jié)果(使用同一個結(jié)構(gòu)元素)。它具有填充物體內(nèi)細(xì)小空洞，連接鄰近物體和平滑邊界的作用。因此，很多學(xué)者結(jié)合自己的應(yīng)用實(shí)際，提出了一系列的改進(jìn)算法。就可以得到運(yùn)動目標(biāo)的方位和大小。詳細(xì)介紹了識別過程中用到的圖像的二值化、幀間法、形態(tài)學(xué)濾波等理論基礎(chǔ)，并給出了部分處理過程的結(jié)果圖。目前，隨著圖像跟蹤技術(shù)研究的深入，圖像跟蹤的應(yīng)用已滲透到諸如視覺監(jiān)控、醫(yī)學(xué)診斷等越來越多的領(lǐng)域。所提取的目標(biāo)特征必須在環(huán)境變化、目標(biāo)自身變化或者運(yùn)動改變時，仍然能夠?qū)⑦\(yùn)動目標(biāo)描述出來。邊緣廣泛存在于物體與背景之間、物體與物體之間、基元與基元之間。輪廓(contour)是指將檢測到的邊緣連接起來，而形成的封閉的或非封閉的輪廓。 圖像匹配法通過圖像匹配法可以識別待跟蹤的運(yùn)動目標(biāo)并且確定其相對位置。相關(guān)跟蹤是把一個預(yù)先存儲的目標(biāo)圖像樣板作為識別和測定目標(biāo)位置的依據(jù)，用目標(biāo)樣板與實(shí)時目標(biāo)圖像的各個子區(qū)域圖像進(jìn)行比較(算出相關(guān)函數(shù)值)，找出和目標(biāo)樣板最相似的一個子圖像位置，就認(rèn)為是當(dāng)前目標(biāo)的位置，這就是相關(guān)跟蹤的基本思想，這種方法也叫做“圖像匹配”。它與傳統(tǒng)的圖像分割的不同在于：目標(biāo)視覺跟蹤的目的是在圖像序列中進(jìn)行目標(biāo)定位，可以有一定程度的像素分類不準(zhǔn)確，只需分割結(jié)果足可區(qū)分目標(biāo)和背景，而傳統(tǒng)的圖像分割算法需要精確顯示目標(biāo)輪廓。typedef struct CvBlob{ float x，y； /* 團(tuán)塊位置 */ float w，h； /* 團(tuán)塊大小 */ int ID； /* 團(tuán)塊ID */ }CvBlob；CvBlobSeq類用來表示一系列團(tuán)塊。class CvBlobSeq{public； CvBlobSeq(int BlobSize=sizeof(CvBlob))； virtual~CvBlobSeq()； virtual CvBlob * GetBlob(int BlobIndex)； /* 根據(jù)索引獲取團(tuán)塊 */ virtual CvBlob * GetBlobByID(int BlobID)； /* 根據(jù)團(tuán)塊ID獲取團(tuán)塊 */ virtual void DelBlob(int BlobIndex)； /* 根據(jù)索引刪除團(tuán)塊 */ virtual void DelBlobByID(int BlobID)； /* 根據(jù)團(tuán)塊ID刪除團(tuán)塊 */ virtual void Clear()； /* 清除所有團(tuán)塊 */ virtual void AddBlob(CvBlob * pB)； /* 添加一個團(tuán)塊 */ virtual int GetBlobNum()； /* 獲取團(tuán)塊數(shù)目 */}；CvFGDetector是一個虛類，描述了前景檢測模塊的接口。前景掩碼視頻幀前景檢測模塊 前景檢測模塊結(jié)構(gòu) 前景檢測模塊將當(dāng)前幀上的像素分為前景像素和背景像素。新團(tuán)塊檢測模塊的輸入數(shù)據(jù)為當(dāng)前幀的前景掩碼和已有的團(tuán)塊，輸出數(shù)據(jù)為新檢測到的團(tuán)塊。創(chuàng)建此類的函數(shù)cvCreateBlobTrackerList只有一個參數(shù)，該參數(shù)是一個更簡單的團(tuán)塊跟蹤器CvBlobTrackerOne。團(tuán)塊跟蹤列表BlobTrackerOne跟蹤團(tuán)塊1 團(tuán)塊（ID，pos，size) 團(tuán)塊（ID，pos，size) 團(tuán)塊（pos，size) 團(tuán)塊（pos，size) 團(tuán)塊（pos，size) 團(tuán)塊（pos，size)BlobTrackerOne跟蹤團(tuán)塊N 團(tuán)塊跟蹤列表 本章小結(jié)在本章中首先介紹了運(yùn)動物體的目標(biāo)特征，對幾種比較常見的的目標(biāo)跟蹤算法進(jìn)行比較，重點(diǎn)描述了團(tuán)塊跟蹤算法，并給出部分流程圖與核心代碼。6 程序結(jié)果演示與分析本文的硬件平臺為普通的筆記本電腦，內(nèi)存容量為2G。系統(tǒng)成功的對畫面中的動態(tài)物體進(jìn)行識別并用矩形方框?qū)⑵錁?biāo)記，但是出現(xiàn)由于多人距離相近識別成一個運(yùn)動目標(biāo)的情況，仍需進(jìn)一步提高。首先正確配置OPENCV平臺，介紹了OpenCV函數(shù)庫，并實(shí)現(xiàn)實(shí)驗(yàn)平臺的搭建。最后進(jìn)行區(qū)域標(biāo)記，分割出完整的運(yùn)動目標(biāo)，加以標(biāo)記。總的來說，本次畢業(yè)設(shè)計基本上完成了課題要求。由于時間有限和一些其它客觀上的原因，本文只是對運(yùn)動目標(biāo)的檢測與跟蹤進(jìn)行了基礎(chǔ)性的研究。由于研究時間和所學(xué)知識所限，我對本領(lǐng)域的相當(dāng)一些內(nèi)容了解還不夠透徹，仍有很多難題需要解決，如陰影的去除，目標(biāo)的重疊，以及目標(biāo)與背景色彩相近時的辨別，以及程序移植到嵌入式系統(tǒng)中的問題，同時程序本身也需要進(jìn)一步地完善。本次畢業(yè)設(shè)計還有很多不足的地方需要改進(jìn)，指導(dǎo)老師雖然有繁忙的工作，但仍抽出時間耐心給予我畢設(shè)上的指導(dǎo)和幫助，在此，謹(jǐn)向關(guān)威老師致以深深的敬意和由衷的感謝。感謝老師的諄諄教誨，感謝老師的理解支持。在畢業(yè)設(shè)計的實(shí)踐中磨練了我的意志,很大程度上培養(yǎng)了我拼搏的工作精神。 //const double MIN_TIME_DELTA = 。int last = 0。CvConnectedComp p。通常以0點(diǎn)為原點(diǎn)，有x坐標(biāo)和y坐標(biāo)// 參數(shù)：// img – 輸入視頻幀// dst – 檢測結(jié)果void update_mhi( IplImage* img, IplImage* dst, int diff_threshold ){ double timestamp = clock()/100.。 uchar val。 2)/2), 8,