【文章內容簡介】 圖。高斯濾波器是根據(jù)高斯函數(shù)的形狀來選擇權值的線性平滑濾波器[12]，它廣泛應用于對圖像去噪處理，它對去除服從正態(tài)分布的噪聲很好的效果。從高斯濾波這些性質可以得出，高斯平滑濾波器是一種即適用空間域也適用頻率域的低通濾波器，并且在實際應用中有較好的處理效果。 (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。再用得到加權均值來代替該點的像素值，由于圖像具有邊緣特征，通過平滑運算對離算子中心很遠的像素點的作用非常小，對圖像的失真度影響較小，這樣得到的每一鄰域像素點權值就會隨該點與中心點的距離而單調增減。 (2) 二維高斯函數(shù)通過旋轉仍然具有對稱性，這就意味著通過高斯平滑濾波器在后續(xù)邊緣檢測中不會偏向任一方向，這樣就會使通過濾波器對各個方向上的圖像進行平滑處理的程度是相同的。而對于一幅圖像來說，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。 (3) 高斯函數(shù)具有可分離性，通過較大尺寸的高斯濾波器可以對圖像進行有效的分離。在對二維高斯函數(shù)進行卷積時，首先要將圖像與一維高斯函數(shù)進行卷積，然后將卷積得到結果與方向垂直的且相同的一維高斯函數(shù)進行卷積。因此，通過二維高斯函數(shù)進行卷積的計算量會隨著濾波模板的寬度成線性增長，而不是成平方增長。(4) 通過對高斯函數(shù)進行傅立葉變換，可以得到單瓣的頻譜。這一性質可以得到通過傅立葉變換的高斯函數(shù)仍是高斯函數(shù)，而在對圖像進行處理的過程中，圖像常常被高頻信號的噪聲所污染(噪聲和細紋理)，而所希望得到的圖像特征（如邊緣）不能很好地顯示出來，其中既包含低頻分量，又包含有高頻分量。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。本章主要是對視頻圖像的預處理過程進行簡要的介紹，首先是對視頻圖像讀取、圖像灰度化等處理過程做了簡單的闡述，然后對視頻圖像去噪方法做了說明，如均值濾波、中值濾波和高斯濾波，并分別對這三種不同的濾波方法進行比較，分析各種方法的優(yōu)缺點，同時提出使用高斯濾波方法，為下文的視頻圖像的前景檢測中準確的提取運動目標做出鋪墊。3 運動目標檢測算法研究 運動目標檢測是計算機視覺研究領域的基礎，它是利用數(shù)字信號處理方法從圖像序列中去除圖像的背景區(qū)域，將運動區(qū)域的前景檢測并提取出來，而目前運動目標形成的圖像序列分為兩種：一種是靜止背景，一種是變化背景。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。 幾種常見的運動目標檢測方法的介紹 常用的目標檢測的方法有光流法、幀間差分法、背景減除法等。每種運動目標的檢測方法都是針對某種特定的場合，每種方法自身都具有優(yōu)缺點，都有許多需要改進的地方，接下來分別對光流法、背景減除法和幀間差分法作出具體的分析。 光流法 光流是空間運動物體在觀測成像面上的像素運動的瞬時速度，光流場是一種二維(2D)瞬時速度場，光流法的研究是根據(jù)圖像序列中的像素強度的時域變化和相關性，從而確定各自像素位置的“運動”情況。設圖像像素，時刻t的亮度為。令的速度為，如果點的亮度保持不變，在較短的時間間隔內，則有 （31） 如果亮度隨的變化，對上述公式進行泰勒展開，則有 （32） 其中代表是大于等于2的高階項，在消去并且忽略，可得 （33） 其中，它表示的是圖像在的梯度。此方程叫做光流約束方程。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。同時它也可以用于對運動目標進行跟蹤，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。在對圖像進行分割時，光流法還需要利用灰度、顏色、邊緣等空域特性以此來提高分割精度；同時光流法使用的是迭代算法，計算復雜并且耗時，抗噪性能差，實時性和精度低，很難應用于全幀視頻流的實時處理。 背景減除法 背景減除法它是利用當前圖像與背景圖像進行差分來檢測運動目標。通過和閾值相比較，如果像素值大于閾值，則該像素為前景圖像，否則，該像素點為背景圖像。這種方法的優(yōu)點是能夠將運動區(qū)域描述的完整并且精確，但是它的不足之處在于對光照和場景中的擾動會比較敏感。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。背景減除法對視頻圖像的處理流程圖如下圖31所示。背景更新視頻圖像序列 背景圖像Bx當前目標閾值化處理差分圖像RxDx當前圖像 圖31 背景減除法原理圖 如圖31所示，可以看出背景減除法的原理很簡單，但是在提取圖像序列中感興趣的目標是背景減除法的構建和模型更新的關鍵所在，與灌流法相比，背景減除法對不同場景具有較強的適應性，但是由于模型的缺陷所帶來的對運動目標檢測結果造成的影響，依然沒有得到有效的解決。 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。這種檢測算法對光照變化敏感度不高，適用于動態(tài)變化的環(huán)境和實時性要求較高的應用環(huán)境[13]。算法原理圖如32所示。圖32 幀間差分法原理圖如圖32所示，如果把第k1幀的視頻圖像作為參考圖像，并計算出當前幀和的差值，得到差分并進行二值化后的圖像Mask，當和差值小于閾值Th時，則該像素點所確定圖像為背景圖像，取Mask的值為0，若為前景圖像，取Mask的值為1。則有 （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。因此，在使用幀間差分法進行對目標檢測的過程中，應該采用連續(xù)的三幀差分法來代替兩幀差分法，這樣就能是所檢測的運動目標更加的清晰。 基于自適應高斯背景模型的目標檢測自適應背景模型算法通過建立背景模型，然后用當前圖像與背景模型進行差分，在對差分后的結果和閾值進行比較，將絕對值大于預知的區(qū)域作為前景區(qū)域。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]。單模態(tài)背景模型由于在背景像素上的顏色分布比較集中，可以通過單分布概率模型來進行描述；多模態(tài)背景模型由于背景像素上的顏色分布比較分散，則通過使用多分布概率模型來描述。在許多實際應用，如飄揚的旗幟、搖擺的樹枝、監(jiān)視器屏幕、水面的波紋等，他們的像素值呈現(xiàn)的是多模態(tài)特性，場景背景像素的顏色分布可以使用高斯分布來描述。下面分別討論這兩種情況下的背景模型。 單高斯背景模型 單高斯分布[15]背景模型，它所適用的條件是光照不變且背景靜止，而在此情況下背景點的像素值是相對穩(wěn)定的。設圖像的當前顏色值為，t表示時間。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和方差，則得到的背景估計圖像可以看作為是由和組成的初始高斯分布的圖像。其中 （35） （36） 混合高斯背景模型 由于光照的變化和背景圖像的運動，以及環(huán)境存在著一些微小的擾動，如水面上波光的不斷閃動和場景中樹枝的不?；蝿拥?，使得同一位置的像素值發(fā)生了改變，而單高斯背景模型又無法準確地模擬背景圖像的變化；另一方面，像素值較快的變化，且像素值的變化不是由一個相對穩(wěn)定的單峰分布向另外一個單峰分布的過渡，因此它給背景建模帶來了一定的困難。由于背景像素值在一段時間內是多峰分布的，通過借助單高斯背景模型的思想，利用多個單高斯背景模型的集合模擬場景中像素值的變化情況，再用后驗概率對每一個像素值進行分類，即可得到用混合高斯模型的方法來對背景圖像的描述。 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。本章先介紹了運動目標檢測的幾種常見算法，如幀間差分法、光流法、背景減除法，并分別介紹各種方法的原理及特點，并分析各種檢測算法的使用范圍以及算法的優(yōu)缺點，引出基于自適應混合高斯背景模型的運動目標檢測算法，其次，通過對單高斯模型和混合高斯建模方法分析與比較，選出混合高斯背景的建模方法，最后闡述了混合高斯背景建模方法的主要研究思路。4 基于混合高斯背景建模方法的運動目標檢測 在上一章中主要介紹常見的幾種運動目標檢測的方法，其中包括光流法、幀間差分法和背景減除法，通過對這三種方法的分析，他們各自有自己獨特算法優(yōu)點，但是它們的適用范圍是有限的，它們有一個共性的缺點，就是它們只能適用于背景圖像靜止或相對靜止的條件下的目標檢測，但是在現(xiàn)實情況下，光照的變化和背景圖像的運動，以及環(huán)境存在著一些微小的擾動，如水面上波光的不斷閃動和場景中樹枝的不?；蝿拥?，使得同一位置的像素值發(fā)生了改變，而單高斯背景模型又無法準確地模擬背景圖像的變化；另一方面，像素值較快的變化，且像素值的變化不是由一個相對穩(wěn)定的單峰分布向另外一個單峰分布的過渡，因此它給背景建模帶來了一定的困難。因此需要通過借助單高斯背景模型的思想，利用多個單高斯背景模型的集合模擬場景中像素值的變化情況，來進行對運動目標的檢測。 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是一個基于發(fā)行的跨平臺計算機視覺庫，可以運行在Linux、Windows操作系統(tǒng)上。由一系列 C 函數(shù)和少量 C++ 類構成，同時提供了JAVA、Python、Ruby、MATLAB等語言的接口，實現(xiàn)了圖像處理和計算機視覺方面的很多通用算法。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]。本文選取OpenCV進行對運動目標檢測的優(yōu)勢。1. OpenCV對非商業(yè)應用和商業(yè)應用都是免費（FREE）的；2. 代碼簡單，穩(wěn)定，有固定的函數(shù)算法提供，通過對OpenCV函數(shù)庫的調用，它為用戶減輕了開發(fā)維護應用程序龐大代碼的沉重負擔，有統(tǒng)一的結構和功能定義，并且可與其他庫兼容；3. OpenCV致力于真實世界的實時應用，通過對C語言代碼的優(yōu)化，對程序的執(zhí)行速度有很大的提升，并且可以通過購買Intel的IPP高性能多媒體函數(shù)庫(Integrated Performance Primitives)可以得到更快的處理速度。OpenCV函數(shù)庫的搭建步驟。首先安裝下載得到的OpenCV應用程序，在其計算機上對安裝的OpenCV應用程序進行環(huán)境變量的設置，然后在Visual C++6. 0下編譯所要的靜態(tài)和動態(tài)鏈接庫文件，包括1ib路徑的設置、include files等路徑的設置，再進行工程項目的鏈接設置。在VC++6. 0中建立新工程以后，在工程設置里添加需要的OpenCV庫，并在程序文件中包含OpenCV的頭文件，就可以搭建好基于OpenCV下VC++ 6. 0的環(huán)境設置，這樣就可以在Windows下面利用VC++ 6. 0進行基于OpenCV的程序編程。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。通過選取適當?shù)拈y值，將256個亮度等級的灰度圖像變成能夠反映圖像整體和局部特征的二值化圖像處理的過程。在進行對圖像處理的過程中，對圖像進行二值化處理非常重要。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