【文章內(nèi)容簡(jiǎn)介】 占據(jù)的空間比灰色圖像要大得多，因此，需要將RGB 彩色圖像轉(zhuǎn)換成灰度圖像。為了提高運(yùn)動(dòng)目標(biāo)的檢測(cè)速度，通常我們會(huì)把圖形灰度化，常用的灰度公式如下： BjiGjiRjiG R A Y ?????? ),(),(),( （ ） ),( jiGRAY 為變換后圖形在 ),( ji 處的像素點(diǎn)。 錯(cuò)誤 !未找到引用源。 圖 2. 9 為日常生活中常見的生活場(chǎng)景。 暨南大學(xué) 11 a） 彩色原始圖像 b） 灰度圖像 圖 b)為 a）的灰度圖像，我們可以看出 b）簡(jiǎn)化了圖像，但是卻完好的保存了原始圖像的全部信息。 暨南大學(xué) 12 3常用的三種檢測(cè)方法 引言 運(yùn)動(dòng)目標(biāo)檢測(cè)意思是說(shuō)利用一定的技術(shù)在圖像中將我們需要的部分標(biāo)識(shí)出來(lái)，在目前的運(yùn)動(dòng)目標(biāo)檢測(cè)中我們常用的運(yùn)動(dòng)目標(biāo)檢測(cè)方法有三種，即光流法、幀間差分法、背景差分法。 錯(cuò)誤 !未找到引用源。 光流法 運(yùn)動(dòng)目標(biāo)的像素在基于視頻中的序列中的瞬時(shí)速度，也就是我們平時(shí)所說(shuō)的光流。光流法則是把檢測(cè)的圖像先變成速度的矢向量，然后再進(jìn)行圖像的后處理。如果在基于視頻序列的圖像中運(yùn)用了光流法，我們可以保留圖像中完整的圖像信息，有利于運(yùn)動(dòng)目標(biāo)的檢測(cè)。 基于匹配、基于頻域以及基于梯度是我們?cè)诠饬鞣ㄖ谐Ｓ玫娜N計(jì)算方法， 而基于梯度方法是我們最常用的方法，在這里不做過(guò)多的介紹。 在運(yùn)動(dòng) 目標(biāo)檢測(cè)中采用光流法，使圖像本事包含了原圖像的完整信息，在運(yùn)動(dòng)目標(biāo)檢測(cè)效果中有較高的效率?？墒氰b于光流法的計(jì)算方法相對(duì)復(fù)雜，而且在實(shí)時(shí)監(jiān)控方面依然存在實(shí)時(shí)檢測(cè)效率低等問(wèn)題，故而光流法在運(yùn)動(dòng)目標(biāo)檢測(cè)系統(tǒng)中的應(yīng)用依然有限。 [13] 幀間差分法 幀間差分法是運(yùn)動(dòng)目標(biāo)檢測(cè)中常用的方法之一，幀間差分法是指在某視頻中前后兩幀圖像相比較做差，來(lái)獲得差分圖像。 當(dāng)監(jiān)控系統(tǒng)中出現(xiàn)不同于背景圖像的物體時(shí)，視頻序列前后兩幀圖像會(huì)出現(xiàn)不同，兩幀圖像相減，得到差分圖像。以便我們分析圖像，得到我們所需信息。[14] 基于視頻序列的圖像通過(guò)幀間差分法來(lái)檢測(cè)運(yùn)動(dòng)目標(biāo)的一般流程圖如 圖 3. 1 所示： f（ t1） f（ t1） 預(yù)處理 后處理 預(yù)處理 檢測(cè)目標(biāo) 差分圖像 暨南大學(xué) 13 圖 3. 2 幀間差分法來(lái)檢測(cè)運(yùn)動(dòng)目標(biāo)的流程示意圖 二幀差分法、三幀差分法是我們?cè)趲g差分法中常用的兩種方法，而最常用的方法則是二幀差分法，二幀差分法的基本原則就是利用基于視頻序列的圖像的當(dāng)前幀和前一幀圖像的灰度值，兩幀圖像的灰度值做差，得到差值圖像，再進(jìn)行圖像的后處理等工作。 盡管幀間差分法的實(shí)現(xiàn)方法簡(jiǎn)單，程序的編程相對(duì)來(lái)所難度較低，但是由于幀間差分法對(duì)風(fēng)速光線等變化反應(yīng)較慢，所以幀間差分法的應(yīng)用廣度和深度依然有待發(fā)展。 錯(cuò)誤 !未找到引用源。 背景差分法 背景差 分法是幀間差分法的一種特殊情況，與幀間差分法的原理有相似之處。背景差分法的基本思想為：在視頻圖像序列中將背景圖像與運(yùn)動(dòng)目標(biāo)相比較，兩幀圖像做差，得到差值圖像，我們就可以得到運(yùn)動(dòng)目標(biāo)在背景圖像下的遇不到效果。 錯(cuò)誤 !未找到引用源。 背景差分法是目前應(yīng)用最成熟的一種算法，在這三種方法中是最重要的一種， 我們通常所說(shuō)的通過(guò) 背景差分法 來(lái)檢測(cè)運(yùn)動(dòng)目標(biāo)的一般流程圖如 圖 3. 3 所示 ： 后處理 圖 3. 4 背景法來(lái)檢測(cè)運(yùn)動(dòng)目標(biāo)的流程示意圖 背景差分法在運(yùn)動(dòng)目標(biāo)檢測(cè)系統(tǒng)中的檢測(cè)效果快，而且方便實(shí)現(xiàn)，在現(xiàn)代社會(huì)的應(yīng)用中，是研究的熱門性方向，在各領(lǐng)域的應(yīng)用都比較廣泛。但是由于視頻序列中背景圖像的連續(xù)性，需要我們實(shí)時(shí)的通過(guò)視頻序列的信息進(jìn)行不斷地更新背景，也就是我們所說(shuō)的背景更新。 [15] 當(dāng)前幀 背景圖像 差值圖像 后處理 二值化 運(yùn)動(dòng)目標(biāo) 暨南大學(xué) 14 4 背景建模與背景更新 引言 在背景差分法中最關(guān)鍵的步驟是如何獲得我們所需要的背景圖像，也就是說(shuō)背景圖像的獲取是目前研究中的重要部分。而背景圖像的獲得 通常通過(guò)兩種方法獲得，一種是單一固定的背景圖像，另外一種則是逐漸更新的背景圖像。 錯(cuò)誤 !未找到引用源。 單一的背景圖像 單一的背景圖像是背景差分法的理想化情況。在單一的背景圖像下，基于視頻序列的背景圖像不會(huì)隨著時(shí)間的變化而發(fā)生變化，也 就是說(shuō)背景圖像在不會(huì)變化的狀態(tài)下，僅僅是運(yùn)動(dòng)目標(biāo)發(fā)生變化。 錯(cuò)誤 !未找到引用源。 圖 4. 1 背景圖像圖 圖 4. 2 差分圖像 圖 4. 3 二值化圖像圖 圖 4. 4 形態(tài)學(xué)處理后的圖像 圖 4. 圖 4. 圖 、圖 。 暨南大學(xué) 15 而面對(duì)逐漸更新的背景圖像，我們最常用的的方法則是建立背景模型。在目前的背景建模方法中我們經(jīng)常采用單高斯背景建模、混合高斯背景建模以及W4背景建模。 [16] 單高斯背景建模用于處理背景靜止不動(dòng)的視頻序列，其算法和原理是眾多的算法中最簡(jiǎn)單的，而且在圖像處理過(guò)程中并不是每一次都需要背景建模。當(dāng)圖像的背景不變時(shí)，我們就可以利用單高斯背景建模。圖像的像素亮度符合高斯分布時(shí)，也就是說(shuō)圖像的在 B 點(diǎn)的亮度像素符合： ? ?? ?duNyxIB ,~, 其中 u 為平均差， d 為方差。 這時(shí)應(yīng)注意到隨著時(shí)間的變化，背景圖像會(huì)隨著 時(shí)間有些變化，這就要求我們隨時(shí)更新背景模型。 [17]單高斯背景建模適應(yīng)于背景圖像靜止不動(dòng)的場(chǎng)合，例如某教室或辦公室，而對(duì)于背景圖像變化的場(chǎng)景，多是室外的場(chǎng)景，如柳葉的搖動(dòng)、旗幟的擺動(dòng)、湖面的擺動(dòng)等，這時(shí)候單高斯背景建模就會(huì)顯露出其缺點(diǎn)，而在實(shí)際應(yīng)用中，場(chǎng)景的復(fù)雜度較高，如室外的監(jiān)控場(chǎng)景，背景中包含很多動(dòng)態(tài)變化的物體，對(duì)于背景圖像變化的場(chǎng)景我們通常會(huì)采用混合高斯背景建模。 經(jīng)典背景模型 顏色背景模型是背景模型的其中一種，如果當(dāng)前幀 圖像的 ? ?yx, 處的灰度值和背景圖像在 ? ?yx, 處的灰度值有較小的差別時(shí)，我們則認(rèn)為 ? ?yx, 點(diǎn)事背景點(diǎn)，反之則認(rèn)為是前景點(diǎn)。下面介紹幾種經(jīng)典背景模型。 平均背景模型 平均背景模型是把一段時(shí)間內(nèi)的所有幀圖像灰度值的均值作為其背景圖像，當(dāng)沒有運(yùn)動(dòng)目標(biāo)時(shí)，所有幀圖像灰度值的均值沒有明顯的變化，也就是說(shuō)當(dāng)有運(yùn)動(dòng)目標(biāo)出現(xiàn)時(shí)，所有幀圖像灰度值的均值會(huì)發(fā)生明顯的變化。其表達(dá)公式如下： ? ??? ?? nk kii yxfnB 0 ,1 () ? ?yxfi , 為視頻中第 i 幀圖像， ? ?yxBi , 為視頻中第 n 幀圖像的背景圖像，把前 n幀圖像的灰度值作為背景圖像。 從這個(gè)公式可以看出：如果想得到的背景圖像越真實(shí)，那么 n 的取值就要越大，算法簡(jiǎn)單，最大的缺點(diǎn)是實(shí)用差，不能很好地適應(yīng)突變的場(chǎng)景，在室外的應(yīng)用有很大的弊端。 暨南大學(xué) 16 非參數(shù)背景模型 非參數(shù)背景模型是利用概率論的相關(guān)知識(shí)來(lái)建立背景模型的，圖像在 ? ?yx,點(diǎn)的灰度值用 ? ? ? ? ? ?? ?yxfyxfyxf n ,..., 21 來(lái)表示。 ? ?? ? ? ? ? ?? ?yxfyxfKyxfP itni hit , 1 ?? ?? ? () 且 ?? ?ni i0 1?， ? ?yxft , 是在時(shí)間 t 的像素點(diǎn) ? ?yx, 灰度值。 如果在時(shí)間 t 滿足 ? ? ? ? Tyxfyxf it ?? , 時(shí)，我們則會(huì)默認(rèn)為這個(gè)點(diǎn)是前景點(diǎn)，反之則是背景點(diǎn)，非參數(shù)背景模型算法要求計(jì)算每幀圖像的每一個(gè)點(diǎn)，因此計(jì)算量比較大，消耗時(shí)間較長(zhǎng)。 混合高斯模型 將視頻序列準(zhǔn)確的量化分析，將某一視頻分解成若干的基于高斯函數(shù)，這就是我們所說(shuō)的高斯模型。 混合高斯模型的基本思想 對(duì)于基于視頻序列的圖像的每一個(gè)像素點(diǎn)，都可以用 K個(gè)不同的正態(tài)分布函數(shù)來(lái)表示， K 通常取 3 ~5。通常 K 越大說(shuō)明其抗干擾能力越強(qiáng)，每個(gè)正態(tài)分布函數(shù)都記錄一個(gè)均值和一個(gè)協(xié)方差矩陣。假如要知道該點(diǎn)是背景點(diǎn)還是前景點(diǎn)時(shí)，則只需要將該點(diǎn)與 K個(gè)高斯分布的均值相比較，該像素點(diǎn)的值不在某一均值允許范圍之內(nèi)時(shí)，則認(rèn)為該像素點(diǎn)是前景點(diǎn)，否則認(rèn)為是背景點(diǎn)。某點(diǎn)像素 ? ?yx,在時(shí)間 t 位于背景圖像的概率為： ?? ?? ?? ?? ?? ?? ? ththtkh tht yxIyxIP ,1 , , ??? () 其中： th,? th,? ? ?? ? ?th nthth I, 2, ? th,? 表示 t 時(shí)刻的混合高斯模型中第 h 個(gè)正態(tài)分布的權(quán)重； th,? 表示第 h 個(gè)正態(tài)分布的均值； ? ?? ? ?th nthth I, 2, ? 表示對(duì)應(yīng)的協(xié)方差矩陣； ? 表示正態(tài)分布的概率密度函數(shù)，記為 暨南大學(xué) 17 ? ? ?? ? ? ? ? ? ? ? ? ? ?tyxtttyxtnt IIyxI T