【正文】 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。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，還需要對其進(jìn)行進(jìn)一步的改進(jìn)與完善。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?！　∨蛎涍\(yùn)算對圖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?？梢钥闯?，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。實(shí)際上，結(jié)構(gòu)元素本身也是一個圖像矩陣。再做膨脹時，留下來的大物體會變回原來的大小，而被刪除的小物體則永遠(yuǎn)消失了。二維結(jié)構(gòu)元素由一個數(shù)值為0或1矩陣組成。形態(tài)學(xué)一般以二值圖像為處理對象，但也可以用在某些灰度圖像的應(yīng)用中。這種基于探測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)，并有意識地尋找圖像中的這些結(jié)構(gòu)。因此，需要采用數(shù)學(xué)形態(tài)學(xué)方法，對分割后的二值圖像進(jìn)行形態(tài)學(xué)濾波。此時，T更合適的初值是諸如灰度值的中間值一類的初值。(4)按下式計(jì)算新的閾值。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所需要的全局閾值T。但是到目前為止還不存在一種通用的方法，也不存在一個判斷分割是否成功的客觀標(biāo)準(zhǔn)。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)境對效果的影響，但同時也會將差分結(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。由于背景建模算法的引入，使得背景對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。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)。對于快速運(yùn)動的目標(biāo)，需要選擇較短的時間間隔，如果選擇不當(dāng)，最壞情況下目標(biāo)在前后兩幀中沒有重疊，被檢測為兩個分開的目標(biāo)；對于慢速運(yùn)動的目標(biāo)，應(yīng)該選擇較長的時間間隔，如果選擇不當(dāng)，最壞情況下目標(biāo)在前后兩幀中幾乎完全重疊，根本檢測不到目標(biāo)。而且當(dāng)前景運(yùn)動很慢且時間間隔選擇不合適時，容易出現(xiàn)根本檢測不到物體的情況。1,DiTMi(x,y)=0,Di≤T選取T=20，仿真結(jié)果如下圖： 第19幀圖像 第20幀圖像 差分后二值化圖像 第79幀圖像 第80幀圖像 差分后二值化圖像 第139幀圖像 第140幀圖像 差分后二值化圖像圖31幀間差分實(shí)驗(yàn)由上面的仿真實(shí)驗(yàn)可以得出：運(yùn)用幀間差分方法進(jìn)行運(yùn)動目標(biāo)的檢測，可以有效的檢測出運(yùn)動物體。 本章小結(jié)運(yùn)動目標(biāo)檢測與跟蹤是智能視頻監(jiān)控的關(guān)鍵步驟，而行人運(yùn)動分析又是智能視頻監(jiān)控的核心內(nèi)容，其運(yùn)動檢測與跟蹤同樣要以運(yùn)動目標(biāo)檢測與跟蹤為基礎(chǔ)。基于主動輪廓的跟蹤方法利用了全局的輪廓信息，不需要關(guān)于目標(biāo)的先驗(yàn)知識，因而在邊緣檢測、目標(biāo)檢測、目標(biāo)跟蹤等方面的工作應(yīng)用較多。圖 訓(xùn)練目標(biāo)分類器及目標(biāo)檢測流程 基于主動輪廓的跟蹤方法從邊緣特征中可以獲得獨(dú)立于形狀和運(yùn)動的目標(biāo)信息，Kass et al（1987）提出了主動輪廓算法來提取利用邊緣信息，這種方法使用一種被稱為 Snake 的模型?；谀Ｐ偷母櫡椒ㄖ羞\(yùn)動較多的是 Adaboost 算法。這類方法利用高層的語義知識將目標(biāo)擬合為幾何模型，從而將對目標(biāo)的跟蹤轉(zhuǎn)換為對目標(biāo)的識別，具有更強(qiáng)的可靠性。紋理也是圖像的基本特征，它被認(rèn)為是對圖像灰度分布的描述，是對圖像局部性質(zhì)的統(tǒng)計(jì)，所以也可利用圖像的紋理特征來實(shí)現(xiàn)匹配，實(shí)現(xiàn)目標(biāo)跟蹤。不變矩作為圖像特征也可用于目標(biāo)跟蹤。其角點(diǎn)定義為輪廓線段的交點(diǎn)，該方法對圖像分割和邊緣提取效果的依賴性較強(qiáng)，而且本身操作難度也很大，若目標(biāo)發(fā)生遮擋等局部變化，則易導(dǎo)致圖像分割和邊緣提取失敗，所以這種方法的適用性不大。這些方法的優(yōu)點(diǎn)十分明顯：目標(biāo)運(yùn)動方式簡單，具備平滑性。 基于特征的跟蹤方法跟蹤中可以使用許多種類的目標(biāo)特征，在時間間隔很短的相鄰兩幀待檢測圖像中，可以認(rèn)為其中的目標(biāo)特征具有平滑性，因此可以利用目標(biāo)特征來實(shí)現(xiàn)運(yùn)動跟蹤?；跒V波理論的跟蹤方法將跟蹤問題轉(zhuǎn)化為概率密度函數(shù)估計(jì)問題，利用卡爾曼濾波器（Kalman Filter, KF）或粒子濾波（朱志宇，2010）來跟蹤目標(biāo)。本文主要研究目標(biāo)的二維跟蹤方法。目標(biāo)的軌跡就是二位圖像或三維世界中被跟蹤特征的位置序列。與相鄰幀差法和背景差分法比較，邊緣檢測方法有利于鄰近運(yùn)動目標(biāo)的區(qū)分和運(yùn)動目標(biāo)特征的提取，對背景噪聲的魯棒性很大，但其運(yùn)算復(fù)雜度也相對較大。由于存在噪聲干擾、光源分布、光照陰影、物體遮擋等因素，計(jì)算得到光流場分布的準(zhǔn)確性易受影響；并且光流法的計(jì)算過程相對復(fù)雜、耗時更長，如果沒有專業(yè)硬件支持加速，則難以實(shí)現(xiàn)實(shí)時的檢測。但由于受到可調(diào)參數(shù)、可靠性評價因子和預(yù)處理方法等因素的影響，在應(yīng)用光流對目標(biāo)進(jìn)行檢測與自動跟蹤時仍存在很多問題。從光流中可以獲得物體形狀結(jié)構(gòu)和運(yùn)動狀態(tài)信息。最早提出的是三分布 GMM，每個像素點(diǎn)用三個高斯分布來分別表征背景、前景的陰影、前景這三種不同的模式，但實(shí)際情況很復(fù)雜，對背景、前景等模式都限定只用一個高斯分布來描述是不夠的。著名的 W4 系統(tǒng)在背景初始化階段就采用了中值法的思想。（2）像素估計(jì)法就是從過去的一組視頻序列中按照一定的算法估計(jì)出每個像素的背景值。大量的研究人員都在致力于開發(fā)不同的背景模型，以解決不同場景條件下目標(biāo)分割所要面對的各種問題。運(yùn)動目標(biāo)檢測過程包括運(yùn)動目標(biāo)檢測的預(yù)處理和運(yùn)動目標(biāo)的分割兩大步。下面要介紹的是圖像處理中常用到的膨脹和腐蝕，以及開操作和閉操作。常見的頻域低通濾波器有巴特沃茲低通濾波器和高斯低通濾波器。 圖像預(yù)處理常用的圖像預(yù)處理過程都涉及到一些濾波的方法。從 RGB 到 HSV 轉(zhuǎn)換時，設(shè)(r,g,b)分別是一個顏色的紅、綠和藍(lán)坐標(biāo)，它們的值是 0 到 1 之間的實(shí)數(shù)。圖 HSV 彩色空間HSV 顏色模型類似畫家配色時采用的方法。由于 HSV 顏色模型所代表的顏色域是屬于 CIE 色度圖的一個子集，所以其最大飽和度的顏色的純度值并不到 100％。、120176。強(qiáng)度 V：對應(yīng)成像亮度和圖像灰度，是顏色的明亮程度。觀察一個彩色物體時，人們用色調(diào)(Hue)、色飽和度(Saturation)和強(qiáng)度(Value)來描述它，相比較而言，HSV 顏色模型是面向用戶的，該模型對應(yīng)于圓柱坐標(biāo)系的一個圓錐形子集。RGB 顏色空間的設(shè)計(jì)是以顏色發(fā)光為原理的，簡單理解其顏色混合方式就好像有紅、綠、藍(lán)三盞不同顏色的彩燈，當(dāng)三盞燈的光相互混合的時候，其色彩相混，而亮度等于三者總和,也即滿足加法混合。（1）RGB 彩色模型RGB 彩色模型是工業(yè)界最為常見的顏色模型，它也是人們最為熟悉常見的顏色模型。 顏色空間顏色空間也稱彩色模型，又稱彩色空間或彩色系統(tǒng)，它的用途是在某些標(biāo)準(zhǔn)下用通?？山邮艿姆绞綄Σ噬右哉f明。第 2 章 視頻序列圖像中運(yùn)動目標(biāo)檢測與跟蹤方法智能視頻監(jiān)控中的行人檢測與跟蹤方法涉及到很多研究領(lǐng)域，如數(shù)字圖像處理、計(jì)算機(jī)視覺、信息融合、模式識別與人工智能等。本文針對動態(tài)場景和靜態(tài)場景進(jìn)行了研究，分別提出了有特色的行人檢測和跟蹤方法。Avidan et al(2004)提出了支持向量跟蹤算法(Support Vector Tracking)，通過將支持向量機(jī)與基于光流場的跟蹤器相結(jié)合，在目標(biāo)鄰域搜索具有最大 SVM 得分的區(qū)域進(jìn)行跟蹤。Polana et al(1994)和 Daniel et al(2002)都提出基于運(yùn)動特征的跟蹤方法，Polana 以質(zhì)心為特征實(shí)現(xiàn)了行人運(yùn)動跟蹤，Daniel 利用了顏色特征，對多目標(biāo)進(jìn)行分類、識別和跟蹤。另外還有南京大學(xué)、南京長城6信息系統(tǒng)有限公司和江蘇省公安廳刑警總隊(duì)聯(lián)合研制的“基于單幅訓(xùn)練圖像的多表情人臉自動識別系統(tǒng)”等等。但是，受到國內(nèi)研發(fā)能力限制，當(dāng)前大多公司都是引進(jìn)國外成熟技術(shù)，推出面向中國市場的相關(guān)產(chǎn)品。Mate 的主要產(chǎn)品為 BehaveWatch，可檢測六種異常行為，包括路徑檢測、突然出現(xiàn)報(bào)警、定向運(yùn)動檢測等，提出三層防護(hù)概念；NiceVision 視頻分析儀對不同的威脅提供實(shí)時偵測功能，其檢測活動包括對闖入者、車輛、被遺棄的行李和包裹、周邊及設(shè)施保護(hù)、阻塞安全出入口及消防路線、盜竊偵測／防止安全設(shè)備被移動、計(jì)算人數(shù)，車輛和其它其物件、顯示人群聚集、監(jiān)控安全率水平、量度人流、顯示企圖尾隨進(jìn)入入口處控制點(diǎn)等；Ioimage 的產(chǎn)品能實(shí)現(xiàn)五種行為的檢測，包括入侵探測、PTZ 自動跟蹤、遺留物體探測、非法滯留探測、移動物體探測等。國際上也有許多公司研究智能視頻監(jiān)控技