【正文】 while(pFrame = cvQueryFrame( pCapture )) { nFrmNum++。 IplImage *img_erode。 (b)在進行類型的轉(zhuǎn)換時，需要注意 cvCreateGaussianBGModel 函數(shù)返回值為CvBGStatModel*， 所以就需要將 bg_model 強制轉(zhuǎn)換為 CvGaussBGModel*，只有這樣才能進行前景建模。 在 OpenCV 函數(shù) 庫中 ， 提供了 混合 高斯模 型方 法的函 數(shù)， 通過CvGaussBGModel 類用來儲存混合高斯模型的各個參數(shù)，但是在使用 OpenCV 的混合高斯模型函數(shù)時需要注意的是。 ???1N0t t0 XN1? ， ??? ??10 020 )(N1 Nt tX ?? (45) (2)找出與當(dāng)前像素值最近的背景 這里要找出 N 個背景中與當(dāng)前觀測值最接近的一個背景像素值存在代表背景的圖片中。 M 越大，處理波動的能力越強，但所需的處理時間越長。 用多個高斯分布線性組合模擬每個像素點的歷史記錄 }X,......,{X t1 ， 概率密度函數(shù)記 為 ),( , tititX ??? Mi ,......,2,1? (41) 協(xié)方差矩陣為 Iktk 2, ??? (42) 其中 I 為單位矩陣，但不一定符合實際，從而這個單高斯分布模型的概率密度為： ),|( , tititX ??? (43) 當(dāng)前像素值 tX 的概率為 ?? ??Mi titittit XwXP 1 , ),|()( ??? (44) ti,? 表示單模型的均值，體現(xiàn)了每個單峰的分布中心； ti,2? 表示單模型的方差，體現(xiàn) 了像素值的不穩(wěn)定程度； tiw, 表示了該高斯分布模型的權(quán)值，其大小體現(xiàn)了采用當(dāng)前模型表示像素值的可靠性。 混合高斯背景模型的建立及初始化 利用混合高斯模型來模擬背景圖像進行運動目標檢測，首先定義每個像素點的分布模型由多個高斯分布模型組成，每一個新的像素點都會更新高斯分布的參數(shù)，其實現(xiàn)如下。 利用混合高斯模型進行背景建模時，首先需要初始化預(yù)先定義的幾個高斯模型，對高斯模型中的參數(shù)進行初始化，并通過視頻序列的像素點求出像素點的均值和方差，并通過求其權(quán)重，求出之后將要用到的參數(shù)；其次，對于每一幀中的每個像素進行處理，看其是否匹配高斯模型，若匹配，則將其歸入該模型中，并對該模型中新的像素值進行更新，若不匹配，則去除當(dāng)前混合高斯模型中權(quán)重最小的模型， 并加入新的模型的權(quán)重，新模型的權(quán)重是全部模型中的最小值，并且均值是當(dāng)前所觀測到的像素值的均值，方差為一個給定的較大的常數(shù)。流程圖如 43 圖所示。 圖 42 形態(tài)學(xué)圖像處理 21 混合高斯背景建模的流程圖 混合高斯背景模型的建立，首先需要導(dǎo)入一個 avi的視頻序列，建立混合高斯背景模型并進行初始化，然后對視頻序列進行逐幀讀取，并對圖像進行灰度處理和二值化處理，以及對幀圖像進行去噪處理，隨著幀數(shù)的不斷更新，實時對背景， 前景 進行更新，以適應(yīng)光線的變化和場景本身的變化，對檢測結(jié)果 進行形態(tài)學(xué)處理，使其圖像的邊緣更加精確得當(dāng) ， 同時 消除噪聲和背景擾動 對圖像的檢測所 帶來的影響。具體操作是 :將輸入圖像與結(jié)構(gòu)元素 (核 )進行卷積，計算結(jié)構(gòu)元素覆蓋的區(qū)域的像素點最大值，并把這個最大值賦值給參考點 (錨點 )所指定的像 素。 /*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)。 而 閉運算是開運算的對偶運算， 它是 通過對目標圖像先進行膨脹運算，再進行腐蝕運算 而得到的圖像 ， 通過使用閉運算 功 可以 用來填充物體 間 細小 的 空洞、連接臨近的 物體、平滑其邊界，同時 也 不明顯改變目標圖像的面積。 開運算 是指通過 對目標圖像先進行腐蝕運算，再進行膨脹運算的過程。 如下圖 41 所示（ a）腐蝕圖像 （ b）膨脹圖像 （ a）腐蝕圖像 （ b）膨脹圖像 圖 41 圖像的腐蝕與膨脹 開運算和閉運算 開運 算和閉運算 是 除了腐蝕和膨脹兩種基本運算外的另外兩種重要的形態(tài)學(xué)運算。通過膨脹可以對 二值化物體邊界點進行擴充， 這樣就使得 與物體接觸 的所有背景點 就會與 物體 本身進行合并 ，使圖像的 邊界向外部擴張。 通過使用 這樣選取 方法，把 不同大小的結(jié)構(gòu)元素 選取出來 ，就 能夠 去除不同大小的物體。 下面主要介紹這四種形態(tài)學(xué)算法。 它的主要 用途是獲取物體拓撲和結(jié)構(gòu)信息 [17]， 并 通過物體和結(jié)構(gòu)元素 之間的 相互作用 ，運用 某些運算得到物體更本質(zhì)的形態(tài)。 當(dāng) threshold_type 使用 CV_THRESH_BINARY 類型時，得到的全局自適應(yīng)閾值 的 二值化圖片 ， 這種方法 有利于處理 灰度直方圖呈現(xiàn) 多 峰特征的圖片。該函數(shù)的典型應(yīng)用是對灰度圖像進行閾值操作得到二值圖像。 cvThreshold(pFrImg,pFrImg,12,255,CV_THRESH_BINARY)。 OpenCV 中的圖像二值化 過程。 要想 得到理想的二值圖像，一般需要 采用封閉、連通的邊界定義不交疊的區(qū)域。在 進行對 圖像處理 的過程 中， 對圖像進行二值化處理 非常重要 。 圖像二值化 圖像的二值化處理是 將 圖像上的點的灰度 值 置為 0或 255， 而使 整 幅 圖像呈現(xiàn)出 較為明顯的黑白效果。 首先安裝下載得到的 OpenCV應(yīng)用程序， 在其計算機上對安裝的 OpenCV應(yīng)用程序 進行環(huán)境變量的設(shè)置， 然后在 Visual C++6. 0下編譯所要的靜態(tài)和動態(tài)鏈接庫文件，包括 1ib路徑的設(shè)置、 include files等路徑 的 設(shè)置 ，再進行工程項目的鏈接設(shè)置。 1. OpenCV對非 商業(yè)應(yīng)用 和商業(yè)應(yīng)用都是免費（ FREE）的； 2. 代碼簡單，穩(wěn)定，有固定的函數(shù)算法提供， 通過對 OpenCV函數(shù)庫的調(diào)用， 它為用戶減輕了開發(fā)維護應(yīng)用程序龐大代碼的沉重負擔(dān) ，有 統(tǒng)一的結(jié)構(gòu)和功能定義，并且可與其他庫兼容 ； 3. OpenCV致力于 真實世界 的實時應(yīng)用，通過 對 C語言 代碼 的 優(yōu)化 ，對程序的 執(zhí)行速度 有很大 的提升，并且可以通過購買 Intel的 IPP 高性能多 媒體函數(shù)庫 (Integrated Performance Primitives)可以 得到更快的處理速度。 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 [16]。 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。因此需要通過借助單高斯背景模型的思想，利用多個單高斯背景模型的集合模擬場景中像素值的變化情況，來進行對運動 目標的檢測。 本章 小結(jié) 本章先介紹了運動目標檢測的幾種常見算法，如幀間差分法、光流法、背景減除法，并分別介紹各種方法的原理及特點，并 分析各種檢測算法的使用范圍以及算法的優(yōu)缺點， 16 引出基于自適應(yīng)混合高斯背景模型的運動目標檢測算法，其次，通過對單高斯模型和混合高斯建模方法分析與比較，選出混合高斯背景的建模方法，最后闡述了混合高斯背景建模方法的主要研究思路。由于背景像素值在一段時間內(nèi)是多峰分布的，通過借助單高斯背景模型的思想，利用多個單高斯背景模型的集合模擬場景中像素值的變化情況，再用后驗概率對每一個像素值進行分類，即可得到用混合高斯模型的方法來對背景圖像的描述。在對背景圖像進行算法的估計時，通過在 較長的一段時間內(nèi)，計算視頻序列圖像中每一個像素值的均值 0?和方差 20? ，則得到的背景估計圖像可以看作為是由 0? 和 20? 組成的初始高斯分布的圖像],[ 20xx ???B 。 單高斯背景模型 單高斯分布 [15]背景模型，它所適用的條件是光照不變且背景靜止，而在此情況下背景點的像素值是相對穩(wěn)定的。在許多實際應(yīng)用，如飄揚的旗幟、搖擺的樹枝、監(jiān)視器屏幕、水面的波紋等，他們的像素值呈現(xiàn)的是多模態(tài)特性，場景背景像素的顏色分布可以使用高斯分布來描述。而背景按照自身的特性劃分為單模態(tài)背景模型和多模態(tài)背景模型 [14]。因此，在使用幀間差分法進行對目標檢測的過程中，應(yīng)該采用連續(xù)的三幀差分法來代替兩幀差分法，這樣就能是所檢測的運動目標更加的清晰。 Bx 視頻圖像序列 背景圖像 當(dāng)前圖像 背景更新 差分圖像 閾值化處理 當(dāng)前目標 Dx Rx nfff ..., 21 xf 14 圖 32 幀間差分法原理圖 如圖 32所示，如果把第 k1幀的視頻圖像 1?kf 作為參考圖像，并計算出當(dāng)前幀 kf 和1?kf 的差值，得到差分并進行二值化后的圖像 Mask，當(dāng) kf 和 1?kf 差值小于閾值 Th 時，則該像素點所確定圖像為背景圖像，取 Mask 的值為 0，若為前景圖像，取 Mask 的值為 1。這種檢測算法對光照變化敏感 度不高 ，適 用 于動態(tài)變化的環(huán)境 和 實時性要求較高的應(yīng)用環(huán)境 [13]。 圖 31 背景減除法原理圖 如圖 31 所示，可以看出背景減除法的原理很簡單，但是在提取圖像序列中感興趣的目標是背景減除法的構(gòu)建和模型更新的關(guān)鍵所在，與灌流法相比，背景減除法對不同場景具有較強的適應(yīng)性，但是由于模型的缺陷所帶來的對運動目標檢測結(jié)果造成的影響，依然沒有得到有效的解決。背景減除法的難點在于如何尋找其理想的背景模型，以及如何進行對背景模型的更新。通過和閾值相比較，如果像素值大于閾值，則該像素為前景圖像，否則，該像素點為背景圖像。 在 對圖像進行 分割時，光流法還需要利用灰度、顏色、邊緣等空域 特性以此來提 高分割精度；同時光流法 使用的是 迭代算法，計算復(fù)雜 并且 耗時，抗噪性能差， 實時性和精度低，很難 應(yīng)用于全幀視頻流的實時處理 。 光流法能夠攜帶運動物體的運動信息和有關(guān)景物三維結(jié)構(gòu)的優(yōu)點，它能夠在不知道任何場景信息的情況下，檢測出運動對象。令 m 的速度為 ),( yxm vvv ? ，如果點m 的亮度保持不變，在較短的時間間隔 dt 內(nèi)，則有 ),(),( tyxldttdtvydtvxl yx ???? （ 31） 如果亮度隨 tyx , 的變化，對上述公式進行泰勒展開，則有 ),()(),( 2 tyxldttlvylvxltyxl yx ??????????? ? （ 32） 其中 )( 2dt? 代表是大于等于 2的高階項，在消去 ),( tyxl 并且忽略 )( 2dt? ，可得 0?????? tlvlm （ 33） 其中 ],[ xlxll ?????? ，它表示的是圖像在 m 的梯度。 光流法 光流是空間運動物體在觀測成像面上的像素運動的瞬時速度， 光流場是一種二維 (2D)瞬時速度場， 光流法的研究是根據(jù)圖像序列中的像素強度的時域變化和相關(guān)性，從而確定各自像素位置的“運動”情況。 幾種常見的 運動目標檢測方法 的介紹 常用的 目標檢測 的方法有光流法 、 幀 間 差 分 法 、 背景 減除 法 等。 12 3 運動目標檢測算法研究 運動目標檢測是計算機視覺研究領(lǐng)域的基礎(chǔ)，它是利用數(shù)字信號處理方法從圖像序列中去除圖像的背景區(qū)域，將運動區(qū)域的前景檢測并提取出來 ，而目前運動目標形成的圖像序列分為兩種 ：一種是靜止背景，一種是變化背景。通過利用 高斯函數(shù) 傅 立葉變換的單瓣性對圖像進行平滑處理，得到的圖像處理信息 不會被不需要的高頻信號所污染，同時 還保留了大部分所需信號 。 11 (4) 通過對 高斯函數(shù) 進行傅 立葉變換 ，可以得到單瓣的 頻譜 。在對 二維高斯函數(shù) 進行 卷積 時 ，首先 要 將圖像與一維高斯函數(shù)進行卷積， 然后 將卷積 得到 結(jié)果與方向垂直的 且 相同 的 一維高斯函數(shù) 進行 卷積 。而對于 一幅圖像 來說，圖像的 邊緣方向事先 是 不知道的，因此，在濾波前一個方向上比另一方向上需要 進行 平滑 處理的多少是不能確