基于幀間差分算法的運(yùn)動(dòng)目標(biāo)檢測(cè)研究畢業(yè)論文

1、. . . . 畢業(yè)設(shè)計(jì)（論文）題目名稱：基于幀間差分算法的運(yùn)動(dòng)目標(biāo)檢測(cè)研究. . . . I / 34畢業(yè)設(shè)計(jì)（論文）原創(chuàng)性聲明和使用授權(quán)說明畢業(yè)設(shè)計(jì)（論文）原創(chuàng)性聲明和使用授權(quán)說明原創(chuàng)性聲明原創(chuàng)性聲明本人重承諾：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)行的研究工作與取得的成果。盡我所知，除文中特別加以標(biāo)注和致的地方外，不包含其他人或組織已經(jīng)發(fā)表或公布過的研究成果，也不包含我為獲得與其它教育機(jī)構(gòu)的學(xué)位或?qū)W歷而使用過的材料。對(duì)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意。作 者 簽 名：日 期：指導(dǎo)教師簽名： 日期：使用授權(quán)說明使用授權(quán)說明本人完

2、全了解大學(xué)關(guān)于收集、保存、使用畢業(yè)設(shè)計(jì)（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　⒖s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咳?。作者簽名： 日 期：學(xué)位論文原創(chuàng)性聲明學(xué)位論文原創(chuàng)性聲明. . . . 本人重聲明：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(duì)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

3、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)位論文使用授權(quán)書學(xué)位論文使用授權(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(guó)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）的容包括：. . . . III / 341）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

4、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）參考文獻(xiàn)8）致9）附錄（對(duì)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，打印字體與大小符合要求，無錯(cuò)別字，不準(zhǔn)請(qǐng)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(guó)家技術(shù)標(biāo)準(zhǔn)規(guī)。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）

5、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，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3）其它. . . . 摘要運(yùn)動(dòng)目標(biāo)檢測(cè)在圖像處理方面的一個(gè)很重要的應(yīng)用。在計(jì)算機(jī)視覺領(lǐng)域，運(yùn)動(dòng)目標(biāo)檢測(cè)研究一直是一個(gè)很好的研究方向，并且運(yùn)動(dòng)目標(biāo)檢測(cè)是分析動(dòng)態(tài)圖像的基礎(chǔ)。它在很多領(lǐng)域都有很廣泛的應(yīng)用。比如重要場(chǎng)所的安全監(jiān)控、航空制導(dǎo)、汽車駕駛等方面都。目前國(guó)外提出了很多種運(yùn)動(dòng)目標(biāo)檢測(cè)的方法，不過至今為止，還沒有一種方法能夠適應(yīng)在各種測(cè)試環(huán)境中，每種方法都有自己的局限

6、性。在所有的運(yùn)動(dòng)目標(biāo)檢測(cè)方法中，幀間差分算法是最常用的一種運(yùn)動(dòng)目標(biāo)檢測(cè)方法。幀間差分算法的優(yōu)點(diǎn)是實(shí)現(xiàn)相對(duì)簡(jiǎn)單，程序設(shè)計(jì)復(fù)雜度低，易于實(shí)時(shí)監(jiān)控等。缺點(diǎn)是檢測(cè)出的位置不一定精確，并且不能提取出完整的目標(biāo)。在運(yùn)動(dòng)目標(biāo)檢測(cè)方面，本文通過實(shí)現(xiàn)一種三幀差分算法來進(jìn)行運(yùn)動(dòng)目標(biāo)的檢測(cè)。該算法通過對(duì)視頻序列進(jìn)行預(yù)處理，運(yùn)用幀間差分的方法提取出運(yùn)動(dòng)目標(biāo)的大致圖像，然后運(yùn)用數(shù)學(xué)形態(tài)學(xué)的邏輯運(yùn)算進(jìn)行去噪處理，研究并分析實(shí)驗(yàn)結(jié)果，以期達(dá)到理想的檢測(cè)效果。實(shí)驗(yàn)結(jié)果表明，該算法準(zhǔn)確性高，實(shí)時(shí)性好，能較好的解決問題，具有一定的使用價(jià)值。關(guān)鍵詞：幀間差分；運(yùn)動(dòng)目標(biāo)檢測(cè)；數(shù)學(xué)形態(tài)學(xué)AbstractAbstractMoving o

7、bject detection is one of the most active research fields of image processing and computer vision,and its the foundation of dynamic image analysis. It is used widely in many fields, such as an important place of safety monitoring, traffic control, aviation and navigation, car driving and so on.So fa

8、r there exists many methods of moving object detection in the world,However,every one of them have their own limitations.In allof them, interframe difference is one of the most frequently.use dmethods.Its demerits is that it is simple to realize,and its programs is simple ,it is easy to momently mon

9、itor.However ,interframe difference cant detect accuate position,Also it cant get complete object. . . . V / 34About moving object detction,this paper we presents a three .frame difference algorithm of moving target detection, the algorithm first preprocess the video to extract the target to researc

10、h, by using interframe difference and the logic method of mathematical morphology. The experimental results shows that, the algorithm is high accuracy and good real.time performance, it can solve the problem effectively and has certain application values.KeyKey Words:Words: Interframe difference；Mov

11、ing object detection；Mathematical Morphology目錄摘要 IABSTRACTABSTRACTII第 1 章引言 11.1 課題研究的目的與意義 11.2 課題發(fā)展?fàn)顩r與應(yīng)用前景 11.3 運(yùn)動(dòng)目標(biāo)檢測(cè)常用方法 31.4 課題主要研究容 41.5 本文結(jié)構(gòu)安排 5第 2 章運(yùn)動(dòng)目標(biāo)檢測(cè)理論基礎(chǔ) 62.1 關(guān)于運(yùn)動(dòng)目標(biāo)檢測(cè) 62.2 灰度圖像 72.3 數(shù)學(xué)形態(tài)學(xué) 82.3.1 數(shù)學(xué)形態(tài)學(xué)簡(jiǎn)介 82.2.2 數(shù)學(xué)形態(tài)學(xué)應(yīng)用 82.2.3 形態(tài)學(xué)運(yùn)算 92.2.4 形態(tài)學(xué)濾波 112.4 二值圖像 122.5 本章總結(jié) 13第 3 章二幀差分算法 143.1

12、基本思路 143.2 實(shí)現(xiàn)過程 143.3 實(shí)驗(yàn)結(jié)果 163.4 結(jié)果分析 183.5 本章總結(jié) 18. . . . 第 4 章三幀差分算法 194.1 基本思路 194.2 實(shí)現(xiàn)過程 194.3 實(shí)驗(yàn)結(jié)果 204.4 結(jié)果分析 234.5 本章總結(jié) 24第 5 章總結(jié)與展望 255.1 總結(jié) 255.2 展望 25致 26參考文獻(xiàn) 27附錄 29. . . . 1 / 34第 1 章 引言1.1 課題研究的目的與意義我們知道，在我們的所感知到的環(huán)境信息中，視覺信息是最多的，它在人們的生活中占了相當(dāng)大的一部分比例，而且在這里面，動(dòng)態(tài)的視覺信息在其中有著很重要的地位。人類對(duì)環(huán)境中的動(dòng)態(tài)視覺信息的

13、研究是計(jì)算機(jī)視覺研究的一個(gè)重要方向。在我們的生活中，多數(shù)有意義的視覺信息基本上都是動(dòng)態(tài)的，是運(yùn)動(dòng)的而不是靜止不動(dòng)的，然而動(dòng)態(tài)的視覺信息與靜態(tài)信息相比，更不容易捕獲。雖然我們的眼睛既能看見靜止事物也能看見移動(dòng)事物，但是在許多重要場(chǎng)合，例如交通流量檢測(cè)，航空制導(dǎo)以與重要場(chǎng)合安保等環(huán)境，人類以自己的視覺捕捉到的信息，往往不能實(shí)現(xiàn)所預(yù)期的要求。因此，借助外部設(shè)備來捕獲動(dòng)態(tài)視覺信息并進(jìn)行分析，是圖像處理在現(xiàn)實(shí)生活中的應(yīng)用實(shí)例。運(yùn)動(dòng)目標(biāo)檢測(cè)在圖像處理和計(jì)算機(jī)視覺領(lǐng)域是一個(gè)非?；钴S的研究方向，運(yùn)動(dòng)目標(biāo)檢測(cè)是動(dòng)態(tài)圖像分析的基礎(chǔ)17。目標(biāo)運(yùn)動(dòng)圖像序列為我們提供了非常多有的用的信息，對(duì)運(yùn)動(dòng)目標(biāo)的檢測(cè)研究，可以使我

14、們提取到這些有用信息，從而應(yīng)用于我們的現(xiàn)實(shí)生活中。運(yùn)動(dòng)目標(biāo)檢測(cè)算法的大致步驟有以下幾個(gè)方面：首先選取視頻序列中的圖像，對(duì)圖像中給定的像素區(qū)域進(jìn)行分析,然后根據(jù)幀間的數(shù)據(jù)差異，可以產(chǎn)生相對(duì)應(yīng)的運(yùn)動(dòng)信號(hào), 從而獲取到場(chǎng)景中的運(yùn)動(dòng)目標(biāo)。運(yùn)動(dòng)目標(biāo)檢測(cè)在特定的場(chǎng)景中提取運(yùn)動(dòng)目標(biāo)，并將其從背景中分離提取出來，并以此結(jié)果來分析檢測(cè)到的目標(biāo)能否提供有效的價(jià)值，從而幫助人們?cè)谏钪懈行У慕鉀Q遇到的問題。因此，對(duì)運(yùn)動(dòng)目標(biāo)檢測(cè)有關(guān)算法的研究具有重大的理論價(jià)值和現(xiàn)實(shí)意義。1.2 課題發(fā)展?fàn)顩r與應(yīng)用前景多年以來，計(jì)算機(jī)視覺方面的專家針對(duì)視頻圖像中的運(yùn)動(dòng)目標(biāo)檢測(cè)問的題，做了大量而深入的研究，并且提出了不少的運(yùn)動(dòng)目標(biāo)檢測(cè)

15、的方法。其中常用的背景差分法，幀間差分法，光流法，背景差分法與幀間差分法的結(jié)合方法等，幀間差分算法是最常用的方法。雖然發(fā)展到現(xiàn)在，人們?cè)谶\(yùn)動(dòng)目標(biāo)檢測(cè)方面取得了一定的進(jìn)展，然而到目前為止，人們并沒有還實(shí)現(xiàn)一種能適用于各種場(chǎng)合、各種情況的通用算法。目前計(jì)算機(jī)方面的專家們所提出的算法各有缺陷，幾乎. . . . 沒有一個(gè)算法能同時(shí)滿足準(zhǔn)確性、穩(wěn)健性、可靠性等各種特性，因此，在運(yùn)動(dòng)目標(biāo)檢測(cè)的算法中，還有著各種各樣的不足。之所以會(huì)出現(xiàn)這種情況，主要原因在于圖像中存在著各種干擾因素，這些因素在運(yùn)動(dòng)目標(biāo)檢測(cè)中本被視為干擾項(xiàng)，它們的出現(xiàn)給運(yùn)動(dòng)目標(biāo)檢測(cè)造成了一定的困難。這些因素包括：1）光線亮度的變化由于現(xiàn)場(chǎng)光

16、線亮度的變化會(huì)引起相應(yīng)的檢測(cè)的環(huán)境的變化，從而導(dǎo)致背景圖像也隨之發(fā)生變化，這些將會(huì)使我們很難將這些變化與圖像中由于前景運(yùn)動(dòng)目標(biāo)導(dǎo)致的變化加以區(qū)分，從而影響運(yùn)動(dòng)目標(biāo)的檢測(cè)。2）背景景物的變動(dòng)當(dāng)檢測(cè)環(huán)境的背景中某些景物發(fā)生變化時(shí)時(shí)，或者背景中的景物的相對(duì)位置發(fā)生移動(dòng)時(shí)，如果這些變化持續(xù)一段時(shí)間，我們就需要與時(shí)更新背景模型，這無疑增加了檢測(cè)的難度。3）背景和目標(biāo)重疊遮蓋物體的前景目標(biāo)在運(yùn)動(dòng)時(shí)，其陰影部分有可能會(huì)導(dǎo)致背景中的一些畫面的亮度發(fā)生變化，或者是運(yùn)動(dòng)的目標(biāo)與運(yùn)動(dòng)的目標(biāo)之間，以與運(yùn)動(dòng)的目標(biāo)和背景部分的重疊遮蓋，都會(huì)有可能會(huì)改變檢測(cè)出來的運(yùn)動(dòng)目標(biāo)的特征。4）前景與背景物體相近當(dāng)運(yùn)動(dòng)的前景目標(biāo)的物體

17、與背景中的景物在顏色或者形狀等外觀特征相似時(shí)，將會(huì)增大從背景中分辨出運(yùn)動(dòng)目標(biāo)的難度。5）非完全表態(tài)背景如果背景并不是完全表態(tài)的，就像風(fēng)中的樹葉或者映射在墻上的背影等，就很有可能被當(dāng)成前景目標(biāo)進(jìn)行處理，這樣無疑增加運(yùn)動(dòng)目標(biāo)跟檢測(cè)的難度。6）運(yùn)動(dòng)目標(biāo)運(yùn)動(dòng)路徑的變化前景目標(biāo)的運(yùn)動(dòng)軌跡調(diào)整可能會(huì)導(dǎo)致許多不同的目標(biāo)圖像頻繁的出入背景中，這樣將會(huì)使我們難以分辨哪些是真的背景，哪些是前景目標(biāo)，從而給運(yùn)動(dòng)目標(biāo)跟蹤增加難度。7）難以選取所檢測(cè)的運(yùn)動(dòng)目標(biāo)特征運(yùn)動(dòng)圖像是由一定序列的視頻組成的，而是視頻中包含了許多信息，在這些信息中提取圖像的某個(gè)特征，有時(shí)會(huì)很困難。因?yàn)橛行┬畔⑽覀兪呛茈y發(fā)現(xiàn)的。就像運(yùn)動(dòng)目標(biāo)的圖像中梯

18、度信息、深度信息等，再如彩色圖像中的彩色的紋理特征、顏色信息，直方圖信息等，以與運(yùn)動(dòng)圖像中的邊緣信息，中間信息等等，以上所述的信息都可以作為圖像特征用來檢測(cè)，如果以這些特征來對(duì)運(yùn)動(dòng)目標(biāo)進(jìn)行檢測(cè)，將會(huì)帶來很多問題，并切導(dǎo)致檢測(cè)結(jié)果不準(zhǔn)確17。因此選取. . . . 3 / 34何種特征作為目標(biāo)檢測(cè)的依據(jù)，這不僅僅和采用的方法本身有關(guān)，同時(shí)還涉與到運(yùn)動(dòng)圖像自身的特點(diǎn)，因此，從運(yùn)動(dòng)目標(biāo)熱證來考慮的話，人們將很難判斷出哪個(gè)特征具有明顯優(yōu)勢(shì)，適合對(duì)運(yùn)動(dòng)目標(biāo)檢測(cè)。8）運(yùn)動(dòng)目標(biāo)檢測(cè)的實(shí)時(shí)性要求以與準(zhǔn)確性難以掌握視頻序列數(shù)據(jù)和字符數(shù)值類數(shù)據(jù)是不同的特殊數(shù)據(jù)，因?yàn)樗芯薮蟮臄?shù)據(jù)量。一般來說，視頻數(shù)據(jù)的數(shù)據(jù)量比結(jié)

19、構(gòu)記錄數(shù)據(jù)大多個(gè)數(shù)據(jù)級(jí)。若一幅中等分辨率的圖像(640*480)，彩色為 24bit象素，那么數(shù)字視頻圖像的數(shù)據(jù)量大約為 1MB，如果播放速度為每秒 30 幀，那么一秒鐘的數(shù)據(jù)量就大約為 30MB，一個(gè) 600MB 的硬盤則最多只可以存放 20 秒鐘的動(dòng)態(tài)圖像12。由于運(yùn)動(dòng)目標(biāo)檢測(cè)研究與應(yīng)用處理的對(duì)象是這樣龐大的大數(shù)據(jù)量的視頻圖像，所以其運(yùn)動(dòng)量是相當(dāng)大的，即使在現(xiàn)在，CPU 處理速度不斷升級(jí)，但如果沒有合適的算法，那也很難達(dá)到檢測(cè)的實(shí)時(shí)處理的要求，另外，運(yùn)動(dòng)目標(biāo)檢測(cè)的另外一個(gè)很重要的性能指標(biāo)就是準(zhǔn)確性，而準(zhǔn)確性的保證往往是在進(jìn)行大量復(fù)。再這樣龐大的數(shù)據(jù)下進(jìn)行重復(fù)，那無疑是一項(xiàng)浩大的工程18。在

20、運(yùn)動(dòng)目標(biāo)檢測(cè)方面存在的困難還有另一個(gè)重要原因，那就是在程序上由于實(shí)際環(huán)境中目標(biāo)運(yùn)動(dòng)的復(fù)雜性以與視頻數(shù)據(jù)所具有的特殊性、復(fù)雜性，以與目標(biāo)所占整幅圖像的大小、運(yùn)動(dòng)速度、運(yùn)動(dòng)軌跡，還有系統(tǒng)對(duì)不同環(huán)境的適應(yīng)性，都給運(yùn)動(dòng)目標(biāo)檢測(cè)帶來很大的挑戰(zhàn)。由于這些問題的存在，在對(duì)視頻圖像進(jìn)行檢測(cè)時(shí)，將會(huì)出現(xiàn)不同的各種各樣的問題，而對(duì)運(yùn)動(dòng)目標(biāo)檢測(cè)研究，就是在最大程度上解決這些出現(xiàn)的問題。上述這些問題還有待我們進(jìn)一步研究。1.3 運(yùn)動(dòng)目標(biāo)檢測(cè)常用方法運(yùn)動(dòng)目標(biāo)檢測(cè)方法發(fā)展到今天，已經(jīng)有非常多的方法，然而許多方法都是在以下的三種常用的方法中改進(jìn)而來。下面是運(yùn)動(dòng)目標(biāo)檢測(cè)技術(shù)常用的三種方法：1）光流法18：光流是一種簡(jiǎn)單實(shí)用的

21、圖像運(yùn)動(dòng)的表達(dá)方式，光流是一個(gè)圖像序列中的圖像的亮度模式的表觀運(yùn)動(dòng)，光流不但包括被觀察物體的運(yùn)動(dòng)信息，而且還包括相關(guān)的結(jié)構(gòu)信息。由于光流場(chǎng)具有不連續(xù)性，因此可以用來將要研究的圖像分割成對(duì)應(yīng)不同的運(yùn)動(dòng)物體的區(qū)域。基于光流方法的運(yùn)動(dòng)目標(biāo)檢測(cè)具有運(yùn)動(dòng)目標(biāo)隨時(shí)間變化的光流特性，由上可知，光流中同時(shí)包含著被觀察物體的運(yùn)動(dòng)信息和結(jié)構(gòu)信息，然而在實(shí)際中由于遮擋，噪聲，透明等原因，使. . . . 得光流場(chǎng)的基本方程的假設(shè)的灰度守恒條件不能滿足，從而不能得到正解，此外，大多數(shù)光流方法的計(jì)算復(fù)雜，只能得到稀疏的光流場(chǎng)，不適于實(shí)時(shí)處理。因此，對(duì)于實(shí)時(shí)性和精確性有要求的系統(tǒng)一般不會(huì)采用該方法。 2）背景差分法：背景

22、差分法在運(yùn)動(dòng)目標(biāo)檢測(cè)技術(shù)中是一種非常常用的方法，該方法是利用當(dāng)前圖像與背景圖像進(jìn)行差分，來檢測(cè)出運(yùn)動(dòng)區(qū)域的。這種方法一般都能夠提供較完整的特征數(shù)據(jù)。由于該方法不受運(yùn)動(dòng)目標(biāo)速度的限制，因此能夠較完整地提取出來運(yùn)動(dòng)目標(biāo)，但是其檢測(cè)性能與背景圖像提取的好壞有很大的關(guān)聯(lián)，并且對(duì)光照條件和外部條件造成的場(chǎng)景變化過于敏感，如果在非受控環(huán)境下，該算法還需要加入對(duì)背景圖像的更新機(jī)制，并且該方法不適用于背景灰度有很大變化的情況。3）幀間差分法：幀間差分法是一種通過對(duì)視頻圖像序列中相鄰兩幀作差分運(yùn)算來獲得運(yùn)動(dòng)目標(biāo)輪廓的方法。該方法可適用于存在多個(gè)運(yùn)動(dòng)目標(biāo)和攝像機(jī)移動(dòng)的情況。當(dāng)所監(jiān)控的場(chǎng)景中有異常的物體運(yùn)動(dòng)時(shí)，幀與

23、幀之間就會(huì)出現(xiàn)較為明顯的差別。通過兩幀相減，得到兩幀圖像亮度差的絕對(duì)值，判斷它是否大于閾值，根據(jù)這個(gè)判斷條件，我們可以得出圖像的二值化圖像，并以此來分析視頻或圖像序列的運(yùn)動(dòng)特性，確定圖像序列中是否有物體運(yùn)動(dòng)14。圖像序列逐幀的差分，就相當(dāng)于對(duì)圖像序列進(jìn)行了時(shí)域下的高通濾波。雖然幀間差分算法對(duì)環(huán)境有很好的適應(yīng)性，并且差分圖像受光線變化影響小，檢測(cè)的結(jié)果有效而穩(wěn)定，但是它只能檢測(cè)相對(duì)運(yùn)動(dòng)的目標(biāo)，檢測(cè)出的目標(biāo)位置不一定精確，并且不能提取出較完整的運(yùn)動(dòng)目標(biāo)。該方法在較大程度上依賴差分幀的選擇時(shí)機(jī)和目標(biāo)的運(yùn)動(dòng)速度，因此也有一定的局限性。1.4 課題主要研究容本文主要通過實(shí)現(xiàn)一種三幀差分算法，來對(duì)運(yùn)動(dòng)目標(biāo)

24、進(jìn)行檢測(cè)和研究。在本文所研究的圍，首先根據(jù)差分算法的原理，對(duì)運(yùn)動(dòng)目標(biāo)作二幀差分運(yùn)算，并且記錄實(shí)驗(yàn)結(jié)果，和三幀差分算法形成對(duì)比，以體現(xiàn)后者的優(yōu)越性，然后通過實(shí)現(xiàn)三幀差分算法來來實(shí)現(xiàn)對(duì)提取的運(yùn)動(dòng)目標(biāo)的檢測(cè)和研究，其中用到通過數(shù)學(xué)形態(tài)學(xué)進(jìn)行去噪處理處理，以與把彩色圖像轉(zhuǎn)化為灰度圖像來簡(jiǎn)化運(yùn)算過程，并且，用差分算法來研究運(yùn)動(dòng)目標(biāo)在不同環(huán)境下的檢測(cè)效果并根據(jù)實(shí)驗(yàn)結(jié)果得出結(jié)論，以此來判斷幀間差分算法在運(yùn)動(dòng)目標(biāo)檢測(cè)中的效果。我們知道，運(yùn)動(dòng)目標(biāo)在不同的檢測(cè)環(huán)境中，會(huì)受到不同的外在因素的影響，而這些不同因素將會(huì)在不同的程度上影響運(yùn)動(dòng)目標(biāo)檢測(cè)的準(zhǔn)確性和穩(wěn)定性。因. . . . 5 / 34而這些因素會(huì)對(duì)本系統(tǒng)帶來

25、巨大的挑戰(zhàn)。本文根據(jù)以上所述的因素中的幾種因素，運(yùn)用所實(shí)現(xiàn)的三幀差分算法，對(duì)在這些因素影響下所提取的運(yùn)動(dòng)目標(biāo)進(jìn)行檢測(cè)，并且得出檢測(cè)結(jié)果，進(jìn)行分析。所選擇的因素包括以下幾個(gè)方面：(1)背景和目標(biāo)間的重疊遮蓋。由于運(yùn)動(dòng)的前景目標(biāo)的陰影部分會(huì)造成背景中局部畫面亮度變化，并且運(yùn)動(dòng)的目標(biāo)之間，以與運(yùn)動(dòng)的目標(biāo)與背景之間的重疊遮蓋，都有可能改變檢測(cè)出來的運(yùn)動(dòng)目標(biāo)的形狀以與其他特征。(2)非靜態(tài)背景。當(dāng)背景是非靜態(tài)環(huán)境時(shí)，例如天空中移動(dòng)的云塊，公路邊的建筑、樹等，這些運(yùn)動(dòng)的背景很有可能被當(dāng)成前景目標(biāo)進(jìn)行處理，這樣將會(huì)增加運(yùn)動(dòng)目標(biāo)的檢測(cè)難度，從而影響檢測(cè)結(jié)果。(3)運(yùn)動(dòng)目標(biāo)的高速運(yùn)動(dòng)。前景目標(biāo)在高速運(yùn)動(dòng)的情況下

26、，可能會(huì)導(dǎo)致許多不同的目標(biāo)在背景中頻繁出入，從而難以分辨哪些是真正的背景，哪些是前景目標(biāo)，因此也會(huì)給運(yùn)動(dòng)目標(biāo)檢測(cè)增加難度，在一定程度上影響最終檢測(cè)結(jié)果。1.5 本文結(jié)構(gòu)安排本論文的各章節(jié)安排如下：第 1 章主要介紹課題的研究目的和意義、課題目前國(guó)外的發(fā)展?fàn)顩r以與應(yīng)用前景，最后介紹了本課題的主要研究容和文章的結(jié)構(gòu)安排。第 2 章主要介紹了和運(yùn)動(dòng)目標(biāo)檢測(cè)有關(guān)的理論基礎(chǔ)。首先介紹了運(yùn)動(dòng)目標(biāo)檢測(cè)的相關(guān)理論，然后闡述了數(shù)學(xué)形態(tài)學(xué)方法的容，以與數(shù)學(xué)形態(tài)學(xué)方法在運(yùn)動(dòng)目標(biāo)檢測(cè)中的應(yīng)用。再接著敘述了數(shù)學(xué)形態(tài)學(xué)的運(yùn)算。最后介紹了關(guān)于圖像二值化的相關(guān)理論基礎(chǔ)。第 3 章主要實(shí)現(xiàn)了傳統(tǒng)的幀間差分算法，本章主要闡述了幀

27、間差分算法的設(shè)計(jì)思想，算法實(shí)現(xiàn)過程，以與算法在運(yùn)動(dòng)目標(biāo)檢測(cè)中的具體應(yīng)用，最后是實(shí)驗(yàn)結(jié)果的展現(xiàn)和說明。第 4 章主要實(shí)現(xiàn)了三幀差分算法，本章是文章的主要容。本章首先介紹了三幀差分算法的原理和算法流程，然后實(shí)現(xiàn)算法，并得出部分實(shí)驗(yàn)結(jié)果進(jìn)行分析，根據(jù)分析結(jié)果，說明本算法的優(yōu)缺點(diǎn)。第 5 章是總結(jié)與展望是對(duì)本文所做的研究成果的總結(jié)，以與對(duì)本課題的發(fā)展前景的展望，探討了下一步的研究方向。本文最后是作者對(duì)導(dǎo)師和親朋好友的致詞。還有作者撰寫本文時(shí)所參考的文獻(xiàn)。作者在文中所引用的其他文獻(xiàn)中的理論和方法，在本文中都有標(biāo)注出處。. . . . 第 2 章 運(yùn)動(dòng)目標(biāo)檢測(cè)理論基礎(chǔ)2.1 關(guān)于運(yùn)動(dòng)目標(biāo)檢測(cè)運(yùn)動(dòng)目標(biāo)檢測(cè)算

28、法的任務(wù)是從場(chǎng)景序列圖像中剔除靜止的背景區(qū)域，找出運(yùn)動(dòng)的前景區(qū)域，并盡可能地抑制背景噪聲和前景噪聲，以準(zhǔn)確得到感興趣的運(yùn)動(dòng)物體16。運(yùn)動(dòng)目標(biāo)一般涉與一下對(duì)象：1）運(yùn)動(dòng)目標(biāo)：需要研究的運(yùn)動(dòng)物體；2）背景噪聲：沒有被檢測(cè)出來的運(yùn)動(dòng)目標(biāo)區(qū)域。3）前景噪聲：前景噪聲是指被認(rèn)定已發(fā)生了圖像變化，然而并不包含任何運(yùn)動(dòng)目標(biāo)的區(qū)域。4）反射：在物體的邊緣，或反射能力強(qiáng)的物體(如地板，鋼管等)表面，由于光線極其不穩(wěn)定而被當(dāng)成變化物體檢測(cè)出來。5）陰影：運(yùn)動(dòng)目標(biāo)在地面等物體上產(chǎn)生陰影，也被當(dāng)成運(yùn)動(dòng)目標(biāo)檢測(cè)出來。6）鬼影：過去某時(shí)刻的運(yùn)動(dòng)目標(biāo)進(jìn)入背景模型，在當(dāng)前時(shí)刻被當(dāng)成運(yùn)動(dòng)目標(biāo)檢測(cè)出來。7）干擾：對(duì)檢測(cè)結(jié)果可能產(chǎn)

29、生影響的因素，如攝像機(jī)自身抖動(dòng)、以與背景中出現(xiàn)的運(yùn)動(dòng)的物體，如晃動(dòng)的樹木，閃爍的顯示屏，噴泉等。它們之間的關(guān)系如圖 2.1 所示：圖 2.1 運(yùn)動(dòng)目標(biāo)檢測(cè)對(duì)象關(guān)系圖由關(guān)系圖我們可以看出，對(duì)運(yùn)動(dòng)目標(biāo)進(jìn)行檢測(cè)時(shí)，將會(huì)有許多干擾的因素，. . . . 7 / 34這些因素將會(huì)對(duì)運(yùn)動(dòng)目標(biāo)的檢測(cè)結(jié)果產(chǎn)生影響，基于此原因，目前國(guó)外關(guān)于運(yùn)動(dòng)目標(biāo)檢測(cè)的研究提出了一定的解決辦法。包括圖像預(yù)處理和去噪處理。其中，預(yù)處理是在采集到視頻圖像信息后，對(duì)所采集到的圖像進(jìn)行處理，預(yù)處理的方法有很多，例如，把彩色圖像轉(zhuǎn)換為灰度圖像，這樣，在用運(yùn)動(dòng)目標(biāo)檢測(cè)方法時(shí)，直接在灰度圖像的基礎(chǔ)上進(jìn)行操作。這樣不僅節(jié)省存儲(chǔ)空間，還簡(jiǎn)化了計(jì)

30、算。去噪處理的方法也有很多，目前最常用的方法就是數(shù)學(xué)形態(tài)學(xué)處理，數(shù)學(xué)形態(tài)學(xué)包括膨脹，腐蝕，開啟，閉合四種基本運(yùn)算，這些運(yùn)算在圖像的去噪處理上有很廣泛的用途。2.2 灰度圖像灰度圖像是一種具有從黑到白 256 灰度級(jí)的單色圖像。像素值點(diǎn)介于黑白間 256 種灰度中的一種，即總共有 256 個(gè)級(jí)別，0 時(shí)全黑最暗，255 時(shí)全白最亮。我們知道，一般情況下，攝像頭采集到的視頻圖像格式都是彩色的 RGB 格式，RGB 即是代表紅、綠、藍(lán)三種顏色，將圖像上的像素點(diǎn)描述為 RGB 顏色空間上的一個(gè)三維矢量，每個(gè)分量分別代表紅、綠、藍(lán)三種顏色的亮度。此時(shí)，我們每存儲(chǔ)一個(gè)像素點(diǎn)就要存儲(chǔ)它的三個(gè)顏色分量，這樣無

31、疑大大消耗了存儲(chǔ)空間，而且在進(jìn)行計(jì)算時(shí)，還大大增加了計(jì)算量，因?yàn)槲覀兠看翁幚硪粋€(gè)像素點(diǎn)，還要處理這三個(gè)顏色分量。而在研究運(yùn)動(dòng)目標(biāo)檢測(cè)效果時(shí)，圖像的顏色特征并不會(huì)影響檢測(cè)結(jié)果，因此，我們?cè)谶M(jìn)行運(yùn)動(dòng)目標(biāo)檢測(cè)研究之前，為了統(tǒng)一進(jìn)行處理以與節(jié)省存儲(chǔ)空間和處理圖像的時(shí)間，我們通常對(duì)采集到的圖像進(jìn)行灰度化處理。這樣可以把采集到的視頻圖像序列轉(zhuǎn)化為灰度圖像，灰度圖像中的每個(gè)像素用位數(shù)據(jù)表示，圖像數(shù)據(jù)中的一個(gè)字節(jié)代表一個(gè)像素，每個(gè)字節(jié)所標(biāo)示的容就是每個(gè)像素的亮度值，即相當(dāng)于使圖像中的三個(gè)分量的值相等。彩色圖像轉(zhuǎn)化為灰度圖像有幾種不同的方法，我們可以通過以下幾種方法將其轉(zhuǎn)換為灰度圖像：1） 浮點(diǎn)算法： 0.29

32、9*0.587*0.114*YRGB（2.1）2） 整數(shù)算法： （2.2）( *30*59*11)/100YRGB3） 移位方法： ( *76*151*28)8YRGB（2.3）. . . . 4） 平均值法： ()/3YRGB（2.4）5） 僅取綠色： YG（2.5）我們可以通過上述中任何一種方法得到灰度值，將原來的YRGB（R，G，B）中的像素值，統(tǒng)一用灰度值代替，這樣就形成了一個(gè)新的顏Y色 RGB（，） ，這樣，我們就得到了灰度圖像了。YYY2.3 數(shù)學(xué)形態(tài)學(xué)2.3.1 數(shù)學(xué)形態(tài)學(xué)簡(jiǎn)介數(shù)學(xué)形態(tài)學(xué)理論是由法國(guó)巴黎的地質(zhì)學(xué)家 G.Matheron 和 J.Serra 創(chuàng)立的,這是一門新興的分

33、析圖像的科學(xué)。數(shù)學(xué)形態(tài)學(xué)一門嚴(yán)格建立在數(shù)學(xué)理論基礎(chǔ)上的學(xué)科,它以集合論為其數(shù)學(xué)基礎(chǔ)15。其基本思想方法就是用具有一定形態(tài)的結(jié)構(gòu)元素去度量和圖像中對(duì)應(yīng)的形狀,以達(dá)到對(duì)圖像分析和識(shí)別的目的。這門學(xué)科起初是針對(duì)二值圖像而進(jìn)行運(yùn)算的,但由于它不僅能夠簡(jiǎn)化圖像數(shù)據(jù),保持圖像基本的形狀特性,還能夠除去圖像中不相干的結(jié)構(gòu)的特點(diǎn),所以它目前被廣泛的應(yīng)用于圖像處理領(lǐng)域。形態(tài)學(xué)運(yùn)算可以把圖像中形狀和尺寸與結(jié)構(gòu)元素相似的幾何特征保留下來，并且把其余的不需要的特征濾除。這種結(jié)構(gòu)表示可以是分析對(duì)象的宏觀性質(zhì)，比如在分析一個(gè)工具的形狀時(shí)，研究的就是其宏觀的結(jié)構(gòu)；同時(shí)也可以是微觀性質(zhì)，比如，在分析顆粒的分布或由小的基元產(chǎn)生

34、的紋理時(shí)，研究的便是其微觀結(jié)構(gòu)。2.2.2 數(shù)學(xué)形態(tài)學(xué)應(yīng)用數(shù)學(xué)形態(tài)學(xué)是一門建立在嚴(yán)格數(shù)學(xué)理論基礎(chǔ)上的學(xué)科，其基本思想和方法對(duì)圖像處理的理論和技術(shù)產(chǎn)生了重大影響。事實(shí)上，數(shù)學(xué)形態(tài)學(xué)已經(jīng)構(gòu)成一種新的圖像處理方法和理論，成為計(jì)算機(jī)數(shù)字圖像處理與分形理論的一個(gè)重要研究領(lǐng)域，并且已經(jīng)應(yīng)用在多門學(xué)科的數(shù)字圖像分析和處理的過程中。這門學(xué)科在計(jì)算機(jī)文字識(shí)別，計(jì)算機(jī)顯微圖像分析(如顆粒分析)，醫(yī)學(xué)圖像處理（例如細(xì)胞檢測(cè)、心臟的運(yùn)動(dòng)過程研究、脊椎骨癌圖像自動(dòng)數(shù)量描述） ，圖像編碼壓縮，工業(yè)檢測(cè)(如食品檢驗(yàn)和印刷電路自動(dòng)檢測(cè))，材料科學(xué)，機(jī)器人視覺，汽車運(yùn). . . . 9 / 34動(dòng)情況監(jiān)測(cè)等方面都取得了非常成功

35、的應(yīng)用15。另外，數(shù)學(xué)形態(tài)學(xué)在指紋檢測(cè)、經(jīng)濟(jì)地理、合成音樂和斷層 X 光照像等領(lǐng)域也有良好的應(yīng)用前景。形態(tài)學(xué)方法已成為圖像應(yīng)用領(lǐng)域工程技術(shù)人員的必備工具。目前，有關(guān)數(shù)學(xué)形態(tài)學(xué)的技術(shù)和應(yīng)用正在不斷地研究和發(fā)展。另外，形態(tài)學(xué)在邊緣提取、圖像分割、噪聲濾除等方面應(yīng)用也非常的廣泛。2.2.3 形態(tài)學(xué)運(yùn)算數(shù)學(xué)形態(tài)學(xué)有四個(gè)基本運(yùn)算：膨脹和腐蝕、開啟和閉合。它們?cè)诙祱D像中和灰度圖像中各有自己的特點(diǎn)。在這里，我們主要介紹數(shù)學(xué)形態(tài)學(xué)在二值圖像中的應(yīng)用。1) 膨脹二值形態(tài)學(xué)中的運(yùn)算對(duì)象是集合。設(shè) A 和為 n 維空間中的點(diǎn)集，一般 A為圖像集合，B 為結(jié)構(gòu)元素，Bx 為 B 的核，膨脹運(yùn)算符為“”,那么用結(jié)構(gòu)元

36、素 B 對(duì)圖像集合 A 進(jìn)行膨脹運(yùn)算可表示為： （2.6） | |ABx ABxx BxA 它表示 A 用 B 來進(jìn)行膨脹時(shí)，其運(yùn)算結(jié)果為集合 x，其中包含的是 Bx 與 A的交不為空的數(shù)據(jù)集。或者 x 是 Bx 擊中（用符號(hào)表示）A 而形成的數(shù)據(jù)集，一般以 B 中位于(0,0)處的元素作為 B 的核 Bx15。2)腐蝕腐蝕的運(yùn)算符為，B 腐蝕 A 的運(yùn)算表示為： |A Bx BxA（2.7）它表示 A 用 B 腐蝕時(shí)，其結(jié)果為集合 x，它由將 B 平移 x 后，仍包含在 A中的所有點(diǎn)組成。膨脹和腐蝕這兩種運(yùn)算是緊密的聯(lián)系在一起的，并且它們具有對(duì)偶性。一個(gè)運(yùn)算對(duì)目標(biāo)圖像的操作相當(dāng)于另一個(gè)運(yùn)算對(duì)

37、圖像背景的操作。以表示集合cAA 的補(bǔ)集，表示 B 關(guān)于坐標(biāo)原點(diǎn)的反射，那么其對(duì)偶性就可可表示為:B= ()cABcAB（2.8）或 ()cccABAB（2.9）由以上公式我們可以得出，腐蝕運(yùn)算是對(duì)圖像的部作濾波處理，而膨脹運(yùn). . . . 算則是利用結(jié)構(gòu)元素對(duì)圖像補(bǔ)集進(jìn)行填充，因而它就是對(duì)圖像外部作濾波處理。從他們的功能可以看出，腐蝕具有收縮圖像的作用，可以消除圖像中小的成分。而膨脹具有對(duì)圖像的擴(kuò)大作用, 可以填充圖像中相對(duì)于結(jié)構(gòu)元素而言相對(duì)比較小的孔洞。3)開運(yùn)算在形態(tài)學(xué)處理中，除了腐蝕和膨脹這兩種基本運(yùn)算之外，還有另外兩種很重要的運(yùn)算，即開運(yùn)算和閉運(yùn)算。這兩種運(yùn)算是數(shù)學(xué)形態(tài)學(xué)中最主要的運(yùn)

38、算或變換。如果我們從結(jié)構(gòu)元素填充的角度看，它們有著更為直觀的幾何形式。設(shè) A 為輸入圖像，B 為結(jié)構(gòu)元素，利用 B 對(duì) A 作開運(yùn)算，用符號(hào) A B 表示，則開運(yùn)算的定義為： ()A BA BB（2.10）開運(yùn)算實(shí)際上就是 A 先被 B 腐蝕，接著再被 B 膨脹的結(jié)果。開運(yùn)算還可以用其它符號(hào)表示，如 O(A，B)，OPEN(A，B)等方式表示，在本文中，我們采用O(A，B)來表示。當(dāng)結(jié)構(gòu)元素 B 掃過整個(gè)圖像集合的部，A B 就表示圖像 A 中這樣的像素點(diǎn)：能夠使結(jié)構(gòu)元素 B 中的任何像素不越出圖像 A 邊界。例如，我們用圓盤做為結(jié)構(gòu)元素，矩形做為圖像，進(jìn)行開運(yùn)算。通過上述對(duì)膨脹和腐蝕的介紹，

39、我們不難得到開運(yùn)算的結(jié)果，如圖 2.2 所示。圖 2.2 圓盤開運(yùn)算從圖 4.2 我們可以看出開運(yùn)算的兩個(gè)作用:一是利用圓盤做開運(yùn)算起到磨光邊緣的作用，即可以使圖像的尖角轉(zhuǎn)化為背景；二是圓盤的圓化作用可以起到低通濾波的效果。4)閉運(yùn)算閉運(yùn)算是開運(yùn)算的對(duì)偶運(yùn)算，定義為先作膨脹后作腐蝕。用符號(hào)表示，A B也可以用 C(A,B)表示，其定義為: ()A BABB. . . . 11 / 34（2.11）從上式可以看出，對(duì)圖像 A 用結(jié)構(gòu)元素 B 作閉運(yùn)算可得到一個(gè)集合，該集合中包含所有這樣的點(diǎn) x, x 被一個(gè)平移的鏡像結(jié)構(gòu)元素覆蓋的同時(shí)，平移的鏡像結(jié)構(gòu)元素與 A 圖像必有一些公共點(diǎn)。由此看出，初始

40、圖像 A 是包含在閉運(yùn)算后的中，即閉運(yùn)算是具有延伸性的運(yùn)算。圖 2.3 表示了閉運(yùn)算的過程與結(jié)A B果。圖 2.3 圓盤做閉運(yùn)算顯然，閉運(yùn)算對(duì)圖像的外部做濾波，僅僅磨光了圖像部的尖角。開、閉運(yùn)算互為對(duì)偶運(yùn)算，開運(yùn)算對(duì)圖像的部做濾波，有磨光圖像外邊界的作用。2.2.4 形態(tài)學(xué)濾波圖像在生成、傳輸、變換過程中會(huì)受到各種各樣的外界因素的干擾，這些干擾有可能使圖像質(zhì)量所下降和退化，圖像變得模糊，并且夾雜有各種噪聲。為此，在進(jìn)行圖像處理時(shí)，一般先進(jìn)行圖像濾波12以去除噪聲，然后才可以較好的進(jìn)行后續(xù)處理。然而傳統(tǒng)的濾波器在去除噪聲的同時(shí)，也會(huì)使圖像的細(xì)節(jié)特征變模糊了，不利于后續(xù)的處理。而以數(shù)學(xué)形態(tài)學(xué)為理論

41、基礎(chǔ)，以形態(tài)變換為基本手段，以構(gòu)造不同結(jié)構(gòu)元素的形態(tài)濾波，改進(jìn)了傳統(tǒng)濾波器的不足，它利用形態(tài)學(xué)中的開閉運(yùn)算構(gòu)成了形態(tài)學(xué)濾波器，從而來去除圖像中的相應(yīng)結(jié)構(gòu)的外部(或部)的隨機(jī)噪聲。在形態(tài)變換中，結(jié)構(gòu)元素的作用就相當(dāng)于信號(hào)處理中的“濾波窗口” 。因此對(duì)不同的目標(biāo)圖像，我們需設(shè)計(jì)不同的結(jié)構(gòu)元素以與不同的處理算法。對(duì)于二值圖像，噪聲表現(xiàn)為目標(biāo)周圍的噪聲塊和目標(biāo)部的噪聲孔。用結(jié)構(gòu)元素 B 對(duì)集合 A 進(jìn)行開啟操作，就可以將目標(biāo)周圍的噪聲塊消除掉；用 B 對(duì) A進(jìn)行閉合操作，則可以將目標(biāo)部的噪聲孔消除掉。在該方法中，對(duì)結(jié)構(gòu)元素的選取相當(dāng)重要，它應(yīng)當(dāng)比所有的噪聲孔和噪聲塊都要大。數(shù)學(xué)形態(tài)學(xué)以腐蝕、膨脹、開運(yùn)

42、算和閉運(yùn)算為基礎(chǔ)。形態(tài)濾波器15是由以集合論為基礎(chǔ)的開、閉運(yùn)算組成的，它們具有不模糊圖像邊界的特性，采用形態(tài)算子對(duì)圖像進(jìn)行處理便構(gòu)成了數(shù)學(xué)形態(tài)學(xué)濾波器。數(shù)學(xué)形態(tài)學(xué)濾波器在圖像. . . . 處理和分析中有著廣泛的應(yīng)用，一般說來開運(yùn)算用來消除散點(diǎn)和“毛刺” ，即對(duì)圖像進(jìn)行平滑，閉運(yùn)算則填平小洞或?qū)蓚€(gè)鄰近的區(qū)域連接起來。形態(tài)濾波器是用一個(gè)結(jié)構(gòu)元素 B 對(duì)初始圖像串聯(lián)地使用開、閉操作。這樣圖像中比結(jié)構(gòu)元素小的游離的噪聲將被濾除。若初始圖像為 A，結(jié)構(gòu)元素為 B，則形態(tài)濾波器可以這樣來構(gòu)成:（2.12）或()A BBBB（2.13）()ABBBB可通過設(shè)計(jì)適當(dāng)?shù)慕Y(jié)構(gòu)元素 B，對(duì) A 進(jìn)行腐蝕以消除

43、A 中的微小顆粒，即噪聲點(diǎn)。然后對(duì)腐蝕結(jié)果再用 B 進(jìn)行膨脹，以恢復(fù)有用信息(細(xì)節(jié)部分)。這樣重復(fù)的進(jìn)行腐蝕與膨脹，圖像中的噪聲就會(huì)被去除掉。形態(tài)濾波器的輸出不僅取決于變換的形式，而且取決于結(jié)構(gòu)元素的尺寸和形狀，因此結(jié)構(gòu)元素的選擇很重要。設(shè)存在一個(gè)未被噪聲污染的圖像 S，一個(gè)噪聲圖像 N，被噪聲污染的圖像由 S 和 N 的并集構(gòu)成。如果最大的噪聲粒子比最小的非污染圖像粒子小，那么，選擇半徑在最大噪聲粒子和最小非噪聲粒子之間的結(jié)構(gòu)元素 B 做開運(yùn)算，可以得到非常好的噪聲恢復(fù)效果，所有的噪聲粒子都被濾掉。但是，如果噪聲圖像與非噪聲圖像發(fā)生重疊形成結(jié)團(tuán)，或者某些噪聲粒子的半徑超過了某些非噪聲粒子的半

44、徑，那么情況便會(huì)復(fù)雜很多。為此，選擇圓形的結(jié)構(gòu)元素對(duì)于恢復(fù)噪聲污染圖像會(huì)產(chǎn)生較好的濾波效果。因?yàn)閳A形的圓化作用可得到低通濾波的效果，并且采用圓形濾波，不受旋轉(zhuǎn)的影響。接下來，在確定圓形結(jié)構(gòu)元素的半徑時(shí)，可采用優(yōu)化方法，將圖像和噪聲視為隨機(jī)過程，通過統(tǒng)計(jì)分析，對(duì)被噪聲污染的顆粒圖像進(jìn)行數(shù)量分析，求取統(tǒng)計(jì)分布參數(shù)，獲得出現(xiàn)概率最大的噪聲顆粒和未被噪聲污染顆粒的半徑，選取恰當(dāng)?shù)慕Y(jié)構(gòu)元素半徑，得到優(yōu)化結(jié)果。2.4 二值圖像圖像二值化就是指用灰度變換來研究灰度圖像的一種常用方法，該方法的原理是設(shè)定某一閾值可以將灰度圖像的像素分成兩部分，一部分大是于閾值的像素群，另一部分是小于閾值的像素群。設(shè)輸入灰度圖像

45、函數(shù)為，輸出( , )f x y二值圖像函數(shù)為，則( , )g x y(2.14)ThresholdyxfThresholdyxfyxg) ,( 255),( 0) , (閾值是把目標(biāo)區(qū)域和背景區(qū)域區(qū)分開的標(biāo)尺，如何選取選取適當(dāng)?shù)拈撝捣? . . . 13 / 34常重要。因?yàn)轭A(yù)知的選擇既要盡可能的保存圖像信息，又要盡可能的減少背景干擾和噪聲的干擾，這是閾值選擇的原則。圖像二值化就是將圖像上的點(diǎn)的灰度置為 0 或 255，也就是說，二值圖像呈現(xiàn)出來的是黑白效果。也即是把 256 個(gè)亮度等級(jí)的灰度圖像通過選取一個(gè)適當(dāng)?shù)拈撝凳公@得的二值圖像仍然可以反映圖像整體特征和局部特征。在數(shù)字圖像處理方面，二

46、值圖像的地位非常重要，尤其是在實(shí)用的圖像處理中，以二值圖像處理的實(shí)現(xiàn)而構(gòu)成的系統(tǒng)有很多，如要進(jìn)行二值圖像的分析與處理，首先就是要把灰度圖像二值化，得到二值圖像，這樣才有利于對(duì)目標(biāo)圖像做進(jìn)一步的處理，在進(jìn)行二值圖像處理時(shí)，圖像的集合性質(zhì)只與像素值為0 或 255 的點(diǎn)的位置有關(guān)，不再涉與像素的多級(jí)值，這使處理變得更簡(jiǎn)單，并且數(shù)據(jù)的處理和壓縮量非常小。二值圖像在圖像分析中有非常廣泛的應(yīng)用，在基于幀間差分算法那運(yùn)動(dòng)目標(biāo)檢測(cè)中，我們常常將灰度圖像轉(zhuǎn)化為二值圖像再對(duì)二值圖像進(jìn)行去噪處理，以便獲取準(zhǔn)確的運(yùn)動(dòng)目標(biāo)，這是二值圖像非常使用的一個(gè)方面。由于二值圖像具有存儲(chǔ)量小，運(yùn)算簡(jiǎn)單，便于操作等特點(diǎn)，在把灰度圖

47、像轉(zhuǎn)化為二值圖像的基礎(chǔ)上，對(duì)圖像進(jìn)行研究，可以簡(jiǎn)化研究過程，因此對(duì)二值圖像的研究具有非常重要的意義。2.5 本章總結(jié)本章主要是對(duì)運(yùn)動(dòng)目標(biāo)檢測(cè)應(yīng)用到的相關(guān)技術(shù)理論知識(shí)進(jìn)行了闡述總結(jié)，介紹了有關(guān)運(yùn)動(dòng)目標(biāo)檢測(cè)，灰度圖像，二值圖像，數(shù)學(xué)形態(tài)學(xué)的相關(guān)理論知識(shí)，以與他們的在相應(yīng)的領(lǐng)域中的應(yīng)用。第 3 章 二幀差分算法3.1 基本思路運(yùn)用傳統(tǒng)幀差法提取運(yùn)動(dòng)目標(biāo)的過程如下圖（3.1）所示，首先，從攝像機(jī)采集的視頻序列中獲取第 k 幀以與 k-1 幀進(jìn)行平滑去噪，將其轉(zhuǎn)換為灰度圖像，然后通過幀差法得到二值化圖像，最后在進(jìn)行形態(tài)學(xué)去噪處理，得到實(shí)驗(yàn)結(jié)果。. . . . 圖 3.1 幀間差分運(yùn)動(dòng)目標(biāo)檢測(cè)流程圖3.2

48、 實(shí)現(xiàn)過程根據(jù)二幀差分算法的基本思路，二幀差分算法的實(shí)現(xiàn)過程可以分為以下幾個(gè)步驟：1）從視頻序列中提取連續(xù)的兩幀圖像，我們定義當(dāng)前幀為第 k 幀，那么提取目標(biāo)圖像時(shí)，選取第 k 幀和第 k-1 幀。把提取出來的彩色圖像轉(zhuǎn)化為灰度圖像，這里采用公式，即 （3.1）0.299*0.587*0.114*YRGB將計(jì)算得出的 Y 值替換掉與那里的 R、G、B 的值，即得到所選取的幀的灰度圖像。2）將第 k 幀與第 k-1 幀的灰度圖像進(jìn)行差分運(yùn)算，即將第 k 幀圖片減去第k.1 幀圖片，得到二值圖像，運(yùn)算公式如下：( , )D x y （3.2）kk-1kk-1255,|f (x,y)-f(x,y)|

49、 T|f (x,y)-f(x,y)|T0,TD(x,y)=()為閾值式中，T 為設(shè)定的閾值，當(dāng)兩幀之差大于閾值 T 時(shí)，差值取值為 255，當(dāng)兩幀之差絕對(duì)值小于閾值 T 時(shí)，差值取 0，經(jīng)過這樣的差分處理，我們就可以得. . . . 15 / 34到灰度圖像的二值化圖像。3）在上式中，閾值的選擇非常關(guān)鍵。若閾值選擇太大，則有可能造成檢測(cè)出來的目標(biāo)出現(xiàn)很多空洞，甚至有可能漏檢；若閾值選擇太小，那么將有可能出現(xiàn)大量的噪聲，那么對(duì)于下一步的去噪處理將會(huì)產(chǎn)生很大的影響，因此，閾值的選擇至關(guān)重要。在本文中，我們實(shí)現(xiàn)一種動(dòng)態(tài)提取閾值的方法。就是根據(jù)當(dāng)前圖像的灰度值來確定閾值的方法。首先。求出圖像中的最大灰

50、度值和最小灰度值，取其平均值作為初始閾值記為 T。4）當(dāng)運(yùn)用幀間差分法得到二值圖像后，我們基本上就得到了運(yùn)動(dòng)目標(biāo)的大致圖像，但是根據(jù)運(yùn)動(dòng)目標(biāo)檢測(cè)的相關(guān)理論我們知道，運(yùn)動(dòng)的圖像有許多干擾因素會(huì)產(chǎn)生噪聲，從而影響檢測(cè)效果。因此，得到二值圖像后，再運(yùn)用數(shù)學(xué)形態(tài)學(xué)的方法雖二值圖像進(jìn)行去噪處理，從而可以得到更加準(zhǔn)確的運(yùn)動(dòng)目標(biāo)。這里我們主要運(yùn)用數(shù)學(xué)形態(tài)學(xué)的膨脹和腐蝕運(yùn)算進(jìn)行去噪處理。由數(shù)學(xué)形態(tài)學(xué)的基礎(chǔ)理論我們知道，膨脹運(yùn)算具有擴(kuò)大圖像的作用。將二值圖像進(jìn)行膨脹處理后，將會(huì)擴(kuò)大圖像的邊緣，可以將檢測(cè)出來的目標(biāo)的邊緣或者是部的空洞化填充，從而在一定程度達(dá)到去除圖像噪聲的效果。而腐蝕運(yùn)算與膨脹運(yùn)算剛好相反，它對(duì)

51、圖像具有緊縮的作用，基于這種特性，我們運(yùn)用腐蝕運(yùn)算將所提取的目標(biāo)的邊緣多余的部分剔除掉，從而使目標(biāo)輪廓更加清晰，使檢測(cè)出來的目標(biāo)更加精確。膨脹的運(yùn)算公式為（3.3）： | |ABx ABxx BxA （3.3）由公式以與數(shù)學(xué)形態(tài)學(xué)基本理論我們可知，運(yùn)用膨脹的方法，我們可以將二值圖像中部的空洞部分填充，或者將邊緣缺失的部分補(bǔ)上，以確保圖像的完整性。與膨脹方法相反，腐蝕方法的運(yùn)算公式為（3.4）： （3.4） |A Bx BxA由公式以與數(shù)學(xué)形態(tài)學(xué)的理論知識(shí)我們可以看出，腐蝕方法可以將二值圖像中的邊緣的“毛刺”剔除掉，把多余的部分銳化掉，使邊緣輪廓更清晰，是原來處于一個(gè)整體的圖像，有更清晰的紋路，

52、從而得到更精確的運(yùn)動(dòng)目標(biāo)。5）經(jīng)過數(shù)學(xué)形態(tài)學(xué)的去噪處理后，二幀差分算法的運(yùn)動(dòng)目標(biāo)檢測(cè)基本上就已經(jīng)完成。由于運(yùn)動(dòng)目標(biāo)的檢測(cè)受各種因素的影響，因此，在實(shí)驗(yàn)時(shí)，應(yīng)當(dāng)在不同因素的環(huán)境干擾下，進(jìn)行多次實(shí)驗(yàn)，以便于對(duì)算法做出客觀真實(shí)的評(píng)價(jià)。在這里我們選取以下幾個(gè)影響因素，陰影和物體間的重疊遮蓋、非靜態(tài)背景、高速運(yùn)動(dòng)的目標(biāo)，正常勻速運(yùn)動(dòng)的目標(biāo)在這幾個(gè)因素影響下，總結(jié)實(shí)驗(yàn)結(jié)果，. . . . 進(jìn)行對(duì)比分析，從而更好的檢驗(yàn)算法的效果。3.3 實(shí)驗(yàn)結(jié)果以下是運(yùn)用二幀差分算法檢測(cè)運(yùn)動(dòng)目標(biāo)所得出的結(jié)果。這些結(jié)果是在多次實(shí)驗(yàn)后，選取的具有代表性的結(jié)果來進(jìn)行分析比對(duì)的。如下圖 3.2（c）所示的差分圖像，是視頻序列中第

53、20 幀和第 21 幀同過差分運(yùn)算所得到的二值化圖像，在此次圖像選取時(shí)，由于所取目標(biāo)和背景間有重疊因素，因此，通過此次實(shí)驗(yàn)，可以看出來在，目標(biāo)和背景區(qū)別不大時(shí)，二幀差分的檢測(cè)效果。實(shí)驗(yàn)結(jié)果表明，二幀差分是在此因素影響下，檢測(cè)效果不是很明顯。第 20 幀圖像 （a） 第 21 幀圖像 （b） 差分圖像（c）圖 3.2 目標(biāo)和背景重疊遮現(xiàn)象的檢測(cè)效果圖 3.3 是在背景中有噴氣的泉水的下，檢測(cè)圖像視頻序列中第 79 幀和第 80幀的差分效果。圖 3.3（c）是兩幀查差分后得到的二值化圖像，由實(shí)驗(yàn)結(jié)果可以看出，在非靜態(tài)背景的因素下，二幀差分能粗略的檢測(cè)出運(yùn)動(dòng)目標(biāo)。第 79 幀圖像 （a） 第 80

54、幀圖像 （b） 差分圖像（c）圖 3.3 由非靜態(tài)背景的影響檢測(cè)結(jié)果圖 3.4 是在運(yùn)動(dòng)目標(biāo)高速運(yùn)動(dòng)的情況下，檢測(cè)視頻序列中的第 139 幀和第 140 幀的差分結(jié)果。其中圖 3.4（c）是二幀差分得到的二值化圖像。有實(shí)驗(yàn)結(jié)果可以看出，在運(yùn)動(dòng)目標(biāo)高速運(yùn)動(dòng)時(shí)，二幀差分算法可以檢測(cè)到運(yùn)動(dòng)目標(biāo)，但是，所檢測(cè)的出的目標(biāo)有許多的干擾因素。第 139 幀圖像 （a） 第 140 幀圖像 （b） 差分圖像（c）圖 3.4 高速運(yùn)動(dòng)的目標(biāo)因素的影響檢測(cè)結(jié)果。把上述所得到的差分圖像，用數(shù)學(xué)形態(tài)學(xué)的腐蝕，膨脹的原理進(jìn)行去噪操作，如下，圖 3.5(a)是對(duì)差分圖像 3.5(c)進(jìn)行腐蝕的結(jié)果，圖 3.5(b)是對(duì)差

55、分圖像 3.5（c）的膨脹的結(jié)果；圖 3.5(b)是對(duì)差分圖像 3.5(c)進(jìn)行腐蝕的結(jié)果，圖 3.5(d)是對(duì) c 差分圖像 3.5(c)的膨脹的結(jié)果；圖 3.5(e)是對(duì)差分圖像3.5(c)進(jìn)行腐蝕的結(jié)果，圖 3.5(f)是對(duì)差分圖像 3.5(c)的膨脹的結(jié)果。差分圖像（c1） 腐蝕 (a) 膨脹(b)差分圖像（c2） 腐蝕（c） 膨脹(d). . . . 17 / 34差分圖像（c3） 腐蝕 (e) 膨脹(f)圖 3.5 形態(tài)學(xué)處理結(jié)果由上述的結(jié)果可以看出，經(jīng)過腐蝕，膨脹的處理后，我們基本上可以去除目標(biāo)的大部分噪聲，使運(yùn)動(dòng)目標(biāo)更好的凸現(xiàn)出來。實(shí)驗(yàn)結(jié)果表明，形態(tài)學(xué)處理在一定程度上可以去除目標(biāo)的噪聲，使我們可以得到運(yùn)動(dòng)目標(biāo)的大致輪廓，有很好的實(shí)用性。3.4 結(jié)果分析上述實(shí)驗(yàn)結(jié)果表明，二幀差分算法雖然在一些干擾因素下可以檢測(cè)出來運(yùn)動(dòng)目標(biāo)，但是檢測(cè)出來的結(jié)果不是很好。首先，在實(shí)驗(yàn)過程中，當(dāng)背景和