【正文】 測(cè)行人，從而鼓舞了研究人員開展進(jìn)一步的研究工作。為了解決上述導(dǎo)致視頻監(jiān)控系統(tǒng)效率低下的問題，人們把計(jì)算機(jī)視覺的相關(guān)技術(shù)引入視頻監(jiān)控中，從而發(fā)展起新型的視頻監(jiān)控技術(shù)—智能視頻監(jiān)控，也稱自動(dòng)視頻監(jiān)控，在視頻監(jiān)控系統(tǒng)中處于核心地位，對(duì)于整個(gè)系統(tǒng)的效率提高具有重要意義。這是視頻監(jiān)控系統(tǒng)中最常見的兩大問題，誤報(bào)（falsepositives）會(huì)浪費(fèi)人力物力，漏報(bào)可能會(huì)導(dǎo)致非常危險(xiǎn)的后果發(fā)生。更進(jìn)一步，發(fā)展成為了網(wǎng)絡(luò)化視頻監(jiān)控系統(tǒng)，又稱 IP 監(jiān)控系統(tǒng)（IP Video Surveillance, IPVS）。第一代：模擬時(shí)代。 作為當(dāng)前視頻監(jiān)控系統(tǒng)發(fā)展的必然方向，近年來智能視頻監(jiān)控相關(guān)技術(shù)的研發(fā)受到一些發(fā)達(dá)國家的重視，其商業(yè)化應(yīng)用也得到了很大的發(fā)展。它研究的主要內(nèi)容包括怎樣利用各種成像系統(tǒng)代替視覺器官來獲取信息，由計(jì)算機(jī)代替大腦完成對(duì)信息的處理和解釋．使計(jì)算機(jī)具有人一樣的視覺功能。行人目標(biāo)檢測(cè)與跟蹤算法是智能視頻監(jiān)控系統(tǒng)中的核心問題，研究相關(guān)算法對(duì)于提高智能視頻監(jiān)控系統(tǒng)的性能具有重要的意義。2）介紹了智能視頻監(jiān)控系統(tǒng)的重要應(yīng)用——社會(huì)治安視頻監(jiān)控系統(tǒng)，在分析其圖像處理技術(shù)及架構(gòu)后，針對(duì)實(shí)際監(jiān)控條件與要求，完成了行人檢測(cè)和跟蹤模塊的設(shè)計(jì)，采用matlab平臺(tái)和 OpenCV 算法庫進(jìn)行了圖像提取和預(yù)處理、運(yùn)動(dòng)目標(biāo)分割、目標(biāo)分類、目標(biāo)特征提取、行人目標(biāo)跟蹤等部分的功能實(shí)現(xiàn)。 智能視頻監(jiān)控技術(shù)將計(jì)算機(jī)視覺同網(wǎng)絡(luò)化的視頻監(jiān)控結(jié)合起來，增強(qiáng)了系統(tǒng)的智能化自動(dòng)處理能力，從而極大地減少主觀干擾，增強(qiáng)監(jiān)控效果，在減輕了相關(guān)人員的工作量的同時(shí)，對(duì)視頻監(jiān)控場(chǎng)景中的目標(biāo)實(shí)現(xiàn)了自動(dòng)實(shí)時(shí)的檢測(cè)、跟蹤、識(shí)別與分析等功能。除了視覺監(jiān)控之外，人體檢測(cè)和跟蹤在高級(jí)人機(jī)交互、動(dòng)畫制作等方面也有著廣泛的應(yīng)用。數(shù)字化存儲(chǔ)極大增強(qiáng)了對(duì)視頻信息的處理效率，事后的信息檢索也變得相對(duì)簡(jiǎn)單。（2）監(jiān)控時(shí)間。（5）響應(yīng)時(shí)間長。 行人檢測(cè)行人檢測(cè)就是把視頻圖像中的行人目標(biāo)從背景中分割出來并精確定位。場(chǎng)景中目標(biāo)數(shù)目的不同，跟蹤的難易程度不同，所采用的技術(shù)也不同。其中有美國的 Vidient 和 ObjectVideo 等公司。如漢王科技公司與Mate 公司合作推出了基于多種行為的嵌入式視頻檢測(cè)產(chǎn)品。Kass et al(1992)利用 Snake 輪廓模型進(jìn)行目標(biāo)跟蹤。 論文主要研究?jī)?nèi)容與章節(jié)安排本文主要研究社會(huì)治安視頻監(jiān)控中行人目標(biāo)的檢測(cè)與跟蹤，為更高級(jí)的行為分析和異常行為檢測(cè)奠定基礎(chǔ)。本質(zhì)上，彩色模型是坐標(biāo)系統(tǒng)和子空間的闡述，位于系統(tǒng)的每種顏色都由單個(gè)點(diǎn)表示。知道其原理后，在很多圖像處理軟件中進(jìn)行的 RGB 顏色設(shè)定就很容易理解了。HSV 顏色空間如圖 所示，其空間模型為一個(gè)圓錐。在下方的圓錐頂點(diǎn)處，V 為 0，H 和 S 無定義，代表黑色。設(shè) max 等價(jià)于 r,g 和 b 中的最大者。常見的空域低通濾波器主要有均值濾波器、加權(quán)均值濾波器和中值濾波器。目前常用的運(yùn)動(dòng)目標(biāo)檢測(cè)方法有四種：幀差法，背景差分法，光流法，邊緣檢測(cè)法等。時(shí)間中值法（Time Median Background Initializing, TMBI）是其中最具有代表性的方法。因而以后又出現(xiàn)了固定分布數(shù) K 的混合高斯分布模型(FixedK Gaussian Mixture Model )，以及后面發(fā)展而來的基于自適應(yīng)分布數(shù) K 的混合高斯分布模型（AdaptiveK Gaussian Mixture Model, AKGMM）。（2）基于匹配的方法這類方法主要采用基于區(qū)域的和基于特征的兩種匹配方法。運(yùn)動(dòng)圖像邊緣的檢測(cè)可以通過時(shí)間和空間上的差分來獲得，空間上的差分可以使用已有的各種邊緣檢測(cè)算法，時(shí)間上的差分可以通過計(jì)算連續(xù)幀的差來獲得，也可以通過計(jì)算當(dāng)前圖像與背景圖像的差分圖像，然后求其邊緣來計(jì)算。對(duì)于目標(biāo)的二維跟蹤，從不同角度考慮可以按照多種方法進(jìn)行分類?；谔卣鞯母櫡椒ㄍǔ０ㄌ卣魈崛∨c特征匹配兩個(gè)部分。另一類是從灰度圖中直接提取角點(diǎn)的方法。利用紋理特征進(jìn)行圖像分割可以取得良好的效果，但是對(duì)于本身具備不同紋理的目標(biāo)，就需要對(duì)各個(gè)部分建立紋理特征。應(yīng)用 Adaboost 算法，首先需要對(duì)大量目標(biāo)圖片和背景圖片標(biāo)記后作為正負(fù)18樣本，經(jīng)過訓(xùn)練后得到目標(biāo)的模型，用于后續(xù)識(shí)別和跟蹤。主動(dòng)輪廓模型分為兩類：參數(shù)化主動(dòng)輪廓和短程線主動(dòng)輪廓。右子圖中，可以比較清晰地得到運(yùn)動(dòng)物體的輪廓。此外，在場(chǎng)景中由于多個(gè)運(yùn)動(dòng)目標(biāo)的速度不一致也給時(shí)間間隔的選取帶來很大麻煩。同時(shí)，使用背景差分算法檢測(cè)出的運(yùn)動(dòng)物體輪廓，比幀間差分法的檢測(cè)結(jié)果更清晰。閾值法可以分為全局閾值法和局部閾值法兩種[9]。T=1/2(μ2+μ1)(5)重復(fù)步驟(2)到(4)，直到逐次迭代所得到的T值之差小于預(yù)先定義的參數(shù)。數(shù)學(xué)形態(tài)學(xué)的主要用途是獲取物體拓?fù)浜徒Y(jié)構(gòu)信息。(1)結(jié)構(gòu)元素結(jié)構(gòu)元素被形象的稱為刷子或探針，是膨脹和腐蝕操作中最基本的組成部分。膨脹操作會(huì)使物體的邊界向外擴(kuò)張，如果物體內(nèi)部存在小空洞的話，經(jīng)過膨脹操作這些洞將被補(bǔ)上，因而不再是邊界了?！　「g運(yùn)算X被B膨脹的定義為[10]： 這個(gè)公式表示用B膨脹X的過程是，相對(duì)B做關(guān)于中心像素的映射，在將其映射平移x，這里X與B映像的交集不為空集。使用結(jié)構(gòu)元素B對(duì)集合X進(jìn)行開啟操作，表示為，定義為 ： 使用結(jié)構(gòu)元素B對(duì)集合X進(jìn)行閉合操作，表示為，定義為[11]: 四、實(shí)驗(yàn)結(jié)果及分析本文著重研究了利用背景減法進(jìn)行目標(biāo)檢測(cè)在Matlab中的實(shí)現(xiàn)方法。本文經(jīng)過如圖29所示的流程能夠達(dá)到如圖210所示的效果:圖41檢測(cè)過程結(jié)束語本文提出了一種新的動(dòng)態(tài)背景下的行人跟蹤算法，并且實(shí)現(xiàn)了一般靜態(tài)背景條件下的行人檢測(cè)與跟蹤?？梢钥闯觯╔的所有范圍，就象X膨脹了一圈似的[12]。通常設(shè)Ｘ為圖像矩陣，Ｂ為結(jié)構(gòu)元素矩陣，數(shù)學(xué)形態(tài)學(xué)運(yùn)算時(shí)，用Ｂ對(duì)Ｘ進(jìn)行操作。本文使用33的結(jié)構(gòu)元素，經(jīng)開運(yùn)算處理后，可提取出移動(dòng)物體。其基本思想是：利用一個(gè)成為結(jié)構(gòu)元素的“探針”收集圖像信息。如果對(duì)象與背景所占的面積不相近時(shí)，則其中一個(gè)像素組合會(huì)在直方圖中占主要地位，平均灰度值就不是好的初始選擇。如果在每個(gè)子塊中可以找到最佳閾值，就稱這樣的的閾值確定方法為局部閾值法。　閾值的選取Surendra算法提取背景及目標(biāo)提取都需對(duì)圖像二值化。但是背景差分算法也有其天然的缺陷，隨著時(shí)間的推移，場(chǎng)景的光線、樹葉的遮擋、或者運(yùn)動(dòng)物體滯留都會(huì)很大程度的破壞已經(jīng)建立好的背景圖像。但是幀差法表示的是相鄰兩幀同位置的變化量，因此很有可能將比較大的運(yùn)動(dòng)目標(biāo)，或者運(yùn)動(dòng)目標(biāo)內(nèi)部顏色差異不大的像素判斷錯(cuò)誤，在實(shí)體內(nèi)部產(chǎn)生拉伸、空洞現(xiàn)象[8]。而短程線主動(dòng)輪廓能夠自動(dòng)處理曲線運(yùn)動(dòng)中的結(jié)構(gòu)變化，而不需要外界條件控制，在多個(gè)非剛性運(yùn)動(dòng)目標(biāo)的跟蹤中表現(xiàn)更好。Adaboost 算法在不同訓(xùn)練集上分別訓(xùn)練得到若干弱分類器，將這些弱分類器根據(jù)錯(cuò)誤率分配權(quán)重，經(jīng)過若干次迭代后進(jìn)行組合得到最終的強(qiáng)分類器。 基于模型的跟蹤方法基于模型的跟蹤方法正受到越來越多的關(guān)注，其研究進(jìn)展也不斷深入。在檢測(cè)到新圖像中的角點(diǎn)后，將其同原有角點(diǎn)按照一定方法進(jìn)行匹配，再按照匹配策略刪除誤配對(duì)角點(diǎn)就得到了最后的匹配結(jié)果。常見的特征匹配方法有角點(diǎn)匹配，不變矩匹配，紋理匹配等。根據(jù)數(shù)學(xué)工具的不同，大致可以分為基于理論的目標(biāo)跟蹤方法、基于均值漂移（Mean Shift）的目標(biāo)跟蹤方法和基于偏微分方程的目標(biāo)跟蹤方法。在視覺跟蹤中，跟蹤的目標(biāo)是圖像中提取的目標(biāo)特征，如果在每一幀圖像中特征的位置或形狀都能被準(zhǔn)確確定，則物體能被很好地跟蹤。光流法能夠獨(dú)立檢測(cè)運(yùn)動(dòng)目標(biāo)，而不需要場(chǎng)景的預(yù)設(shè)信息，并且能夠檢測(cè)動(dòng)態(tài)場(chǎng)景下的運(yùn)動(dòng)情況。物體運(yùn)動(dòng)時(shí)其表面像素點(diǎn)的亮度也隨之運(yùn)動(dòng)，在視頻圖像中表現(xiàn)為光流，對(duì)應(yīng)圖像中產(chǎn)生的瞬時(shí)速度場(chǎng)就是光流場(chǎng)。一般認(rèn)為，背景至少可以在 50%的時(shí)間內(nèi)被觀測(cè)到，因而圖像序列中處于每個(gè)像素點(diǎn)亮度值中間的那個(gè)點(diǎn)的值即為該位置處的背景值。這種方法將新的視頻圖像同已經(jīng)建立的背景模型進(jìn)行比較，通過圖像灰度值或其他參考量的變化來估計(jì)目標(biāo)運(yùn)動(dòng)。作為一種圖像處理工具，它被用于對(duì)圖像區(qū)域進(jìn)行處理，以提取對(duì)于表示和描述有用的圖像分量。要找到在 HSL 空間中的(h,s,v)值，這里的 h∈[0,360）是角度的色相角，而 s,v∈[0,1]是飽和度和亮度。所有 V、 S 都為 1 的顏色都是純色。繞 V 軸的旋轉(zhuǎn)角代表色彩 H，紅、黃、藍(lán)分別對(duì)應(yīng)于 0176。（2）HSV 模型RGB 和 CMY 彩色模型對(duì)硬件實(shí)現(xiàn)很理想