【正文】 為了避免這一狀況我們認(rèn)為可以采用的方法為進(jìn)行多次檢測(cè)以此避免此種情況。 總結(jié)我們?cè)诒菊鹿?jié)對(duì)視頻進(jìn)行了分割和運(yùn)動(dòng)目標(biāo)的檢測(cè)。得出了最后的結(jié)果，通過(guò)對(duì)幀間差分法的處理我們得出我們檢測(cè)出的結(jié)果。最后目標(biāo)物體較為完整圖像較為清晰且干擾少。第5章 總結(jié)與感想我們通過(guò)對(duì)于多運(yùn)動(dòng)目標(biāo)的檢測(cè)學(xué)到了很多相關(guān)的圖像處理技術(shù)以及掌握了這方面的matlab使用。本課題的主要重點(diǎn)在于圖像的處理，以及對(duì)于干擾的應(yīng)對(duì)方法。一開(kāi)始我們?cè)诿鎸?duì)這整個(gè)課題時(shí)并沒(méi)有什么頭緒，只有通過(guò)查閱相關(guān)的資料和書(shū)籍來(lái)研究這方面的知識(shí)以及別人在研究相似課題時(shí)所用的步驟和方法。在不斷的研究中我們遇到的第一個(gè)困難就是我們?nèi)绾芜x擇。多運(yùn)動(dòng)目標(biāo)的檢測(cè)方法很多我們必須從中選擇出最為適合我們本次課題的方法，這就需要我們?nèi)チ私飧鱾€(gè)方法的優(yōu)缺點(diǎn)以及所用場(chǎng)合，通過(guò)實(shí)驗(yàn)對(duì)比然后確定我們的方法。通過(guò)實(shí)驗(yàn)我們得出幀間差法比較適用于我們目前的課題。同時(shí)我們?cè)谧龀鼋Y(jié)果的同時(shí)也有了更多的考慮。我們本次課題將環(huán)境設(shè)置為一個(gè)較為理想的狀態(tài)來(lái)處理，而事實(shí)上我們?cè)趯?shí)際中將會(huì)遇到更多更復(fù)雜的情況。比如多個(gè)運(yùn)動(dòng)目標(biāo)重疊了會(huì)導(dǎo)致我們的檢測(cè)遺漏，比如背景中有運(yùn)動(dòng)的物體或陰影而這部分我們不希望檢測(cè)進(jìn)去時(shí)我們?cè)撊绾?。我們?duì)此也額外做了很多調(diào)查和研究，雖然直接做出實(shí)驗(yàn)結(jié)果仍然很困難但是我們依舊有了合理的想法以方便我們將來(lái)進(jìn)一步的研究。比如運(yùn)用歐式距離來(lái)探測(cè)物體或是進(jìn)行多次檢測(cè)取數(shù)值大的以避免物體的重疊而造成的誤差。還有就是提高閥值來(lái)減少陰影和樹(shù)葉之類(lèi)的干擾。本次的課題我們主要還是對(duì)于圖像灰度化，二值化，形態(tài)學(xué)濾波，有了一定的了解和認(rèn)識(shí)。并且了解了多運(yùn)動(dòng)目標(biāo)檢測(cè)的原理。參考文獻(xiàn)[1] 王耀南，李樹(shù)濤，毛建旭 編著 圖像處理與識(shí)別技術(shù)—MATLAB編程[M].北京高等教育出版社，：270365[2] 姚敏 編著 數(shù)字圖像處理[M].機(jī)械工業(yè)出版社 ：2575[3] 萬(wàn)琴，王耀南 實(shí)時(shí)視頻中多運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤研究[D].湖南大學(xué)碩士學(xué)位論文,2006.[4] 王栓 艾海舟 何克忠 基于差分圖象的多運(yùn)動(dòng)目標(biāo)的檢測(cè)與跟蹤[J].中國(guó)圖象圖形學(xué)報(bào)（A輯） 1999，4（6）：470475[5] 田洪宇，賈克斌 基于運(yùn)動(dòng)目標(biāo)檢測(cè)跟蹤的智能監(jiān)控系統(tǒng)設(shè)計(jì)實(shí)現(xiàn)[D].北京工業(yè)大學(xué)碩士學(xué)位論文,.[6] 李雅婧，陳戈珩 智能視頻監(jiān)控運(yùn)動(dòng)目標(biāo)的檢測(cè)與跟蹤技術(shù)研究[D].長(zhǎng)春工業(yè)大學(xué)碩士學(xué)位論文,2014.[7] 雷曉峰，王耀南 遠(yuǎn)程智能圖像監(jiān)控系統(tǒng)的研究與開(kāi)發(fā)[D].湖南大學(xué)碩士學(xué)位論文,2014.[8] 張穎,視頻序列中目標(biāo)檢測(cè)與跟蹤方法研究[D].西安電子科技大學(xué)碩士學(xué)文,2011.[9] 候杰虎，羅省賢 基于kalman濾波器的視頻運(yùn)動(dòng)目標(biāo)跟蹤算法研究[D].成都理工大學(xué)碩士學(xué)位論文,2012.[10] 余啟明，任克強(qiáng) 基于背景減法和幀差法的運(yùn)動(dòng)目標(biāo)檢測(cè)算法研究[D].江西理工大學(xué)碩士學(xué)位論文,2013.[11] 王霏，祝宇鴻 基于視頻的運(yùn)動(dòng)目標(biāo)檢測(cè)算法研究[D].吉林大學(xué)碩士學(xué)位論文,2014.[12] 曲海琴，房至一 一種改進(jìn)型運(yùn)動(dòng)目標(biāo)檢測(cè)算法及其在視頻監(jiān)控系統(tǒng)中的應(yīng)用研究[D]. 吉林大學(xué)碩士學(xué)位論文,2013.[13]胡敬舒 基于幀間差分的運(yùn)動(dòng)目標(biāo)檢測(cè)[D].哈爾濱工程大學(xué)碩士學(xué)位論文,2014.[14]張兆禮 趙春暉 梅曉丹 著 現(xiàn)代圖像處理技術(shù)及Matlab實(shí)現(xiàn)[M] 北京：人民郵電出版社，[15] Maggio E,Cavallaro A. Hybrid particle filter and mean shift tracker with adaptive transition model[C]. Proc. of IEEE Signal Processing Society International conference on Acoustics, Speech, and Signal Processing (ICASSP). 2005: 1923. 致 謝大學(xué)四年學(xué)了很多專(zhuān)業(yè)知識(shí)，即將畢業(yè)之際也有很多感慨。首先萬(wàn)分感謝我導(dǎo)師——萬(wàn)琴老師，老師從一開(kāi)始對(duì)于題目的解釋和介紹的參考資料都給予了我們極大的幫助。后來(lái)更是每周都盡量抽空來(lái)為我們解答難題，當(dāng)我們有做不出的地方時(shí)老師并沒(méi)有直接給出答案，而是更多時(shí)候給我們解釋原理讓我們?nèi)ダ斫馊ゲ樵?xún)資料。授人予魚(yú)不如授人予漁，老師用耐心和他專(zhuān)業(yè)的理解幫我們走出了困境，您給予我們的并不僅僅只有答案而已。更多的是激發(fā)我們對(duì)于事物的一種好奇心和探求的欲望。感謝唐勇奇老師、胡慧老師、趙葵銀老師等自動(dòng)化教研室的全體老師，你們不僅授予我專(zhuān)業(yè)知識(shí)，還有許多做人的道理。也感謝有這次做畢業(yè)設(shè)計(jì)的機(jī)會(huì)讓我們可以為我們大學(xué)四年畫(huà)上一個(gè)句號(hào)。最后感謝在這里遇到的每一個(gè)人，即將告別之時(shí)心中也有感慨，活在當(dāng)下向死而生珍惜當(dāng)下做好眼前的每一個(gè)小細(xì)節(jié)至少是我現(xiàn)在學(xué)到的，也是我將來(lái)要做到的。感謝母校給了我這段美好的時(shí)光。 陳景誠(chéng) 2015年6月14 日附錄 MATLAB仿真程序中值濾波I=imread(39。39。)。 %載入示例圖片J=imnoise(I,39。salt amp。 pepper39。,)。 %K=imnoise(I,39。gaussian39。,0,)。 %添加均值為0、j=medfilt2(J,[5 5])。 %濾除椒鹽噪聲k=medfilt2(K,[5 5])。 %濾除高斯噪聲subplot(231),imshow(I)。title(39。原圖像39。)。 %顯示原圖像subplot(232),imshow(J)。title(39。添加椒鹽噪聲39。)。 %顯示椒鹽污染后的圖像subplot(233),imshow(K)。title(39。添加高斯噪聲39。)。 %顯示高斯污染后的圖像subplot(235),imshow(j)。title(39。椒鹽濾除效果39。) %顯示中值濾波后的效果圖subplot(236),imshow(k)。title(39。高斯濾除效果39。) %顯示中值濾波后的效果圖均值濾波I=imread(39。39。)。 %載入示例圖片J=imnoise(I,39。salt amp。 pepper39。,)。 %K=imnoise(I,39。gaussian39。,0,)。 %添加均值為0、j=filter2(fspecial(39。average39。,3),J)。k=filter2(fspecial(39。average39。,3),K)。subplot(231),imshow(I)。title(39。原圖像39。)。 %顯示原圖像subplot(232),imshow(J)。title(39。添加椒鹽噪聲39。)。 %顯示椒鹽污染后的圖像subplot(233),imshow(K)。title(39。添加高斯噪聲39。)。 %顯示高斯污染后的圖像subplot(235),imshow(uint8(j))。title(39。椒鹽濾除效果39。)。 %顯示均值濾波后的效果圖subplot(236),imshow(uint8(k))。title(39。高斯濾除效果39。)。 %顯示均值濾波后的效果圖灰度化I = imread(39。39。)。 [d1,d2,d3] = size(I)。 if(d3 1) I = rgb2gray(I)。%如果是灰度圖就不用先變換 end I = double(I) / 255。 I1 = uint8(255 * I * + )。 imshow(I1)。imwrite(I,39。39。)二值化I = imread(39。39。)。imshow(I(:,:,1:3))。 thresh=graythresh(I)。I2=im2bw(I,thresh)。imshow(I2)邊緣檢測(cè)a= imread(39。39。)。a=rgb2gray(a)。subplot 231imshow(a)。title(39。原始灰圖39。)[b,t]=edge(a,39。roberts39。,[],39。both39。)subplot 232imshow(b)。title(39。Roberts算子分割結(jié)果39。)[c,t]=edge(a,39。sobel39。,[],39。both39。)subplot 233imshow(c)。title(39。sobel算子分割結(jié)果39。)[d,t]=edge(a,39。prewitt39。,[],39。both39。)subplot 234imshow(d)。title(39。prewitt算子分割結(jié)果39。)[e,t]=edge(a,39。canny39。)subplot 235imshow(e)。title(39。canny算子分割結(jié)果39。)[f,t]=edge(a,39。log39。)subplot 236imshow(f)。title(39。log算子分割結(jié)果39。) 三幀間差法a= imread(39。39。)。subplot 331imshow(a)。title(39。第k1原圖39。)b=imread(39。39。)。subplot 332imshow(b)。title(39。第k原圖39。)c=imread(39。39。)。subplot 333imshow(c)。title(39。第k+1原圖39。)a1=rgb2gray(a)。subplot 334imshow(a1)。title(39。第k1灰圖39。)b1=rgb2gray(b)。subplot 335imshow(b1)。title(39。第k灰圖39。)c1=rgb2gray(c)。subplot 336imshow(c1)。title(39。第k+1灰圖39。)a2=medfilt2(a1)。subplot 337imshow(a2)。title(39。第k1去噪39。)b2=medfilt2(b1)。subplot 338imshow(b2)。title(39。第k去噪39。)c2=medfilt2(c1)。subplot 339imshow(c2)。title(39。第k+1去噪39。)a3= im2double(a2)。 b3= im2double(b2)。 c3= im2double(c2)。 d=b3a3。e=c3b3。f=immultiply(d,e)。t = 40/256。d(abs(d)=t)=255。 d(abs(d)t) = 0。 e(abs(e)=t)=255。 e(abs(e)t) = 0。 t = 2/256。f(abs(f)=t)=255。 f(abs(f)t) = 0。 d= logical(d)。e= logical(e)。f= logical(f)。figureimshow(d)。title(39。d39。)figureimshow(e)。title(39。e39。)figureimshow(f)。title(39。f39。)%[d,t]=edge(c,39。canny39。)%figure%imshow(d)。title(39。d39。)figureimshow(f)。title(39。f39。)%[d,t]=edge(c,39。canny39。)%figure%imshow(d)。title(39。d39。)