【文章內(nèi)容簡介】 以及這些區(qū)域間的相互關(guān)系。然后，根據(jù)場景的模型和知識，對場景作必要的解釋，并對場景中目標的行為進行理解。由此可見，圖像處理和分析的目的是為了獲得有關(guān)場景和目標的重要信息。在運動目標檢測圖方面，主要是通過對攝像機拍攝的圖像序列進行分析，得出運動目標 [14]。 圖像灰度變換 因為灰度圖像比彩色圖像更加容易進行運算，為了方便計算，首先要進行 圖像的灰度化。圖像灰度化就是彩色圖像轉(zhuǎn)換為灰度圖像的過程。由于灰度圖(Grayscale)是只含亮度信息、不含色彩信息的圖像，就像我們平時看到 亮度由暗到明的黑白照片，變化是連續(xù)的。因此，要表示灰度圖就需要把亮度值進行量化。通常劃分成 0 到 255，共 256 個級別， 0 最暗 (全黑 )， 255 最亮 (全白 ) [15]。 從彩色圖像到為灰度圖像的轉(zhuǎn)變可由公式 (24)得到 : Y aR bG cB? ? ? （ 24） 模擬圖像 圖像采集系統(tǒng) 圖像處理系統(tǒng) 圖像輸出系統(tǒng) 動態(tài)圖像序列中的運動目標檢測方法研究與實現(xiàn) 6 其中 a， b， c 是 R、 G、 B 三個分量的權(quán)重。 本實驗的 預(yù)處理階段需要把彩色圖像轉(zhuǎn)換成灰度圖像 ，因此需要圖像灰度變換 。本 論文對于圖像灰度變換采用了 MATLAB 中已有的函數(shù) rgb2gray，簡單方便。 中值濾波 一般情況下，圖像的傳送和轉(zhuǎn)換 (如成像、復(fù)制、掃描、傳輸以及顯示 )總要造成圖像的某些降質(zhì)，就要求對這些降質(zhì)圖像進行改善處理。 中值濾波是一種去噪聲的平滑操作，它是一種非線性的信號處理方法。在一定條件下，中值濾波可以克服線性濾波器如最小均方濾波和均值濾波等帶來的圖像細節(jié)模糊，而且對濾除脈沖干擾及圖像掃描噪聲最為有效 [16]。由于在實際運算過程中不需要圖像的統(tǒng)計特征，因此也帶來了不少方便。 中值濾波的原理是 :將模板窗口在圖中漫游，并將模板中心與當前點位置重合，把窗口內(nèi)包 含的圖像象素的灰度值按升 (或降 )序排列，取窗口中心所在像素的灰度值為灰度值居中的像素灰度值，便完成了中值濾波。 對于二維情況，中值濾波的窗口的形狀和尺寸對濾波器效果影響很大，不同的圖像內(nèi)容和不同要求選用不同的窗口形狀和尺寸。 中值濾波實現(xiàn)的圖像平滑不會破壞圖像的邊緣信息，這對要進行的邊緣提取的操作是十分必要的。這就是在本 實驗 中，在背景提取和物體檢測階段的預(yù)處理中，采用中值濾波算法降低噪聲原因。本 實驗中值濾波采用了 MATLAB 中已有的函數(shù) medfilt2， 并且 采用的是 3x3 的濾波模版，經(jīng)過中值濾波去噪處理的圖 像，可視化效果和準確度得到改善，有利于 后面過程的有效進行。 邊緣檢測 圖像的邊緣是圖像的基本特征，所謂邊緣是指其周圍像素灰度有階躍變化的像素集合，物體的邊緣是由灰度不連續(xù)性所反映。經(jīng)典的邊緣提取方法是考察圖像的每個像素的灰度值在某個鄰域內(nèi)灰度的變化，利用邊緣臨近一階或二階方向?qū)?shù)變化規(guī)律，用簡單的方法檢測邊緣，這種方法稱為邊緣檢測局部算子法。邊緣檢測算子檢查每個像素的鄰域并對灰度變化率進行量化。 邊緣的種類可以分為兩種 :一種稱為階躍性邊緣，它兩邊的像素的灰度值有著顯著的不同 。另一種稱為屋頂狀邊緣，它 位于灰度值從增加到減少的變化轉(zhuǎn)折浙江理工大學(xué)科技與藝術(shù)學(xué)院本科畢業(yè)設(shè)計 (論文 ) 7 點。由此可知，對于階躍性邊緣，二階方向?qū)?shù)在邊緣處呈零交叉 。而對于屋頂狀邊緣，二階方向?qū)?shù)在邊緣處取極值。 常用的邊緣檢測算子有 :Roberts 邊緣檢測算子、 Sobel 邊緣算子、 Prewitt 邊緣算子、 Krisch 邊緣算子、高斯一拉普拉斯算子等 [17]。 本 實驗邊緣檢測采用了 MATLAB 中已有的函數(shù) edge，并且 采用的是 Sobel邊緣算子 。 圖像配準 圖像配準是對取自不同時間、不同傳感器或者不同視角的同一場景的兩幅圖像或者多幅圖像匹配的過程，它被廣泛地應(yīng)用在遙感圖像 、醫(yī)學(xué)影像、三維重構(gòu)、機器人視覺等諸多領(lǐng)域中。 圖像匹配是指通過計算兩幅圖像間的相似度或其它距離測度，以達到圖像識別或圖像定位目的的過程。怎樣進行特征提取，提取什么樣的特征，怎樣進行匹配，并沒有統(tǒng)一的方法，應(yīng)根據(jù)具體需要具體進行 [18]。 本實驗 根據(jù)像素點聚集度提取特征區(qū)域 ， 進行特征區(qū)域的圖像匹配，這樣能更快更方便的進行檢測 。 運動目標檢測技術(shù) 運動目標檢測的目的是從序列圖像中將變化區(qū)域從背景圖像中提取出來。運動區(qū)域的有效分割對于目標分類、跟蹤和行為理解等后期處理非常重要，因為以后的處理過程僅僅考慮 圖像中對應(yīng)于運動區(qū)域的象素 [19]。然而，由于背景圖像的動態(tài)變化，如天氣、光照、陰影等因素的影響，使得運動檢測成為一項相當困難的工作。下面是幾種 常用流行 的 算 法。 幀間差分法 幀 間 差分法是在連續(xù)的圖像序列中兩個或三個相鄰幀間采用基于像素的時間差分并且閾值化來提取圖像中的運動區(qū)域 [20]。 這是一種簡單 直接的運動檢測算法。 在實際應(yīng)用中，差分圖像并不能表示出完整的運動目標信息。如當一個運動目標的內(nèi)部紋理較為均勻且物體運動緩慢時，幀間差分法很容易在檢測的運動目標中產(chǎn)生空洞現(xiàn)象，對于這一問題的解決可以采用累積 差分圖像的方法或采用后處理的方法，如形態(tài)濾波，區(qū)域連通或參數(shù)模型等方法提取出完整的運動目標信息。 動態(tài)圖像序列中的運動目標檢測方法研究與實現(xiàn) 8 背景差分法 背景 差分法 是目前目標檢測中最常用的 算 法之一 ， 它利用當前圖像與背景圖像的差分來檢測運動區(qū)域。該方法一般能夠提供完整的特征數(shù)據(jù)，但對于動態(tài)場景的變化，如光照和外來無關(guān)事件的干擾特別敏感。大部分研究工作者目前都在致力于開發(fā)背景模型，以減少動態(tài)背景變化對目標檢測的影響。如 :Haritaoglu等利用最小、最大強度值和最大時間差分值為場景中的每個像素建立統(tǒng)計模型，并周期性地進行背景更新 [21]。 視頻 監(jiān)控系統(tǒng)主要使用固定攝像機對場景進行監(jiān)控，場景基本固定，因此背景差分法在智能化視頻監(jiān)控系統(tǒng)中是一種重要的運動目標檢測方法。通常背景差分法主要包括背景模型建立，背景模型更新，背景差分和后處理等步驟。背景模型建立就是對背景模型進行初始化 。背景模型更新是根據(jù)當前輸入的圖像修正背景模型及時反映環(huán)境的變化 。背景差是將當前幀和背景模型相比較從而得到運動目標 。后處理是在高層次上對檢測出的運動目標進行修正從而得到更精確的結(jié)果 。 光流法 光流法是基于對光流場的估算進行檢測分割的 算 法 ， 如 Meyer 等通過計算位移向量光 流場來初始化基于輪廓的跟蹤算法，從而有效地提取和跟蹤運動目標。 光流是空間運動物體被觀測面上的像素點運動產(chǎn)生的瞬時速度場，包含了物體 3D 表面結(jié)構(gòu)和動態(tài)行為的重要信息 ， 光流場的不連續(xù)性可以用來將圖像分割成對應(yīng)于不同運動物體的區(qū)域。 然而，大多數(shù)的光流計算方法相當復(fù)雜，且抗噪聲能力差，如果沒有特定硬件的支持則不能 很好地 被應(yīng)用于全幀視頻流的實時處理 [22]。 統(tǒng)計學(xué)法 統(tǒng)計學(xué) 法是基于像素的統(tǒng)計特性而從背景中提取運動信息，它首先計算背景像素的統(tǒng)計信息 (顏色、灰度、邊界等 )。使用個體的像素或一組像素的特征來建立 一個較為高級的背景模型，而且背景的統(tǒng)計值可以動態(tài)地更新。通過對比當前背景模型的統(tǒng)計值，圖像中每一個像素被分成前景或是背景。由于統(tǒng) 計學(xué) 法在噪聲、影子及光線改變等干擾條件下具有較好的魯棒性，己經(jīng)成為 了 熱點 [23]。 比較常用的運動目標檢測算法， 在一定程度上解決了簡單的動態(tài)背景場景中的運動目標檢測 ，在實踐運用中體現(xiàn)出了它們各自的優(yōu)缺點， 如 表 21 是它們各浙江理工大學(xué)科技與藝術(shù)學(xué)院本科畢業(yè)設(shè)計 (論文 ) 9 自的優(yōu)缺點。 表 21 常用 運動目標檢測 算 法的優(yōu)缺點比較 算法 優(yōu)缺點 幀間差分法 對于動態(tài)環(huán)境有很好的適應(yīng)性，但不能完全提取出目標的所有相關(guān)點。 背景差分法 能較好的適應(yīng)環(huán)境變化，對于目標運動引起的圖像序列中發(fā)生明顯變化的象素點比較容易檢測，但對于變化不明顯的象素點不能很好的檢測出來，對光照和外部條件造成的動態(tài)場景變化過于敏感。 光流法 光流法在攝像機存在運動的情況下，能較好的檢測運動目標，但大多數(shù)光流計算方法十分復(fù)雜，計算量較大，不能滿足實時視頻流處理的要求。 統(tǒng)計學(xué)法 在噪聲、影子及光線改變等干擾條件下具有較好的魯棒性，但涉及大量計算和變換，對現(xiàn)有的硬件設(shè)備要求較高。 此外，還有很多其它的算法 ， 利用 Roberts 算法、 Canny 算法、 Sobel 算法、高斯拉普拉斯 ( LOG)等邊緣檢測算法， 從而實現(xiàn)對運動目標的檢測 。利用數(shù)學(xué)形態(tài)學(xué)方法進行運動物體檢測的 算 法 。采用點狀相關(guān)圖法檢測出可能存在運動物體的區(qū)域，然后對可能存在的運動區(qū)域二值化并采用形態(tài)學(xué)算子去除環(huán)境噪音和光線的干擾，確定運動物體的輪廓 [24]。 動態(tài)圖像序列中的運動目標檢測方法研究與實現(xiàn) 10 第三章 運動目標檢測設(shè)計分析 與靜態(tài)目標的圖像分析相比，運動目標檢測更強調(diào)針對圖像序列提取目標的運動信息。國內(nèi)外相關(guān)研究基本可分為兩類 :一類僅從獲得的圖像序列本身尋找運動線索 進行檢測 ，另一類則既有運動線索又包含某些先驗信息，如目標模板、任務(wù)需求等 [25]。本 實驗 研究的系統(tǒng)是對前者的研究。 總體設(shè)計思路 本 實驗 研究的是對 已 有 AVI 視頻 進行 運動目標 檢測 ，通過檢測圖像序列中的運動目標， 確定 運動目標 的 位置 。 本實驗主要研究的是 背景差分法和改進的背景差分法兩種算法，這兩種算法都 共有的 流程圖如圖 所示 : 圖 共有 流程圖 視頻 采集即通過 已有 AVI 視頻 得到圖像序列 。 背景 建模是 為了得到準確的背景圖像，要從幾個圖像中提取出當前的背景。 而目標提取是 從序列圖像中經(jīng)過去噪處理 (預(yù)處理 )獲取背景圖象，當序列圖像中包含運動目標時，將背景圖像與去噪后的當前圖像比較，檢測運動目標對應(yīng)區(qū)域，將變化區(qū)域從背景圖象中提取出來。 以上是運動目標檢測的總體設(shè)計思路，接下來具體介紹一下這兩種算法。 背景差分法 總體設(shè)計流程圖 背景差分法是目前目標檢測中最常用的算法之一，它利用當前圖像與背景圖像的差分來檢測運動前景。該算法一般是提供完整的特征數(shù)據(jù)，因此效率不高，運算量比較的大。 背景差分法的 總 流程如圖 所示，包括視頻采集、背景建模及目標提取三 大過程。 圖 背景差分法 總 流程 圖 開始 視頻 采集 結(jié)束 目標提取 背景 建模 開始 視頻 采集 結(jié)束 目標提取 背景 建模 浙江理工大學(xué)科技與藝術(shù)學(xué)院本科畢業(yè)設(shè)計 (論文 ) 11 功能模塊的分析 背景差分法是基于背景建模的運動目標檢測算法，對動態(tài)圖像序列的處理流程可以如圖 所 示，主要由視頻采集、動態(tài)圖像序列的轉(zhuǎn)換、預(yù)處理、背景建模、前景檢測及提取運動背景 六 個過程組成。 圖 背景差分法流程圖 本 實驗 采取的是已有 AVI 視頻，因此無需攝像頭采集。由于需要計算機進行識別，所以只要將其轉(zhuǎn)化為圖像序列即可，這就 是 動態(tài)圖像序列的轉(zhuǎn)換。 改善輸入圖像 質(zhì)量的處理稱為圖像預(yù)處理，主要是指按需要進行適當?shù)淖儞Q突出某些有用的信息，去除或削弱無用的信息，如改變圖像對比度、去除噪聲或強調(diào)邊緣的處理等。這里就需要中值濾波、灰度化、梯度化等過程。 背景建模是根據(jù)當前的圖像和下一張圖像的 像素 平均值估計背景，本 實驗 通過將當前圖像和背景模型 像素值 進行比較，確定出變化較大的區(qū)域即認開始 結(jié)束 是 否 背景 更新 前景檢測 背景建模 預(yù)處理 動態(tài)圖像序列的轉(zhuǎn)換 視頻 采集 提取 運動前景 一致？ 中值濾波 灰度化 梯度化 運動圖像 （對應(yīng)的下一張動態(tài)圖像序列并轉(zhuǎn)換） 動態(tài)圖像序列中的運動目標檢測方法研究與實現(xiàn) 12 為是運動前景，這就是前景檢測。 圖像在經(jīng)過背景建模和前景檢測之后， 將檢測到的運動目標用框把它給提取出來， 從而得到最終檢測結(jié)果，這就是提取運動前景。 改進的背景差分法 總體設(shè)計流程圖 改進的背景差分法其實與背景差分法原理差不多，不同的是在于該算法提供的不是完整的特征數(shù)據(jù)，而是其中的一部分數(shù)據(jù)。因此它利用的不是當前圖像與背景圖像的差分來檢測運動區(qū)，而是利用取特征區(qū)域的特征圖像匹配的方法來檢測運動前景。改進的背景差分法的 總 流程如圖 所示，包括視頻采集、特征區(qū)域確認、背景建模及目標提取四大過程。 圖 改進的背景差分法 總 流程圖 功能模塊的分析 其中視頻采集上面已經(jīng)有了，不再詳細介紹。 特征 區(qū)域確定過程的流程又可以如圖 表示，包括采集連續(xù)兩張圖像序列、兩圖像像素相減、根據(jù)像素點聚集度提取特征區(qū)域三個小過程。 圖 特征區(qū)域確定 流程圖 在采集兩張圖像序列的時候是連續(xù)的兩張，在采集完以后，進行像素值相減，為 0 時，進行下一輪的判斷， 直到 不為 0 時，根據(jù)像素點聚集度提取特征區(qū)域，為后面做準備。 背景建模過程的流程又可以如圖 表示，包括采集連續(xù)兩張圖像序列及特征區(qū)域確定 開始 視頻 采集 結(jié)束 目標