《毕业设计（论文）-动态图像序列中的运动目标检测方法研究与实现.doc》由会员分享，可在线阅读，更多相关《毕业设计（论文）-动态图像序列中的运动目标检测方法研究与实现.doc（41页珍藏版）》请在三一文库上搜索。
1、浙 江 理 工 大 学科 技 与 艺 术 学 院毕业论文诚信声明我谨在此保证：本人所写的毕业论文，凡引用他人的研究成果均已在参考文献或注释中列出。论文主体均由本人独立完成，没有抄袭、剽窃他人已经发表或未发表的研究成果行为。如出现以上违反知识产权的情况，本人愿意承担相应的责任。声明人（签名）：年 月 日摘 要运动目标检测是计算机视觉研究的主要问题之一，它融合了图像处理、模式识别、自动控制、人工智能以及计算机等许多领域的先进技术，在军事视觉制导、视频监控、医疗诊断、智能交通等方面都有广泛应用，因此本课题研究具有重要的理论意义和实际价值。 本文在总结和分析现有运动目标检测方法的基础上，设计并实现了一
2、个视频序列采集的动态目标的检测实验，针对视频利用算法进行实时检测，得到较好的实验效果。在图像采集中，本文采用了自己拍摄的已有AVI视频，对已有的AVI视频进行适当的转换，使其能够适用于MATLAB的读取与转化。在目标检测过程中，本文还为目标检测提供了简单背景和复杂背景两组AVI视频，针对这两组AVI视频，利用背景差分法和改进的背景差分法这两种算法，对AVI视频进行检测，一定程度上增强了实验的效果可比性。实验运行时给出了目标的位置大小等特征量，提高了实验的直观性。实验表明以上所使用的检测算法满足了实验的要求，达到了预期的效果，本文所使用的检测算法在智能视觉监控、空中预警、工业检测等领域也具有一定
3、的实用价值。关键词：视频监控、运动目标检测、背景差分法、背景提取、特征匹配AbstractMotion target detection is one of the main issues in computer vision, which combines advanced technologies in image processing, Pattern recognition, automatic control, artificial intelligence, computer and other relative fields. It has broadly applied in
4、military visual missile guidance, video surveillance, medical image analysis, intelligent transportation and other fields, so this project research has important theoretical significance and practical value.Based on the summary and analysis of the current detecting moving objects methods, this paper
5、 has designed and implemented an experiment which can detect moving object in image sequence after captured, using the detecting algorithm of real-time for video, which obtain a better experimental result.In the collection of images, the existed AVI video taken by myself has been adopted in this pap
6、er and transformed properly. In that way, it can facilitate the reading and transformation of MATLAB. In the process of object detection, this paper also offers simple background and complex background for object detection. In terms of these two AVI videos, detection to the AVI video via utilizing b
7、ackground subtraction and the improved background subtraction, to some extent, can enhance the comparability of the experimental Characteristics including object positions and so on, given by the operation of this experiment have enhanced the intuitiveness of the experiment.The experimental result s
8、hows that the detecting algorithm used in this system attain the expectable purpose. The algorithm and methods used in this paper will be valued either in the domain of intelligent video control, air surveillance, and industrial detection and so on.Keywords: intelligent monitoring, moving object det
9、ection, background subtraction, background extraction, feature matching目 录摘要Abstract第一章 绪论11.1 课题研究背景及意义11.2 国内外研究现状21.3 论文内容及组织安排3第二章 运动目标检测有关的理论基础42.1 数字图像基本概念42.2 图像灰度变换52.3 中值滤波62.4 边缘检测62.5 图像配准72.6 运动目标检测技术72.6.1帧间差分法72.6.2背景差分法82.6.3光流法82.6.4统计学法8第三章 运动目标检测设计分析103.1 总体设计思路103.2 背景差分法103.2.1 总
10、体设计流程图103.2.2 功能模块的分析113.3 改进的背景差分法123.3.1 总体设计流程图123.3.2 功能模块的分析12第四章 运动目标检测实验验证与结果分析154.1 运动目标检测实验介绍154.2 简单背景视频154.2.1 背景差分法实现154.2.2 改进的背景差分法实现174.3 复杂背景视频184.3.1 背景差分法实现184.3.2 改进的背景差分法实现204.4 结果分析21第五章 总结与展望235.1 研究总结235.2 研究展望24参考文献25致谢27附录 简单背景视频和复杂背景视频核心程序281.1 简单背景视频和复杂背景视频核心程序的简单介绍281.2 简
11、单背景视频的背景差分法核心程序281.3 复杂背景视频改进的背景差分法核心程序301.4 总结33i浙江理工大学科技与艺术学院本科毕业设计(论文)第一章 绪论视觉是人类感知自身周围复杂环境最直接有效的手段之一，而在现实生活中大量有意义的视觉信息都包含在运动中，人眼对运动的物体和目标也更敏感，能够快速的发现运动目标，并对目标的运动轨迹进行预测和描绘。随着计算机技术、通信技术、图像处理技术的不断发展，计算机视觉己成为目前的热点研究问题之一1。而基于动态图像序列的运动目标的检测技术作为计算机视觉领域的关键技术之一，这一技术刚好符合世界的发展要求，能引领人们接受新的挑战。1.1 课题研究背景及意义 世
12、界是变化的，运动图像为我们提供了比单一图像更丰富的信息。图像处理从静止图像转移到图像序列上，通过对多帧图像分析，可获得从单一图像中不可能得到的信息，只有在图像序列上我们才有可能认识和分析动态过程2。与静态图像相比，动态图像序列的优势在于时间的连续性及目标运动信息的捕获。因此，动态图像序列中的运动目标一直是图像处理研究的重要方面。而运动目标检测技术作为计算机视觉领域中应用的核心技术之一，它融合了图像处理、模式识别、人工智能、自动控制等相关领域的先进技术和研究成果，是成像跟踪系统智能化的关键。运动目标检测是计算机视觉研究领域中的一个重要且困难的课题，在实现运动补偿、视频压缩编码、视频理解时都需要用
13、到运动目标检测技术。运动目标检测的相关技术覆盖了数字视频处理、数字图像处理及分析中的各个方面，并且还涉及计算机视觉、统计信号分析、随机过程及分析等诸多领域。作为计算机视觉基础之一的“图像序列中运动目标检测”是一个困难而又富有挑战性的课题，也是现在理论和应用研究的热点。运动目标检测算法的实用性、准确性和稳定性等是衡量算法优劣的标准，是智能视频监控系统追求的目标3。现在运动目标检测技术己经被广泛地应用到多媒体技术、视频数据压缩技术、工业生产、军事应用等各个领域4。研究运动目标的检测技术，提高算法的实用性，准确性和稳定性，无论在军事领域还是民用领域都有着重要的现实意义和实用价值。1.2 国内外研究现
14、状运动目标检测就是判断图像序列中是否存在运动目标，并确定运动目标的位置。早在上世纪70年代Leese、Novak等以影像灰度值统计云层的卫星照片，分离背景与物体。80年代运用二维影像光流法、梯度法能够处理小运动范围的移动目标检测。90年代后背景减除、时间差分、运用区域块的光流计算提取特征块来检测物体。运动目标检测是近年来计算机视觉领域中备受关注的前沿方向，尤其在美国、英国等国家已经开展了大量相关项目的研究。1997年美国国防高级研究项目署设立了卡内基梅隆大学为首、麻省理工学院等高校参与的视觉监控重大项目VSAM(Visual surveillance and Monitoring)，英国的雷丁
15、大学已开展了对车辆和行人的跟踪及其交互作用识别的相关研究5。国内方面，近年来中国图像图形学学会、中国科学院等对运动方面的研究给予很大关注，全国许多大学和科研结构也都竞相展开对运动目标检测的研究6。由于运动目标检测技术是图像处理和计算机视觉学科的一个分支，在军事、交通、工业以及生物医学等领域具有广泛的应用前景，在理论和实践上都有着重大意义，从而激发了越来越多研究者的浓厚兴趣，从国际国内的研究动态来看，运动目标的检测研究一直受到广泛的关注，成为计算机视觉领域的一个热点。国际上许多著名的期刊和会议都把它作为关注的重要研究领域7。国际上许多著名高校和研究所，如MIT、Carnegie Mellon U
16、niversity、University of oxford、osaka University和MERL(Mitsubishi Electric Research Laboratories)等，都专门设立了针对目标检测的研究组或者研究实验室。在现实生活中，大量有意义的视觉信息都包含在运动当中，尽管人们可以通过眼睛感知运动物体的存在，但是对于机器来说，从成像设备获取物体的运动信息则是一个难题。过去的二三十年中，人们在运动目标检测理论及其实现方面做了大量、深入研究工作，取得了令人瞩目的成果，并且将研究的成果应用到了许多领域，如汽车的自动驾驶，交通流量的控制，基于对象的MEPG4编码技术等等8。但是
17、由于运动目标检测问题本身的复杂性和目前视频技术发展水平的限制，运动目标的检测技术至今仍然处于热烈的研究和讨论阶段，在理论和实践上都有很多问题没有得到完全地解决。过去提出的这些算法有的简单、易于实现，实用性强，但准确性不高，在复杂场景和运动下算法容易失效;有的虽然准确性较高，但算法过于复杂，不利于进行实时应用。而且，静态场景下的运动目标检测现有研究较多;而动态场景下的检测研究较少，算法还不成熟。已有的目标检测系统大多受限于特定的应用背景，目标检测算法还有待于进一步研究和深化，研究一种稳定性好、准确性高、实用性强的运动目标检测方法依然面临巨大挑战9。1.3 论文内容及组织安排图像处理技术领域突飞猛
18、进的发展，人们对能够提供更多信息的视频图像越来越该兴趣，对视频图像或图像序列处理的核心技术图像检测技术的快速实用性、准确性、稳定性等的要求也在不断的提高，论文对目前广泛采用的实时图像检测方法的性能进行了理论分析和比较，并针对简单背景视频和复杂背景视频利用背景差分法和改进的背景差分法进行实时检测，得到较好的实验效果。最后在简单背景视频和复杂背景视频这两种情况下，对背景差分法和改进的背景差分法进行实用性、准确性、稳定性等多角度的比较分析。本论文共分五章，论文的主要内容和组织安排如下:第一章绪论部分主要介绍了运动目标检测的研究背景和意义以及国内外运动目标检测的研究现状。第二章介绍文中用到的与运动目标
19、检测有关的理论基础，包括图像灰度变换、中值滤波、边缘检测、图像配准等内容。第三章介绍运动目标检测的设计分析，针对动态图像序列，根据背景差分法和改进的背景差分法，分别列出总体设计流程图，同时对各个模块进行分析说明。第四章首先对运动目标检测实验进行简单的介绍，然后对简单背景视频和复杂背景视频这两组自己拍的已有AVI视频分别进行检测，每组都进行背景差分法和改进的背景差分法的检测，最后在简单背景视频和复杂背景视频这两种情况下，对背景差分法和改进的背景差分法进行实用性、准确性、稳定性等多角度的比较分析。第五章对本文研究课题进行总结和展望，给出研究成果，并结合目前运动目标检测存在的问题提出进一步的研究思路
20、。第二章 运动目标检测有关的理论基础基于动态图像序列的运动目标检测涉及到很多领域10，如数字图像处理、计算机视觉、信息融合、模式识别与人工智能等。为了后续各章内容的展开，本章系统地介绍与运动目标检测有关的一些理论基础和若干关键技术。本章主要介绍数字图像的基本概念、图像灰度变换、中值滤波，边缘检测和图像配准，最后又介绍了运动目标检测技术。2.1 数字图像基本概念图像是栅格结构的画面存储形式。栅格结构将图像划分为均匀分布的栅格(像素)，显示地记录每一像素的灰度值，即亮度值(亮度/色彩);而像素的坐标值却是隐含的，其位置规则排列11。如常见的矩形排列显示时采用的扫描方式:每次从左到右扫描一行，为每个
21、像素着色，然后再这样从上到下扫描整个屏幕，利用人眼的视觉暂留效应就可以显示出一屏完整的图像。灰度图(Grayscale)是一种具有从黑到白256级灰度色域或等级的单色图像。该图像中的每个像素用8位数据表示，因此像素点值介于黑白间的256种灰度中的一种。该图像只有灰度等级，而没有颜色的变化12。根据色度学理论，任何颜色都可由红(Red)、绿(Green)、蓝(Blue)三种基本颜色按不同比例混合得到。颜色深度指表示每一像素的颜色值的二进制位数。因此，自然界的图像可用基于位置坐标的三维函数来表示，即 （2-1）为了研究方便，我们只考虑平面图像，平面图像的函数是连续的二维函数， （2-2）常用的颜色
22、表示法有RGB、CMYK、HSL和YUV等。由于计算机仅能处理离散的数据，所以要用计算机来处理图像，连续的图像函数必须转化为离散的数据集，使图像转化为数字图像，这一过程叫做图像采集。数字图像是连续图像f(x，y)的一种近似表示。通常图像的存贮由采样点的值所组成的矩阵来表示： （2-3）将图像用矩阵形式表达就可利用处理矩阵的方法来对图像进行各种处理和分析13。当然对图像任意物理意义上的限制(例如像素灰度值非负、有界等约束条件)也都可以在数学上加以表达和运算，尤其是利用计算机处理更为方便。把像素按不同的方式进行组织或存储，就是得到不同的图像格式:把图像数据存成文件就得到图像文件。常见的图像文件格式
23、有位图文件 (*.BMP)、TGA文件(*.TGA)、PCX文件(*.PCX)、GIF文件(*.GIF)和TIFF文件(*.TIFF)等。在Windows系统中，最常用的图像格式是位图格式。数字图像处理系统包括图像采集系统、图像处理系统和图像输出系统三部分。数字图像采集设备有扫描仪、数字相机和图像采集卡等;图像处理系统由计算机软硬件系统组成，软件系统是基于数字图像处理和算法设计的程序。 模拟图像图像采集系统图像处理系统图像输出系统图2.1 数字图像处理系统流程图像处理和分析的过程是对输入图像作预处理，并根据提取的特征对上述图像中的场景、物体加以分割，形成表示物体基元的图像区域，得到区域的特征以
24、及这些区域间的相互关系。然后，根据场景的模型和知识，对场景作必要的解释，并对场景中目标的行为进行理解。由此可见，图像处理和分析的目的是为了获得有关场景和目标的重要信息。在运动目标检测图方面，主要是通过对摄像机拍摄的图像序列进行分析，得出运动目标14。2.2 图像灰度变换因为灰度图像比彩色图像更加容易进行运算，为了方便计算，首先要进行图像的灰度化。图像灰度化就是彩色图像转换为灰度图像的过程。由于灰度图(Grayscale)是只含亮度信息、不含色彩信息的图像，就像我们平时看到亮度由暗到明的黑白照片，变化是连续的。因此，要表示灰度图就需要把亮度值进行量化。通常划分成0到255，共256个级别，0最暗
25、(全黑)，255最亮(全白) 15。从彩色图像到为灰度图像的转变可由公式(2-4)得到: （2-4）其中a，b，c是R、G、B三个分量的权重。本实验的预处理阶段需要把彩色图像转换成灰度图像，因此需要图像灰度变换。本论文对于图像灰度变换采用了MATLAB中已有的函数rgb2gray，简单方便。2.3 中值滤波一般情况下，图像的传送和转换(如成像、复制、扫描、传输以及显示)总要造成图像的某些降质，就要求对这些降质图像进行改善处理。中值滤波是一种去噪声的平滑操作，它是一种非线性的信号处理方法。在一定条件下，中值滤波可以克服线性滤波器如最小均方滤波和均值滤波等带来的图像细节模糊，而且对滤除脉冲干扰及图
26、像扫描噪声最为有效16。由于在实际运算过程中不需要图像的统计特征，因此也带来了不少方便。中值滤波的原理是:将模板窗口在图中漫游，并将模板中心与当前点位置重合，把窗口内包含的图像象素的灰度值按升(或降)序排列，取窗口中心所在像素的灰度值为灰度值居中的像素灰度值，便完成了中值滤波。对于二维情况，中值滤波的窗口的形状和尺寸对滤波器效果影响很大，不同的图像内容和不同要求选用不同的窗口形状和尺寸。中值滤波实现的图像平滑不会破坏图像的边缘信息，这对要进行的边缘提取的操作是十分必要的。这就是在本实验中，在背景提取和物体检测阶段的预处理中，采用中值滤波算法降低噪声原因。本实验中值滤波采用了MATLAB中已有的
27、函数medfilt2，并且采用的是3x3的滤波模版，经过中值滤波去噪处理的图像，可视化效果和准确度得到改善，有利于后面过程的有效进行。2.4 边缘检测图像的边缘是图像的基本特征，所谓边缘是指其周围像素灰度有阶跃变化的像素集合，物体的边缘是由灰度不连续性所反映。经典的边缘提取方法是考察图像的每个像素的灰度值在某个邻域内灰度的变化，利用边缘临近一阶或二阶方向导数变化规律，用简单的方法检测边缘，这种方法称为边缘检测局部算子法。边缘检测算子检查每个像素的邻域并对灰度变化率进行量化。边缘的种类可以分为两种:一种称为阶跃性边缘，它两边的像素的灰度值有着显著的不同;另一种称为屋顶状边缘，它位于灰度值从增加到
28、减少的变化转折点。由此可知，对于阶跃性边缘，二阶方向导数在边缘处呈零交叉;而对于屋顶状边缘，二阶方向导数在边缘处取极值。常用的边缘检测算子有:Roberts边缘检测算子、Sobel边缘算子、Prewitt边缘算子、Krisch边缘算子、高斯一拉普拉斯算子等17。本实验边缘检测采用了MATLAB中已有的函数edge，并且采用的是Sobel边缘算子。2.5 图像配准图像配准是对取自不同时间、不同传感器或者不同视角的同一场景的两幅图像或者多幅图像匹配的过程，它被广泛地应用在遥感图像、医学影像、三维重构、机器人视觉等诸多领域中。图像匹配是指通过计算两幅图像间的相似度或其它距离测度，以达到图像识别或图像
29、定位目的的过程。怎样进行特征提取，提取什么样的特征，怎样进行匹配，并没有统一的方法，应根据具体需要具体进行18。本实验根据像素点聚集度提取特征区域，进行特征区域的图像匹配，这样能更快更方便的进行检测。2.6 运动目标检测技术运动目标检测的目的是从序列图像中将变化区域从背景图像中提取出来。运动区域的有效分割对于目标分类、跟踪和行为理解等后期处理非常重要，因为以后的处理过程仅仅考虑图像中对应于运动区域的象素19。然而，由于背景图像的动态变化，如天气、光照、阴影等因素的影响，使得运动检测成为一项相当困难的工作。下面是几种常用流行的算法。2.6.1帧间差分法帧间差分法是在连续的图像序列中两个或三个相邻
30、帧间采用基于像素的时间差分并且阈值化来提取图像中的运动区域20。这是一种简单直接的运动检测算法。在实际应用中，差分图像并不能表示出完整的运动目标信息。如当一个运动目标的内部纹理较为均匀且物体运动缓慢时，帧间差分法很容易在检测的运动目标中产生空洞现象，对于这一问题的解决可以采用累积差分图像的方法或采用后处理的方法，如形态滤波，区域连通或参数模型等方法提取出完整的运动目标信息。2.6.2背景差分法背景差分法是目前目标检测中最常用的算法之一，它利用当前图像与背景图像的差分来检测运动区域。该方法一般能够提供完整的特征数据，但对于动态场景的变化，如光照和外来无关事件的干扰特别敏感。大部分研究工作者目前都
31、在致力于开发背景模型，以减少动态背景变化对目标检测的影响。如:Haritaoglu等利用最小、最大强度值和最大时间差分值为场景中的每个像素建立统计模型，并周期性地进行背景更新21。视频监控系统主要使用固定摄像机对场景进行监控，场景基本固定，因此背景差分法在智能化视频监控系统中是一种重要的运动目标检测方法。通常背景差分法主要包括背景模型建立，背景模型更新，背景差分和后处理等步骤。背景模型建立就是对背景模型进行初始化;背景模型更新是根据当前输入的图像修正背景模型及时反映环境的变化;背景差是将当前帧和背景模型相比较从而得到运动目标;后处理是在高层次上对检测出的运动目标进行修正从而得到更精确的结果。2
32、.6.3光流法光流法是基于对光流场的估算进行检测分割的算法，如Meyer等通过计算位移向量光流场来初始化基于轮廓的跟踪算法，从而有效地提取和跟踪运动目标。光流是空间运动物体被观测面上的像素点运动产生的瞬时速度场，包含了物体3D表面结构和动态行为的重要信息，光流场的不连续性可以用来将图像分割成对应于不同运动物体的区域。然而，大多数的光流计算方法相当复杂，且抗噪声能力差，如果没有特定硬件的支持则不能很好地被应用于全帧视频流的实时处理22。2.6.4统计学法统计学法是基于像素的统计特性而从背景中提取运动信息，它首先计算背景像素的统计信息(颜色、灰度、边界等)。使用个体的像素或一组像素的特征来建立一个
33、较为高级的背景模型，而且背景的统计值可以动态地更新。通过对比当前背景模型的统计值，图像中每一个像素被分成前景或是背景。由于统计学法在噪声、影子及光线改变等干扰条件下具有较好的鲁棒性，己经成为了热点23。比较常用的运动目标检测算法，在一定程度上解决了简单的动态背景场景中的运动目标检测，在实践运用中体现出了它们各自的优缺点，如表2-1是它们各自的优缺点。表2-1 常用运动目标检测算法的优缺点比较算法优缺点帧间差分法对于动态环境有很好的适应性，但不能完全提取出目标的所有相关点。背景差分法能较好的适应环境变化，对于目标运动引起的图像序列中发生明显变化的象素点比较容易检测，但对于变化不明显的象素点不能很
34、好的检测出来，对光照和外部条件造成的动态场景变化过于敏感。光流法光流法在摄像机存在运动的情况下，能较好的检测运动目标，但大多数光流计算方法十分复杂，计算量较大，不能满足实时视频流处理的要求。统计学法在噪声、影子及光线改变等干扰条件下具有较好的鲁棒性，但涉及大量计算和变换，对现有的硬件设备要求较高。此外，还有很多其它的算法，利用Roberts算法、Canny算法、Sobel算法、高斯拉普拉斯( LOG)等边缘检测算法，从而实现对运动目标的检测;利用数学形态学方法进行运动物体检测的算法;采用点状相关图法检测出可能存在运动物体的区域，然后对可能存在的运动区域二值化并采用形态学算子去除环境噪音和光线的
35、干扰，确定运动物体的轮廓24。第三章 运动目标检测设计分析与静态目标的图像分析相比，运动目标检测更强调针对图像序列提取目标的运动信息。国内外相关研究基本可分为两类:一类仅从获得的图像序列本身寻找运动线索进行检测，另一类则既有运动线索又包含某些先验信息，如目标模板、任务需求等25。本实验研究的系统是对前者的研究。3.1 总体设计思路 本实验研究的是对已有AVI视频进行运动目标检测，通过检测图像序列中的运动目标，确定运动目标的位置。本实验主要研究的是背景差分法和改进的背景差分法两种算法，这两种算法都共有的流程图如图3.1所示: 开始视频采集结束目标提取背景建模图3.1 共有流程图视频采集即通过已有
36、AVI视频得到图像序列。背景建模是为了得到准确的背景图像，要从几个图像中提取出当前的背景。而目标提取是从序列图像中经过去噪处理(预处理)获取背景图象，当序列图像中包含运动目标时，将背景图像与去噪后的当前图像比较，检测运动目标对应区域，将变化区域从背景图象中提取出来。以上是运动目标检测的总体设计思路，接下来具体介绍一下这两种算法。3.2 背景差分法3.2.1 总体设计流程图背景差分法是目前目标检测中最常用的算法之一，它利用当前图像与背景图像的差分来检测运动前景。该算法一般是提供完整的特征数据，因此效率不高，运算量比较的大。背景差分法的总流程如图3.2所示，包括视频采集、背景建模及目标提取三大过程
37、。开始视频采集结束目标提取背景建模图3.2 背景差分法总流程图3.2.2 功能模块的分析背景差分法是基于背景建模的运动目标检测算法，对动态图像序列的处理流程可以如图3.3所示，主要由视频采集、动态图像序列的转换、预处理、背景建模、前景检测及提取运动背景六个过程组成。开始结束是否背景更新前景检测背景建模预处理动态图像序列的转换视频采集提取运动前景一致？中值滤波灰度化梯度化运动图像（对应的下一张动态图像序列并转换）图3.3 背景差分法流程图 本实验采取的是已有AVI视频，因此无需摄像头采集。由于需要计算机进行识别，所以只要将其转化为图像序列即可，这就是动态图像序列的转换。 改善输入图像质量的处理称
38、为图像预处理，主要是指按需要进行适当的变换突出某些有用的信息，去除或削弱无用的信息，如改变图像对比度、去除噪声或强调边缘的处理等。这里就需要中值滤波、灰度化、梯度化等过程。 背景建模是根据当前的图像和下一张图像的像素平均值估计背景，本实验通过将当前图像和背景模型像素值进行比较，确定出变化较大的区域即认为是运动前景，这就是前景检测。 图像在经过背景建模和前景检测之后，将检测到的运动目标用框把它给提取出来，从而得到最终检测结果，这就是提取运动前景。3.3 改进的背景差分法3.3.1 总体设计流程图改进的背景差分法其实与背景差分法原理差不多，不同的是在于该算法提供的不是完整的特征数据，而是其中的一部
39、分数据。因此它利用的不是当前图像与背景图像的差分来检测运动区，而是利用取特征区域的特征图像匹配的方法来检测运动前景。改进的背景差分法的总流程如图3.4所示，包括视频采集、特征区域确认、背景建模及目标提取四大过程。特征区域确定开始视频采集结束目标提取背景建模图3.4 改进的背景差分法总流程图3.3.2 功能模块的分析其中视频采集上面已经有了，不再详细介绍。 特征区域确定过程的流程又可以如图3.5表示，包括采集连续两张图像序列、两图像像素相减、根据像素点聚集度提取特征区域三个小过程。 是否两图像像素值相减借、是否为0根据像素点聚集度提取特征区域采集连续两张图像图3.5 特征区域确定流程图 在采集两
40、张图像序列的时候是连续的两张，在采集完以后，进行像素值相减，为0时，进行下一轮的判断，直到不为0时，根据像素点聚集度提取特征区域，为后面做准备。 背景建模过程的流程又可以如图3.6表示，包括采集连续两张图像序列及转换、预处理、取特征区域、取两张图像特征区域像素平均值及得到背景图像五个小过程。 得到背景图像采集连续两张图像序列并转换取特征区域取两张图像特征区域平均值预处理中值滤波灰度化梯度化图3.6 背景建模流程图前两个小过程前面已经详细介绍过，这里主要介绍下后面的几个小过程。取特征区域，就是在实验中，把像素点聚集度最大的一块区域取出来。因为这样的特征区域中的像素点数值变化明显，更加容易进行匹配
41、，有利于减少误差。最后通过取两张图像特征区域像素平均值来得到背景图像。是否背景图像预处理特征区域图像匹配预处理相似？是中值滤波中值滤波灰度化灰度化提取运动前景运动图像（对应的下一张动态图像序列并转换）图3.7 目标提取流程图最后是目标提取，期间流程如图3.7表示，包括得到的背景图像与运动图像的输入、预处理、特征图像匹配、后处理、提取运动前景五个小过程。上面得到的背景图像与对应的下一张运动图像一起输入，经过预处理进行特征图像匹配，方法与上相同，之后看特征区域的像素值相似程度如何，是否匹配成功。如果相似则进行下一轮的匹配，直到得到运动前景为止，最后提取运动背景。以上是背景差分法和改进后的背景差分法
42、的各流程图，建立好运动目标检测流程图之后，采用MATLAB编程实现运动目标检测，并对检测结果进行比较分析。第四章 运动目标检测实验验证与结果分析本实验在实验验证过程中，用到的与运动目标检测有关的理论基础，包括图像灰度变换、中值滤波、边缘检测、图像配准等内容，在第二章中已经进行了详细的介绍。至于实验的原理，实验的流程，实验的功能模块的分析在第三章中也已经进行了详细的介绍。接下来就进行实验的验证，本实验是在windows XP平台上用MATLAB语言来实现的，因此比较便捷。为了便于实验的验证与结果的分析，将其分为以下几个方面。4.1 运动目标检测实验介绍本实验采用的是简单背景视频和复杂背景视频这两
43、组自己拍的已有AVI视频，每组都分别进行背景差分法和改进的背景差分法的检测，最后在简单背景视频和复杂背景视频这两种情况下，对背景差分法和改进的背景差分法进行实用性、准确性、稳定性等多角度的比较分析。在实验之前，由于MATLAB对于AVI视频编解码的要求比较高，需要先将AVI视频转化为MATLAB所接受的AVI视频编解码，期间选择了DivX521XP2K的编解码器，将其转化为DivX521的编解码。经过了以上的编解码转化以后，接下来就可以顺利的进行运动目标检测实验了，实验的验证分为以下几个方面。4.2 简单背景视频 简单背景视频选取的是背景比较单一，基本上是没有其他干扰的AVI视频，对于实验的验
44、证，比较的直观方便，准确性高，稳定性好。接下来就利用背景差分法和改进的背景差分法来分别对这组视频进行检测。4.2.1 背景差分法实现针对简单背景视频，利用背景差分法进行检测，在MATLAB中，首先将转化好的编解码格式为DivX521的视频读取并转换为JPG形式的图像序列，由于视频的帧数比较多，总共有32张图像序列，因此只依次显示其中的几张，如图4.1所示。以下显示的是从第9帧到第29帧，期间间隔为3帧。 （a）第9帧 （b）第13帧 （c）第17帧 （d）第21帧 （e）第25帧 （f）第29帧图4.1 简单背景原始图像序列然后将图像序列读入，进行一系列的预处理，使其受外界影响最小化。接着背景
45、建模，最后提取运动目标。下面依次显示上面显示过的几张图像序列，如图4.2所示。以下显示的是从第9帧到第29帧，期间间隔为3帧。 （a）第9帧 （b）第13帧 （c）第17帧 （d）第21帧 （e）第25帧 （f）第29帧图4.2 简单背景的背景差分法目标检测图像序列图4.2中将运动目标用黑框把它们提取出来，从图中可以看出，运动目标基本上被准确的提取出来，效果还行，直观一目了然，偶尔会出现提取的时候准确性差一点的情况。对于实验所处理的时间来说，还比较快，用时为19.141s，平均用时为0.617s（由于图像序列是640x480的，因此速度会慢些，如果是320x240的就很快了，再者，速度的快慢与
46、电脑自身的配置也是有非常大的关系，下面几个也是如此）。以上是简单背景视频的背景差分法的检测实现，总体来说还比较不错。4.2.2 改进的背景差分法实现对于简单背景视频，利用背景差分法进行检测，效果还算可以，但是还是有很多缺点，因此又用了改进的背景差分法。在MATLAB中，改进的背景差分法跟背景差分法一样，首先将转化好的编解码格式为DivX521的视频读取并转换为JPG形式的图像序列，由于图像序列同样有32张，因此只依次显示其中的几张，同图4.1所示。然后将图像序列读入，进行预处理，使其受外界影响最小化。接着进行特征区域的确定，确定好特征区域的图像序列按上面显示过的几张图像序列次显示，如图4.3所示（放大后）。以下显示的是从第9帧到第29帧，期间间隔为3帧。 （a）第9帧 （b）第13帧 （c）第17帧 （d）第21帧 （e）第25帧 （f）第29帧图4.3 简单背景提取特征区域后的图像序列最后背景建模，提取运动目标。下面依次显示上面显示过的几张图像序列，如图4.4所示。以下显示的是从第9帧到第29帧，期间间隔为3帧。