【正文】 一幅圖像 來說，圖像的 邊緣方向事先 是 不知道的，因此，在濾波前一個方向上比另一方向上需要 進行 平滑 處理的多少是不能確定的。 光流法能夠攜帶運動物體的運動信息和有關景物三維結構的優(yōu)點，它能夠在不知道任何場景信息的情況下，檢測出運動對象。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 C函數(shù)的跨平臺的中、高層 APl， 它 通過 函數(shù)來實現(xiàn)用于圖形處理和 計算機 視覺方面的通用算法 [16]。該函數(shù)的典型應用是對灰度圖像進行閾值操作得到二值圖像。 而 閉運算是開運算的對偶運算， 它是 通過對目標圖像先進行膨脹運算，再進行腐蝕運算 而得到的圖像 ， 通過使用閉運算 功 可以 用來填充物體 間 細小 的 空洞、連接臨近的 物體、平滑其邊界，同時 也 不明顯改變目標圖像的面積。 M 越大，處理波動的能力越強，但所需的處理時間越長。 (b)在進行類型的轉換時，需要注意 cvCreateGaussianBGModel 函數(shù)返回值為CvBGStatModel*， 所以就需要將 bg_model 強制轉換為 CvGaussBGModel*，只有這樣才能進行前景建模。 圖 42 形態(tài)學圖像處理 21 混合高斯背景建模的流程圖 混合高斯背景模型的建立，首先需要導入一個 avi的視頻序列，建立混合高斯背景模型并進行初始化，然后對視頻序列進行逐幀讀取，并對圖像進行灰度處理和二值化處理，以及對幀圖像進行去噪處理，隨著幀數(shù)的不斷更新，實時對背景， 前景 進行更新，以適應光線的變化和場景本身的變化，對檢測結果 進行形態(tài)學處理，使其圖像的邊緣更加精確得當 ， 同時 消除噪聲和背景擾動 對圖像的檢測所 帶來的影響。 下面主要介紹這四種形態(tài)學算法。 圖像二值化 圖像的二值化處理是 將 圖像上的點的灰度 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。在對背景圖像進行算法的估計時，通過在 較長的一段時間內，計算視頻序列圖像中每一個像素值的均值 0?和方差 20? ，則得到的背景估計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 。背景減除法的難點在于如何尋找其理想的背景模型，以及如何進行對背景模型的更新。通過利用 高斯函數(shù) 傅 立葉變換的單瓣性對圖像進行平滑處理，得到的圖像處理信息 不會被不需要的高頻信號所污染，同時 還保留了大部分所需信號 。 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)頻域做乘積來實現(xiàn)高斯濾波 ， 在頻域 上經(jīng)過 平滑 處理可得到一個 低通濾波器 [11]。 標準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。 圖像中內在噪聲 也可能對圖像 的 檢測產(chǎn)生 影響，而原始幀由于 其他原因 不可避免的會疊加噪聲。在 計算機中 對圖像 灰度圖 表示 是 對其圖像的 亮度值進行量化 ，將其 等分成 0255共 256 個級別， 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 結構中分配好的內存 ，而 cvNamedWindow 為圖像分配內存空間 。數(shù)字視頻是先用攝像機之類的視頻捕捉設備，將外界影像的顏色和亮度信息轉變?yōu)殡娦盘?，再記錄?儲存介質 當中，它也是數(shù)字圖像在時域上的序列，視頻序列中的每個圖像稱為幀。但是由于被檢測物體與攝像機之間存在著復雜的相對運動，而動態(tài)的運動目標的檢測算法比靜態(tài)的運動目標的檢測算法情況要復雜很多，目前動態(tài)背景的運動目標檢測算法中， 常用的算法有匹配塊法、光流估計法、圖像匹配法以及全局運動估計法等。像素級的混合高斯模型能隨動態(tài)場景 的變化而自適應地變化，可以用來描述多峰的背景，同時也廣泛應用于運動目標領域的檢測。 隨著運 動目標檢測研究的不斷深入，以及 計算機技術 的發(fā)展和計算機視覺原理的廣泛應用，利用計算機圖像處理技術對目標進行實時跟蹤研究越來越熱門，對目標進行動態(tài)實時跟蹤定位在智能化交通系統(tǒng)、 智能監(jiān)控系統(tǒng) 、軍事目標檢測及醫(yī)學導航手術中手術器械定位等方面具有廣泛的應用價值。 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、高效的特點成為該領域的經(jīng)典方法，能夠很好消除背景的微小擾動對運動目標檢測所產(chǎn)生的影響，比較準確地檢測出復雜環(huán)境下的運動目標，具有較好的魯棒性和實時性。靜態(tài)背景下的運動目標檢測是指攝像機在整個監(jiān)控的過程中處于靜止狀態(tài)，只存在著被監(jiān)控物體在視場內的運動；而動態(tài)背景下運動目標的檢測是指攝像機在整個監(jiān)控過程中發(fā)生了移動 (如平動、旋轉或多自由度運動 )，同時被監(jiān)控的物體在整個視場內也存在著運動的情況。幀間差分法對動態(tài)環(huán)境有著較強的適應性，它的缺點是不能從中提取所有相關的特征像素點，在運動目標內部易產(chǎn)生空洞，從而得出不完整的目標信息。 3. 系統(tǒng)算法在進行 運動目標檢測 時，使用的是混合高斯建模方法，其運算量 比較 大，如果對于大量的數(shù)據(jù) 進行 計算 時，由 于計算的過程比較耗時從而 會影響效果的實時性； 研究內容 第一章 簡要介紹了計算機視覺， 了解運動 目標 檢測的國內外發(fā)展現(xiàn)狀， 并對目前運動目標檢測的常用方法的簡單介紹，最后分析現(xiàn)階段對運動目標檢測 研究 的熱點問題。 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 相應的狀態(tài)和參數(shù) [8]。 CvCapture* pCapture = NULL。視頻圖像一般經(jīng)過預處理 、灰度處理之 后， 再加上對圖像的濾波去噪，將會改善 感興趣區(qū)域 的 可視化效果， 從而對視頻圖像的檢測起到重要的作用 。因此，必須在圖像質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 個像素值， 通過 對處理的當前像素點 (X,Y)選擇一個模板窗口，而 模板 的選取是 由當前像素近鄰的若干像素 所 組成， 在對 模板求取所有像素的均值，再把 所求的 均值賦 給 當前 的 像素點，作為處理后圖像在該點上的灰度值，具體算法如下： 設 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 所取鄰域 圖像 中各鄰近像素的坐標， N 是 鄰域中包含的鄰近像素的個數(shù)。 (1) 高斯函數(shù)是 單值 函數(shù) ， 高斯濾波 通過 對像素鄰域圖像進行加權平均， 其中 圖像中每一個 像素 點的值 ， 都由其本身和鄰域內的其他像素值經(jīng)過加權平均后得到 。 設圖像像素 ),( yxm? ，時刻 t 的亮度為 ),( tyxl 。則有 ??????? ??? ?? Thff ThffM as k kk kk 1101 （ 34） 運用幀間差分法進行對運動目標的檢測，算法實現(xiàn)較為簡單，程序的復雜度比較低，用于實時性檢測，但是由于在實際應用中，運動目標的前一幀在被遮擋的背景部分會在當前幀的檢測中顯露出來，而這部分的背景圖像被看作為當前幀的前景目標，另一方面，幀間差分法所檢測的運動目標區(qū)域的大少與目標運動的速度有關，在目標運動緩慢時，檢測到的運動目標區(qū)域比較小，甚至有可能無法檢測到運動目 標。 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)實現(xiàn)圖片的二值化 ， 手動指定一 個閾值，以此閾值來進行圖像二值化處理 。開運算和閉運算 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)學運算處理 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 結束 22 利用混合高斯模型進行背景建模 混合高斯建模方法能夠適用于背景出現(xiàn)微小擾動對運動目標檢測所帶來的干 擾，并且能夠 適應光線的變化和場景本身的變化 ，通過利用混合高斯模型進行背景建模，使其圖像的邊緣更加精確得當 ， 同時 消除噪聲和背景擾動 對圖像的檢測所 帶來的影響 。 圖像膨脹 圖像膨脹可以看成是腐蝕的對偶運算， 它和圖像的 腐蝕運算 基本 相同，設定 要處理的 圖像集合 和結構元素，通過結構元素對圖像進行膨脹處理。 要進行二值圖像的處理與分析，首先要把灰度圖像 進行 二值化，得到二值化圖像，這樣 就 有利于對圖像 在 做進一步 處理時， 整個 圖像 中 的集合 屬性 只與 二值化后的 像素值為 0或 255的點的位置有關， 而 不再涉及像素的多級值， 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行初始化，然后對視頻序列進行逐幀讀取，并對圖像進行灰度處理和二值化處理，以及對幀圖像進行去噪處理， 隨著幀數(shù)的不斷更新，實時對背景，前景 進行更新，以適應光線的變化和場景本身的變化，對檢測結果 進行形態(tài)學處理，使其圖像的邊緣更加精確得當 ， 同時 消除噪聲和背景擾動 對圖像的檢測所 帶來的影響。 幀 間 差 分 法 幀間差分法是基于運動圖像序列中， 根據(jù) 相鄰兩幀圖像間具有強相關性而提出的檢測算法。靜止背景通常發(fā)生在攝像機處于相對靜止的狀態(tài)，從而產(chǎn)生背景靜止的運動圖像序列；由于背景圖像發(fā)生動態(tài)變化，如噪聲、光照、陰影、全局運動等影響，這使得目標和攝像機都發(fā)生運動，從而產(chǎn)生的是背景變化的運動圖像序列，導致運動目標在圖像上的變化和背景本身的變化混淆在一起，對前景目標的檢測帶來極大的困擾。這 樣的話，對于 512512 的矢量圖 就會 被劃分成一個 個 88 的小區(qū)域 ， 再 通過統(tǒng)計每一個小區(qū)域內的主要方向 ，在將統(tǒng)計出來 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計 會 對濾波的效果 產(chǎn)生較大的影響 ，在針對 不同的圖像內容和不同的應用要求 ，使用 二維中值 時 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 設置為 3，也可以根據(jù)濾波效果 適當 的調整窗口的 尺寸， 從而得到較好 的濾波效果。頻域法的計算速度快，但是比較復雜，為了保證實時性，一般采用空域法 。而 不論采取哪種 灰度化處理 方法， 都會將 其原有的顏色特征改變或丟失， 這樣就 使得同一 種二值化方法因為不同的灰度化處理過程得到不同的結果，其中 R 表示該像素的紅色分量 ， G 表示綠色分量， B 表示藍色分量。 return 2。對于一個良好的圖像處理系統(tǒng)，不論是計算機進行的數(shù)字處理還是用模擬處理，都是把減少最前一級的去除噪聲作為主攻目標。在塊匹配的算法中 , 圖像序列被分割為若干個子塊 , 并將子塊中的所有像素的運動矢量被認為是相同的 , 假設圖像場景中沒有大的遮擋物，而且復雜的運動可以被近似地分解為一組平 移運動之和，所以塊匹配算法可以假定為圖像中的運動物體是由做平移運動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動目標檢測方法，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性，然后對連續(xù)圖像序列中相鄰的幀進行相減來進行目標檢測的方法，通過較小時間間隔來檢測的圖像變化部分，最后對圖像進行閾值化處理來找出運動區(qū)域。在中國，北京、上海、廣東等地也已廣泛使用。 摘 要 運動目標檢測是計算機視覺研究領域的基礎，它是從圖像序列中去除靜止的背景區(qū)域，將運動區(qū)域的前景檢測并提取出來，如何有效地把感興趣的目標如人、物等前景目標從復雜場景中分割出來，并對目標行為做出相應的檢測，是計算機視覺研究的熱點和難點。經(jīng)過幾十年的發(fā)展歷程，國外的視頻檢測技術研究己經(jīng)趨于成熟，主要集中于一些較發(fā)達的國家。幀間差分法具有算法簡單 , 運算量小等優(yōu)點 , 但是根據(jù)目標的運算速度，選擇合適的差分時間間隔是檢測圖像序列的關鍵 , 如果 選擇得差分時間間隔不合適 , 會造成較大誤差。這樣就會使塊匹配算法變得簡單快速 , 同時