【正文】 一幅圖像 來說，圖像的 邊緣方向事先 是 不知道的，因此，在濾波前一個(gè)方向上比另一方向上需要 進(jìn)行 平滑 處理的多少是不能確定的。 光流法能夠攜帶運(yùn)動(dòng)物體的運(yùn)動(dòng)信息和有關(guān)景物三維結(jié)構(gòu)的優(yōu)點(diǎn)，它能夠在不知道任何場景信息的情況下，檢測出運(yùn)動(dòng)對(duì)象。而背景按照自身的特性劃分為單模態(tài)背景模型和多模態(tài)背景模型 [14]。 OpenCV 擁有包括 500 多個(gè) C函數(shù)的跨平臺(tái)的中、高層 APl， 它 通過 函數(shù)來實(shí)現(xiàn)用于圖形處理和 計(jì)算機(jī) 視覺方面的通用算法 [16]。該函數(shù)的典型應(yīng)用是對(duì)灰度圖像進(jìn)行閾值操作得到二值圖像。 而 閉運(yùn)算是開運(yùn)算的對(duì)偶運(yùn)算， 它是 通過對(duì)目標(biāo)圖像先進(jìn)行膨脹運(yùn)算，再進(jìn)行腐蝕運(yùn)算 而得到的圖像 ， 通過使用閉運(yùn)算 功 可以 用來填充物體 間 細(xì)小 的 空洞、連接臨近的 物體、平滑其邊界，同時(shí) 也 不明顯改變目標(biāo)圖像的面積。 M 越大，處理波動(dòng)的能力越強(qiáng)，但所需的處理時(shí)間越長。 (b)在進(jìn)行類型的轉(zhuǎn)換時(shí)，需要注意 cvCreateGaussianBGModel 函數(shù)返回值為CvBGStatModel*， 所以就需要將 bg_model 強(qiáng)制轉(zhuǎn)換為 CvGaussBGModel*，只有這樣才能進(jìn)行前景建模。 圖 42 形態(tài)學(xué)圖像處理 21 混合高斯背景建模的流程圖 混合高斯背景模型的建立，首先需要導(dǎo)入一個(gè) avi的視頻序列，建立混合高斯背景模型并進(jìn)行初始化，然后對(duì)視頻序列進(jìn)行逐幀讀取，并對(duì)圖像進(jìn)行灰度處理和二值化處理，以及對(duì)幀圖像進(jìn)行去噪處理，隨著幀數(shù)的不斷更新，實(shí)時(shí)對(duì)背景， 前景 進(jìn)行更新，以適應(yīng)光線的變化和場景本身的變化，對(duì)檢測結(jié)果 進(jìn)行形態(tài)學(xué)處理，使其圖像的邊緣更加精確得當(dāng) ， 同時(shí) 消除噪聲和背景擾動(dòng) 對(duì)圖像的檢測所 帶來的影響。 下面主要介紹這四種形態(tài)學(xué)算法。 圖像二值化 圖像的二值化處理是 將 圖像上的點(diǎn)的灰度 值 置為 0或 255， 而使 整 幅 圖像呈現(xiàn)出 較為明顯的黑白效果。在對(duì)背景圖像進(jìn)行算法的估計(jì)時(shí)，通過在 較長的一段時(shí)間內(nèi)，計(jì)算視頻序列圖像中每一個(gè)像素值的均值 0?和方差 20? ，則得到的背景估計(jì)圖像可以看作為是由 0? 和 20? 組成的初始高斯分布的圖像],[ 20xx ???B 。背景減除法的難點(diǎn)在于如何尋找其理想的背景模型，以及如何進(jìn)行對(duì)背景模型的更新。通過利用 高斯函數(shù) 傅 立葉變換的單瓣性對(duì)圖像進(jìn)行平滑處理，得到的圖像處理信息 不會(huì)被不需要的高頻信號(hào)所污染，同時(shí) 還保留了大部分所需信號(hào) 。 通過 傅立葉變換 的 高斯函數(shù) 仍是高斯函數(shù) ， 因此高斯函數(shù)頻域做乘積來實(shí)現(xiàn)高斯濾波 ， 在頻域 上經(jīng)過 平滑 處理可得到一個(gè) 低通濾波器 [11]。 標(biāo)準(zhǔn)一維中值濾波器的定義為 ),...,...,( 11 xxxxx NKNKKNKNKk m e dy ??????? （ 21） 式中， med 表示取中值操作。 圖像中內(nèi)在噪聲 也可能對(duì)圖像 的 檢測產(chǎn)生 影響，而原始幀由于 其他原因 不可避免的會(huì)疊加噪聲。在 計(jì)算機(jī)中 對(duì)圖像 灰度圖 表示 是 對(duì)其圖像的 亮度值進(jìn)行量化 ，將其 等分成 0255共 256 個(gè)級(jí)別， 0 最暗 (全黑 )， 255 最亮 (全白 )，而在 RGB 模型中，如果 R=G=B，則顏色 (R,G,B)就表示灰度色 。與 cvNamedWindow 不同是， cvQueryFrame 6 使用已經(jīng)在 cvCapture 結(jié)構(gòu)中分配好的內(nèi)存 ，而 cvNamedWindow 為圖像分配內(nèi)存空間 。數(shù)字視頻是先用攝像機(jī)之類的視頻捕捉設(shè)備，將外界影像的顏色和亮度信息轉(zhuǎn)變?yōu)殡娦盘?hào)，再記錄到 儲(chǔ)存介質(zhì) 當(dāng)中，它也是數(shù)字圖像在時(shí)域上的序列，視頻序列中的每個(gè)圖像稱為幀。但是由于被檢測物體與攝像機(jī)之間存在著復(fù)雜的相對(duì)運(yùn)動(dòng)，而動(dòng)態(tài)的運(yùn)動(dòng)目標(biāo)的檢測算法比靜態(tài)的運(yùn)動(dòng)目標(biāo)的檢測算法情況要復(fù)雜很多，目前動(dòng)態(tài)背景的運(yùn)動(dòng)目標(biāo)檢測算法中， 常用的算法有匹配塊法、光流估計(jì)法、圖像匹配法以及全局運(yùn)動(dòng)估計(jì)法等。像素級(jí)的混合高斯模型能隨動(dòng)態(tài)場景 的變化而自適應(yīng)地變化，可以用來描述多峰的背景，同時(shí)也廣泛應(yīng)用于運(yùn)動(dòng)目標(biāo)領(lǐng)域的檢測。 隨著運(yùn) 動(dòng)目標(biāo)檢測研究的不斷深入，以及 計(jì)算機(jī)技術(shù) 的發(fā)展和計(jì)算機(jī)視覺原理的廣泛應(yīng)用，利用計(jì)算機(jī)圖像處理技術(shù)對(duì)目標(biāo)進(jìn)行實(shí)時(shí)跟蹤研究越來越熱門，對(duì)目標(biāo)進(jìn)行動(dòng)態(tài)實(shí)時(shí)跟蹤定位在智能化交通系統(tǒng)、 智能監(jiān)控系統(tǒng) 、軍事目標(biāo)檢測及醫(yī)學(xué)導(dǎo)航手術(shù)中手術(shù)器械定位等方面具有廣泛的應(yīng)用價(jià)值。 在背景的各種建模方法中，混合高斯背景模型以其簡便、靈活、高效的特點(diǎn)成為該領(lǐng)域的經(jīng)典方法，能夠很好消除背景的微小擾動(dòng)對(duì)運(yùn)動(dòng)目標(biāo)檢測所產(chǎn)生的影響，比較準(zhǔn)確地檢測出復(fù)雜環(huán)境下的運(yùn)動(dòng)目標(biāo)，具有較好的魯棒性和實(shí)時(shí)性。靜態(tài)背景下的運(yùn)動(dòng)目標(biāo)檢測是指攝像機(jī)在整個(gè)監(jiān)控的過程中處于靜止?fàn)顟B(tài)，只存在著被監(jiān)控物體在視場內(nèi)的運(yùn)動(dòng)；而動(dòng)態(tài)背景下運(yùn)動(dòng)目標(biāo)的檢測是指攝像機(jī)在整個(gè)監(jiān)控過程中發(fā)生了移動(dòng) (如平動(dòng)、旋轉(zhuǎn)或多自由度運(yùn)動(dòng) )，同時(shí)被監(jiān)控的物體在整個(gè)視場內(nèi)也存在著運(yùn)動(dòng)的情況。幀間差分法對(duì)動(dòng)態(tài)環(huán)境有著較強(qiáng)的適應(yīng)性，它的缺點(diǎn)是不能從中提取所有相關(guān)的特征像素點(diǎn)，在運(yùn)動(dòng)目標(biāo)內(nèi)部易產(chǎn)生空洞，從而得出不完整的目標(biāo)信息。 3. 系統(tǒng)算法在進(jìn)行 運(yùn)動(dòng)目標(biāo)檢測 時(shí)，使用的是混合高斯建模方法，其運(yùn)算量 比較 大，如果對(duì)于大量的數(shù)據(jù) 進(jìn)行 計(jì)算 時(shí)，由 于計(jì)算的過程比較耗時(shí)從而 會(huì)影響效果的實(shí)時(shí)性； 研究內(nèi)容 第一章 簡要介紹了計(jì)算機(jī)視覺， 了解運(yùn)動(dòng) 目標(biāo) 檢測的國內(nèi)外發(fā)展現(xiàn)狀， 并對(duì)目前運(yùn)動(dòng)目標(biāo)檢測的常用方法的簡單介紹，最后分析現(xiàn)階段對(duì)運(yùn)動(dòng)目標(biāo)檢測 研究 的熱點(diǎn)問題。 這 兩種 獲取圖像的 方式都必須從第一幀開始一幀一幀的按順序獲取，因此每獲取一幀 圖像 后都要保存 其 相應(yīng)的狀態(tài)和參數(shù) [8]。 CvCapture* pCapture = NULL。視頻圖像一般經(jīng)過預(yù)處理 、灰度處理之 后， 再加上對(duì)圖像的濾波去噪，將會(huì)改善 感興趣區(qū)域 的 可視化效果， 從而對(duì)視頻圖像的檢測起到重要的作用 。因此，必須在圖像質(zhì)量和去除噪聲之間做出折衷。 均值去噪 均值濾波也 被 稱為線性濾波， 它所運(yùn)用的 方法為鄰域平均法， 其 基本原理是用鄰域的均值替代原圖像中的各 個(gè)像素值， 通過 對(duì)處理的當(dāng)前像素點(diǎn) (X,Y)選擇一個(gè)模板窗口，而 模板 的選取是 由當(dāng)前像素近鄰的若干像素 所 組成， 在對(duì) 模板求取所有像素的均值，再把 所求的 均值賦 給 當(dāng)前 的 像素點(diǎn)，作為處理后圖像在該點(diǎn)上的灰度值，具體算法如下： 設(shè) f(x， y)為給定的含有噪聲的圖像，經(jīng)過鄰域平均 法處理 后 得到 的圖像為 g(x， y)，則 為 MyxN yxfyxg ?? ? ),(,),(),( （ 22） 其中 M 是 對(duì) 所取鄰域 圖像 中各鄰近像素的坐標(biāo)， N 是 鄰域中包含的鄰近像素的個(gè)數(shù)。 (1) 高斯函數(shù)是 單值 函數(shù) ， 高斯濾波 通過 對(duì)像素鄰域圖像進(jìn)行加權(quán)平均， 其中 圖像中每一個(gè) 像素 點(diǎn)的值 ， 都由其本身和鄰域內(nèi)的其他像素值經(jīng)過加權(quán)平均后得到 。 設(shè)圖像像素 ),( yxm? ，時(shí)刻 t 的亮度為 ),( tyxl 。則有 ??????? ??? ?? Thff ThffM as k kk kk 1101 （ 34） 運(yùn)用幀間差分法進(jìn)行對(duì)運(yùn)動(dòng)目標(biāo)的檢測，算法實(shí)現(xiàn)較為簡單，程序的復(fù)雜度比較低，用于實(shí)時(shí)性檢測，但是由于在實(shí)際應(yīng)用中，運(yùn)動(dòng)目標(biāo)的前一幀在被遮擋的背景部分會(huì)在當(dāng)前幀的檢測中顯露出來，而這部分的背景圖像被看作為當(dāng)前幀的前景目標(biāo)，另一方面，幀間差分法所檢測的運(yùn)動(dòng)目標(biāo)區(qū)域的大少與目標(biāo)運(yùn)動(dòng)的速度有關(guān)，在目標(biāo)運(yùn)動(dòng)緩慢時(shí)，檢測到的運(yùn)動(dòng)目標(biāo)區(qū)域比較小，甚至有可能無法檢測到運(yùn)動(dòng)目 標(biāo)。 OpenCV 介紹 OpenCV（ Open Source Computer Vision Library）， OpenCV于 1999年由 Intel建立，現(xiàn)在由 Willow Garage提供支持。 OpenCV 中可以通過 cvThreshold 函數(shù)實(shí)現(xiàn)圖片的二值化 ， 手動(dòng)指定一 個(gè)閾值，以此閾值來進(jìn)行圖像二值化處理 。開運(yùn)算和閉運(yùn)算 是根 據(jù)腐蝕和膨脹的不可逆性演變而來的 。 (1)像素模型參數(shù)的初 始化 本文用 ),( ??? tX 來表示均值為 ? ， 協(xié)方差矩陣為 ? 的高斯分布概率密度函數(shù)。 IplImage *img_dilate。 圖 43 混合高斯背景建模流程圖 幀圖像的形態(tài)學(xué)運(yùn)算處理 背景圖和前景圖的更新 視頻圖像的顯示 混合高斯背景模型的建立及初始化 導(dǎo)入視頻 開始 逐幀讀取視頻圖像并去噪 幀圖像的去噪和二值化處理 結(jié)束 22 利用混合高斯模型進(jìn)行背景建模 混合高斯建模方法能夠適用于背景出現(xiàn)微小擾動(dòng)對(duì)運(yùn)動(dòng)目標(biāo)檢測所帶來的干 擾，并且能夠 適應(yīng)光線的變化和場景本身的變化 ，通過利用混合高斯模型進(jìn)行背景建模，使其圖像的邊緣更加精確得當(dāng) ， 同時(shí) 消除噪聲和背景擾動(dòng) 對(duì)圖像的檢測所 帶來的影響 。 圖像膨脹 圖像膨脹可以看成是腐蝕的對(duì)偶運(yùn)算， 它和圖像的 腐蝕運(yùn)算 基本 相同，設(shè)定 要處理的 圖像集合 和結(jié)構(gòu)元素，通過結(jié)構(gòu)元素對(duì)圖像進(jìn)行膨脹處理。 要進(jìn)行二值圖像的處理與分析，首先要把灰度圖像 進(jìn)行 二值化，得到二值化圖像，這樣 就 有利于對(duì)圖像 在 做進(jìn)一步 處理時(shí)， 整個(gè) 圖像 中 的集合 屬性 只與 二值化后的 像素值為 0或 255的點(diǎn)的位置有關(guān)， 而 不再涉及像素的多級(jí)值， 這樣使圖像的 處理變得簡單，數(shù)據(jù)的處理和壓縮量 同樣也會(huì)變得更 小。 本 課題 采用 混合高斯背景建模方法的主要 研究思路是，在基于 OpenCV 的庫函數(shù)的下導(dǎo)入一段視頻格式為 avi 的視頻圖像，建立混合高斯背景模型并進(jìn)行初始化，然后對(duì)視頻序列進(jìn)行逐幀讀取，并對(duì)圖像進(jìn)行灰度處理和二值化處理，以及對(duì)幀圖像進(jìn)行去噪處理， 隨著幀數(shù)的不斷更新，實(shí)時(shí)對(duì)背景，前景 進(jìn)行更新，以適應(yīng)光線的變化和場景本身的變化，對(duì)檢測結(jié)果 進(jìn)行形態(tài)學(xué)處理，使其圖像的邊緣更加精確得當(dāng) ， 同時(shí) 消除噪聲和背景擾動(dòng) 對(duì)圖像的檢測所 帶來的影響。 幀 間 差 分 法 幀間差分法是基于運(yùn)動(dòng)圖像序列中， 根據(jù) 相鄰兩幀圖像間具有強(qiáng)相關(guān)性而提出的檢測算法。靜止背景通常發(fā)生在攝像機(jī)處于相對(duì)靜止的狀態(tài)，從而產(chǎn)生背景靜止的運(yùn)動(dòng)圖像序列；由于背景圖像發(fā)生動(dòng)態(tài)變化，如噪聲、光照、陰影、全局運(yùn)動(dòng)等影響，這使得目標(biāo)和攝像機(jī)都發(fā)生運(yùn)動(dòng)，從而產(chǎn)生的是背景變化的運(yùn)動(dòng)圖像序列，導(dǎo)致運(yùn)動(dòng)目標(biāo)在圖像上的變化和背景本身的變化混淆在一起，對(duì)前景目標(biāo)的檢測帶來極大的困擾。這 樣的話，對(duì)于 512512 的矢量圖 就會(huì) 被劃分成一個(gè) 個(gè) 88 的小區(qū)域 ， 再 通過統(tǒng)計(jì)每一個(gè)小區(qū)域內(nèi)的主要方向 ，在將統(tǒng)計(jì)出來 最多的方向作為區(qū)域的主方向。 但是 二維中值濾波的窗口形狀和尺寸設(shè)計(jì) 會(huì) 對(duì)濾波的效果 產(chǎn)生較大的影響 ，在針對(duì) 不同的圖像內(nèi)容和不同的應(yīng)用要求 ，使用 二維中值 時(shí) 往往采用不同的形狀和尺寸 ， 通常的 濾波窗口有線狀、方形、圓形、十字形及圓環(huán)形等，窗口尺寸一般 設(shè)置為 3，也可以根據(jù)濾波效果 適當(dāng) 的調(diào)整窗口的 尺寸， 從而得到較好 的濾波效果。頻域法的計(jì)算速度快，但是比較復(fù)雜，為了保證實(shí)時(shí)性，一般采用空域法 。而 不論采取哪種 灰度化處理 方法， 都會(huì)將 其原有的顏色特征改變或丟失， 這樣就 使得同一 種二值化方法因?yàn)椴煌幕叶然幚磉^程得到不同的結(jié)果，其中 R 表示該像素的紅色分量 ， G 表示綠色分量， B 表示藍(lán)色分量。 return 2。對(duì)于一個(gè)良好的圖像處理系統(tǒng)，不論是計(jì)算機(jī)進(jìn)行的數(shù)字處理還是用模擬處理，都是把減少最前一級(jí)的去除噪聲作為主攻目標(biāo)。在塊匹配的算法中 , 圖像序列被分割為若干個(gè)子塊 , 并將子塊中的所有像素的運(yùn)動(dòng)矢量被認(rèn)為是相同的 , 假設(shè)圖像場景中沒有大的遮擋物，而且復(fù)雜的運(yùn)動(dòng)可以被近似地分解為一組平 移運(yùn)動(dòng)之和，所以塊匹配算法可以假定為圖像中的運(yùn)動(dòng)物體是由做平移運(yùn)動(dòng)的剛體組成而得到的。 (2)幀間差分法 幀間差分法是目前最簡單的運(yùn)動(dòng)目標(biāo)檢測方法，它主要是利用了連續(xù)圖像序列中相鄰的兩幀或三幀圖像之間的相關(guān)性，然后對(duì)連續(xù)圖像序列中相鄰的幀進(jìn)行相減來進(jìn)行目標(biāo)檢測的方法，通過較小時(shí)間間隔來檢測的圖像變化部分，最后對(duì)圖像進(jìn)行閾值化處理來找出運(yùn)動(dòng)區(qū)域。在中國，北京、上海、廣東等地也已廣泛使用。 摘 要 運(yùn)動(dòng)目標(biāo)檢測是計(jì)算機(jī)視覺研究領(lǐng)域的基礎(chǔ)，它是從圖像序列中去除靜止的背景區(qū)域，將運(yùn)動(dòng)區(qū)域的前景檢測并提取出來，如何有效地把感興趣的目標(biāo)如人、物等前景目標(biāo)從復(fù)雜場景中分割出來，并對(duì)目標(biāo)行為做出相應(yīng)的檢測，是計(jì)算機(jī)視覺研究的熱點(diǎn)和難點(diǎn)。經(jīng)過幾十年的發(fā)展歷程，國外的視頻檢測技術(shù)研究己經(jīng)趨于成熟，主要集中于一些較發(fā)達(dá)的國家。幀間差分法具有算法簡單 , 運(yùn)算量小等優(yōu)點(diǎn) , 但是根據(jù)目標(biāo)的運(yùn)算速度，選擇合適的差分時(shí)間間隔是檢測圖像序列的關(guān)鍵 , 如果 選擇得差分時(shí)間間隔不合適 , 會(huì)造成較大誤差。這樣就會(huì)使塊匹配算法變得簡單快速 , 同時(shí)