【正文】 )。title(39。canny39。f39。)figureimshow(f)。title(39。canny39。f39。)figureimshow(f)。title(39。d39。figureimshow(d)。e= logical(e)。 f(abs(f)t) = 0。 t = 2/256。 e(abs(e)=t)=255。d(abs(d)=t)=255。f=immultiply(d,e)。 d=b3a3。 b3= im2double(b2)。第k+1去噪39。subplot 339imshow(c2)。第k去噪39。subplot 338imshow(b2)。第k1去噪39。subplot 337imshow(a2)。第k+1灰圖39。subplot 336imshow(c1)。第k灰圖39。subplot 335imshow(b1)。第k1灰圖39。subplot 334imshow(a1)。第k+1原圖39。subplot 333imshow(c)。39。第k原圖39。subplot 332imshow(b)。39。第k1原圖39。subplot 331imshow(a)。39。log算子分割結(jié)果39。)subplot 236imshow(f)。)[f,t]=edge(a,39。title(39。canny39。prewitt算子分割結(jié)果39。)subplot 234imshow(d)。,[],39。)[d,t]=edge(a,39。title(39。both39。sobel39。Roberts算子分割結(jié)果39。)subplot 232imshow(b)。,[],39。)[b,t]=edge(a,39。title(39。a=rgb2gray(a)。39。I2=im2bw(I,thresh)。imshow(I(:,:,1:3))。39。39。 imshow(I1)。%如果是灰度圖就不用先變換 end I = double(I) / 255。 [d1,d2,d3] = size(I)。39。)。title(39。)。title(39。)。title(39。)。title(39。)。title(39。,3),K)。k=filter2(fspecial(39。average39。,0,)。 %K=imnoise(I,39。 pepper39。 %載入示例圖片J=imnoise(I,39。39。高斯濾除效果39。) %顯示中值濾波后的效果圖subplot(236),imshow(k)。title(39。)。title(39。)。title(39。)。title(39。 %濾除椒鹽噪聲k=medfilt2(K,[5 5])。,0,)。 %K=imnoise(I,39。 pepper39。 %載入示例圖片J=imnoise(I,39。39。感謝母校給了我這段美好的時光。也感謝有這次做畢業(yè)設(shè)計的機會讓我們可以為我們大學四年畫上一個句號。更多的是激發(fā)我們對于事物的一種好奇心和探求的欲望。后來更是每周都盡量抽空來為我們解答難題，當我們有做不出的地方時老師并沒有直接給出答案，而是更多時候給我們解釋原理讓我們?nèi)ダ斫馊ゲ樵冑Y料。參考文獻[1] 王耀南，李樹濤，毛建旭 編著 圖像處理與識別技術(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].機械工業(yè)出版社 ：2575[3] 萬琴，王耀南 實時視頻中多運動目標檢測與跟蹤研究[D].湖南大學碩士學位論文,2006.[4] 王栓 艾海舟 何克忠 基于差分圖象的多運動目標的檢測與跟蹤[J].中國圖象圖形學報（A輯） 1999，4（6）：470475[5] 田洪宇，賈克斌 基于運動目標檢測跟蹤的智能監(jiān)控系統(tǒng)設(shè)計實現(xiàn)[D].北京工業(yè)大學碩士學位論文,.[6] 李雅婧，陳戈珩 智能視頻監(jiān)控運動目標的檢測與跟蹤技術(shù)研究[D].長春工業(yè)大學碩士學位論文,2014.[7] 雷曉峰，王耀南 遠程智能圖像監(jiān)控系統(tǒng)的研究與開發(fā)[D].湖南大學碩士學位論文,2014.[8] 張穎,視頻序列中目標檢測與跟蹤方法研究[D].西安電子科技大學碩士學文,2011.[9] 候杰虎，羅省賢 基于kalman濾波器的視頻運動目標跟蹤算法研究[D].成都理工大學碩士學位論文,2012.[10] 余啟明，任克強 基于背景減法和幀差法的運動目標檢測算法研究[D].江西理工大學碩士學位論文,2013.[11] 王霏，祝宇鴻 基于視頻的運動目標檢測算法研究[D].吉林大學碩士學位論文,2014.[12] 曲海琴，房至一 一種改進型運動目標檢測算法及其在視頻監(jiān)控系統(tǒng)中的應用研究[D]. 吉林大學碩士學位論文,2013.[13]胡敬舒 基于幀間差分的運動目標檢測[D].哈爾濱工程大學碩士學位論文,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 謝大學四年學了很多專業(yè)知識，即將畢業(yè)之際也有很多感慨。本次的課題我們主要還是對于圖像灰度化，二值化，形態(tài)學濾波，有了一定的了解和認識。比如運用歐式距離來探測物體或是進行多次檢測取數(shù)值大的以避免物體的重疊而造成的誤差。比如多個運動目標重疊了會導致我們的檢測遺漏，比如背景中有運動的物體或陰影而這部分我們不希望檢測進去時我們該如何。同時我們在做出結(jié)果的同時也有了更多的考慮。多運動目標的檢測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€方法的優(yōu)缺點以及所用場合，通過實驗對比然后確定我們的方法。一開始我們在面對這整個課題時并沒有什么頭緒，只有通過查閱相關(guān)的資料和書籍來研究這方面的知識以及別人在研究相似課題時所用的步驟和方法。第5章 總結(jié)與感想我們通過對于多運動目標的檢測學到了很多相關(guān)的圖像處理技術(shù)以及掌握了這方面的matlab使用。得出了最后的結(jié)果，通過對幀間差分法的處理我們得出我們檢測出的結(jié)果。為了避免這一狀況我們認為可以采用的方法為進行多次檢測以此避免此種情況。：：如上圖所示圖像有所重疊時我們的檢測會有干擾。這樣可能會對于我們檢測運動目標產(chǎn)生影響。腐蝕后再膨脹是開運算，膨脹后再腐蝕是閉運算。我們通過腐蝕消除了一些連接點和一些獨立的噪點。我們這里為了使得研究更為精確使用了三幀差分即把視頻分幀然后取其中三幀k1，k，k+1然后k1和k+1分別和k幀進行差分，隨后得出的兩張圖像進行與運算這就是我們得出的最后差分圖像。并且相對于其他的運算幀間差發(fā)的運算量相對較小方便研究。 我們選擇使用的方式為幀間差法來實現(xiàn)運動目標檢測。我們此處運用的是全局二值化的方法來處理圖像，雖然全局二值化在細節(jié)上有所缺陷但是由于我們這里檢測的運動目標為人，目標大所以運用全局二值化反而更好可以去除背景中的一些噪音干擾等。所以我們必須對圖像進行灰度化處理減少干擾方便我們進行檢測。第4章 仿真與結(jié)果 拍攝并提取原圖像進行預處理本文使用的是CCD相機，把CCD相機安裝在固定位置進行拍攝并進行檢測。 總結(jié) 本章節(jié)我們主要介紹了幾種運動目標檢測的方法，以及其優(yōu)缺點。 （）其中且如果我們知道足夠精確的車最初的位置，那么我們可以初始化并且，我們告訴濾波器我們知道確切的初始位置，我們給出一個協(xié)方差矩陣：如果我們不確切的知道最初的位置與速度，那么協(xié)方差矩陣可以初始化為一個對角線元素是B的矩陣，B取一個合適的比較大的數(shù)。在每一時刻，我們對其位置進行測量，測量受到噪聲干擾。我們假設(shè)在(k1)時刻與k時刻之間，車受到ak的加速度，其符合均值為0，標準差為σa的正態(tài)分布。由于F、H、R 和Q是常數(shù)，所以時間下標可以去掉。我們來看如何推導出這個模型以及如何從這個模型得到卡爾曼濾波器。該車最初停在位置0處，但時不時受到隨機的沖擊。不變量(Invariant)： 如果模型準確，而且與 的值準確的反映了最初狀態(tài)的分布，那么以下不變量就保持不變：所有估計的誤差均值為零 （） 且協(xié)方差矩陣準確的反映了估計的協(xié)方差: （） （） （）請注意，其中表示a的期望值， 。（1） 預測 (預測狀態(tài)) （） (預測估計協(xié)方差矩陣) （）（2） 更新首先要算出以下三個量： （） (測量余量協(xié)方差) （） (最優(yōu)卡爾曼增益) （）然后用它們來更新濾波器變量x 與P ： (更新的狀態(tài)估計) （） (更新的協(xié)方差估計) （）使用上述公式計算僅在最優(yōu)卡爾曼增益的時候有效。在預測階段，濾波器使用上一狀態(tài)的估計，做出對當前狀態(tài)的估計?？柭鼮V波器的狀態(tài)由以下兩個變量表示：，在時刻k 的狀態(tài)的估計；，誤差相關(guān)矩陣，度量估計值的精確程度。增益K(t)也同樣地與觀測數(shù)據(jù)無關(guān)。每一個有外部變量的自回歸移動平均系統(tǒng)(ARMAX)或可用有理傳遞函數(shù)表示的系統(tǒng)都可以轉(zhuǎn)換成用狀態(tài)空間表示的系統(tǒng)，從而能用卡爾曼濾波進行計算。由于觀測數(shù)據(jù)中包括系統(tǒng)中的噪聲和干擾的影響，所以最優(yōu)估計也可看作是濾波過程。 所以步驟一般為：去噪預處理，然后對圖像二值化，進行心態(tài)學濾波，然后相鄰幀進行對比和差分，最后得出結(jié)果。 通過時間序列圖象的連續(xù)兩幀或三幀的差別來獲得運動目標輪廓并且閾值化來提取圖象中的運動區(qū)域。而通過平均法得到的背景就會消除亮暗分布不均勻的情況。y)表示背景圖像，Ii(x,y)表示第i幀序列圖像，N表示平均幀數(shù)。其統(tǒng)計公式如下： ()公式中式中：B這樣就可以連續(xù)讀入N幀圖像，對圖像各點的灰度或色彩信息進行統(tǒng)計的方法，使得變化劇烈的像素點變得平緩，取其平均值作為背景圖像像素點的值。（3）算術(shù)平均法：提取背景圖像時可以總結(jié)為在特定的時間段內(nèi)對像素點的亮度和色彩信息取平均值，用均值作為背景圖像對應像素點數(shù)值。對如此大的數(shù)組進行排序取出中值，實現(xiàn)時計算量較大，處理較慢。Bi進行排序，然后取中值Mi(x,y)作為背景。統(tǒng)計中值算法從統(tǒng)計學的角度統(tǒng)計單個像素點Ai(x,y),(i=1,2,…N)連續(xù)幀圖像中的亮度值Bi。這種方法不能實現(xiàn)自適應背景更新的功能，需要使用其他方法修正由于光線，亮度等的變化帶來的背景誤差。（1）手動背景法： 需要人觀察到?jīng)]有前景物體時啟動該幀圖像，作為背景圖像。所以步驟一般為：把視頻幀與背景相減，把相減圖案進行二值化，用形態(tài)學濾波去噪，