【正文】 值相比較，距離小于閾值的為背景點(diǎn)，大于閾值的為前景點(diǎn)。在運(yùn)動(dòng)模型進(jìn)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(duì)視頻序列進(jìn)行逐幀讀取，并對(duì)背景模型進(jìn)行更新，具體的更新的內(nèi)容有以下幾點(diǎn)。 （a）隨著視頻序列不段的前進(jìn)，就會(huì)得到無(wú)數(shù)個(gè)幀圖像，不同的幀圖像所對(duì)應(yīng)的混合高斯模型的特征參數(shù)bg_model 就不同，通過(guò)對(duì)參數(shù)傳遞進(jìn)行背景模型的更新，并需要注意的是，對(duì)參數(shù)類(lèi)型的轉(zhuǎn)換； （b）在對(duì)逐幀讀取的視頻的前景和背景的更新過(guò)程中，幀圖像的前景像素點(diǎn)會(huì)不斷地移動(dòng)，而背景像素點(diǎn)不會(huì)發(fā)生移動(dòng)，通過(guò)調(diào)用cvUpdateBGStatModel這個(gè)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(gè)數(shù)據(jù)，然后使用cvcopy這個(gè)函數(shù)進(jìn)行復(fù)制就能夠?qū)崿F(xiàn)對(duì)背景的更新； （c）在對(duì)圖像的處理過(guò)程中，我們所得到的效果圖是反向的，通過(guò)借用pBkImgorigin=1，pFrImgorigin=1在把反向的圖像正過(guò)來(lái)。 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(guò)來(lái) pBkImgorigin=1。 pFrImgorigin=1。 /*對(duì)前景進(jìn)行腐蝕操作，腐蝕半徑為1，可設(shè)置*/ cvErode( pFrImg,img_erode, NULL,1)。 /*對(duì)前景進(jìn)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(yùn)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(gè)不同幀 （b）原始圖對(duì)應(yīng)的三個(gè)不同幀的背景 （c）三個(gè)不同幀提取的前景圖圖44 混合高斯背景建模的運(yùn)動(dòng)目標(biāo)檢測(cè) 本章小結(jié)本章首先介紹了由OpenCV這個(gè)開(kāi)源的計(jì)算機(jī)視覺(jué)軟件開(kāi)發(fā)包以及在Visual C++6. 0下的環(huán)境搭建，OpenCV是一個(gè)基于發(fā)行的跨平臺(tái)計(jì)算機(jī)視覺(jué)庫(kù)，可以運(yùn)行在Linux、Windows操作系統(tǒng)上。由一系列 C 函數(shù)和少量 C++ 類(lèi)構(gòu)成，同時(shí)提供了JAVA、Python、Ruby、MATLAB等語(yǔ)言的接口，實(shí)現(xiàn)了圖像處理和計(jì)算機(jī)視覺(jué)方面的很多通用算法。OpenCV 擁有包括 500 多個(gè)C函數(shù)的跨平臺(tái)的中、高層 APl，它通過(guò)函數(shù)來(lái)實(shí)現(xiàn)用于圖形處理和計(jì)算機(jī)視覺(jué)方面的通用算法。然后主要介紹對(duì)視頻圖像中幀圖像的二值化處理，以及使用形態(tài)學(xué)運(yùn)算對(duì)圖像進(jìn)行腐蝕和膨脹處理，使檢測(cè)到的圖像更加清晰直觀，然后通過(guò)對(duì)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(yùn)動(dòng)目標(biāo)檢測(cè)的流程圖，接下來(lái)主要對(duì)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(xì)的分析，以及實(shí)現(xiàn)建模方法的部分代碼，最后通過(guò)程序的運(yùn)行，對(duì)運(yùn)動(dòng)目標(biāo)檢測(cè)的顯示進(jìn)行分析。5 總結(jié)與展望 總結(jié)隨著計(jì)算機(jī)技術(shù)的發(fā)展和計(jì)算機(jī)視覺(jué)原理的廣泛應(yīng)用，利用計(jì)算機(jī)圖像處理技術(shù)對(duì)目標(biāo)進(jìn)行實(shí)時(shí)檢測(cè)和跟蹤成為越來(lái)越熱門(mén)的研究話題，運(yùn)動(dòng)目標(biāo)檢測(cè)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(biāo)檢測(cè)及醫(yī)學(xué)導(dǎo)航手術(shù)中手術(shù)器械定位等方面都有涉及。但是在實(shí)際對(duì)運(yùn)動(dòng)目標(biāo)檢測(cè)的應(yīng)用場(chǎng)景中，大多數(shù)檢測(cè)方法都具有一個(gè)共性特點(diǎn)，就是算法復(fù)雜、時(shí)間復(fù)雜度高以及魯棒性差，它對(duì)運(yùn)動(dòng)目標(biāo)的檢測(cè)帶來(lái)了很大的干擾。本文主要是對(duì)混合高斯模型的運(yùn)動(dòng)目標(biāo)檢測(cè)技術(shù)進(jìn)行了深入研究，針對(duì)的是智能視頻監(jiān)控系統(tǒng)中的運(yùn)動(dòng)目標(biāo)檢測(cè)技術(shù)，混合高斯背景模型以其簡(jiǎn)便、靈活、高效的特點(diǎn)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(dòng)對(duì)運(yùn)動(dòng)目標(biāo)檢測(cè)所產(chǎn)生的影響，通過(guò)使用混合高斯背景的建模方法能夠比較準(zhǔn)確地檢測(cè)出復(fù)雜環(huán)境下的運(yùn)動(dòng)目標(biāo)，具有較好的魯棒性和實(shí)時(shí)性，對(duì)未來(lái)計(jì)算機(jī)視覺(jué)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(diǎn)。首先介紹了計(jì)算機(jī)視覺(jué)研究的背景，以及研究計(jì)算機(jī)視覺(jué)對(duì)運(yùn)動(dòng)目標(biāo)檢測(cè)過(guò)程的意義，接著闡述了目前國(guó)內(nèi)外研究的現(xiàn)狀與發(fā)展趨勢(shì)，并簡(jiǎn)單的介紹了目前運(yùn)動(dòng)目標(biāo)檢測(cè)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(duì)常用的這幾種檢測(cè)方法的優(yōu)缺點(diǎn)進(jìn)行了分析。最后對(duì)目前運(yùn)動(dòng)目標(biāo)檢測(cè)所出現(xiàn)的一些熱點(diǎn)問(wèn)題做了簡(jiǎn)單敘述。接著對(duì)視頻圖像的預(yù)處理過(guò)程進(jìn)行簡(jiǎn)要的介紹，主要包括對(duì)視頻圖像讀取、圖像灰度化等處理過(guò)程做了簡(jiǎn)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(duì)這三種不同的濾波方法進(jìn)行比較，分析各種方法的優(yōu)缺點(diǎn)，同時(shí)提出使用高斯濾波方法。最后，通過(guò)對(duì)OpenCV在Visual C++6. 0下的環(huán)境搭建的介紹，以及對(duì)視頻圖像中的二值化和形態(tài)學(xué)處理，分析混合高斯背景建模方法以及勾畫(huà)出檢測(cè)的流程圖，并對(duì)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(xì)的分析，實(shí)現(xiàn)建模方法的部分代碼，最后通過(guò)程序的運(yùn)行，對(duì)運(yùn)動(dòng)目標(biāo)檢測(cè)的顯示進(jìn)行分析，并以此實(shí)現(xiàn)對(duì)運(yùn)動(dòng)目標(biāo)檢測(cè)的實(shí)時(shí)性和魯棒性。 展望隨著計(jì)算機(jī)視覺(jué)系統(tǒng)的廣泛應(yīng)用，對(duì)運(yùn)動(dòng)目標(biāo)視頻序列圖像的檢測(cè)是目前系統(tǒng)性能的瓶頸，高斯混合模型法是運(yùn)動(dòng)檢測(cè)算法中比較成功的一種方法，因此，有越來(lái)越多國(guó)內(nèi)外的研究人員把目光投向應(yīng)用視覺(jué)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(fù)雜場(chǎng)景中的運(yùn)動(dòng)目標(biāo)，在今后對(duì)混合高斯建模方法的運(yùn)動(dòng)目標(biāo)檢測(cè)的研究和學(xué)習(xí)過(guò)程中，應(yīng)該思考以下幾個(gè)方面。 (1)提高算法的實(shí)時(shí)性。在實(shí)際運(yùn)動(dòng)目標(biāo)的檢測(cè)應(yīng)用中，應(yīng)當(dāng)尋求更好的方法來(lái)優(yōu)化算法，盡可能的采用快速、簡(jiǎn)單的方法來(lái)進(jìn)行檢測(cè)。此外，還應(yīng)當(dāng)對(duì)算法的硬件進(jìn)行提高，提高代碼的運(yùn)行速度，以此來(lái)提高檢測(cè)的實(shí)時(shí)性要求。(2)增強(qiáng)高斯背景模型的抗干擾能力?，F(xiàn)有的背景模型在對(duì)運(yùn)動(dòng)目標(biāo)的進(jìn)行檢測(cè)的過(guò)程中易受光線變化、虛影以及場(chǎng)景中的擾動(dòng)的干擾，遠(yuǎn)遠(yuǎn)沒(méi)有達(dá)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(jìn)行優(yōu)化，或者尋求更好的背景建模方法。 (3)在針對(duì)背景模更新問(wèn)題上，應(yīng)該對(duì)均值與方差采用不同學(xué)習(xí)率的學(xué)習(xí)方案，應(yīng)該尋求一種改進(jìn)的高斯混合模型的方法來(lái)對(duì)運(yùn)動(dòng)目標(biāo)進(jìn)行檢測(cè)。使模型均值更加逼近背景的像素值，同時(shí)由能保證方差的穩(wěn)定性，這就需要運(yùn)用到加權(quán)思想，即在對(duì)模型的更新過(guò)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(duì)較大，而方差更新相對(duì)較小，最后在利用高斯濾波及形態(tài)學(xué)運(yùn)算來(lái)抑制噪聲的影響。 (4)在對(duì)混合高斯的運(yùn)動(dòng)目標(biāo)進(jìn)行檢測(cè)的過(guò)程中，由于同一場(chǎng)景中光照的變化。背景的擾動(dòng)，單一算法不能保證檢測(cè)的準(zhǔn)確性和高效性，因此，我們?cè)诮窈蟮难芯繉W(xué)習(xí)過(guò)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(huì)提高運(yùn)動(dòng)目標(biāo)的檢測(cè)效果，進(jìn)一步提高實(shí)時(shí)性和魯棒性。 致 謝 時(shí)光飛逝，轉(zhuǎn)眼間我們大學(xué)時(shí)光即將結(jié)束，在這里，我首先感謝我的導(dǎo)師張衛(wèi)國(guó)教授對(duì)我的關(guān)懷與諄諄教誨。從論文的選題和每周論文指導(dǎo)過(guò)程中，以及最終論文的完成和預(yù)答辯，楊老師都給了我很大的鼓勵(lì)和幫助。在論文研究的過(guò)程中，每當(dāng)我遇到問(wèn)題時(shí)，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(shí)，他都會(huì)在旁邊幫助我，給我一盞前行的明燈。 張老師嚴(yán)謹(jǐn)務(wù)實(shí)的教學(xué)態(tài)度，淵博的學(xué)識(shí)，精益求精的工作作風(fēng)讓我為之欽佩，從張老師身上，我不僅學(xué)到了一些專(zhuān)業(yè)知識(shí)，而且也懂得了一些做人的道理．在此，請(qǐng)?jiān)试S我向張衛(wèi)國(guó)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(xué)，是他們給了我在學(xué)業(yè)上和平時(shí)生活上的關(guān)懷與幫助。 最后，向計(jì)算機(jī)學(xué)院的全體老師表示衷心的感謝，在西安科技大學(xué)的四年求學(xué)之路上，由于你們無(wú)私的奉獻(xiàn)和諄諄教誨，對(duì)我的論文撰寫(xiě)以及今后工作和學(xué)習(xí)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(shí)間來(lái)參加我論文答辯的老師們表示由衷的感謝! 參考文獻(xiàn)[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(xué)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(xué)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(shí)與技術(shù),2008(8):195～196.[11] 謝風(fēng)英, C++數(shù)字圖像處理[M].北京:電子工業(yè)出版社,2008.[12] 王樹(shù)文,閏成新,[J].計(jì)算機(jī)工程,2004(32):89～92.[13] 張玲,陳麗敏,[J].重慶大學(xué)學(xué)報(bào)(自然科學(xué)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(xué)出版社, .[17] 楊學(xué)超,[J].計(jì)算機(jī)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