【正文】 背景差分算法的實(shí)質(zhì)是：實(shí)時(shí)輸入的場(chǎng)景圖像與背景圖像進(jìn)行差分，可以較準(zhǔn)確的分割出運(yùn)動(dòng)目標(biāo)。但是背景差分算法也有其天然的缺陷，隨著時(shí)間的推移，場(chǎng)景的光線、樹葉的遮擋、或者運(yùn)動(dòng)物體滯留都會(huì)很大程度的破壞已經(jīng)建立好的背景圖像。為了解決這些問題，最好的方法便是使用背景建模和背景更新算法來彌補(bǔ)。前面已經(jīng)討論過相關(guān)問題，因此，本文假設(shè)背景處于理想情況下進(jìn)行背景差分算法的研究。設(shè)(x, y)是二維數(shù)字圖像的平面坐標(biāo)，基于背景減法的二值化數(shù)學(xué)描述為：Di(x,y)=|Ii(x,y)－Bi(x,y)| 1,DiTMi(x,y)＝ 　　　　　　　 　　 0,Di≤TIi(x,y)表示圖像序列中當(dāng)前幀的灰度圖像，Bi (x, y)表示當(dāng)前幀背景的灰度圖像,Mi(x,y)表示相減后的二值化結(jié)果，T表示對(duì)應(yīng)的相減后灰度圖像的閾值，選取固定閾值T=20，基于背景減法的MATLAB仿真，如圖 圖32　背景差分實(shí)驗(yàn)Surendra算法計(jì)算出背景圖像，左圖為原始輸入圖像，中圖為背景圖像，右圖為背景差分法得出的二值化圖像。實(shí)驗(yàn)結(jié)果表明：背景差分算法也可以有效地檢測(cè)出運(yùn)動(dòng)目標(biāo)。由于背景建模算法的引入，使得背景對(duì)噪聲有一定的抑制作用，在差分圖像中“雪花”較幀間差分算法有所減少。同時(shí)，使用背景差分算法檢測(cè)出的運(yùn)動(dòng)物體輪廓，比幀間差分法的檢測(cè)結(jié)果更清晰。因此，在背景建模與背景更新處于比較理想的狀態(tài)下，背景差分算法得到的差分結(jié)果略好于幀間差分的結(jié)果。　閾值的選取Surendra算法提取背景及目標(biāo)提取都需對(duì)圖像二值化。分割閾值的選取雖看似簡單，但直接影響目標(biāo)的分割效果，閾值T增大，雖然可以一定量的減少環(huán)境對(duì)效果的影響，但同時(shí)也會(huì)將差分結(jié)果中變化不明顯的區(qū)域作為前景被忽略掉；閾值T減小，效果卻又恰恰相反。前面提到的相關(guān)算法中，閾值的選取都是采用的靜態(tài)固定閾值。這種閾值的選取方法在實(shí)際運(yùn)用中是不可取的，因?yàn)樵谝曨l監(jiān)控應(yīng)用中，監(jiān)控者不可能隨時(shí)對(duì)監(jiān)控質(zhì)量做出評(píng)估并相應(yīng)的修改閾值。所以，研究人員提出了許多閾值的選取方法。但是到目前為止還不存在一種通用的方法，也不存在一個(gè)判斷分割是否成功的客觀標(biāo)準(zhǔn)。閾值法可以分為全局閾值法和局部閾值法兩種[9]。全局閾值法是指在在整幅圖像范圍內(nèi)用同一閾值來進(jìn)行二值化處理的方法；局部閾值法是當(dāng)圖像中的敏感度不均勻，以慢斜率變化時(shí)，將圖像分割成幾個(gè)子塊。如果在每個(gè)子塊中可以找到最佳閾值，就稱這樣的的閾值確定方法為局部閾值法。本文選用循環(huán)分割法來自適應(yīng)地得到在二值化一幅圖像時(shí)所需要的全局閾值T。基本步驟如下：(1)選擇一個(gè)T的初始估計(jì)值(2)用T分割圖像。這樣做會(huì)生成兩組像素：G1由所有灰度值大于T的像素組成，而G2由所有灰度值小于或等于T的像素組成。(3)對(duì)區(qū)域G1和G2中的所有像素計(jì)算平均灰度值μ1和μ2。(4)按下式計(jì)算新的閾值。T=1/2(μ2+μ1)(5)重復(fù)步驟(2)到(4)，直到逐次迭代所得到的T值之差小于預(yù)先定義的參數(shù)。當(dāng)背景和對(duì)象在圖像中占據(jù)的面積相近時(shí)，好的T的初始值就是圖像的平均灰度值。如果對(duì)象與背景所占的面積不相近時(shí)，則其中一個(gè)像素組合會(huì)在直方圖中占主要地位，平均灰度值就不是好的初始選擇。此時(shí)，T更合適的初值是諸如灰度值的中間值一類的初值。對(duì)車輛檢測(cè)進(jìn)行仿真時(shí)，由于車輛與背景面積相差較大，選用的初值就是最大灰度和最小灰度和的一半。進(jìn)行閾值計(jì)算時(shí)還應(yīng)注意迭代速度和精度的矛盾?！⌒螒B(tài)學(xué)濾波由于刮風(fēng)、氣流等原因，背景中部分物體小幅度晃動(dòng)；光線的變化等不確定因素，會(huì)使得視頻圖像產(chǎn)生大量噪聲，當(dāng)差值圖像二值化后，仍然有很多無用的噪聲斑點(diǎn)。因此，需要采用數(shù)學(xué)形態(tài)學(xué)方法，對(duì)分割后的二值圖像進(jìn)行形態(tài)學(xué)濾波。數(shù)學(xué)形態(tài)學(xué)的主要用途是獲取物體拓?fù)浜徒Y(jié)構(gòu)信息。它通過物體和機(jī)構(gòu)元素相互作用的某些運(yùn)算，得到物體更本質(zhì)的形態(tài)。其基本思想是：利用一個(gè)成為結(jié)構(gòu)元素的“探針”收集圖像信息。這種基于探測(cè)的思想與人的視覺特點(diǎn)有類似之處：總是關(guān)注一些感興趣的物體或者結(jié)構(gòu)，并有意識(shí)地尋找圖像中的這些結(jié)構(gòu)。數(shù)字形態(tài)學(xué)在本文所涉及到的圖像處理中，主要作用包括利用形態(tài)學(xué)的基本運(yùn)算，對(duì)圖像進(jìn)行觀察和處理，從而達(dá)到改善圖像質(zhì)量的目的。形態(tài)學(xué)的基本運(yùn)算包括：腐蝕(Erosion)、膨脹(Dilation)、開(Opening)和閉(Closing)運(yùn)算。用這些算子及其組合來進(jìn)行圖像形狀和結(jié)構(gòu)的分析及處理，包括圖像分割、特征提取、邊界檢測(cè)、圖像濾波、圖像增強(qiáng)與恢復(fù)等方面的工作。形態(tài)學(xué)一般以二值圖像為處理對(duì)象，但也可以用在某些灰度圖像的應(yīng)用中。(1)結(jié)構(gòu)元素結(jié)構(gòu)元素被形象的稱為刷子或探針，是膨脹和腐蝕操作中最基本的組成部分。它用于測(cè)試輸入圖像，通常比待處理圖像小得多。本文使用33的結(jié)構(gòu)元素，經(jīng)開運(yùn)算處理后，可提取出移動(dòng)物體。二維結(jié)構(gòu)元素由一個(gè)數(shù)值為0或1矩陣組成。結(jié)構(gòu)元素的原點(diǎn)指定了圖像中需要處理的像素范圍，結(jié)構(gòu)元素?cái)?shù)值為1的點(diǎn)決定結(jié)構(gòu)元素的領(lǐng)域像素在腐蝕或膨脹操作是需要參與計(jì)算。(2)腐蝕和膨脹腐蝕和膨脹是許多形態(tài)學(xué)算法的基礎(chǔ)。腐蝕操作會(huì)去掉物體的邊緣點(diǎn)，細(xì)小物體所有的點(diǎn)都會(huì)被認(rèn)為是邊緣點(diǎn)，因此會(huì)整個(gè)被刪去。再做膨脹時(shí)，留下來的大物體會(huì)變回原來的大小，而被刪除的小物體則永遠(yuǎn)消失了。膨脹操作會(huì)使物體的邊界向外擴(kuò)張，如果物體內(nèi)部存在小空洞的話，經(jīng)過膨脹操作這些洞將被補(bǔ)上，因而不再是邊界了。再進(jìn)行腐蝕操作時(shí)，外部邊界將變回原來的樣子，而這些內(nèi)部空洞則永遠(yuǎn)消失了。通常設(shè)Ｘ為圖像矩陣，Ｂ為結(jié)構(gòu)元素矩陣，數(shù)學(xué)形態(tài)學(xué)運(yùn)算時(shí)，用Ｂ對(duì)Ｘ進(jìn)行操作。實(shí)際上，結(jié)構(gòu)元素本身也是一個(gè)圖像矩陣。這里對(duì)每個(gè)結(jié)構(gòu)元素矩陣B指定一個(gè)原點(diǎn)origin。X被B腐蝕的定義為： 　　　　　　　這個(gè)公式說明，使用B對(duì)X進(jìn)行腐蝕是所有B中包含于A中的點(diǎn)的集合用x移。圖26顯示了實(shí)際上的腐蝕運(yùn)算，左邊是被處理的圖象X(二值圖象，針對(duì)的是黑點(diǎn))，中間是結(jié)構(gòu)元素B，那個(gè)標(biāo)有origin的點(diǎn)是中心點(diǎn)，即當(dāng)前處理元素的位置，右邊是腐蝕后的結(jié)果。可以看出，它仍在原來X的范圍內(nèi)，且比X包含的點(diǎn)要少，就象X被腐蝕掉了一層?！　「g運(yùn)算X被B膨脹的定義為[10]： 這個(gè)公式表示用B膨脹X的過程是，相對(duì)B做關(guān)于中心像素的映射，在將其映射平移x，這里X與B映像的交集不為空集。圖27顯示了實(shí)際上的腐蝕運(yùn)算，左邊是被處理的圖象X(二值圖象，針對(duì)的是黑點(diǎn))，中間是結(jié)構(gòu)元素B，右邊是膨脹后的結(jié)果。可以看出，它包括X的所有范圍，就象X膨脹了一圈似的[12]?！　∨蛎涍\(yùn)算對(duì)圖25中各差分后的二值圖像先進(jìn)行腐蝕再進(jìn)行膨脹，所得效果如圖28所示。圖33對(duì)各幀的腐蝕和膨脹(3)開啟和閉合開啟就是相對(duì)圖像進(jìn)行腐蝕，然后膨脹其結(jié)果。閉合就是先對(duì)圖像進(jìn)行膨脹，然后腐蝕其結(jié)果。開啟一般使對(duì)象的輪廓變得光滑，斷開狹窄的間斷和消除細(xì)的突出物。閉合同樣使輪廓線變得光滑，但是開啟相反的是，它通常消除狹窄的間斷和長細(xì)的鴻溝，消除小的孔洞，并填補(bǔ)輪廓線中的斷裂開啟。使用結(jié)構(gòu)元素B對(duì)集合X進(jìn)行開啟操作，表示為，定義為 ： 使用結(jié)構(gòu)元素B對(duì)集合X進(jìn)行閉合操作，表示為，定義為[11]: 四、實(shí)驗(yàn)結(jié)果及分析本文著重研究了利用背景減法進(jìn)行目標(biāo)檢測(cè)在Matlab中的實(shí)現(xiàn)方法。利用Matlab圖像處理功能來實(shí)現(xiàn)經(jīng)典的圖像處理方法,簡化了算法,達(dá)到了檢測(cè)目標(biāo)的預(yù)期效果,為后面的目標(biāo)跟蹤、目標(biāo)分類等奠定了基礎(chǔ)。本文經(jīng)過如圖29所示的流程能夠達(dá)到如圖210所示的效果:圖41檢測(cè)過程結(jié)束語本文提出了一種新的動(dòng)態(tài)背景下的行人跟蹤算法，并且實(shí)現(xiàn)了一般靜態(tài)背景條件下的行人檢測(cè)與跟蹤。為了將本文工作更好地應(yīng)用于智能視頻監(jiān)控的實(shí)際應(yīng)用中，還需要對(duì)其進(jìn)行進(jìn)一步的改進(jìn)與完善?？蓮囊韵聨讉€(gè)方面進(jìn)行未來的工作：561）小型化的 HOG 行人檢測(cè)方法有待提高。針對(duì)高分辨率檢測(cè)窗口的 3780 特征向量，對(duì)于小型化的檢測(cè)窗口肯定存在大量冗余信息。在提高檢測(cè)效率的前提下，有效降低 HOG 特征向量維數(shù)，減少計(jì)算量從而加快檢測(cè)速度，將是進(jìn)一步的研究重點(diǎn)。2）粒子濾波方法近年來有了較大發(fā)展，其中自適應(yīng)的粒子數(shù)量和考慮更多特征的觀測(cè)模型能夠增強(qiáng)粒子濾波方法在復(fù)雜條件下跟蹤效果，可以作為下一步的考慮方向。