【正文】 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)分類等奠定了基礎(chǔ)。再進行腐蝕操作時，外部邊界將變回原來的樣子，而這些內(nèi)部空洞則永遠消失了。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)。全局閾值法是指在在整幅圖像范圍內(nèi)用同一閾值來進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。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行差分，可以較準(zhǔn)確的分割出運動目標(biāo)。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。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)。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。 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)進行估計。在一般靜態(tài)場景下，背景建模方法在進行目標(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。 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。設(shè) min 等于這些值中的最小者。圓錐的頂面對應(yīng)的強度 V 為 1，代表最亮的顏色。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。Park et al(200l)對 Snake 方法有所改進，提出一種指向型的Snake 模型，可減少邊緣定位錯誤。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／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?；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。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。 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。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。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。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。（3）誤報和漏報。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。還有以色列的 Mate、NiceVision 和 Ioimage 等公司也提供了市場化的產(chǎn)品。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。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。繞 V 軸的旋轉(zhuǎn)角代表色彩 H，紅、黃、藍分別對應(yīng)于 0176。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。這種方法將新的視頻圖像同已經(jīng)建立的背景模型進行比較，通過圖像灰度值或其他參考量的變化來估計目標(biāo)運動。物體運動時其表面像素點的亮度也隨之運動，在視頻圖像中表現(xiàn)為光流，對應(yīng)圖像中產(chǎn)生的瞬時速度場就是光流場。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。常見的特征匹配方法有角點匹配，不變矩匹配，紋理匹配等。 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，其研究進展也不斷深入。而短程線主動輪廓能夠自動處理曲線運動中的結(jié)構(gòu)變化，而不需要外界條件控制，在多個非剛性運動目標(biāo)的跟蹤中表現(xiàn)更好。但是背景差分算法也有其天然的缺陷，隨著時間的推移，場景的光線、樹葉的遮擋、或者運動物體滯留都會很大程度的破壞已經(jīng)建立好的背景圖像。如果在每個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。其基本思想是：利用一個成為結(jié)構(gòu)元素的“探針”收集圖像信息。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)運算時，用Ｂ對Ｘ進行操作。本文經(jīng)過如圖29所示的流程能夠達到如圖210所示的效果:圖41檢測過程結(jié)束語本文提出了一種新的動態(tài)背景下的行人跟蹤算法，并且實現(xiàn)了一般靜態(tài)背景條件下的行人檢測與跟蹤。使用結(jié)構(gòu)元素B對集合X進行開啟操作，表示為，定義為 ： 使用結(jié)構(gòu)元素B對集合X進行閉合操作，表示為，定義為[11]: 四、實驗結(jié)果及分析本文著重研究了利用背景減法進行目標(biāo)檢測在Matlab中的實現(xiàn)方法。膨脹操作會使物體的邊界向外擴張，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上，因而不再是邊界了。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。閾值法可以分為全局閾值法和局部閾值法兩種[9]。此外，在場景中由于多個運動目標(biāo)的速度不一致也給時間間隔的選取帶來很大麻煩。主動輪廓模型分為兩類：參數(shù)化主動輪廓和短程線主動輪廓。利用紋理特征進行圖像分割可以取得良好的效果，但是對于本身具備不同紋理的目標(biāo)，就需要對各個部分建立紋理特征?；谔卣鞯母櫡椒ㄍǔ０ㄌ卣魈崛∨c特征匹配兩個部分。運動圖像邊緣的檢測可以通過時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算法，時間上的差分可以通過計算連續(xù)幀的差來獲得，也可以通過計算當(dāng)前圖像與背景圖像的差分圖像，然后求其邊緣來計算。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）。目前常用的運動目標(biāo)檢測方法有四種：幀差法，背景差分法，光流法，邊緣檢測法等。設(shè) max 等價于 r,g 和 b 中的最大者。HSV 顏色空間如圖 所示，其空間模型為一個圓錐。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點表示。Kass et al(1992)利用 Snake 輪廓模型進行目標(biāo)跟蹤。其中有美國的 Vidient 和 ObjectVideo 等公司。 行人檢測行人檢測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。（2）監(jiān)控時間。除了視覺監(jiān)控之外，人體檢測和跟蹤在高級人機交互、動畫制作等方面也有著廣泛的應(yīng)用。2）介紹了智能視頻監(jiān)控系統(tǒng)的重要應(yīng)用——社會治安視頻監(jiān)控系統(tǒng)，在分析其圖像處理技術(shù)及架構(gòu)后，針對實際監(jiān)控條件與要求，完成了行人檢測和跟蹤模塊的設(shè)計，采用matlab平臺和 OpenCV 算法庫進行了圖像提取和預(yù)處理、運動目標(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現(xiàn)。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，由計算機代替大腦完成對信息的處理和解釋．使計算機具有人一樣的視覺功能。第一代：模擬時代。這是視頻監(jiān)控系統(tǒng)中最常見的兩大問題，誤報（falsepositives）會浪費人力物力，漏報可能會導(dǎo)致非常危險的后果發(fā)生。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測行人，從而鼓舞了研究人員開展進一步的研究工作。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。