【正文】 進行分類、識別和跟蹤。本文針對動態(tài)場景和靜態(tài)場景進行了研究，分別提出了有特色的行人檢測和跟蹤方法。 顏色空間顏色空間也稱彩色模型，又稱彩色空間或彩色系統(tǒng)，它的用途是在某些標準下用通?？山邮艿姆绞綄Σ噬右哉f明。RGB 顏色空間的設(shè)計是以顏色發(fā)光為原理的，簡單理解其顏色混合方式就好像有紅、綠、藍三盞不同顏色的彩燈，當三盞燈的光相互混合的時候，其色彩相混，而亮度等于三者總和,也即滿足加法混合。強度 V：對應成像亮度和圖像灰度，是顏色的明亮程度。由于 HSV 顏色模型所代表的顏色域是屬于 CIE 色度圖的一個子集，所以其最大飽和度的顏色的純度值并不到 100％。從 RGB 到 HSV 轉(zhuǎn)換時，設(shè)(r,g,b)分別是一個顏色的紅、綠和藍坐標，它們的值是 0 到 1 之間的實數(shù)。常見的頻域低通濾波器有巴特沃茲低通濾波器和高斯低通濾波器。運動目標檢測過程包括運動目標檢測的預處理和運動目標的分割兩大步。（2）像素估計法就是從過去的一組視頻序列中按照一定的算法估計出每個像素的背景值。最早提出的是三分布 GMM，每個像素點用三個高斯分布來分別表征背景、前景的陰影、前景這三種不同的模式，但實際情況很復雜，對背景、前景等模式都限定只用一個高斯分布來描述是不夠的。但由于受到可調(diào)參數(shù)、可靠性評價因子和預處理方法等因素的影響，在應用光流對目標進行檢測與自動跟蹤時仍存在很多問題。與相鄰幀差法和背景差分法比較，邊緣檢測方法有利于鄰近運動目標的區(qū)分和運動目標特征的提取，對背景噪聲的魯棒性很大，但其運算復雜度也相對較大。本文主要研究目標的二維跟蹤方法。 基于特征的跟蹤方法跟蹤中可以使用許多種類的目標特征，在時間間隔很短的相鄰兩幀待檢測圖像中，可以認為其中的目標特征具有平滑性，因此可以利用目標特征來實現(xiàn)運動跟蹤。其角點定義為輪廓線段的交點，該方法對圖像分割和邊緣提取效果的依賴性較強，而且本身操作難度也很大，若目標發(fā)生遮擋等局部變化，則易導致圖像分割和邊緣提取失敗，所以這種方法的適用性不大。紋理也是圖像的基本特征，它被認為是對圖像灰度分布的描述，是對圖像局部性質(zhì)的統(tǒng)計，所以也可利用圖像的紋理特征來實現(xiàn)匹配，實現(xiàn)目標跟蹤?；谀Ｐ偷母櫡椒ㄖ羞\動較多的是 Adaboost 算法。基于主動輪廓的跟蹤方法利用了全局的輪廓信息，不需要關(guān)于目標的先驗知識，因而在邊緣檢測、目標檢測、目標跟蹤等方面的工作應用較多。1,DiTMi(x,y)=0,Di≤T選取T=20，仿真結(jié)果如下圖： 第19幀圖像 第20幀圖像 差分后二值化圖像 第79幀圖像 第80幀圖像 差分后二值化圖像 第139幀圖像 第140幀圖像 差分后二值化圖像圖31幀間差分實驗由上面的仿真實驗可以得出：運用幀間差分方法進行運動目標的檢測，可以有效的檢測出運動物體。對于快速運動的目標，需要選擇較短的時間間隔，如果選擇不當，最壞情況下目標在前后兩幀中沒有重疊，被檢測為兩個分開的目標；對于慢速運動的目標，應該選擇較長的時間間隔，如果選擇不當，最壞情況下目標在前后兩幀中幾乎完全重疊，根本檢測不到目標。由于背景建模算法的引入，使得背景對噪聲有一定的抑制作用，在差分圖像中“雪花”較幀間差分算法有所減少。但是到目前為止還不存在一種通用的方法，也不存在一個判斷分割是否成功的客觀標準。(4)按下式計算新的閾值。因此，需要采用數(shù)學形態(tài)學方法，對分割后的二值圖像進行形態(tài)學濾波。形態(tài)學一般以二值圖像為處理對象，但也可以用在某些灰度圖像的應用中。再做膨脹時，留下來的大物體會變回原來的大小，而被刪除的小物體則永遠消失了?？梢钥闯觯栽谠瓉鞽的范圍內(nèi)，且比X包含的點要少，就象X被腐蝕掉了一層。閉合同樣使輪廓線變得光滑，但是開啟相反的是，它通常消除狹窄的間斷和長細的鴻溝，消除小的孔洞，并填補輪廓線中的斷裂開啟。2）粒子濾波方法近年來有了較大發(fā)展，其中自適應的粒子數(shù)量和考慮更多特征的觀測模型能夠增強粒子濾波方法在復雜條件下跟蹤效果，可以作為下一步的考慮方向。為了將本文工作更好地應用于智能視頻監(jiān)控的實際應用中，還需要對其進行進一步的改進與完善?！　∨蛎涍\算對圖25中各差分后的二值圖像先進行腐蝕再進行膨脹，所得效果如圖28所示。實際上，結(jié)構(gòu)元素本身也是一個圖像矩陣。二維結(jié)構(gòu)元素由一個數(shù)值為0或1矩陣組成。這種基于探測的思想與人的視覺特點有類似之處：總是關(guān)注一些感興趣的物體或者結(jié)構(gòu)，并有意識地尋找圖像中的這些結(jié)構(gòu)。此時，T更合適的初值是諸如灰度值的中間值一類的初值。本文選用循環(huán)分割法來自適應地得到在二值化一幅圖像時所需要的全局閾值T。分割閾值的選取雖看似簡單，但直接影響目標的分割效果，閾值T增大，雖然可以一定量的減少環(huán)境對效果的影響，但同時也會將差分結(jié)果中變化不明顯的區(qū)域作為前景被忽略掉；閾值T減小，效果卻又恰恰相反。為了解決這些問題，最好的方法便是使用背景建模和背景更新算法來彌補。而且當前景運動很慢且時間間隔選擇不合適時，容易出現(xiàn)根本檢測不到物體的情況。 本章小結(jié)運動目標檢測與跟蹤是智能視頻監(jiān)控的關(guān)鍵步驟，而行人運動分析又是智能視頻監(jiān)控的核心內(nèi)容，其運動檢測與跟蹤同樣要以運動目標檢測與跟蹤為基礎(chǔ)。圖 訓練目標分類器及目標檢測流程 基于主動輪廓的跟蹤方法從邊緣特征中可以獲得獨立于形狀和運動的目標信息，Kass et al（1987）提出了主動輪廓算法來提取利用邊緣信息，這種方法使用一種被稱為 Snake 的模型。這類方法利用高層的語義知識將目標擬合為幾何模型，從而將對目標的跟蹤轉(zhuǎn)換為對目標的識別，具有更強的可靠性。不變矩作為圖像特征也可用于目標跟蹤。這些方法的優(yōu)點十分明顯：目標運動方式簡單，具備平滑性。基于濾波理論的跟蹤方法將跟蹤問題轉(zhuǎn)化為概率密度函數(shù)估計問題，利用卡爾曼濾波器（Kalman Filter, KF）或粒子濾波（朱志宇，2010）來跟蹤目標。目標的軌跡就是二位圖像或三維世界中被跟蹤特征的位置序列。由于存在噪聲干擾、光源分布、光照陰影、物體遮擋等因素，計算得到光流場分布的準確性易受影響；并且光流法的計算過程相對復雜、耗時更長，如果沒有專業(yè)硬件支持加速，則難以實現(xiàn)實時的檢測。從光流中可以獲得物體形狀結(jié)構(gòu)和運動狀態(tài)信息。著名的 W4 系統(tǒng)在背景初始化階段就采用了中值法的思想。大量的研究人員都在致力于開發(fā)不同的背景模型，以解決不同場景條件下目標分割所要面對的各種問題。下面要介紹的是圖像處理中常用到的膨脹和腐蝕，以及開操作和閉操作。 圖像預處理常用的圖像預處理過程都涉及到一些濾波的方法。圖 HSV 彩色空間HSV 顏色模型類似畫家配色時采用的方法。、120176。觀察一個彩色物體時，人們用色調(diào)(Hue)、色飽和度(Saturation)和強度(Value)來描述它，相比較而言，HSV 顏色模型是面向用戶的，該模型對應于圓柱坐標系的一個圓錐形子集。（1）RGB 彩色模型RGB 彩色模型是工業(yè)界最為常見的顏色模型，它也是人們最為熟悉常見的顏色模型。第 2 章 視頻序列圖像中運動目標檢測與跟蹤方法智能視頻監(jiān)控中的行人檢測與跟蹤方法涉及到很多研究領(lǐng)域，如數(shù)字圖像處理、計算機視覺、信息融合、模式識別與人工智能等。Avidan et al(2004)提出了支持向量跟蹤算法(Support Vector Tracking)，通過將支持向量機與基于光流場的跟蹤器相結(jié)合，在目標鄰域搜索具有最大 SVM 得分的區(qū)域進行跟蹤。另外還有南京大學、南京長城6信息系統(tǒng)有限公司和江蘇省公安廳刑警總隊聯(lián)合研制的“基于單幅訓練圖像的多表情人臉自動識別系統(tǒng)”等等。Mate 的主要產(chǎn)品為 BehaveWatch，可檢測六種異常行為，包括路徑檢測、突然出現(xiàn)報警、定向運動檢測等，提出三層防護概念；NiceVision 視頻分析儀對不同的威脅提供實時偵測功能，其檢測活動包括對闖入者、車輛、被遺棄的行李和包裹、周邊及設(shè)施保護、阻塞安全出入口及消防路線、盜竊偵測／防止安全設(shè)備被移動、計算人數(shù)，車輛和其它其物件、顯示人群聚集、監(jiān)控安全率水平、量度人流、顯示企圖尾隨進入入口處控制點等；Ioimage 的產(chǎn)品能實現(xiàn)五種行為的檢測，包括入侵探測、PTZ 自動跟蹤、遺留物體探測、非法滯留探測、移動物體探測等。例如，1997 年美國國防高級研究項目署(DARPA)設(shè)立了 VSAM(VisualSurveillance And Monitoring)（Collins et al. 2000）項目，該系統(tǒng)融合多種不同類型傳感器，研究軍事和民用場景下視頻理解技術(shù)。到目前為止，一些人體檢測系統(tǒng)在某些約束環(huán)境中被證明能有效地檢