視頻中的行人檢測課程設(shè)計(jì)說明書

1、課 程 設(shè) 計(jì) 說 明 書題 目： 視頻監(jiān)控中行人的檢測課 程： 數(shù)字圖像處理課程設(shè)計(jì)山東建筑大學(xué)課程設(shè)計(jì)說明書畢業(yè)設(shè)計(jì)（論文）原創(chuàng)性聲明和使用授權(quán)說明原創(chuàng)性聲明本人鄭重承諾：所呈交的畢業(yè)設(shè)計(jì)（論文），是我個(gè)人在指導(dǎo)教師的指導(dǎo)下進(jìn)行的研究工作及取得的成果。盡我所知，除文中特別加以標(biāo)注和致謝的地方外，不包含其他人或組織已經(jīng)發(fā)表或公布過的研究成果，也不包含我為獲得 及其它教育機(jī)構(gòu)的學(xué)位或?qū)W歷而使用過的材料。對本研究提供過幫助和做出過貢獻(xiàn)的個(gè)人或集體，均已在文中作了明確的說明并表示了謝意。作 者 簽 名： 日 期： 指導(dǎo)教師簽名： 日期： 使用授權(quán)說明本人完全了解 大學(xué)關(guān)于收集、保存、使用畢業(yè)設(shè)計(jì)（

2、論文）的規(guī)定，即：按照學(xué)校要求提交畢業(yè)設(shè)計(jì)（論文）的印刷本和電子版本；學(xué)校有權(quán)保存畢業(yè)設(shè)計(jì)（論文）的印刷本和電子版，并提供目錄檢索與閱覽服務(wù)；學(xué)?？梢圆捎糜坝?、縮印、數(shù)字化或其它復(fù)制手段保存論文；在不以贏利為目的前提下，學(xué)?？梢怨颊撐牡牟糠只蛉績?nèi)容。作者簽名： 日 期： 學(xué)位論文原創(chuàng)性聲明本人鄭重聲明：所呈交的論文是本人在導(dǎo)師的指導(dǎo)下獨(dú)立進(jìn)行研究所取得的研究成果。除了文中特別加以標(biāo)注引用的內(nèi)容外，本論文不包含任何其他個(gè)人或集體已經(jīng)發(fā)表或撰寫的成果作品。對本文的研究做出重要貢獻(xiàn)的個(gè)人和集體，均已在文中以明確方式標(biāo)明。本人完全意識(shí)到本聲明的法律后果由本人承擔(dān)。作者簽名： 日期： 年 月 日學(xué)位

3、論文版權(quán)使用授權(quán)書本學(xué)位論文作者完全了解學(xué)校有關(guān)保留、使用學(xué)位論文的規(guī)定，同意學(xué)校保留并向國家有關(guān)部門或機(jī)構(gòu)送交論文的復(fù)印件和電子版，允許論文被查閱和借閱。本人授權(quán) 大學(xué)可以將本學(xué)位論文的全部或部分內(nèi)容編入有關(guān)數(shù)據(jù)庫進(jìn)行檢索，可以采用影印、縮印或掃描等復(fù)制手段保存和匯編本學(xué)位論文。涉密論文按學(xué)校規(guī)定處理。作者簽名：日期： 年 月 日導(dǎo)師簽名： 日期： 年 月 日注 意 事 項(xiàng)1.設(shè)計(jì)（論文）的內(nèi)容包括：1）封面（按教務(wù)處制定的標(biāo)準(zhǔn)封面格式制作）2）原創(chuàng)性聲明3）中文摘要（300字左右）、關(guān)鍵詞4）外文摘要、關(guān)鍵詞 5）目次頁（附件不統(tǒng)一編入）6）論文主體部分：引言（或緒論）、正文、結(jié)論7）參考

4、文獻(xiàn)8）致謝9）附錄（對論文支持必要時(shí)）2.論文字?jǐn)?shù)要求：理工類設(shè)計(jì)（論文）正文字?jǐn)?shù)不少于1萬字（不包括圖紙、程序清單等），文科類論文正文字?jǐn)?shù)不少于1.2萬字。3.附件包括：任務(wù)書、開題報(bào)告、外文譯文、譯文原文（復(fù)印件）。4.文字、圖表要求：1）文字通順，語言流暢，書寫字跡工整，打印字體及大小符合要求，無錯(cuò)別字，不準(zhǔn)請他人代寫2）工程設(shè)計(jì)類題目的圖紙，要求部分用尺規(guī)繪制，部分用計(jì)算機(jī)繪制，所有圖紙應(yīng)符合國家技術(shù)標(biāo)準(zhǔn)規(guī)范。圖表整潔，布局合理，文字注釋必須使用工程字書寫，不準(zhǔn)用徒手畫3）畢業(yè)論文須用a4單面打印，論文50頁以上的雙面打印4）圖表應(yīng)繪制于無格子的頁面上5）軟件工程類課題應(yīng)有程序清單，

5、并提供電子文檔5.裝訂順序1）設(shè)計(jì)（論文）2）附件：按照任務(wù)書、開題報(bào)告、外文譯文、譯文原文（復(fù)印件）次序裝訂目 錄摘 要ii一、緒論11.1 研究背景與意義11.2 智能視頻監(jiān)控概述21.2.1 智能視頻監(jiān)控的發(fā)展21.2.2 智能視頻監(jiān)控的研究內(nèi)容31.3 行人檢測與跟蹤31.3.1 行人檢測31.3.2 行人跟蹤4二、設(shè)計(jì)原理52.1 圖像處理基礎(chǔ)52.1.1 顏色空間52.1.2 圖像預(yù)處理72.1.3 形態(tài)學(xué)方法72.2 運(yùn)動(dòng)目標(biāo)檢測方法82.2.1 背景差分法82.2.2光流法92.2.3邊緣檢測方法102.4 本章小結(jié)10三、設(shè)計(jì)內(nèi)容113.1背景減法運(yùn)動(dòng)目標(biāo)檢測113.2閾值的

6、選取113.3形態(tài)學(xué)濾波123.4設(shè)計(jì)方案流程圖14四、實(shí)驗(yàn)結(jié)果分析及總結(jié)164.1試驗(yàn)結(jié)果164.2實(shí)驗(yàn)結(jié)果分析16五、參考文獻(xiàn)17致謝18附錄19摘 要智能視頻監(jiān)控是計(jì)算機(jī)視覺領(lǐng)域新興的研究方向，它通過對攝像機(jī)拍攝的視頻圖像序列進(jìn)行自動(dòng)分析來對被監(jiān)控場景中的事物變化進(jìn)行定位、跟蹤和識(shí)別，并以此對相關(guān)目標(biāo)的行為進(jìn)行分析和判別，在實(shí)現(xiàn)了日常管理工作的同時(shí)又能對目標(biāo)的異常行為做出及時(shí)反應(yīng)。行人目標(biāo)檢測與跟蹤算法是智能視頻監(jiān)控系統(tǒng)中的核心問題，研究相關(guān)算法對于提高智能視頻監(jiān)控系統(tǒng)的性能具有重要的意義。本文在熟悉和掌握了有關(guān)數(shù)字圖像處理原理和技術(shù)的基礎(chǔ)上，分析對比了常用的目標(biāo)檢測和跟蹤方法，針對不同

7、條件下的行人目標(biāo)檢測和跟蹤進(jìn)行了研究。本文完成的主要研究工作是對監(jiān)控視頻中行人目標(biāo)的檢測，為以后的行人跟蹤和行人行為的分析打下基礎(chǔ)。本設(shè)計(jì)以matlab為平臺(tái)，利用背景減法，和形態(tài)學(xué)濾波的方法檢測視頻中的行人。實(shí)驗(yàn)結(jié)果表明，本模塊能夠檢測一般靜態(tài)背景條件下的行人目標(biāo)，滿足了實(shí)際應(yīng)用的初步要求。關(guān)鍵詞：視頻監(jiān)控、行人檢測、背景減法、形態(tài)學(xué)濾波v一、緒論1.1 研究背景與意義近年來，計(jì)算機(jī)視覺領(lǐng)域飛速發(fā)展。俗話說：“百聞不如一見”，人類從外界獲得的信息中80是通過視覺得到的，所以人類渴望讓機(jī)器(如計(jì)算機(jī))擁有視覺并自動(dòng)對看到的行為進(jìn)行分析。隨著這一領(lǐng)域的不斷進(jìn)步，人們開始把研究成果運(yùn)用到民生安全、

8、醫(yī)療診斷、文檔分析、天文氣象、制造業(yè)等方面，逐步形成智能視頻監(jiān)控、人體運(yùn)動(dòng)分析、神經(jīng)生物學(xué)、高級感知接口等熱門研究課題。智能視頻監(jiān)控的核心內(nèi)容是智能識(shí)別算法，包括運(yùn)動(dòng)檢測、目標(biāo)分類、目標(biāo)跟蹤、行為分析四部分。對行人快速而準(zhǔn)確的檢測和跟蹤屬于智能視頻監(jiān)控系統(tǒng)的前端工作，會(huì)直接影響后續(xù)工作以至整個(gè)系統(tǒng)的性能。具體來說，它是指在一段視頻圖像序列中自動(dòng)的檢測出用戶感興趣的目標(biāo)，并且在后續(xù)的序列中持續(xù)對該目標(biāo)進(jìn)行定位的過程。智能視頻監(jiān)控中的行人檢測和跟蹤技術(shù)可應(yīng)用到眾多領(lǐng)域：(1)智能交通：隨著城市化陣容的擴(kuò)大，提高交通系統(tǒng)的智能化運(yùn)作、管理等能力已經(jīng)變成管理人員的重要任務(wù)，同時(shí)，也給計(jì)算機(jī)視覺、人工智

9、能等研究領(lǐng)域提供了一個(gè)重大發(fā)展機(jī)遇。我們可采用智能算法自動(dòng)對監(jiān)控視頻中的車輛進(jìn)行檢測和跟蹤，并根據(jù)需要計(jì)算車輛行駛速度、車輛位置信息等，從而及時(shí)對交通道路上的違章行為或交通事故進(jìn)行自動(dòng)檢測并報(bào)警。(2)民用監(jiān)控16j：主要針對于銀行、公園、居民區(qū)、廣場、大型購物超市、儲(chǔ)物倉庫等高安全要求的場合地點(diǎn)。在民生安全、民生監(jiān)控等方面使用行人的檢測和跟蹤技術(shù)實(shí)時(shí)地檢測行人，并后續(xù)分析大規(guī)模搶劫、聚集、盜竊等異常行為。因?yàn)樾腥耸呛芏啾O(jiān)控場景中的主要目標(biāo)，所以對行人的檢測和跟蹤得到了研究人員的密切關(guān)注。(3)智能家庭：主要針對私人家庭中，借助行人檢測、跟蹤、面部識(shí)別等技術(shù)，自動(dòng)感知家庭區(qū)域中人體的存在，繼而

10、分析檢測到的目標(biāo)行為。當(dāng)家中有老人不小心摔倒或發(fā)生其他意外時(shí)，系統(tǒng)能自動(dòng)撥打已經(jīng)存入的電話號(hào)碼通知家人及時(shí)施救；或者當(dāng)家人外出時(shí)有外人突然闖入，系統(tǒng)能自動(dòng)報(bào)警通知相關(guān)人員采取措施。綜上，智能視頻監(jiān)控系統(tǒng)憑借其強(qiáng)大的智能性、全天候性，不僅減少了監(jiān)控人員的勞動(dòng)量，而且提高了危險(xiǎn)時(shí)報(bào)警的速度和準(zhǔn)確度，正被逐步應(yīng)用于交通、園區(qū)、商場、酒店、銀行、儲(chǔ)物倉庫等高安全要求的場合地點(diǎn)。而視頻中行人的檢測則是只能視頻監(jiān)控的基礎(chǔ)，本文主要論述靜止背景下行人目標(biāo)的檢測。1.2 智能視頻監(jiān)控概述1.2.1 智能視頻監(jiān)控的發(fā)展智能視頻監(jiān)控是在傳統(tǒng)的視頻監(jiān)控基礎(chǔ)上發(fā)展起來的。傳統(tǒng)的視頻監(jiān)控自投入應(yīng)用已有數(shù)十年，其發(fā)展經(jīng)歷

11、了三個(gè)時(shí)代。第一代：模擬時(shí)代。上個(gè)世紀(jì)末以前，初始的視頻監(jiān)控以模擬式磁帶錄像機(jī)為代表。此時(shí)的視頻監(jiān)控存儲(chǔ)量大，信息檢索和查詢相對困難。第二代：數(shù)字時(shí)代。進(jìn)入 21 世紀(jì)后，隨著數(shù)字視頻壓縮編碼技術(shù)的產(chǎn)生和發(fā)展，數(shù)字式視頻錄像機(jī)投入使用。數(shù)字化存儲(chǔ)極大增強(qiáng)了對視頻信息的處理效率，事后的信息檢索也變得相對簡單。第三代：網(wǎng)絡(luò)時(shí)代。從 2004 年開始，隨著網(wǎng)絡(luò)帶寬的提高和成本的降低、硬盤容量的加大和中心存儲(chǔ)成本的降低，以及各種實(shí)用視頻處理技術(shù)的出現(xiàn)，視頻監(jiān)控步入了全數(shù)字化的網(wǎng)絡(luò)時(shí)代，dvr 系統(tǒng)進(jìn)一步發(fā)展為網(wǎng)絡(luò)數(shù)字視頻錄像機(jī),實(shí)現(xiàn)了視頻信息的數(shù)字化網(wǎng)絡(luò)傳播。更進(jìn)一步，發(fā)展成為了網(wǎng)絡(luò)化視頻監(jiān)控系統(tǒng)，又

12、稱 ip 監(jiān)控系統(tǒng)。網(wǎng)絡(luò)化視頻監(jiān)控系統(tǒng)基于 tcp/ip 協(xié)議，采用開放式架構(gòu)，其視頻信息從攝像機(jī)或網(wǎng)絡(luò)視頻服務(wù)器下來就直接進(jìn)入網(wǎng)絡(luò)，以數(shù)字視頻的壓縮、傳輸、存儲(chǔ)和播放為基礎(chǔ)，通過強(qiáng)大的平臺(tái)軟件實(shí)施管理。視頻監(jiān)控系統(tǒng)在系統(tǒng)功能和設(shè)備性能上得到了很大的提高，但是仍然受到了一些固有因素的限制，整個(gè)系統(tǒng)在安全性和實(shí)用性方面難以滿足人們不斷提高的要求。具體的制約因素如下：（1）人類自身的弱點(diǎn)。很多情況下，由于生理上的弱點(diǎn)，人們經(jīng)常無法覺察安全威脅，從而產(chǎn)生了漏報(bào)的現(xiàn)象。（2）監(jiān)控時(shí)間。大多數(shù)視頻監(jiān)控系統(tǒng)難以按照 1:1 的比例來配置監(jiān)控?cái)z像機(jī)和視頻顯示裝置，尤其是在機(jī)場、港灣等大型的視頻監(jiān)控系統(tǒng)中，各

13、個(gè)監(jiān)控點(diǎn)很難都處于監(jiān)控之下。（3）誤報(bào)和漏報(bào)。這是視頻監(jiān)控系統(tǒng)中最常見的兩大問題，誤報(bào)會(huì)浪費(fèi)人力物力，漏報(bào)可能會(huì)導(dǎo)致非常危險(xiǎn)的后果發(fā)生。這兩種情況都會(huì)大大降低人們的信任，進(jìn)而降低監(jiān)控系統(tǒng)的應(yīng)用價(jià)值。（4）數(shù)據(jù)分析困難。傳統(tǒng)的視頻監(jiān)控系統(tǒng)缺乏智能因素，錄像數(shù)據(jù)無法被有效地分類存儲(chǔ)，更毋論其他的智能處理，因此數(shù)據(jù)分析工作要耗費(fèi)相當(dāng)多的時(shí)間。而經(jīng)常發(fā)生的誤報(bào)漏報(bào)現(xiàn)象也造成了無用數(shù)據(jù)的進(jìn)一步增加，帶來更大的困難。（5）響應(yīng)時(shí)間長。對于安全威脅的響應(yīng)速度直接關(guān)系到一個(gè)安全系統(tǒng)的整體性能。傳統(tǒng)的視頻監(jiān)控系統(tǒng)通常由人來對威脅做出響應(yīng)和處理，而實(shí)際處理問題時(shí)，往往同時(shí)涉及到多個(gè)功能部分，需要多個(gè)相關(guān)部門的協(xié)調(diào)

14、配合，共同處理，因而對響應(yīng)時(shí)間有了更高的要求。為了解決上述導(dǎo)致視頻監(jiān)控系統(tǒng)效率低下的問題，人們把計(jì)算機(jī)視覺的相關(guān)技術(shù)引入視頻監(jiān)控中，從而發(fā)展起新型的視頻監(jiān)控技術(shù)智能視頻監(jiān)控，也稱自動(dòng)視頻監(jiān)控，在視頻監(jiān)控系統(tǒng)中處于核心地位，對于整個(gè)系統(tǒng)的效率提高具有重要意義。1.2.2 智能視頻監(jiān)控的研究內(nèi)容智能視頻監(jiān)控的研究內(nèi)容包括運(yùn)動(dòng)目標(biāo)檢測、運(yùn)動(dòng)目標(biāo)跟蹤以及對監(jiān)視場景中目標(biāo)行為的理解與描述，目標(biāo)檢測、目標(biāo)分類、目標(biāo)識(shí)別是視頻處理中的基礎(chǔ)部分，而行為分析和理解則屬于更高級的處理分析部分。運(yùn)動(dòng)檢測、目標(biāo)分類和目標(biāo)跟蹤是研究者們關(guān)心最多的三個(gè)基本問題；而行為分析與理解因?yàn)楦鷳?yīng)用直接相關(guān)，所以近些年成為被廣泛關(guān)注

15、的熱點(diǎn)問題。1.3 行人檢測與跟蹤視頻監(jiān)控場景中行人是監(jiān)控的主要對象，因此對行人的檢測和跟蹤是一個(gè)至關(guān)重要的問題，這屬于智能視頻監(jiān)控系統(tǒng)的底層工作，其性能好壞將直接影響后續(xù)工作乃至整個(gè)系統(tǒng)的性能。1.3.1 行人檢測行人檢測就是把視頻圖像中的行人目標(biāo)從背景中分割出來并精確定位?；谝曈X的行人檢測目前仍舊是計(jì)算機(jī)視覺領(lǐng)域的一個(gè)公認(rèn)的難題。原因在于：行人同背景混合在一起，行人可能走，也有可能站著或者不可預(yù)測地改變運(yùn)動(dòng)方向；行人所處的背景非常復(fù)雜，特別是當(dāng)視覺系統(tǒng)基于運(yùn)動(dòng)云臺(tái)上的攝像系統(tǒng)時(shí)，背景的突然改變不可避免。到目前為止，一些人體檢測系統(tǒng)在某些約束環(huán)境中被證明能有效地檢測行人，從而鼓舞了研究人員

16、開展進(jìn)一步的研究工作。行人的衣著、運(yùn)動(dòng)姿態(tài)、光照存在著很大的差異，并且存在背景復(fù)雜、遮擋和其它運(yùn)動(dòng)物體的干擾，這些因素是行人檢測要解決的重點(diǎn)問題。1.3.2 行人跟蹤行人跟蹤監(jiān)視人體在視頻中的空間和時(shí)間變化，包括人體的出現(xiàn)、位置變化、大小信息、形狀等，在連續(xù)幀上匹配目標(biāo)區(qū)域，求解時(shí)間上的對應(yīng)問題?；谝曈X的人體跟蹤一般從人體檢測開始，而且在后繼的視頻序列中需要不斷地檢測人體以校驗(yàn)跟蹤和維持跟蹤連續(xù)進(jìn)行，它是人體的姿態(tài)估計(jì)和活動(dòng)識(shí)別的基礎(chǔ)。跟蹤過程根據(jù)應(yīng)用場景中的目標(biāo)數(shù)目分為單目標(biāo)和多目標(biāo)。場景中目標(biāo)數(shù)目的不同，跟蹤的難易程度不同，所采用的技術(shù)也不同。二、設(shè)計(jì)原理智能視頻監(jiān)控中的行人檢測與跟蹤方

17、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(shí)別與人工智能等。為了后續(xù)各章內(nèi)容的展開，本章系統(tǒng)地介紹相關(guān)的一些預(yù)備知識(shí)和常用的目標(biāo)檢測與跟蹤方法。2.1 圖像處理基礎(chǔ)數(shù)字圖像處理涉及的領(lǐng)域相當(dāng)廣泛，其各種理論算法、技術(shù)應(yīng)用更是不勝枚舉。篇幅起見，本節(jié)僅簡要介紹相關(guān)的顏色空間、圖像預(yù)處理和形態(tài)學(xué)方法等內(nèi)容。2.1.1 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。本質(zhì)上，彩色模型是坐標(biāo)系統(tǒng)和子空間的闡述，位于系統(tǒng)的每種顏色都由單個(gè)點(diǎn)表示。顏色空間從提出到現(xiàn)在已經(jīng)有上百種，大部分只是局部的改變或?qū)Ｓ糜谀骋活I(lǐng)域，現(xiàn)在

18、采用的大多數(shù)顏色模型都是面向硬件或面向應(yīng)用的。數(shù)字圖像處理中常用的是 rgb、hsi和 hsv模型。（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。它以紅、綠、藍(lán)為原色，建立三維直角坐標(biāo)系，通過混合各個(gè)原色以產(chǎn)生各種復(fù)合色彩。通過對紅、綠、藍(lán)三種顏色施加變化以及疊加可以得到各種顏色。rgb 即是代表紅、綠、藍(lán)三種色彩組成的顏色空間，這一顏色空間幾乎包括人類能感知的所有顏色，因而應(yīng)用最為廣泛。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(shí)候，其色彩相混，而亮度等于

19、三者總和,也即滿足加法混合。知道其原理后，在很多圖像處理軟件中進(jìn)行的 rgb 顏色設(shè)定就很容易理解了。圖 2-1 形象地顯示了 rgb 顏色空間。圖 21 rgb顏色空間（2）hsv 模型rgb 和 cmy 彩色模型對硬件實(shí)現(xiàn)很理想，另外它同人眼對紅、綠、藍(lán)三原色的強(qiáng)烈感覺相匹配，但是這一模型不能很好地解釋實(shí)際的顏色。觀察一個(gè)彩色物體時(shí)，人們用色調(diào)、色飽和度和強(qiáng)度來描述它，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(gè)圓錐形子集。色調(diào) h：與光波的波長有關(guān)，它表示人的感官對不同顏色的感受，如紅色、綠色、藍(lán)色等，它也可表示一定范圍的顏色，如暖色、冷色等。飽和度 s：表示顏

20、色的純度，純光譜色是完全飽和的，加入白光會(huì)稀釋飽和度。飽和度越大，顏色看起來就會(huì)越鮮艷，反之亦然。強(qiáng)度 v：對應(yīng)成像亮度和圖像灰度，是顏色的明亮程度。hsv 顏色空間如圖 2-2 所示，其空間模型為一個(gè)圓錐。圓錐的頂面對應(yīng)的強(qiáng)度 v 為 1，代表最亮的顏色。繞 v 軸的旋轉(zhuǎn)角代表色彩 h，紅、黃、藍(lán)分別對應(yīng)于 0、120、240。在這一顏色模型中，每一種顏色和其補(bǔ)色相差 180。由圓心向圓周移動(dòng)時(shí)，飽和度 s 的取值從 0 變化到 1。由于 hsv 顏色模型所代表的顏色域是屬于 cie 色度圖的一個(gè)子集，所以其最大飽和度的顏色的純度值并不到 100。在下方的圓錐頂點(diǎn)處，v 為 0，h 和 s

21、無定義，代表黑色。圓錐頂面中心處 s 為 0，v 為 1，h 無定義，代表白色，從該點(diǎn)到頂點(diǎn)代表亮度漸暗的白色，即不同灰度的白色。所有 v、 s 都為 1 的顏色都是純色。圖 22 hsv 彩色空間hsv 顏色模型類似畫家配色時(shí)采用的方法。而畫家常通過改變色深和色濃來從純色中得到各種色調(diào)的顏色。具體做法為：在純色中加入黑色可以改變色深，加入白色可以改變色濃，同時(shí)加入一定比例的黑色、白色即可得到某種色調(diào)的顏色。（3）顏色空間變換顏色空間變換可以分為從 rgb 到 hsv 轉(zhuǎn)換以及從 hsv 到 rgb 的轉(zhuǎn)換兩種。從 rgb 到 hsv 轉(zhuǎn)換時(shí)，設(shè)(r,g,b)分別是一個(gè)顏色的紅、綠和藍(lán)坐標(biāo)，它

22、們的值是 0 到 1 之間的實(shí)數(shù)。設(shè) max 等價(jià)于 r,g 和 b 中的最大者。設(shè) min 等于這些值中的最小者。要找到在 hsl 空間中的(h,s,v)值，這里的 h0,360）是角度的色相角，而 s,v0,1是飽和度和亮度。2.1.2 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。由于圖像在拍攝過程中往往會(huì)由傳感器引入噪聲，因此需要在目標(biāo)分割前對圖像進(jìn)行預(yù)處理，來減除噪聲的干擾，增強(qiáng)目標(biāo)提取的效果。通?？刹捎玫屯V波的方法來消除噪聲。低通濾波既可在頻域進(jìn)行也可在時(shí)域進(jìn)行。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。常見的空域低通濾波器主要有均值濾波器、加權(quán)均值濾波器

23、和中值濾波器。2.1.3 形態(tài)學(xué)方法形態(tài)學(xué)原本代表的是生物學(xué)的一個(gè)學(xué)科，在這里介紹的是數(shù)學(xué)形態(tài)學(xué)。作為一種圖像處理工具，它被用于對圖像區(qū)域進(jìn)行處理，以提取對于表示和描述有用的圖像分量。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。2.2 運(yùn)動(dòng)目標(biāo)檢測方法運(yùn)動(dòng)目標(biāo)檢測是指將運(yùn)動(dòng)區(qū)域從視頻圖像中分割出來。運(yùn)動(dòng)目標(biāo)檢測從視頻圖像序列中檢測出運(yùn)動(dòng)目標(biāo)，減小圖像處理計(jì)算量，得到所需的目標(biāo)信息，為后續(xù)的識(shí)別和跟蹤奠定基礎(chǔ)。由于運(yùn)動(dòng)目標(biāo)的正確檢測與否將直接影響后續(xù)的目標(biāo)跟蹤與分類效果，所以它也成為智能視頻監(jiān)控系統(tǒng)相關(guān)技術(shù)中深受關(guān)注的研究重點(diǎn)。運(yùn)動(dòng)目標(biāo)檢測過程包括運(yùn)動(dòng)目標(biāo)檢測的預(yù)處理和運(yùn)動(dòng)目

24、標(biāo)的分割兩大步。目前常用的運(yùn)動(dòng)目標(biāo)檢測方法有四種：背景差分法，光流法，邊緣檢測法等。2.2.1 背景差分法背景差分法簡單易于實(shí)現(xiàn)，屬于最受青睞的運(yùn)動(dòng)目標(biāo)檢測方法之一。它的基本思想是采用一定方法獲取視頻中背景圖片并進(jìn)行背景更新，然后通過當(dāng)前幀與背景做差得到所加載視頻中的前景目標(biāo)，具體步驟如圖2-3所示。圖 23 背景差分算法框圖該算法包括讀取視頻、圖像預(yù)處理、提取背景、背景差分、二值化和獲取前景圖片六部分組成。視頻采集包括攝像器材的選擇、光源的選擇等：圖像預(yù)處理是按照獲取的視頻參數(shù)，進(jìn)行圖像增強(qiáng)、濾波等操作來提高采集的視頻質(zhì)量；是否能提取完整、清晰的背景是該算法成敗的關(guān)鍵，目前背景建模的方法很多

25、，常用的有非線性中值濾波法、線性卡爾曼濾波法、幀間差分法、高斯混合模型等，但因一天中環(huán)境光照的變化、背景的多態(tài)性、運(yùn)動(dòng)目標(biāo)自身的投影等原因，一般建模后的背景并非十分干凈清晰，這也是目前研究中的一個(gè)難點(diǎn)。背景差分是用當(dāng)前幀減去背景來獲取視頻中的運(yùn)動(dòng)目標(biāo)，定義為視頻中第k幀圖片，b為背景圖片，e為差分獲取的前景圖片，即背景差分為： （公式2-1） （公式2-2） 為了增強(qiáng)算法的抗噪聲性，我們設(shè)置一個(gè)合適閾值對前景圖片進(jìn)行二值化處理，即：其中，為二值化后獲取的最終前景圖片，后續(xù)的邊緣檢測、行人識(shí)別和跟蹤等操作均是對該圖像進(jìn)行處理。綜述所述，該方法具有較好實(shí)時(shí)性，也能提取出較完整的背景圖片，但對背景的

26、依賴性太強(qiáng)，這使得在背景變化較大的場景中，該方法準(zhǔn)確性很低、近乎失效，而且該缺點(diǎn)是背景差分法本身的局限性，很難找到較好的改善方法。2.2.2光流法物體運(yùn)動(dòng)時(shí)其表面像素點(diǎn)的亮度也隨之運(yùn)動(dòng)，在視頻圖像中表現(xiàn)為光流，對應(yīng)圖像中產(chǎn)生的瞬時(shí)速度場就是光流場。從光流中可以獲得物體形狀結(jié)構(gòu)和運(yùn)動(dòng)狀態(tài)信息。通常情況下，鏡頭運(yùn)動(dòng)、目標(biāo)運(yùn)動(dòng)或二者的共同運(yùn)動(dòng)都會(huì)產(chǎn)生光流。光流的常用計(jì)算方法有兩種：基于梯度的方法和基于匹配的方法。（1）基于梯度的方法梯度可以用于光流計(jì)算，由于其更為簡單的計(jì)算過程和相對較好的實(shí)驗(yàn)結(jié)果，這類方法得到了廣泛的應(yīng)用。但由于受到可調(diào)參數(shù)、可靠性評價(jià)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)

27、進(jìn)行檢測與自動(dòng)跟蹤時(shí)仍存在很多問題。（2）基于匹配的方法這類方法主要采用基于區(qū)域的和基于特征的兩種匹配方法。基于特征的匹配方法需要不斷地獲取目標(biāo)特征對其進(jìn)行檢測和跟蹤，對較大目標(biāo)的運(yùn)動(dòng)和亮度變化比較敏感，但是得到的光流往往很稀疏，而且目標(biāo)的特征提取與匹配也有相當(dāng)難度；基于區(qū)域的匹配方法需要先定位相似區(qū)域的位置，然后通過相似區(qū)域和初始區(qū)域的比較來計(jì)算光流，基于區(qū)域的方法在網(wǎng)絡(luò)視頻傳輸編碼中得到了大量運(yùn)用，但其計(jì)算中的光流仍然稀疏。光流法能夠獨(dú)立檢測運(yùn)動(dòng)目標(biāo)，而不需要場景的預(yù)設(shè)信息，并且能夠檢測動(dòng)態(tài)場景下的運(yùn)動(dòng)情況。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

28、受影響；并且光流法的計(jì)算過程相對復(fù)雜、耗時(shí)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(shí)的檢測。2.2.3邊緣檢測方法圖像的邊緣為圖像中灰度發(fā)生急劇變化的區(qū)域，邊界分為階躍狀和屋頂狀兩種類型。圖像的邊緣一般對應(yīng)一階導(dǎo)數(shù)較大，二階導(dǎo)數(shù)為零的點(diǎn)。常用到的邊緣檢測方法有 robert 算子、sobel 算子、laplace 算子等。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(dòng)目標(biāo)的區(qū)分和運(yùn)動(dòng)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。運(yùn)動(dòng)圖像邊緣的檢測可以通過時(shí)間和空間上的差分來獲得，空間上的差分可以使用已有的各種邊緣檢測算法，時(shí)間上的差分可以通過計(jì)算連續(xù)幀的差來獲

29、得，也可以通過計(jì)算當(dāng)前圖像與背景圖像的差分圖像，然后求其邊緣來計(jì)算。2.4 本章小結(jié)運(yùn)動(dòng)目標(biāo)檢測是智能視頻監(jiān)控的關(guān)鍵步驟，其運(yùn)動(dòng)跟蹤同樣要以運(yùn)動(dòng)目標(biāo)檢測為基礎(chǔ)。本章首先介紹了圖像處理相關(guān)的基礎(chǔ)知識(shí)，包括顏色空間、圖像預(yù)處理和形態(tài)學(xué)方法等；然后重點(diǎn)介紹了包括背景差分、光流法和邊緣檢測等的運(yùn)動(dòng)檢測方法，以及基于特征、基于模型、和基于主動(dòng)輪廓等的運(yùn)動(dòng)檢測方法。本設(shè)計(jì)主要用背景差分的方法檢測視頻中的行人。三、設(shè)計(jì)內(nèi)容3.1背景減法運(yùn)動(dòng)目標(biāo)檢測背景差分算法的實(shí)質(zhì)是：實(shí)時(shí)輸入的場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，場景的光線、樹葉的遮擋、

30、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： （公式2-3） （公式2-4） 表示圖像序列中當(dāng)前幀的灰度圖像，表示當(dāng)前幀背景的灰度圖像,表示相減后的二值化結(jié)果，表示對應(yīng)的相減后灰度圖像的閾值，選取固定閾值=15，基于背景減法的matlab仿真。3.2閾值的選取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，閾值增大，雖然可以一定量的減少環(huán)境對效果的影響，但同時(shí)也會(huì)

31、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)對監(jiān)控質(zhì)量做出評估并相應(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。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，就稱這樣的閾值確定方

32、法為局部閾值法。基本步驟如下：(1)選擇一個(gè) 的初始估計(jì)值(2)用分割圖像。這樣做會(huì)生成兩組像素：由所有灰度值大于的像素組成，而由所有灰度值小于或等于的像素組成。(3)對區(qū)域和中的所有像素計(jì)算平均灰度值 和。(4)按下式計(jì)算新的閾值。 （公式3-1）(5)重復(fù)步驟(2)到(4)，直到逐次迭代所得到的值之差小于預(yù)先定義的參數(shù)。當(dāng)背景和對象在圖像中占據(jù)的面積相近時(shí)，好的的初始值就是圖像的平均灰度值。如果對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)，更合適的初值是諸如灰度值的中間值一類的初值。對車輛檢測進(jìn)行仿真時(shí)，由于車輛與背景面積相差較

33、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。在本設(shè)計(jì)中為了簡單采取全局閾值的方法進(jìn)行二值化。3.3形態(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

34、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、膨脹、開和閉運(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、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。它用于測試輸入圖像，通常比待處理圖像小得多。本文使用55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)

35、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)為圖像矩陣，為結(jié)構(gòu)元素矩陣，數(shù)學(xué)形態(tài)學(xué)運(yùn)算時(shí)，用對進(jìn)行操作。實(shí)際上，

36、結(jié)構(gòu)元素本身也是一個(gè)圖像矩陣。這里對每個(gè)結(jié)構(gòu)元素矩陣b指定一個(gè)原點(diǎn)。x被b腐蝕的定義為： （公式3-2）這個(gè)公式說明，使用b對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3-1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?？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。圖 31 腐蝕運(yùn)算x被b膨脹的定義為： （公式3-3）這個(gè)公式表示用b膨脹x的過程是，相對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3-2顯示了實(shí)

37、際上的膨脹運(yùn)算，左邊是被處理的圖象x(二值圖象，針對的是黑點(diǎn))，中間是結(jié)構(gòu)元素b，右邊是膨脹后的結(jié)果?？梢钥闯?，它包括x的所有范圍，就象x膨脹了一圈似的。圖 32 膨脹運(yùn)算(3)開啟和閉合開啟就是相對圖像進(jìn)行腐蝕，然后膨脹其結(jié)果。閉合就是先對圖像進(jìn)行膨脹，然后腐蝕其結(jié)果。開啟一般使對象的輪廓變得光滑，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對集合x進(jìn)行開啟操作，表示為，定義為 ： （公式3-4）使用結(jié)構(gòu)元素b對集合x進(jìn)行閉合操作，表示為，定義為： （公式3-5）3.4設(shè)計(jì)

38、方案流程圖本文著重研究了利用背景減法進(jìn)行目標(biāo)檢測在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)到了運(yùn)動(dòng)行人檢測目標(biāo)的預(yù)期效果。其具體流程圖如下圖4-1：圖3-3檢測過程 本文著重研究了利用背景減法進(jìn)行目標(biāo)檢測在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3-3所示的流程能夠達(dá)到如圖4-1所示的效果。四、實(shí)驗(yàn)結(jié)果分析及總結(jié)4.1試驗(yàn)結(jié)果如圖4-1圖4-1行人檢測結(jié)果4.2實(shí)驗(yàn)結(jié)果分析通過上圖分析可得通過背景減法二值化后可得

39、到如圖4-1（b）的圖。圖中有很多噪聲，通過形態(tài)學(xué)濾波后得到如（c）。從圖中可以清楚分辨出行人，并且濾波后可以明顯的將噪聲濾除。五、參考文獻(xiàn)1 孔曉東智能視頻監(jiān)控技術(shù)研究d上海：上海交通大學(xué)，2008.2 虹數(shù)字圖像處理基礎(chǔ)m北京：科學(xué)出版社,2005.3 gavrila d. the visual analysis cf human movemalt: a surveyj.compurer vision and image understanding, 1999, 73(1):822984 常好麗運(yùn)動(dòng)行人檢測與跟蹤方法研究d 陜西：西北工業(yè)大學(xué)，2006.5 常好麗，史忠科基于單目視覺的運(yùn)動(dòng)行人檢測與跟蹤方法j交通運(yùn)輸工程學(xué)報(bào)，2006.6 何東健，耿楠，張義寬編著，數(shù)字圖像處理m西安：西