視頻中運動目標的檢測標記

1、 5/5視頻中運動目標的檢測標記 視頻中運動目標的檢測標記 較全面的運動目標的特征數(shù)據(jù)，但對于動態(tài)場景的變化，如光線照射情況和外來無關事件的干擾等也特別敏感。 實際上，背景的建模是背景減除方法的技術關鍵。最簡單的背景模型是時間平均圖像，即利用同一場景在一個時段的平均圖像作為該場景的背景模型。由于該模型是固定的，一旦建立之后，對于該場景圖像所發(fā)生的任何變化都比較敏感，比如陽光照射方向，影子，樹葉隨風搖動等。大部分的研究人員目前都致力于開發(fā)更加實用的背景模型，以期減少動態(tài)場景變化對于運動目標檢測效果的影響2。 2.2幀時間差分 時間差分（Temporal Difference 又稱相鄰幀差）方法充

2、分利用了視頻圖像的特征，從連續(xù)得到的視頻流中提取所需要的動態(tài)目標信息。在一般情況下采集的視頻圖像，若仔細對比相鄰兩幀，可以發(fā)現(xiàn)其中大部分的背景像素均保持不變。只有在有前景移動目標的部分相鄰幀的像素差異比較大。時間差分方法就是利用相鄰幀圖像的相減來提取出前景移動目標的信息的。 讓我們來考慮安裝固定攝像頭所獲取的視頻。我們介紹利用連續(xù)的圖像序列中兩個或三個相鄰幀之間的時間差分，并且用閾值來提取出視頻圖像中的運動目標的方法。我們采用三幀差分的方法，即當某一個像素在連續(xù)三幀視頻圖像上均有相當程度的變化(及大于設定的閾值時)，我們便確定該像素屬于運動目標。時間差分運動檢測方法對于動態(tài)環(huán)境具有較強的自適應

3、性，但一般不能完全提取出所有相關的特征像素點，在運動實體內部容易產生空洞現(xiàn)象，只能夠檢測到目標的邊緣。而且，當運動目標停止運動時，一般時間差分方法便失效3。 2.3光學流法 基于光流方法（Optical Flow）的運動檢測采用了運動目標隨時間變化的光流特性，如Meyer 等通過計算位移向量光流場來初始化基于輪廓的跟蹤算法，從而有效地提取和跟蹤運動目標。該方法的優(yōu)點是在所攝場所運動存在的前提下也能檢測出獨立的運動目標。然而，大多數(shù)的光流計算方法相當復雜，且抗噪性能差，如果沒有特別的硬件裝置則不能被應用于全幀視頻流的實時處理。 當然，在運動檢測中還有一些其它的方法，如運動向量檢測法，它適合于多維

4、變化的環(huán)境，能消除背景中的振動像素，使某一方向的運動對象更加突出的顯示出來。但是，運動向量檢測法也不能精確地分割出對象。 點檢測法用于檢測圖像中感興趣的點如角點等圖像分割法能檢測出圖像中目標的輪廓但需要一些人為的因素以及人工判斷無法實現(xiàn)完全的自動背景建模法在視頻監(jiān)控的研究中取得了較好的效果但只適用于攝像機靜止狀態(tài)的目標檢測聚類分析法需要通過學習適用于特定目標的檢測如行人等較難適應一般情況下的運動目標檢測4。 以上介紹的主要是單路視頻圖像的目標跟蹤問題。在實際監(jiān)控系統(tǒng)中，往往同一個人或目標出現(xiàn)在多個攝像機的視場里。如何將與此目標相關的各個攝像頭采集的視頻圖像關聯(lián)起來，根據(jù)物體的運動情況，形成其運

5、動軌跡，并自動發(fā)送PTZ 控制指令，使攝像機能夠自動跟蹤物體，尤其在物體超出該攝像機監(jiān)控范圍之后，自動通知物體所在區(qū)域的攝像機繼續(xù)進行追蹤。這才能使目標真正獲得了跟蹤。 3檢測視頻中淺色汽車目標 3.1處理步驟分析 在智能交通中，我們通常需要對汽車的車牌號進行識別或者對某種顏色的汽車進行檢測。視頻文件是由一幀一幀的圖像按照一定順序連接而成，對圖像的處理方法同樣適用于對視頻文件的處理，我們只要逐幀選取圖像，然后對每一幀圖像進行處理，最后再將處理后的每幀圖像按照原來的順序連接成視頻即可。 本次案例的目的是檢測一個給定的交通視頻文件流中淺顏色的目標汽車，處理效果要去除背景干擾，用特殊顏色標記檢測的目

6、標； 本例中使用了圖像處理工具箱中很多視頻處理的函數(shù)，如讀取文件mmreader函數(shù)，并且使用implay函數(shù)使視頻可視化。視頻處理的基礎仍是圖像處理，在本例中根據(jù)汽車的顏色和形狀來確定汽車的存在，這其中涉及很多數(shù)學形態(tài)學的操作，包括imextendedmax，imopen，bwareaopen等函數(shù)。 檢測視頻中汽車目標的基本步驟如下： （1）讀取視頻文件 在這一步驟中，首先使用mmreader函數(shù)從多媒體文件中讀取視頻數(shù)據(jù)，mmreader函數(shù)可以讀取的文件格式包括：AVI，MPG，MPEG，WMV，ASF和ASX，本例程序中讀取的視頻格式為AVI格式，使用implay函數(shù)播放視頻，mmr

7、eader函數(shù)還可以返回關于多媒體文件的信息，為了獲取關于多媒體文件更多的信息，可以使用get函數(shù)，它可以獲得諸如視頻持續(xù)時間、路徑等更多的信息。 （2）讀取一幀圖像并檢測圖像中的汽車 讀取一幀圖像并進行處理。對于視頻數(shù)據(jù)，包含很多幀圖像，我們一般采取的處理方法是在視頻數(shù)據(jù)中選取一幅有代表性的圖像幀，在這幅圖像中開發(fā)相應的算法，然后把這個算法應用到所有幀圖像中。 我們選取一幀圖像，這幀圖像中包含深顏色的汽車和淺顏色的汽車。除了汽車外，還有很多其他結構的目標，例如公路、草坪等。 在檢測淺顏色汽車前，一般需要盡可能地簡化圖像，通常使用的方法是采取一系列的形態(tài)學操作來去除這些無關的目標。由于這個視頻

8、文件的每幀圖像都是真彩色圖像，因此首先將真彩色圖像轉化為灰度圖像。 在視頻數(shù)據(jù)中，去除深色汽車一般使用imextendedmax函數(shù)，這個函數(shù)返回二值圖像，其中亮度值大于某個閾值的區(qū)域會在結果中顯示出來，而亮度值小于這個閾值的目標則變成背景。 為了去除深顏色的汽車，可以使用像素區(qū)域工具確定圖像中深顏色汽車所在區(qū)域的像素值，在這個程序中，調用imextendedmax函數(shù)時使用50作為閾值。 雖然在處理后的圖像中，大部分深顏色目標已經被去除，但仍然有少部分無關的目標存在，尤其是公路上的標志線。使用imextendedmax函數(shù)不能去除公路上的標志線，因為公路標志線區(qū)域的像素值也超過給定的閾值。

9、為了出去這些目標，可以使用形態(tài)學的開操作函數(shù)imopen來進行開操作。這個函數(shù)在使用形態(tài)學處理二值圖像，在保留大目標的同時，可以去除小目標， 在使用形態(tài)學操作時，要首先確定函數(shù)使用的結構元素大小和形狀，由于公路上的標志線是很長很細的，因此可以使用圓形的結構元素對這些目標進行去除，其中圓形結構的半徑等于標志線的寬度。在這個程序中，標志線的寬度大約為2，因此結構元素的半徑也為2。 經過處理后的圖像中，包含的目標為淺顏色的目標，即圖像中淺顏色的汽車。使用bwlabel函數(shù)可以返回一個標簽矩陣，通過這個標簽矩陣可以進一步求得更多的參數(shù)。例如可以使用regionprops函數(shù)獲取目標的質心，并且使用質心

10、來確定淺顏色汽車標簽的位置。 （3）使用循環(huán)逐幀對圖像進行檢測 由于交通視頻是由一系列的圖像連接而成，在處理時需要使用for循環(huán)語句逐幀對數(shù)據(jù)進行處理。處理后的視頻數(shù)據(jù)中使用標簽對淺顏色汽車進行標注。 3.2MatLab代碼實現(xiàn) trafficObj = VideoReader(traffic.avi);%從多媒體文件中讀取數(shù)據(jù) get(trafficObj)%獲取視頻信息 implay(traffic.avi);%播放視頻 darkCarValue = 50;%閾值 darkCar = rgb2gray(read(trafficObj,71);%真彩色圖像轉化為灰度圖像 noDarkCar

11、= imextendedmax(darkCar,darkCarValue);%去除圖像中深色的汽車 figure; subplot(131) imshow(darkCar)%顯示灰度圖像 subplot(132); imshow(noDarkCar)%顯示淺顏色的車 sedisk = strel(disk,2);%圓形結構元素 noSmallStructures = imopen(noDarkCar, sedisk);%開操作 subplot(133); imshow(noSmallStructures)%去除小目標 nframes = get(trafficObj, NumberOfFram

12、es);%幀數(shù) I = read(trafficObj, 1);%第一幀圖像 taggedCars = zeros(size(I,1) size(I,2) 3 nframes, class(I); for k = 1 : nframes singleFrame = read(trafficObj, k);%讀取圖像 I = rgb2gray(singleFrame);%轉化為灰度圖像 noDarkCars = imextendedmax(I, darkCarValue);%去除深色的汽車 noSmallStructures = imopen(noDarkCars, sedisk);%去除線性目

13、標 noSmallStructures = bwareaopen(noSmallStructures, 150);%去小目標 L = bwlabel(noSmallStructures);%生成標簽矩陣 taggedCars(:,:,:,k) = singleFrame; if any(L(:) stats = regionprops(L, centroid,area);%求取質心和面積 areaArray = stats.Area;%求取目標對象的面積 junk,idx = max(areaArray);%求取最大面積 c = stats(idx).Centroid;%最大面積對應的圓心 c

14、 = floor(fliplr(c); width = 2; row = c(1)-width:c(1)+width;%標注目標 col = c(2)-width:c(2)+width; taggedCars(row,col,1,k) = 255;%設置為紅色 taggedCars(row,col,2,k) = 0; taggedCars(row,col,3,k) = 0; end end frameRate = get(trafficObj,FrameRate); implay(taggedCars,frameRate);%播放視頻1 3.3實驗效果 圖3-1，交通視頻 圖3-2對視頻中圖像

15、處理后得灰度圖像、二值圖像和去除最小目標后的圖像 圖3-3淺顏色汽車的檢測標記 3.4部分函數(shù)功能解析 （1）Mmreader函數(shù) mmreader從多媒體文件中的視頻數(shù)據(jù)使用Read方法讀取到MATLAB的工作空間。該文件格式mmreader支持平臺有所不同。obj = mmreader(filename)，obj的構造名為filename的讀取視頻數(shù)據(jù)文件。為基于MATLAB路徑文件的mmreader構造進行搜索。如果它不能以任何理由建設對象，mmreader產生一個錯誤。MatLab7.8.0.347或(R2009a)以上版本支持。 使用格式：Obj=mmreader(filename,

16、PropertyName,PropertyValue)。 （2）Imextendedmax函數(shù) Imextendedmax，擴展極大值變；格式IBW = imextendedmax(I,H)；這些函數(shù)把灰度圖像作為輸入?yún)?shù)，而把二值圖像作為輸出參數(shù)。在輸出的二值圖像中，局部極大值和局部極小值設為1，其他值設為0。 （3）Imopen Imopen，形態(tài)學開運算；使用方法，IM2 = imopen(IM,SE) ；使用結構元素SE 對灰度圖像或二進制圖像 IM 進行形態(tài)學開運算。參數(shù) SE 必須是一個單獨的結構元素體，相對于一個對象數(shù)組。形態(tài)學開運算是先進行一次膨脹操作，再接著進行一次腐蝕操作，

17、兩次操作中使用同一個結構元素。 （4）Bwareaopen Bwareaopen，刪除小面積圖形；格式BW2 = bwareaopen(BW,P,conn)；作用刪除二值圖像BW中面積小于P的對象，默認情況下conn使用8鄰域 （5）Bwlabel Bwlabel，標注二進制圖像中已連接的部分。格式：L = bwlabel(BW,n)；返回一個和BW大小相同的L矩陣，包含了標記了BW中每個連通區(qū)域的類別標簽，這些標簽的值為1、2、 num(連通區(qū)域的個數(shù))。n的值為4或8，表示是按4連通尋找區(qū)域，還是8連通尋找，如果參數(shù)省略，則默認為8。 （6）Regionprops Regionprops計算圖像區(qū)域的屬性信息；格式：STATS = regionprops(BW, properties)，本例中用于返回圖像質心和面積。輸入：BW二值圖像、properties屬性信息；輸出：STATS 包含圖像指定區(qū)域屬