【正文】 b。 q=im2double(n)。%建立結果視頻aviobj = VideoWriter(resultavi)。r39。 x3 = x(:, :, 3)。)。Indeo539。除了 XXX 老師之外，學校的其他學圖像處理的老師也給我?guī)砹撕艽髱椭?，他們的指點讓我在摸索的過程中少走了許多彎路，他們嚴謹?shù)墓ぷ鲬B(tài)度是我的榜樣，我能完成畢業(yè)論文以及設計，離不開各位老師的指導。第 5 章 總結與展望 總結本文通過對運動目標檢測中的幀間差分算法的研究，首先介紹了運動目標檢測的研究背景和意義，以及常用的運動目標檢測方法，然后通過幀間差分算法所需的相關的圖像處理方面的理論知識，相繼介紹了圖像處理方面的相關的知識，如灰度圖像，二值圖像、數(shù)學形態(tài)學等原理和方法。圖（d）是由三幀差分算法得到的差值圖像，從檢測結果可以看出，三幀差分算法可以很好地檢測運動目標 第 20 幀（a） 第 21 幀圖像（b） 第 22 幀圖像（c） 差分圖像 （d）圖 陰影和物體間的重疊遮檢測效果圖 是在非靜態(tài)背景的背景下。下面將介紹三幀差分算法的具體過程：1）從視頻圖像序列中選取連續(xù)的三幀圖像，其中第一幀圖像 ，第1(,)kfxy?二幀圖像 ，第三幀圖像 。把上述所得到的差分圖像，用數(shù)學形態(tài)學的腐蝕，膨脹的原理進行去噪操作，如下，圖 (a)是對差分圖像 (c)進行腐蝕的結果，圖 (b)是對差分圖像 （c）的膨脹的結果；圖 (b)是對差分圖像 (c)進行腐蝕的結果，圖 (d)是對 c 差分圖像 (c)的膨脹的結果；圖 (e)是對差分圖像(c)進行腐蝕的結果，圖 (f)是對差分圖像 (c)的膨脹的結果。而腐蝕運算與膨脹運算剛好相反，它對圖像具有緊縮的作用，基于這種特性，我們運用腐蝕運算將所提取的目標的邊緣多余的部分剔除掉，從而使目標輪廓更加清晰，使檢測出來的目標更加精確。 本章總結本章主要是對運動目標檢測應用到的相關技術理論知識進行了闡述總結，介紹了有關運動目標檢測，灰度圖像，二值圖像，數(shù)學形態(tài)學的相關理論知識，以及他們的在相應的領域中的應用。這樣重復的進行腐蝕與膨脹，圖像中的噪聲就會被去除掉。 形態(tài)學濾波圖像在生成、傳輸、變換過程中會受到各種各樣的外界因素的干擾，這些干擾有可能使圖像質(zhì)量所下降和退化，圖像變得模糊，并且夾雜有各種噪聲。而膨脹具有對圖像的擴大作用, 可以填充圖像中相對于結構元素而言相對比較小的孔洞。這門學科在計算機文字識別，計算機顯微圖像分析(如顆粒分析)，醫(yī)學圖像處理（例如細胞檢測、心臟的運動過程研究、脊椎骨癌圖像自動數(shù)量描述） ，圖像編碼壓縮，工業(yè)檢測(如食品檢驗和印刷電路自動檢測) ，材料科學，機器人視覺，汽車運動情況監(jiān)測等方面都取得了非常成功的應用 [15]。去噪處理的方法也有很多，目前最常用的方法就是數(shù)學形態(tài)學處理，數(shù)學形態(tài)學包括膨脹，腐蝕，開啟，閉合四種基本運算，這些運算在圖像的去噪處理上有很廣泛的用途。本章首先介紹了三幀差分算法的原理和算法流程，然后實現(xiàn)算法，并得出部分實驗結果進行分析，根據(jù)分析結果，說明本算法的優(yōu)缺點。我們知道，運動目標在不同的檢測環(huán)境中，會受到不同的外在因素的影響，而這些不同因素將會在不同的程度上影響運動目標檢測的準確性和穩(wěn)定性。下面是運動目標檢測技術常用的三種方法：1）光流法 [18]：光流是一種簡單實用的圖像運動的表達方式，光流是一個圖像序列中的圖像的亮度模式的表觀運動，光流不但包括被觀察物體的運動信息，而且還包括相關的結構信息。4）前景與背景物體相近當運動的前景目標的物體與背景中的景物在顏色或者形狀等外觀特征相似時，將會增大從背景中分辨出運動目標的難度。在我們的生活中，多數(shù)有意義的視覺信息基本上都是動態(tài)的，是運動的而不是靜止不動的，然而動態(tài)的視覺信息與靜態(tài)信息相比，更不容易捕獲。它在很多領域都有很廣泛的應用。運動目標檢測算法的大致步驟有以下幾個方面：首先選取視頻序列中的圖像，對圖像中給定的像素區(qū)域進行分析,然后根據(jù)幀間的數(shù)據(jù)差異，可以產(chǎn)生相對應的運動信號, 從而獲取到場景中的運動目標。就像運動目標的圖像中梯度信息、深度信息等，再如彩色圖像中的彩色的紋理特征、顏色信息，直方圖信息等，以及運動圖像中的邊緣信息，中間信息等等，以上所述的信息都可以作為圖像特征用來檢測，如果以這些特征來對運動目標進行檢測，將會帶來很多問題，并切導致檢測結果不準確 [17]。這種方法一般都能夠提供較完整的特征數(shù)據(jù)。(2)非靜態(tài)背景。5 / 40第 2 章 運動目標檢測理論基礎 關于運動目標檢測運動目標檢測算法的任務是從場景序列圖像中剔除靜止的背景區(qū)域，找出運動的前景區(qū)域，并盡可能地抑制背景噪聲和前景噪聲，以準確得到感興趣的運動物體 [16]。而在研究運動目標檢測效果時，圖像的顏色特征并不會影響檢測結果，因此，我們在進行運動目標檢測研究之前，為了統(tǒng)一進行處理以及節(jié)省存儲空間和處理圖像的時間，我們通常對采集到的ＲＧＢ圖像進行灰度化處理。 形態(tài)學運算數(shù)學形態(tài)學有四個基本運算：膨脹和腐蝕、開啟和閉合。開運算還可以用其它符號表示，如 O(A，B)，OPEN(A，B)等方式表示，在本文中，我們采用O(A，B)來表示。因此對不同的目標圖像，我們需設計不同的結構元素以及不同的處理算法。為此，選擇圓形的結構元素對于恢復噪聲污染圖像會產(chǎn)生較好的濾波效果。3）在上式中，閾值的選擇非常關鍵。在這里我們選取以下幾個影響因素，陰影和物體間的重疊遮蓋、非靜態(tài)背景、高速運動的目標，正常勻速運動的目標在這幾個因素影響下，總結實驗結果，進行對比分析，從而更好的檢驗算法的效果。而在非靜態(tài)背景的情況下，檢測到的目標會出現(xiàn)很多的空洞，有的很模糊，即使用形態(tài)學處理之后，運動目標還會出現(xiàn)模糊的情況，其原因有可能在于，在進行差分運算時，由于背景不是靜止的，兩次檢測時的背景不同，導致得到的差值圖像和真正的目標有所差別；還有在物體高速運動時，運動目標雖然可以檢測出來，但是會產(chǎn)生許多噪聲，這給去噪處理帶來很多麻煩。為了保證與二幀差分效果進行對比，所以，在進行三幀差分運算時，選用和二幀差分算法同樣的方法選取閾值和二幀差分算法所選取閾值。 （a） 腐蝕 膨脹 （b） 腐蝕 膨脹 （c） 腐蝕 膨脹圖 三幀差分算法形態(tài)學處理結果 結果分析根據(jù)以上實驗結果可以看出，三幀差分算法在檢測運動目標時，可以很好的檢測出運動目標，相比之前的二幀差分算法，三幀差分算法所檢測出來的運動目標輪廓更清晰，目標更明確。根據(jù)實現(xiàn)的算法以及得到的結論，都具有一定的說服性。 close all。 imshow(x, [])。 end % 中值濾波 m = medfilt2(m)。 subplot(1, 2, 2)。end%% 關閉視頻句柄%aviobj = close(aviobj)。%=39。%%后兩幀差分 t=40。 drawnow。 k=find(abs(c)t)。 m=medfilt2(m)。 %%原始視頻resultavi=39。, 39。 % 閾值分割 c(abs(c)=t)=255。Bold39。fnum = 。因為這些因素是不可控的，我們有時很難避免，所以，三幀差分算法的適用性還是有限的。雖然該算法在一定程度上，提高了差分算法檢測的正確率，但是有些地方還是需要改進。但是取得兩個差分圖像的交集時，也不可避免一些“毛刺”現(xiàn)象，因此，去噪工作同樣很有必要。 實現(xiàn)過程三幀差分算法是在上述的二幀差分算法的基礎上改進而來的。圖 （c）是兩幀查差分后得到的二值化圖像，由實驗結果可以看出，在非靜態(tài)背景的因素下，二幀差分能粗略的檢測出運動目標。4）當運用幀間差分法得到二值圖像后，我們基本上就得到了運動目標的大致圖像，但是根據(jù)運動目標檢測的相關理論我們知道，運動的圖像有許多干擾因素會產(chǎn)生噪聲，從而影響檢測效果。圖像二值化就是將圖像上的點的灰度置為 0 或 255，也就是說，二值圖像呈現(xiàn)出來的是黑白效果。數(shù)學形態(tài)學濾波器在圖像處理和分析中有著廣泛的應用，一般說來開運算用來消除散點和“毛刺” ，即對圖像進行平滑，閉運算則填平小洞或將兩個鄰近的區(qū)域連接起來。用符號 表示，AB?也可以用 C(A,B)表示，其定義為: ()AB????（）從上式可以看出，對圖像 A 用結構元素 B 作閉運算可得到一個集合，該集合中包含所有這樣的點 x, x 被一個平移的鏡像結構元素覆蓋的同時，平移的鏡像結構元素與 A 圖像必有一些公共點。2)腐蝕腐蝕的運算符為 ，B 腐蝕 A 的運算表示為：? {|}x???（）它表示 A 用 B 腐蝕時，其結果為集合 x，它由將 B 平移 x 后，仍包含在 A中的所有點組成。這門學科起初是針對二值圖像而進行運算的,但由于它不僅能夠簡化圖像數(shù)據(jù),保持圖像基本的形狀特性,還能夠除去圖像中不相干的結構的特點,所以它目前被廣泛的應用于圖像處理領域。7）干擾：對檢測結果可能產(chǎn)生影響的因素，如攝像機自身抖動、以及背景中出現(xiàn)的運動的物體，如晃動的樹木，閃爍的顯示屏，噴泉等。首先介紹了運動目標檢測的相關理論，然后闡述了數(shù)學形態(tài)學方法的內(nèi)容，以及數(shù)學形態(tài)學方法在運動目標檢測中的應用。圖像序列逐幀的差分，就相當于對圖像序列進行了時域下的高通濾波。再這樣龐大的數(shù)據(jù)下進行重復，那無疑是一項浩大的工程 [18]。目前計算機方面的專家們所提出的算法各有缺陷，幾乎1 / 40沒有一個算法能同時滿足準確性、穩(wěn)健性、可靠性等各種特性，因此，在運動目標檢測的算法中，還有著各種各樣的不足。在運動目標檢測方面，本文通過實現(xiàn)一種三幀差分算法來進行運動目標的檢測。缺點是檢測出的位置不一定精確，并且不能提取出完整的目標。雖然發(fā)展到現(xiàn)在，人們在運動目標檢測方面取得了一定的進展，然而到目前為止，人們并沒有還實現(xiàn)一種能適用于各種場合、各種情況的通用算法。由于運動目標檢測研究及應用處理的對象是這樣龐大的大數(shù)據(jù)量的視頻圖像，所以其運動量是相當大的，即使在現(xiàn)在，CPU 處理速度不斷升級，但如果沒有合適的算法，那也很難達到檢測的實時處理的要求，另外，運動目標檢測的另外一個很重要的性能指標就是準確性，而準確性的保證往往是在進行大量復。通過兩幀相減，得到兩幀圖像亮度差的絕對值，判斷它是否大于閾值，根據(jù)這個判斷條件，我們可以得出圖像的二值化圖像，并以此來分析視頻或圖像序列的運動特性，確定圖像序列中是否有物體運動 [14]。第 2 章主要介紹了和運動目標檢測有關的理論基礎。6）鬼影：過去某時刻的運動目標進入背景模型，在當前時刻被當成運動目標檢測出來。其基本思想方法就是用具有一定形態(tài)的結構元素去度量和圖像中對應的形狀,以達到對圖像分析和識別的目的?；蛘?x 是 Bx 擊中（用符號↑表示）A 而形成的數(shù)據(jù)集，一般以 B 中位于(0,0)處的元素作為 B 的核 Bx[15]。4)閉運算閉運算是開運算的對偶運算，定義為先作膨脹后作腐蝕。形態(tài)濾波器 [15]是由以集合論為基礎的開、閉運算組成的，它們具有不模糊圖像邊界的特性，采用形11 / 40態(tài)算子對圖像進行處理便構成了數(shù)學形態(tài)學濾波器。因為預知的選擇既要盡可能的保存圖像信息，又要盡可能的減少背景干擾和噪聲的干擾，這是閾值選擇的原則。求出圖像中的最大灰度值和最小灰度值，取其平均值作為初始閾值記為 T。 第 20 幀圖像 （a） 第 21 幀圖像 （b） 差分圖像（c）圖 目標和背景重疊遮現(xiàn)象的檢測效果圖 是在背景中有噴氣的泉水的下，檢測圖像視頻序列中第 79 幀和第 80幀的差分效果。本文將在此思路上實現(xiàn)運動目標檢測的