【正文】 值相比較，距離小于閾值的為背景點，大于閾值的為前景點。在運動模型進行初始化模型之后，可以得到第一幀的混合高斯模型的前景建模，然后在對視頻序列進行逐幀讀取，并對背景模型進行更新，具體的更新的內(nèi)容有以下幾點。 （a）隨著視頻序列不段的前進，就會得到無數(shù)個幀圖像，不同的幀圖像所對應(yīng)的混合高斯模型的特征參數(shù)bg_model 就不同，通過對參數(shù)傳遞進行背景模型的更新，并需要注意的是，對參數(shù)類型的轉(zhuǎn)換； （b）在對逐幀讀取的視頻的前景和背景的更新過程中，幀圖像的前景像素點會不斷地移動，而背景像素點不會發(fā)生移動，通過調(diào)用cvUpdateBGStatModel這個函數(shù)，能夠得到在該幀下混合高斯背景建模的前景圖和背景圖，其表示為bg_modelforeground，bg_modelbackground這兩個數(shù)據(jù)，然后使用cvcopy這個函數(shù)進行復制就能夠?qū)崿F(xiàn)對背景的更新； （c）在對圖像的處理過程中，我們所得到的效果圖是反向的，通過借用pBkImgorigin=1，pFrImgorigin=1在把反向的圖像正過來。 部分代碼如下 //更新高斯模型 cvUpdateBGStatModel(pFrame, (CvBGStatModel *)bg_model )。 //pFrImg為前景圖像，只能為單通道 //pBkImg為背景圖像，可以為單通道或與pFrame通道數(shù)相同 cvCopy(bg_modelforeground,pFrImg,0)。 cvAbsDiff(pFrame,bg_modelbackground,pBkImg)。 cvCvtColor(pBkImg,pFrImg,CV_BGR2GRAY)。 cvThreshold(pFrImg,pFrImg,12,255,CV_THRESH_BINARY)。//12自己設(shè)置 cvCopy(bg_modelbackground,pBkImg,0)。 //把圖像正過來 pBkImgorigin=1。 pFrImgorigin=1。 /*對前景進行腐蝕操作，腐蝕半徑為1，可設(shè)置*/ cvErode( pFrImg,img_erode, NULL,1)。 /*對前景進行膨脹操作，膨脹半徑為2，可設(shè)置*/ cvDilate( img_erode,img_dilate, NULL,2)。 img_dilateorigin = 1。 //顯示圖像 cvShowImage(video, pFrame)。 cvShowImage(background, pBkImg)。 cvShowImage(foreground, img_dilate)。 運行結(jié)果效果圖 在不同幀下的效果圖如下圖44所示。 （a）原始圖的三個不同幀 （b）原始圖對應(yīng)的三個不同幀的背景 （c）三個不同幀提取的前景圖圖44 混合高斯背景建模的運動目標檢測 本章小結(jié)本章首先介紹了由OpenCV這個開源的計算機視覺軟件開發(fā)包以及在Visual C++6. 0下的環(huán)境搭建，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(gòu)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。然后主要介紹對視頻圖像中幀圖像的二值化處理，以及使用形態(tài)學運算對圖像進行腐蝕和膨脹處理，使檢測到的圖像更加清晰直觀，然后通過對混合高斯背景建模方法的分析，形象的勾勒出混合高斯背景建模方法的運動目標檢測的流程圖，接下來主要對混合高斯建模方法的初始化，以及背景模型的更新做了詳細的分析，以及實現(xiàn)建模方法的部分代碼，最后通過程序的運行，對運動目標檢測的顯示進行分析。5 總結(jié)與展望 總結(jié)隨著計算機技術(shù)的發(fā)展和計算機視覺原理的廣泛應(yīng)用，利用計算機圖像處理技術(shù)對目標進行實時檢測和跟蹤成為越來越熱門的研究話題，運動目標檢測技術(shù)的應(yīng)用領(lǐng)域極為廣泛，在智能化交通系統(tǒng)、智能監(jiān)控系統(tǒng)、軍事目標檢測及醫(yī)學導航手術(shù)中手術(shù)器械定位等方面都有涉及。但是在實際對運動目標檢測的應(yīng)用場景中，大多數(shù)檢測方法都具有一個共性特點，就是算法復雜、時間復雜度高以及魯棒性差，它對運動目標的檢測帶來了很大的干擾。本文主要是對混合高斯模型的運動目標檢測技術(shù)進行了深入研究，針對的是智能視頻監(jiān)控系統(tǒng)中的運動目標檢測技術(shù)，混合高斯背景模型以其簡便、靈活、高效的特點成為該領(lǐng)域的經(jīng)典方法，能夠很好消除背景的微小擾動對運動目標檢測所產(chǎn)生的影響，通過使用混合高斯背景的建模方法能夠比較準確地檢測出復雜環(huán)境下的運動目標，具有較好的魯棒性和實時性，對未來計算機視覺技術(shù)的發(fā)展具有重要的意義。本文的主要工作可以概括為以下幾點。首先介紹了計算機視覺研究的背景，以及研究計算機視覺對運動目標檢測過程的意義，接著闡述了目前國內(nèi)外研究的現(xiàn)狀與發(fā)展趨勢，并簡單的介紹了目前運動目標檢測的常用方法，如背景減除法、幀間差分法、光流法和塊匹配法，并對常用的這幾種檢測方法的優(yōu)缺點進行了分析。最后對目前運動目標檢測所出現(xiàn)的一些熱點問題做了簡單敘述。接著對視頻圖像的預處理過程進行簡要的介紹，主要包括對視頻圖像讀取、圖像灰度化等處理過程做了簡單的闡述，以及視頻圖像的去噪方法，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。最后，通過對OpenCV在Visual C++6. 0下的環(huán)境搭建的介紹，以及對視頻圖像中的二值化和形態(tài)學處理，分析混合高斯背景建模方法以及勾畫出檢測的流程圖，并對混合高斯建模方法的初始化，背景模型的建立和更新，以及像素模型參數(shù)的更新做了詳細的分析，實現(xiàn)建模方法的部分代碼，最后通過程序的運行，對運動目標檢測的顯示進行分析，并以此實現(xiàn)對運動目標檢測的實時性和魯棒性。 展望隨著計算機視覺系統(tǒng)的廣泛應(yīng)用，對運動目標視頻序列圖像的檢測是目前系統(tǒng)性能的瓶頸，高斯混合模型法是運動檢測算法中比較成功的一種方法，因此，有越來越多國內(nèi)外的研究人員把目光投向應(yīng)用視覺系統(tǒng)的基礎(chǔ)性研究。不斷的去探索理想的混合高斯背景模型，能夠更加有效地提取復雜場景中的運動目標，在今后對混合高斯建模方法的運動目標檢測的研究和學習過程中，應(yīng)該思考以下幾個方面。 (1)提高算法的實時性。在實際運動目標的檢測應(yīng)用中，應(yīng)當尋求更好的方法來優(yōu)化算法，盡可能的采用快速、簡單的方法來進行檢測。此外，還應(yīng)當對算法的硬件進行提高，提高代碼的運行速度，以此來提高檢測的實時性要求。(2)增強高斯背景模型的抗干擾能力?，F(xiàn)有的背景模型在對運動目標的進行檢測的過程中易受光線變化、虛影以及場景中的擾動的干擾，遠遠沒有達到理想的背景模型的要求，因此，現(xiàn)有的背景建模算法還需要不斷進行優(yōu)化，或者尋求更好的背景建模方法。 (3)在針對背景模更新問題上，應(yīng)該對均值與方差采用不同學習率的學習方案，應(yīng)該尋求一種改進的高斯混合模型的方法來對運動目標進行檢測。使模型均值更加逼近背景的像素值，同時由能保證方差的穩(wěn)定性，這就需要運用到加權(quán)思想，即在對模型的更新過程中，分別給均值與方差以不同的加權(quán)值，從而能夠保證均值在更新中的值相對較大，而方差更新相對較小，最后在利用高斯濾波及形態(tài)學運算來抑制噪聲的影響。 (4)在對混合高斯的運動目標進行檢測的過程中，由于同一場景中光照的變化。背景的擾動，單一算法不能保證檢測的準確性和高效性，因此，我們在今后的研究學習過程中，應(yīng)該研究出一種能夠使用多種算法和技術(shù)相結(jié)合辦法，這樣可能會提高運動目標的檢測效果，進一步提高實時性和魯棒性。 致 謝 時光飛逝，轉(zhuǎn)眼間我們大學時光即將結(jié)束，在這里，我首先感謝我的導師張衛(wèi)國教授對我的關(guān)懷與諄諄教誨。從論文的選題和每周論文指導過程中，以及最終論文的完成和預答辯，楊老師都給了我很大的鼓勵和幫助。在論文研究的過程中，每當我遇到問題時，張老師都耐心的給我講解，尋求解決的方案，在我不知道從何做起時，他都會在旁邊幫助我，給我一盞前行的明燈。 張老師嚴謹務(wù)實的教學態(tài)度，淵博的學識，精益求精的工作作風讓我為之欽佩，從張老師身上，我不僅學到了一些專業(yè)知識，而且也懂得了一些做人的道理．在此，請允許我向張衛(wèi)國老師致以最真摯的敬意和感謝！此外，我要感謝我的父母和一直關(guān)心、支持我的同學，是他們給了我在學業(yè)上和平時生活上的關(guān)懷與幫助。 最后，向計算機學院的全體老師表示衷心的感謝，在西安科技大學的四年求學之路上，由于你們無私的奉獻和諄諄教誨，對我的論文撰寫以及今后工作和學習有理了很大的啟發(fā)，使我終生受用。最終向在百忙中抽出寶貴時間來參加我論文答辯的老師們表示由衷的感謝! 參考文獻[1] 康曉晶,[J].液晶與顯示,2010,25(3):454～459.[2] I Haritaoglu,D Harwood,L S Davis. Real—time surveillance of people and meira ctivities. IEEE Transactions Oil Pattern Analysis and Machine Intelligence[J],2000,8(22):809～830.[3] Stauffer C,Grimson w. Adaptive background mixture models for realtime tracking. In: Proe IEEE Conference on Computer Vision and PaRern Recognition, Fort Collins,Colarado[J],1999(2):246～252.[4] Lipton A,Fuyiyoshi H,Patil target classification and tracking from real timevdeo In: Proc IEEE Workshop on Application of Computer Vision, Princeton[J], 1998(12):8～14. [5] Robert T Collins, Alan J Lipton, Takeo Kanade. A system for video surveillance and monitoring. Conference Oll Automated Deduction[J],2000(3):497～501.[6] [ M].北京:科學出版社, 2000.[7] 陳祖爵,陳簫君,[ D],2007,12(9) 1585～1589.[8] 劉瑞禎,[M].北京:北京航空航天大學出版社,2007.[9] resolving Local Threshholding for Object Detection[J].Pattern Recognition Letters[J],2001,22(5):883～890.[10] [J].電腦知識與技術(shù),2008(8):195～196.[11] 謝風英, C++數(shù)字圖像處理[M].北京:電子工業(yè)出版社,2008.[12] 王樹文,閏成新,[J].計算機工程,2004(32):89～92.[13] 張玲,陳麗敏,[J].重慶大學學報(自然科學版),2004,27(5):31～33.[14] Andrea Prati,Ivana Mikic,Mohan M Trivedi,Rita moving shadows: algorithms and Transactions on Paaem Analysis and Machine Intelligence[J],2003(91): 8～23.[15] O Javed,K Shafique,M hierarchical approach to robust background subtraction using color and gradient information[M],In MVC,2002.[16] 劉瑞禎,[M].北京:北京航空航天大學出版社, .[17] 楊學超,[J].計算機應(yīng)用與軟件, 2008(1): 215～217.[18] ABRAMCZUK T. A Microputer based TV Detector for Road Traffic[J]. Symposium on Road Research Program T,1984,3(2):145～147. 32