【文章內容簡介】 占據(jù)的空間比灰色圖像要大得多，因此，需要將RGB 彩色圖像轉換成灰度圖像。為了提高運動目標的檢測速度，通常我們會把圖形灰度化，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。 錯誤 !未找到引用源。 圖 2. 9 為日常生活中常見的生活場景。 暨南大學 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 12 3常用的三種檢測方法 引言 運動目標檢測意思是說利用一定的技術在圖像中將我們需要的部分標識出來，在目前的運動目標檢測中我們常用的運動目標檢測方法有三種，即光流法、幀間差分法、背景差分法。 錯誤 !未找到引用源。 光流法 運動目標的像素在基于視頻中的序列中的瞬時速度，也就是我們平時所說的光流。光流法則是把檢測的圖像先變成速度的矢向量，然后再進行圖像的后處理。如果在基于視頻序列的圖像中運用了光流法，我們可以保留圖像中完整的圖像信息，有利于運動目標的檢測。 基于匹配、基于頻域以及基于梯度是我們在光流法中常用的三種計算方法， 而基于梯度方法是我們最常用的方法，在這里不做過多的介紹。 在運動 目標檢測中采用光流法，使圖像本事包含了原圖像的完整信息，在運動目標檢測效果中有較高的效率。可是鑒于光流法的計算方法相對復雜，而且在實時監(jiān)控方面依然存在實時檢測效率低等問題，故而光流法在運動目標檢測系統(tǒng)中的應用依然有限。 [13] 幀間差分法 幀間差分法是運動目標檢測中常用的方法之一，幀間差分法是指在某視頻中前后兩幀圖像相比較做差，來獲得差分圖像。 當監(jiān)控系統(tǒng)中出現(xiàn)不同于背景圖像的物體時，視頻序列前后兩幀圖像會出現(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幀間差分法來檢測運動目標的一般流程圖如 圖 3. 1 所示： f（ t1） f（ t1） 預處理 后處理 預處理 檢測目標 差分圖像 暨南大學 13 圖 3. 2 幀間差分法來檢測運動目標的流程示意圖 二幀差分法、三幀差分法是我們在幀間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，再進行圖像的后處理等工作。 盡管幀間差分法的實現(xiàn)方法簡單，程序的編程相對來所難度較低，但是由于幀間差分法對風速光線等變化反應較慢，所以幀間差分法的應用廣度和深度依然有待發(fā)展。 錯誤 !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動目標相比較，兩幀圖像做差，得到差值圖像，我們就可以得到運動目標在背景圖像下的遇不到效果。 錯誤 !未找到引用源。 背景差分法是目前應用最成熟的一種算法，在這三種方法中是最重要的一種， 我們通常所說的通過 背景差分法 來檢測運動目標的一般流程圖如 圖 3. 3 所示 ： 后處理 圖 3. 4 背景法來檢測運動目標的流程示意圖 背景差分法在運動目標檢測系統(tǒng)中的檢測效果快，而且方便實現(xiàn)，在現(xiàn)代社會的應用中，是研究的熱門性方向，在各領域的應用都比較廣泛。但是由于視頻序列中背景圖像的連續(xù)性，需要我們實時的通過視頻序列的信息進行不斷地更新背景，也就是我們所說的背景更新。 [15] 當前幀 背景圖像 差值圖像 后處理 二值化 運動目標 暨南大學 14 4 背景建模與背景更新 引言 在背景差分法中最關鍵的步驟是如何獲得我們所需要的背景圖像，也就是說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隨著時間的變化而發(fā)生變化，也 就是說背景圖像在不會變化的狀態(tài)下，僅僅是運動目標發(fā)生變化。 錯誤 !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)學處理后的圖像 圖 4. 圖 4. 圖 、圖 。 暨南大學 15 而面對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的視頻序列，其算法和原理是眾多的算法中最簡單的，而且在圖像處理過程中并不是每一次都需要背景建模。當圖像的背景不變時，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，也就是說圖像的在 B 點的亮度像素符合： ? ?? ?duNyxIB ,~, 其中 u 為平均差， d 為方差。 這時應注意到隨著時間的變化，背景圖像會隨著 時間有些變化，這就要求我們隨時更新背景模型。 [17]單高斯背景建模適應于背景圖像靜止不動的場合，例如某教室或辦公室，而對于背景圖像變化的場景，多是室外的場景，如柳葉的搖動、旗幟的擺動、湖面的擺動等，這時候單高斯背景建模就會顯露出其缺點，而在實際應用中，場景的復雜度較高，如室外的監(jiān)控場景，背景中包含很多動態(tài)變化的物體，對于背景圖像變化的場景我們通常會采用混合高斯背景建模。 經典背景模型 顏色背景模型是背景模型的其中一種，如果當前幀 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，我們則認為 ? ?yx, 點事背景點，反之則認為是前景點。下面介紹幾種經典背景模型。 平均背景模型 平均背景模型是把一段時間內的所有幀圖像灰度值的均值作為其背景圖像，當沒有運動目標時，所有幀圖像灰度值的均值沒有明顯的變化，也就是說當有運動目標出現(xiàn)時，所有幀圖像灰度值的均值會發(fā)生明顯的變化。其表達公式如下： ? ??? ?? 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。 從這個公式可以看出：如果想得到的背景圖像越真實，那么 n 的取值就要越大，算法簡單，最大的缺點是實用差，不能很好地適應突變的場景，在室外的應用有很大的弊端。 暨南大學 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知識來建立背景模型的，圖像在 ? ?yx,點的灰度值用 ? ? ? ? ? ?? ?yxfyxfyxf n ,..., 21 來表示。 ? ?? ? ? ? ? ?? ?yxfyxfKyxfP itni hit , 1 ?? ?? ? () 且 ?? ?ni i0 1?， ? ?yxft , 是在時間 t 的像素點 ? ?yx, 灰度值。 如果在時間 t 滿足 ? ? ? ? Tyxfyxf it ?? , 時，我們則會默認為這個點是前景點，反之則是背景點，非參數(shù)背景模型算法要求計算每幀圖像的每一個點，因此計算量比較大，消耗時間較長。 混合高斯模型 將視頻序列準確的量化分析，將某一視頻分解成若干的基于高斯函數(shù)，這就是我們所說的高斯模型。 混合高斯模型的基本思想 對于基于視頻序列的圖像的每一個像素點，都可以用 K個不同的正態(tài)分布函數(shù)來表示， K 通常取 3 ~5。通常 K 越大說明其抗干擾能力越強，每個正態(tài)分布函數(shù)都記錄一個均值和一個協(xié)方差矩陣。假如要知道該點是背景點還是前景點時，則只需要將該點與 K個高斯分布的均值相比較，該像素點的值不在某一均值允許范圍之內時，則認為該像素點是前景點，否則認為是背景點。某點像素 ? ?yx,在時間 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 時刻的混合高斯模型中第 h 個正態(tài)分布的權重； th,? 表示第 h 個正態(tài)分布的均值； ? ?? ? ?th nthth I, 2, ? 表示對應的協(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 17 ? ? ?? ? ? ? ? ? ? ? ? ? ?tyxtttyxtnt IIyxI T