【正文】 ，另外它同人眼對紅、綠、藍(lán)三原色的強烈感覺相匹配，但是這一模型不能很好地解釋實際的顏色。數(shù)字圖像處理中常用的是 RGB（Red, Green, Blue）、HSI(Hue, Saturation,Intensity)和 HSV(Hue, Saturation, Value)模型。同時針對運動攝像機跟蹤行人所導(dǎo)致的背景運動與行人尺寸變化問題，本文提出了一種綜合應(yīng)用梯度方向直方圖（Histograms of Oriented Gradients，HOG）和粒子濾波的行人跟蹤算法。Gardner et al(1996)提出了基于 3D 模型的方法，Ralf et al(2001)在此基礎(chǔ)上建立了人體 3D 模型。中國科學(xué)院自動化所模式識別國家重點實驗室視覺監(jiān)控小組總結(jié)了英國雷丁大學(xué) VIEWS 的車輛交通監(jiān)控原型系統(tǒng)的研究經(jīng)驗，在以往的理論研究的基礎(chǔ)上，自行設(shè)計并初步實現(xiàn)了一個擁有完全自主知識產(chǎn)權(quán)的交通監(jiān)控原型系統(tǒng) Vstar(Visual Surveillance Star)。還有以色列的 Mate、NiceVision 和 Ioimage 等公司也提供了市場化的產(chǎn)品。歐美等國家將其作為是維護(hù)社會安全的重要手段，投入大量人力、財力以促進(jìn)其發(fā)展。原因在于：行人同背景混合在一起，行人可能走，也有可能站著或者不可預(yù)測地改變運動方向；行人所處的背景非常復(fù)雜，特別是當(dāng)視覺系統(tǒng)基于運動云臺上的攝像系統(tǒng)時，背景的突然改變不可避免。傳統(tǒng)的視頻監(jiān)控系統(tǒng)通常由人來對威脅做出響應(yīng)和處理，而實際處理問題時，往往同時涉及到多個功能部分，需要多個相關(guān)部門的協(xié)調(diào)配合，共同處理，因而對響應(yīng)時間有了更高的要求。（3）誤報和漏報。從 2004 年開始，隨著網(wǎng)絡(luò)帶寬的提高和成本的降低、硬盤容量的加大和中心存儲成本的降低，以及各種實用視頻處理技術(shù)的出現(xiàn)，視頻監(jiān)控步入了全數(shù)字化的網(wǎng)絡(luò)時代，DVR 系統(tǒng)進(jìn)一步發(fā)展為網(wǎng)絡(luò)數(shù)字視頻錄像機（Network DVR, NVR）,實現(xiàn)了視頻信息的數(shù)字化網(wǎng)絡(luò)傳播。傳統(tǒng)的視頻監(jiān)控自投入應(yīng)用已有數(shù)十年，其發(fā)展經(jīng)歷了三個時代。當(dāng)前較多的應(yīng)用主要集中在以下幾個方面:行人和車輛目標(biāo)的自動檢測、跟蹤和識別，目標(biāo)異常行為預(yù)警，敏感場所的異常物體滯留以及物品丟失，人流量估計、人群運動監(jiān)測及擁塞控制，行人和車輛的交通流量監(jiān)測等。關(guān)鍵詞：智能視頻監(jiān)控 行人檢測 行人跟蹤 粒子濾波 動態(tài)背景 梯度方向直方圖IIIII第 1 章 緒論 研究背景與意義 計算機視覺是計算機科學(xué)和人工智能的一個重要分支。目 錄目 錄 I摘 要 II第 1 章 緒論 1 研究背景與意義 1 智能視頻監(jiān)控概述 2 智能視頻監(jiān)控的發(fā)展 2 智能視頻監(jiān)控的研究內(nèi)容 3 行人檢測與跟蹤 3 行人檢測 4 行人跟蹤 4 國內(nèi)外研究現(xiàn)狀 4 論文主要研究內(nèi)容與章節(jié)安排 6第 2 章 視頻序列圖像中運動目標(biāo)檢測與跟蹤方法 7 圖像處理基礎(chǔ) 7 顏色空間 7 圖像預(yù)處理 10 形態(tài)學(xué)方法 10 運動目標(biāo)檢測方法 10 背景差分法 10 11 邊緣檢測方法 12 運動目標(biāo)跟蹤方法 12 基于特征的跟蹤方法 13 基于模型的跟蹤方法 14 基于主動輪廓的跟蹤方法 15 本章小結(jié) 16三、設(shè)計內(nèi)容 XVII XVIII　閾值的選取 XX　形態(tài)學(xué)濾波 XXI四、實驗結(jié)果及分析 XXV結(jié)束語 XXVII摘 要 智能視頻監(jiān)控是計算機視覺領(lǐng)域新興的研究方向，它通過對攝像機拍攝的視頻圖像序列進(jìn)行自動分析來對被監(jiān)控場景中的事物變化進(jìn)行定位、跟蹤和識別，并以此對相關(guān)目標(biāo)的行為進(jìn)行分析和判別，在實現(xiàn)了日常管理工作的同時又能對目標(biāo)的異常行為做出及時反應(yīng)。實驗結(jié)果表明，本模塊能夠處理一般靜態(tài)背景條件下的行人目標(biāo)，滿足了實際應(yīng)用的初步要求。智能視頻監(jiān)控技術(shù)可用于安防監(jiān)控、智能交通、醫(yī)院護(hù)理等眾多方面，具有重要的研究意義和美好的應(yīng)用前景。 智能視頻監(jiān)控概述 智能視頻監(jiān)控的發(fā)展智能視頻監(jiān)控是在傳統(tǒng)的視頻監(jiān)控基礎(chǔ)上發(fā)展起來的。第三代：網(wǎng)絡(luò)時代。大多數(shù)視頻監(jiān)控系統(tǒng)難以按照 1:1 的比例來配置監(jiān)控攝像機和視頻顯示裝置，尤其是在機場、港灣等大型的視頻監(jiān)控系統(tǒng)中，各個監(jiān)控點很難都處于監(jiān)控之下。對于安全威脅的響應(yīng)速度直接關(guān)系到一個安全系統(tǒng)的整體性能?；谝曈X的行人檢測目前仍舊是計算機視覺領(lǐng)域的一個公認(rèn)的難題。 國內(nèi)外研究現(xiàn)狀伴隨著視頻處理、數(shù)據(jù)庫、人工智能等學(xué)科的發(fā)展，智能視頻監(jiān)控越來越顯現(xiàn)出廣闊的應(yīng)用前景和潛在的經(jīng)濟價值。Vidient 前身為 NEC 公司的一個實驗室，產(chǎn)品 SmartCatch，能檢測包括移動物體檢測、遺留物體檢測、周邊入侵檢測等的多種異常行為，其主要用戶為機場；ObjectVideo 公司的產(chǎn)品類型包括邊界保安和入侵探測、可疑人員逗留、物品遺留／異樣物體探測、財產(chǎn)保護(hù)／防盜探測、人流／物流監(jiān)控，圖像變化／攝像機檢測、交通工具監(jiān)控和測速等等。國內(nèi)的科研機構(gòu)近年來也在積極展開智能視頻監(jiān)控系統(tǒng)的研究與商業(yè)產(chǎn)品開發(fā)（李子青，2007）。Park et al(200l)對 Snake 方法有所改進(jìn)，提出一種指向型的Snake 模型，可減少邊緣定位錯誤。本文在分析常用運動目標(biāo)檢測以及運動跟蹤方法的基礎(chǔ)上，結(jié)合行人目標(biāo)特點，實現(xiàn)了社會治安視頻中行人目標(biāo)的智能檢測與跟蹤。顏色空間從提出到現(xiàn)在已經(jīng)有上百種，大部分只是局部的改變或?qū)Ｓ糜谀骋活I(lǐng)域，現(xiàn)在采用的大多數(shù)顏色模型都是面向硬件或面向應(yīng)用的。圖 形象地顯示了 RGB 顏色空間。圓錐的頂面對應(yīng)的強度 V 為 1，代表最亮的顏色。圓錐頂面中心處 S 為 0，V 為 1，H 無定義，代表白色，從該點到頂點代表亮度漸暗的白色，即不同灰度的白色。設(shè) min 等于這些值中的最小者。 形態(tài)學(xué)方法形態(tài)學(xué)（morphology）原本代表的是生物學(xué)的一個學(xué)科，在這里介紹的是數(shù)學(xué)形態(tài)學(xué)（mathematical morphology）。 背景差分法背景差分法也是常用的運動目標(biāo)檢測方法之一。其原理比較簡單。在一般靜態(tài)場景下，背景建模方法在進(jìn)行目標(biāo)檢測時可以獲得良好的效果，但是在處理動態(tài)場景視頻時，由于背景本身就存在相對運動，所以需要其他方法來解決這一問題?；谔卣鞯钠ヅ浞椒ㄐ枰粩嗟孬@取目標(biāo)特征對其進(jìn)行檢測和跟蹤，對較大目標(biāo)的運動和亮度變化比較敏感，但是得到的光流往往很稀疏，而且目標(biāo)的特征提取與匹配也有相當(dāng)難度；基于區(qū)域的匹配方法需要先定位相似區(qū)域的位置，然后通過相似區(qū)域和初始區(qū)域的比較來計算光流，基于區(qū)域的方法在網(wǎng)絡(luò)視頻傳輸編碼中得到了大量運用，但其計算中的光流仍然稀疏。 運動目標(biāo)跟蹤方法信息理論中，目標(biāo)跟蹤可定義為在給定一組觀測的條件下對系統(tǒng)的狀態(tài)進(jìn)行估計。根據(jù)提取特征的不同，可將目標(biāo)跟蹤的方法分為三類：基于邊緣特征的方法，其跟蹤特征是目標(biāo)的邊緣信息；基于區(qū)域特征的方法，這種方法綜合考慮整個跟蹤區(qū)域內(nèi)的顏色、灰度、紋理以及運動信息；融合邊緣和區(qū)域特征的方法，此類方法將邊緣信息和區(qū)域信息結(jié)合起來，統(tǒng)一到一個跟蹤理論框架中。目標(biāo)特征可以是其位置中心，或者其上任意其他點，但要求該特征具備一定的穩(wěn)定性，不易受包括噪聲、光照在內(nèi)的種種因素干擾。盡管該類方法不用進(jìn)行輪廓分割，但使用了二階偏微分，因此對圖像噪聲十分敏感。另一方面基于統(tǒng)計的紋理信息難以實現(xiàn)準(zhǔn)確的測量，特別是在相似紋理匹配方面的效果不夠精準(zhǔn)。圖 描述了 Adaboost算法通過樣本訓(xùn)練獲得分類器然后進(jìn)行目標(biāo)檢測的過程。參數(shù)化主動輪廓中運動曲線用參數(shù)表示，并且要預(yù)先附加外界控制條件或知道先驗知識。但是，這種算法雖然可以使背景像素不隨時間積累，迅速更新，因此這種算法有比較強的適應(yīng)場景變化能力。背景差分算法的實質(zhì)是：實時輸入的場景圖像與背景圖像進(jìn)行差分，可以較準(zhǔn)確的分割出運動目標(biāo)。因此，在背景建模與背景更新處于比較理想的狀態(tài)下，背景差分算法得到的差分結(jié)果略好于幀間差分的結(jié)果。全局閾值法是指在在整幅圖像范圍內(nèi)用同一閾值來進(jìn)行二值化處理的方法；局部閾值法是當(dāng)圖像中的敏感度不均勻，以慢斜率變化時，將圖像分割成幾個子塊。當(dāng)背景和對象在圖像中占據(jù)的面積相近時，好的T的初始值就是圖像的平均灰度值。它通過物體和機構(gòu)元素相互作用的某些運算，得到物體更本質(zhì)的形態(tài)。它用于測試輸入圖像，通常比待處理圖像小得多。再進(jìn)行腐蝕操作時，外部邊界將變回原來的樣子，而這些內(nèi)部空洞則永遠(yuǎn)消失了。圖27顯示了實際上的腐蝕運算，左邊是被處理的圖象X(二值圖象，針對的是黑點)，中間是結(jié)構(gòu)元素B，右邊是膨脹后的結(jié)果。利用Matlab圖像處理功能來實現(xiàn)經(jīng)典的圖像處理方法,簡化了算法,達(dá)到了檢測目標(biāo)的預(yù)期效果,為后面的目標(biāo)跟蹤、目標(biāo)分類等奠