【文章內(nèi)容簡(jiǎn)介】 型。它以紅、綠、藍(lán)為原色，建立三維直角坐標(biāo)系，通過(guò)混合各個(gè)原色以產(chǎn)生各種復(fù)合色彩。通過(guò)對(duì)紅、綠、藍(lán)三種顏色施加變化以及疊加可以得到各種顏色。RGB 即是代表紅、綠、藍(lán)三種色彩組成的顏色空間，這一顏色空間幾乎包括人類能感知的所有顏色，因而應(yīng)用最為廣泛。RGB 顏色空間的設(shè)計(jì)是以顏色發(fā)光為原理的，簡(jiǎn)單理解其顏色混合方式就好像有紅、綠、藍(lán)三盞不同顏色的彩燈，當(dāng)三盞燈的光相互混合的時(shí)候，其色彩相混，而亮度等于三者總和,也即滿足加法混合。知道其原理后，在很多圖像處理軟件中進(jìn)行的 RGB 顏色設(shè)定就很容易理解了。圖 形象地顯示了 RGB 顏色空間。（2）HSV 模型RGB 和 CMY 彩色模型對(duì)硬件實(shí)現(xiàn)很理想，另外它同人眼對(duì)紅、綠、藍(lán)三原色的強(qiáng)烈感覺相匹配，但是這一模型不能很好地解釋實(shí)際的顏色。觀察一個(gè)彩色物體時(shí)，人們用色調(diào)(Hue)、色飽和度(Saturation)和強(qiáng)度(Value)來(lái)描述它，相比較而言，HSV 顏色模型是面向用戶的，該模型對(duì)應(yīng)于圓柱坐標(biāo)系的一個(gè)圓錐形子集。色調(diào) H：與光波的波長(zhǎng)有關(guān)，它表示人的感官對(duì)不同顏色的感受，如紅色、綠色、藍(lán)色等，它也可表示一定范圍的顏色，如暖色、冷色等。飽和度 S：表示顏色的純度，純光譜色是完全飽和的，加入白光會(huì)稀釋飽和度。飽和度越大，顏色看起來(lái)就會(huì)越鮮艷，反之亦然。強(qiáng)度 V：對(duì)應(yīng)成像亮度和圖像灰度，是顏色的明亮程度。HSV 顏色空間如圖 所示，其空間模型為一個(gè)圓錐。圓錐的頂面對(duì)應(yīng)的強(qiáng)度 V 為 1，代表最亮的顏色。繞 V 軸的旋轉(zhuǎn)角代表色彩 H，紅、黃、藍(lán)分別對(duì)應(yīng)于 0176。、120176。、240176。在這一顏色模型中，每一種顏色和其補(bǔ)色相差 180176。由圓心向圓周移動(dòng)時(shí)，飽和度 S 的取值從 0 變化到 1。由于 HSV 顏色模型所代表的顏色域是屬于 CIE 色度圖的一個(gè)子集，所以其最大飽和度的顏色的純度值并不到 100％。在下方的圓錐頂點(diǎn)處，V 為 0，H 和 S 無(wú)定義，代表黑色。圓錐頂面中心處 S 為 0，V 為 1，H 無(wú)定義，代表白色，從該點(diǎn)到頂點(diǎn)代表亮度漸暗的白色，即不同灰度的白色。所有 V、 S 都為 1 的顏色都是純色。圖 HSV 彩色空間HSV 顏色模型類似畫家配色時(shí)采用的方法。而畫家常通過(guò)改變色深和色濃來(lái)從純色中得到各種色調(diào)的顏色。具體做法為：在純色中加入黑色可以改變色深，加入白色可以改變色濃，同時(shí)加入一定比例的黑色、白色即可得到某種色調(diào)的顏色。（3）顏色空間變換顏色空間變換可以分為從 RGB 到 HSV 轉(zhuǎn)換以及從 HSV 到 RGB 的轉(zhuǎn)換兩種。從 RGB 到 HSV 轉(zhuǎn)換時(shí)，設(shè)(r,g,b)分別是一個(gè)顏色的紅、綠和藍(lán)坐標(biāo)，它們的值是 0 到 1 之間的實(shí)數(shù)。設(shè) max 等價(jià)于 r,g 和 b 中的最大者。設(shè) min 等于這些值中的最小者。要找到在 HSL 空間中的(h,s,v)值，這里的 h∈[0,360）是角度的色相角，而 s,v∈[0,1]是飽和度和亮度。 圖像預(yù)處理常用的圖像預(yù)處理過(guò)程都涉及到一些濾波的方法。由于圖像在拍攝過(guò)程中往往會(huì)由傳感器引入噪聲，因此需要在目標(biāo)分割前對(duì)圖像進(jìn)行預(yù)處理，來(lái)減除噪聲的干擾，增強(qiáng)目標(biāo)提取的效果。通?？刹捎玫屯V波的方法來(lái)消除噪聲。低通濾波既可在頻域進(jìn)行也可在空域進(jìn)行。常見的頻域低通濾波器有巴特沃茲低通濾波器和高斯低通濾波器。常見的空域低通濾波器主要有均值濾波器、加權(quán)均值濾波器和中值濾波器。 形態(tài)學(xué)方法形態(tài)學(xué)（morphology）原本代表的是生物學(xué)的一個(gè)學(xué)科，在這里介紹的是數(shù)學(xué)形態(tài)學(xué)（mathematical morphology）。作為一種圖像處理工具，它被用于對(duì)圖像區(qū)域進(jìn)行處理，以提取對(duì)于表示和描述有用的圖像分量。下面要介紹的是圖像處理中常用到的膨脹和腐蝕，以及開操作和閉操作。 運(yùn)動(dòng)目標(biāo)檢測(cè)方法運(yùn)動(dòng)目標(biāo)檢測(cè)是指將運(yùn)動(dòng)區(qū)域從視頻圖像中分割出來(lái)。運(yùn)動(dòng)目標(biāo)檢測(cè)從視頻圖像序列中檢測(cè)出運(yùn)動(dòng)目標(biāo)，減小圖像處理計(jì)算量，得到所需的目標(biāo)信息，為后續(xù)的識(shí)別和跟蹤奠定基礎(chǔ)。由于運(yùn)動(dòng)目標(biāo)的正確檢測(cè)與否將直接影響后續(xù)的目標(biāo)跟蹤與分類效果，所以它也成為智能視頻監(jiān)控系統(tǒng)相關(guān)技術(shù)中深受關(guān)注的研究重點(diǎn)。運(yùn)動(dòng)目標(biāo)檢測(cè)過(guò)程包括運(yùn)動(dòng)目標(biāo)檢測(cè)的預(yù)處理和運(yùn)動(dòng)目標(biāo)的分割兩大步。目前常用的運(yùn)動(dòng)目標(biāo)檢測(cè)方法有四種：幀差法，背景差分法，光流法，邊緣檢測(cè)法等。 背景差分法背景差分法也是常用的運(yùn)動(dòng)目標(biāo)檢測(cè)方法之一。這種方法將新的視頻圖像同已經(jīng)建立的背景模型進(jìn)行比較，通過(guò)圖像灰度值或其他參考量的變化來(lái)估計(jì)目標(biāo)運(yùn)動(dòng)。大量的研究人員都在致力于開發(fā)不同的背景模型，以解決不同場(chǎng)景條件下目標(biāo)分割所要面對(duì)的各種問(wèn)題。在種類紛繁的背景建模方法中，較為常用的有時(shí)間平均法、像素估計(jì)法和混合高斯模型法。（1）時(shí)間平均法（Time Average Background Initializing, TABI）是最簡(jiǎn)單直接的方法，即求一時(shí)間序列上的視頻圖像的平均值作為背景的估計(jì)值。這種方法計(jì)算雖然簡(jiǎn)單，但是容易將前景物體混入背景中，使得背景模糊，不清晰。（2）像素估計(jì)法就是從過(guò)去的一組視頻序列中按照一定的算法估計(jì)出每個(gè)像素的背景值。時(shí)間中值法（Time Median Background Initializing, TMBI）是其中最具有代表性的方法。其原理比較簡(jiǎn)單。一般認(rèn)為，背景至少可以在 50%的時(shí)間內(nèi)被觀測(cè)到，因而圖像序列中處于每個(gè)像素點(diǎn)亮度值中間的那個(gè)點(diǎn)的值即為該位置處的背景值。著名的 W4 系統(tǒng)在背景初始化階段就采用了中值法的思想。（3）混合高斯模型法（Gaussian Mixture Model ,GMM）也稱為統(tǒng)計(jì)背景模型法。該算法的思想是：對(duì)于緩慢變化的背景，可以用正態(tài)分布來(lái)表征像素灰度值的變化。每一種背景像素的值都可以通過(guò)多個(gè)高斯分布的加權(quán)和來(lái)描述。最早提出的是三分布 GMM，每個(gè)像素點(diǎn)用三個(gè)高斯分布來(lái)分別表征背景、前景的陰影、前景這三種不同的模式，但實(shí)際情況很復(fù)雜，對(duì)背景、前景等模式都限定只用一個(gè)高斯分布來(lái)描述是不夠的。因而以后又出現(xiàn)了固定分布數(shù) K 的混合高斯分布模型(FixedK Gaussian Mixture Model )，以及后面發(fā)展而來(lái)的基于自適應(yīng)分布數(shù) K 的混合高斯分布模型（AdaptiveK Gaussian Mixture Model, AKGMM）。在一般靜態(tài)場(chǎng)景下，背景建模方法在進(jìn)行目標(biāo)檢測(cè)時(shí)可以獲得良好的效果，但是在處理動(dòng)態(tài)場(chǎng)景視頻時(shí)，由于背景本身就存在相對(duì)運(yùn)動(dòng)，所以需要其他方法來(lái)解決這一問(wèn)題。物體運(yùn)動(dòng)時(shí)其表面像素點(diǎn)的亮度也隨之運(yùn)動(dòng)，在視頻圖像中表現(xiàn)為光流，對(duì)應(yīng)圖像中產(chǎn)生的瞬時(shí)速度場(chǎng)就是光流場(chǎng)。從光流中可以獲得物體形狀結(jié)構(gòu)和運(yùn)動(dòng)狀態(tài)信息。通常情況下，鏡頭運(yùn)動(dòng)、目標(biāo)運(yùn)動(dòng)或二者的共同運(yùn)動(dòng)都會(huì)產(chǎn)生光流。光流的常用計(jì)算方法有兩種：基于梯度的方法和基于匹配的方法。（1）基于梯度的方法梯度可以用于光流計(jì)算，由于其更為簡(jiǎn)單的計(jì)算過(guò)程和相對(duì)較好的實(shí)驗(yàn)結(jié)果，這類方法得到了廣泛的應(yīng)用。但由于受到可調(diào)參數(shù)、可靠性評(píng)價(jià)因子和預(yù)處理方法等因素的影響，在應(yīng)用光流對(duì)目標(biāo)進(jìn)行檢測(cè)與自動(dòng)跟蹤時(shí)仍存在很多問(wèn)題。（2）基于匹配的方法這類方法主要采用基于區(qū)域的和基于特征的兩種匹配方法?；谔卣鞯钠ヅ浞椒ㄐ枰粩嗟孬@取目標(biāo)特征對(duì)其進(jìn)行檢測(cè)和跟蹤，對(duì)較大目標(biāo)的運(yùn)動(dòng)和亮度變化比較敏感，但是得到的光流往往很稀疏，而且目標(biāo)的特征提取與匹配也有相當(dāng)難度；基于區(qū)域的匹配方法需要先定位相似區(qū)域的位置，然后通過(guò)相似區(qū)域和初始區(qū)域的比較來(lái)計(jì)算光流，基于區(qū)域的方法在網(wǎng)絡(luò)視頻傳輸編碼中得到了大量運(yùn)用，但其計(jì)算中的光流仍然稀疏。光流法能夠獨(dú)立檢測(cè)運(yùn)動(dòng)目標(biāo)，而不需要場(chǎng)景的預(yù)設(shè)信息，并且能夠檢測(cè)動(dòng)態(tài)場(chǎng)景下的運(yùn)動(dòng)情況。由于存在噪聲干擾、光源分布、光照陰影、物體遮擋等因素，計(jì)算得到光流場(chǎng)分布的準(zhǔn)確性易受影響；并且光流法的計(jì)算過(guò)程相對(duì)復(fù)雜、耗時(shí)更長(zhǎng)，如果沒有專業(yè)硬件支持加速，則難以實(shí)現(xiàn)實(shí)時(shí)的檢測(cè)。 邊緣檢測(cè)方法圖像的邊緣為圖像中灰度發(fā)生急劇變化的區(qū)域，邊界分為階躍狀和屋頂狀兩種類型。圖像的邊緣一般對(duì)應(yīng)一階導(dǎo)數(shù)較大，二階導(dǎo)數(shù)為零的點(diǎn)。常用到的邊緣檢測(cè)方法有 Robert 算子、Sobel 算子、Laplace 算子等。與相鄰幀差法和背景差分法比較，邊緣檢測(cè)方法有利于鄰近運(yùn)動(dòng)目標(biāo)的區(qū)分和運(yùn)動(dòng)目標(biāo)特征的提取，對(duì)背景噪聲的魯棒性很大，但其運(yùn)算復(fù)雜度也相對(duì)較大。運(yùn)動(dòng)圖像邊緣的檢測(cè)可以通過(guò)時(shí)間和空間上的差分來(lái)獲得，空間上的差分可以使用已有的各種邊緣檢測(cè)算法，時(shí)間上的差分可以通過(guò)計(jì)算連續(xù)幀的差來(lái)獲得，也可以通過(guò)計(jì)算當(dāng)前圖像與背景圖像的差分圖像，然后求其邊緣來(lái)計(jì)算。 運(yùn)動(dòng)目標(biāo)跟蹤方法信息理論中，目標(biāo)跟蹤可定義為在給定一組觀測(cè)的條件下對(duì)系統(tǒng)的狀態(tài)進(jìn)行估計(jì)。在視覺跟蹤中，跟蹤的目標(biāo)是圖像中提取的目標(biāo)特征，如果