基于MATLAB的運動物體軌跡跟蹤 畢業(yè)論文

摘要視頻運動目標(biāo)檢測與跟蹤算法是計算機視覺領(lǐng)域的一個核心課題，也是智能視頻監(jiān)控系統(tǒng)的關(guān)鍵底層技術(shù)。它融合了圖像處理、人工智能等領(lǐng)域的研究成果，已經(jīng)廣泛應(yīng)用于安保監(jiān)控、智能武器、視頻會議、視頻檢索等各個領(lǐng)域。因此，檢測與跟蹤算法研究具有極其重要的理論意義和實用價值。運動目標(biāo)檢測與跟蹤涉及到計算機圖像處理、視頻圖像處理、模式識別、以及人工智能等諸多領(lǐng)域，廣泛地應(yīng)用于軍事、工業(yè)、生活等各個方面。研究內(nèi)容分為三個方面：圖像的預(yù)處理、運動目標(biāo)的檢測和運動目標(biāo)的跟蹤。在圖像的預(yù)處理方面，采用均值濾波，抑制噪聲；并應(yīng)用形態(tài)學(xué)的方法進行濾波和去除小黑點，改善圖像質(zhì)量。在運動目標(biāo)的檢測方面在運動目標(biāo)檢測方面，本文對常用的三種方法進行了分析，包括幀間差分法和背景差分法，并指出其優(yōu)缺點及主要的適用范圍;重點研究了幀間差分法，幀間差分法比較簡單，對環(huán)境的適應(yīng)能力強，但是檢測到的運動目標(biāo)不精確。在運動目標(biāo)的跟蹤方面，也做了初步的研究。采用最小外界矩形框來定位目標(biāo)，借助最近領(lǐng)域法預(yù)測目標(biāo)位置，縮小目標(biāo)的搜索范圍，提高目標(biāo)的跟蹤速度。關(guān)鍵詞：運動目標(biāo)檢測，運動目標(biāo)跟蹤，顏色直方圖，視頻監(jiān)視系統(tǒng)AbstractVideomovingtargetdetectionandtrackingalgorithmisacoreareaof??computervisionissues,butalsothekeytointelligentvideosurveillancesystemunderlyingtechnology.Itcombinesimageprocessing,artificialintelligenceresearch,hasbeenwidelyusedinsecuritymonitoring,smartweapons,videoconferencing,videoretrievalandotherfields.Therefore,thedetectionandtrackingalgorithmisextremelyimportanttheoreticalandpracticalvalue.

Movingtargetdetectionandtrackingrelatedtocomputerimageprocessing,video,imageprocessing,patternrecognitionandartificialintelligencefields,widelyusedinmilitary,industrial,andotheraspectsoflife.Researchisdividedintothreeareas:imagepreprocessing,movingtargetdetectionandtrackingofmovingtargets.Inimagepreprocessing,theuseoffiltering,noisesuppression;andapplythemethodofmorphologicalfilteringandremovalofblackspecksandimproveimagequality.

Inmovingtargetdetectioninmotiondetection,thepaperthreecommonlyusedmethodsofanalysis,includinginter-framedifferenceandbackgrounddifferencemethod,andpointedouttheiradvantagesanddisadvantagesandthemainscopeofapplication;focusontheframedifferencemethod,framedifferencemethodisrelativelysimple,adaptabletotheenvironment,butthedetectedmovingtargetimprecise.

Trackingthemovingtarget,butalsomadeapreliminarystudy.Rectangularboxwiththeoutsideworldtolocatetheminimumtarget,withthemostrecentmethodtopredictthetargetlocationareasandnarrowthesearchtargettoimprovethetrackingspeed.EYWORDS：Movingtargetdetection，Movingtargettracking，Colorhistogram，Videosurveillancesystems摘要 1Abstract 2第一章緒論 61．1課題的研究背景及意義 61．2國內(nèi)外的研究現(xiàn)狀，發(fā)展動態(tài) 81．2．1國外研究現(xiàn)狀 81．2．2國內(nèi)研究現(xiàn)狀 101．2．3難點與發(fā)展趨勢 111.3本論文的研究內(nèi)容和論文結(jié)構(gòu) 12第二章視頻運動目標(biāo)檢測算法分析 142.1幀間差分法 142.2邊緣檢測 162.3背景差分檢測 192.4光流法 20第三章圖像的預(yù)處理 213.1圖像灰度化 213.1.1分量法 213.1.2最大值法 213.1.3平均值法 213.1.4加權(quán)平均法 223.2圖像的二值化 223.3圖像濾波處理 233.4形態(tài)學(xué)圖像處理 243.4.1腐蝕 243.4.2膨脹 25第四章目標(biāo)跟蹤及預(yù)測方法 264.1.運動目標(biāo)跟蹤的方法 264.1.1.基于區(qū)域的跟蹤 264.1.2基于特征的跟蹤 274.2本文采用的技術(shù)方案 284.2.1直方圖和質(zhì)心 284.2.2最小外接矩形 284.3運動特征的提取和運算 29第五章總結(jié)與展望 30第一章緒論1．1課題的研究背景及意義隨著計算機技術(shù)的不斷發(fā)展，計算機能力得到了極大的提高，使得利用計算機實現(xiàn)人類的視覺功能成為目前計算機領(lǐng)域最熱門的課題之一。該領(lǐng)域稱之為計算機視覺，它是計算機技術(shù)，電子信息工程，微電子技術(shù)等多學(xué)科的一個共同的衍生點，是一門新興的技術(shù)。計算機視覺研究的目標(biāo)是使計算機具有通過圖像（和靜止的圖像相比，運動圖像包含了更多的信息)認知周圍環(huán)境信息的能力，這種能力不僅能使計算機能感知環(huán)境中物體的幾何信息，包括它的形狀、位置、姿態(tài)、運動等，而且能對它們進行描述、存儲、識別與理解。在過去的二十多年里，如何利用計算機把運動目標(biāo)檢測出來并對感興趣的部分進行跟蹤，從而實現(xiàn)對目標(biāo)運動行為的理解和描述，一直是一個具有挑戰(zhàn)性的課題，也是一項非常活躍的研究領(lǐng)域。運動目標(biāo)的檢測與跟蹤，目的是通過對視頻圖像的分析，實現(xiàn)對場景中目標(biāo)的定位、識別和跟蹤，從而做到對目標(biāo)行為的分析，在完成日常管理外還能對發(fā)生的異常情況做出反應(yīng)。對視頻的自動檢測可以減少對視頻信號的存儲并能實現(xiàn)自動報警。它可以指導(dǎo)操作人員去解決一些潛在的問題．還可以極大的減少視頻傳輸所需要的帶寬，并且只存儲一些感興趣的片斷。運動目標(biāo)的檢測和運動目標(biāo)的跟蹤，這兩方面工作是一個承接的關(guān)系，但同時也相互影響。運動目標(biāo)檢測是第一部分，它就是實時地在被監(jiān)視的場景中檢測運動目標(biāo)，并將其提取出來。運動目標(biāo)跟蹤也是銜接運動目標(biāo)檢測和目標(biāo)行為分析和理解的一個重要環(huán)節(jié)。所謂運動目標(biāo)跟蹤，就是在運動目標(biāo)檢測的基礎(chǔ)上，利用目標(biāo)有效特征，使用適當(dāng)?shù)钠ヅ渌惴?，在連續(xù)圖像中尋找與目標(biāo)最相似的圖像的位置，簡單的說就是給目標(biāo)定位。在實際應(yīng)用中，運動目標(biāo)跟蹤不僅可以提供目標(biāo)的運動軌跡和準(zhǔn)確定位目標(biāo)，為下一步的目標(biāo)行為分析與理解提供了可靠的數(shù)據(jù)來源，而且也可以為運動目標(biāo)檢測提供幫助，從而形成一個良性的循環(huán)。運動目標(biāo)的檢測、跟蹤技術(shù)是一個對實時性和識別精度有較高要求的高科學(xué)技術(shù)。在技術(shù)上涉及到計算機圖像處理、視頻圖像處理、模式識別、以及人工智能等諸多領(lǐng)域，因而具有較強的研究價值。而且它在軍事、工業(yè)和科學(xué)研究方面的應(yīng)用極為廣泛，如：視頻監(jiān)視、虛擬現(xiàn)實、運動目標(biāo)捕獲、智能交通、軍事制導(dǎo)等。正是由于這些顯著的優(yōu)點及其廣泛的應(yīng)用前景，研究圖像目標(biāo)的檢測與跟蹤具有重要的意義。視覺跟蹤技術(shù)具有廣闊的應(yīng)用前景，并不僅僅局限于上述所介紹的幾個方面。實現(xiàn)一個具有魯棒性、準(zhǔn)確性的視覺跟蹤系統(tǒng)是當(dāng)前視覺跟蹤技術(shù)努力的方向。隨著計算機技術(shù)的不斷發(fā)展，視覺跟蹤技術(shù)作為計算機視覺領(lǐng)域中的核心技術(shù)之一，在一些關(guān)鍵技術(shù)中具有越來越重要的作用。1．2國內(nèi)外的研究現(xiàn)狀，發(fā)展動態(tài)1．2．1國外研究現(xiàn)狀圖像的類型主要有三種：可見光圖像、紅外圖像和雷達圖像。其中可見光圖像是通過光學(xué)成像原理得到的；紅外圖像是通過不同物體表面輻射的熱量不同的而得到的；雷達圖像則是合成孔徑雷達、毫米波雷達、激光雷達等不同成像手段得到的圖像。針對它們不同的特點，也就產(chǎn)生了不同的檢測跟蹤算法。本文針對可見光圖像中的運動目標(biāo)進行分析研究。巨大的商業(yè)價值和應(yīng)用價值使越來越多的公司和學(xué)術(shù)機構(gòu)致力于這種技術(shù)的研究。美國，英國等國家己經(jīng)展開了大量相關(guān)項目的研究。1997年，由美國國防高級研究項目署DARPA(DefenceAdvancedResearchProjectsAgency)領(lǐng)頭，以美國卡耐基梅隆大學(xué)為首，麻省理工學(xué)院等高校參與了視頻監(jiān)控系統(tǒng)項目VSAM（VSAM：Systemforvideosurveillanceandmonitoring，意為：視頻監(jiān)控系統(tǒng))的研究開發(fā)，并于2000年基本完成．此項目主要研究的是針對戰(zhàn)場及普通民用場景進行監(jiān)控的自動視頻理解技術(shù)：分布于各個不同位置的攝像頭獲取的視頻信號通過一個分布式的網(wǎng)絡(luò)連接匯集到操作中心，只需要一個操作人員就可以監(jiān)控一個相當(dāng)廣闊的空間范圍．同時，在很大程度上減少了操作人員的勞動強度，系統(tǒng)能夠自主檢測異常情況的發(fā)生，而且只有在檢測到異常的情況下系統(tǒng)才會發(fā)出信號，提醒操作人員作相應(yīng)的處理。從2000年開始，DARP又設(shè)立了HID（HumanIdentificationataDistance)計劃，美國有13所大學(xué)和5個研究中心參與了這個項目的研究，包括卡內(nèi)基梅隆大學(xué)、馬里蘭大學(xué)、麻省理工大學(xué)、哥倫比亞大學(xué)等。其任務(wù)是開發(fā)多模式的、大范圍的視覺檢測技術(shù)，以實現(xiàn)遠距離情況下人的檢測、分類和識別，增強國防、民用等場合免受恐怖襲擊的自動保護能力。歐盟贊助研究的PRISMATICA系統(tǒng)，該系統(tǒng)融合了多種智能檢測設(shè)備(智能攝像頭、非接觸智能卡、無線視頻傳輸?shù)?，用于地鐵站的安全監(jiān)視。國外一些公司近年來相繼推出了具備一定智能功能的視頻監(jiān)視系統(tǒng)，如:娜威的DETECAC公司提供的Detec系統(tǒng);美國ObjectVideo公司提供的ObjectVideoVEW、ObjectVideoForensics。它們實現(xiàn)了在用戶定義規(guī)則下對監(jiān)視場景進行監(jiān)測、跟蹤、分類、統(tǒng)計的軟件系統(tǒng)，可在諸如有人闖入、盜竊、提包遺失或者未經(jīng)許可在限制區(qū)域閑逛等違反自定義規(guī)則的情況下報警。另外還有ObjectVideoOnBoard一構(gòu)建在DSP處理器上的嵌入式視頻監(jiān)視系統(tǒng);在日本，一家公司發(fā)展的基于的三維激光攝像機的自行車輛及行人檢測系統(tǒng)，系統(tǒng)的主要目的是獲得交通流參數(shù)，以動態(tài)地智能地控制交通信號。1．2．2國內(nèi)研究現(xiàn)狀相對而言，國內(nèi)在目標(biāo)跟蹤技術(shù)方面的研究起步較晚。主要的研究團隊有中科院自動化所模式識別國家重點實驗室、北京大學(xué)視覺與聽覺信息處理國家重點實驗室及清華大學(xué)智能技術(shù)與系統(tǒng)國家重點實驗室。中科院自動化所模式識別國家重點實驗室的主要目標(biāo)是實現(xiàn)一個動態(tài)場景集成分析演示系統(tǒng)并最終推向?qū)嵱?，而北京大學(xué)視覺與聽覺信息處理國家重點實驗室的工作主要是實現(xiàn)高度智能化的機器感知系統(tǒng)，并在言語聽覺技術(shù)、三維視覺信息處理、智能機器人等研究領(lǐng)域取得許多研究成果。清華大學(xué)智能技術(shù)與系統(tǒng)國家重點實驗室主要從事人工智能基本原理、基本方法的基礎(chǔ)與應(yīng)用基礎(chǔ)研究，包括智能信息處理、機器學(xué)習(xí)、智能控制，以及神經(jīng)網(wǎng)絡(luò)理論等，還從事與人工智能有關(guān)的應(yīng)用技術(shù)與系統(tǒng)集成技術(shù)的研究，主要有智能機器人、聲音、圖形、圖像、文字及語言處理等。交通流參數(shù)，以動態(tài)地智能地控制交通信號。在國內(nèi)，也己有一些具備智能功能的視頻監(jiān)視產(chǎn)品上市，如:北京黃金眼科技的黃金眼，北京行者科技的行者貓王等產(chǎn)品。但是，目前國內(nèi)使用中的視頻監(jiān)視系統(tǒng)大部分均側(cè)重于視頻數(shù)據(jù)的壓縮、傳輸和存儲;其報警功能大都利用紅外，煙霧等外接傳感器實現(xiàn);視頻數(shù)據(jù)到達終端以后還是需要由人來實時觀測分析，或者是存儲起來以備事后查閱。這種系統(tǒng)仍需耗費大量的人力物力，卻只能實現(xiàn)部分的預(yù)期功能，遠遠無法滿足日益增長的對監(jiān)視系統(tǒng)智能化的需求。1．2．3難點與發(fā)展趨勢基于計算機視覺的運動物體檢測和跟蹤方法，目前國內(nèi)外有很多機構(gòu)和學(xué)者對其進行研究。由于該領(lǐng)域的研究對象復(fù)雜，研究內(nèi)容涉及多種學(xué)科，目前還存在以下研究難點還沒有較好地解決。運動物體檢測方法對周圍環(huán)境中光線亮度漸變和微小噪聲干擾的適應(yīng)性能。自然光線和燈光的亮度是在不斷變化的，平時人眼可能感覺不到這些光線亮度的變化，但是在對場景中運動物體進行檢測時，光線亮度的細微變化和微小噪聲的干擾會對檢測結(jié)果產(chǎn)生很大影響。如果檢測算法不能適應(yīng)這些變化，可能會導(dǎo)致檢測失敗。運動物體的有效分類問題。運動物體跟蹤的關(guān)鍵是能否識別出運動物體。如果目標(biāo)識別的方法不當(dāng)，通常會導(dǎo)致跟蹤中目標(biāo)丟失或出現(xiàn)虛假跟蹤目標(biāo)。所以，為了提高跟蹤算法的有效性，必須首先解決好運動目標(biāo)的有效分類問題。運動物體之間的遮擋與重疊的跟蹤問題。目前許多跟蹤方法能夠很好地對單個物體進行跟蹤，但是當(dāng)場景中出現(xiàn)多個跟蹤物體時，特別是這些運動物體之間存在相互遮擋和重疊時，如何有效分離目標(biāo)并正確跟蹤將是很困難的。目標(biāo)跟蹤中提高運算速度問題在目標(biāo)檢測中，通過第一幀圖像與背景作差獲得了動態(tài)目標(biāo)信息，如何將得到的目標(biāo)信息在接下來的每一幀中快速找到，以節(jié)省運算量和運算時間是非常重要的。要知道，如果視覺場景中有多個運動目標(biāo)的話，如果運算量不夠小，運算速度不夠快很可能導(dǎo)致系統(tǒng)崩潰。這也是目標(biāo)跟蹤的一個優(yōu)化問題。1.3本論文的研究內(nèi)容和論文結(jié)構(gòu)本文視頻源來自靜止的單攝像機采集的可見光視頻，通過視頻格式轉(zhuǎn)換軟件，將攝像頭錄制的視頻格式轉(zhuǎn)換成matlab能夠解碼的視頻編碼方式，最后用matlab進行仿真研究。具體工作內(nèi)容為：針對攝像頭靜止的情況研究視頻序列中的運動目標(biāo)跟蹤，結(jié)合基于運動的和基于色彩的方法，以人體或汽車為目標(biāo)，當(dāng)目標(biāo)進入攝像機視野時，我們首先對他進行檢測，然后通過區(qū)域檢測合并屬于該目標(biāo)的運動區(qū)域，同時通過對運動目標(biāo)特征的提取來確定目標(biāo)的身份。在每一幀對視頻場景做檢測后，我們直接利用已檢測到的目標(biāo)特征在接下來的每一幀進行跟蹤。跟蹤情況會比較簡單，根據(jù)直方圖的信息和質(zhì)心的位置就可以對目標(biāo)進行定位和跟蹤。原理框圖如下：本文的結(jié)構(gòu)安排如下：第一章，前言部分，介紹了對運動目標(biāo)檢測與跟蹤問題研究的背景與意義，重點對運動目標(biāo)檢測與跟蹤的發(fā)展?fàn)顩r進行了總結(jié)。以及本文的主要研究內(nèi)容和本文的章節(jié)安排。第二章，介紹運動目標(biāo)檢測的技術(shù)和本文所采用的方法。對常見的幾種目標(biāo)檢測方法進行了分析和比較。第三章，對圖像進行預(yù)處理，解決在運動目標(biāo)檢測中產(chǎn)生的陰影和空洞等問題。第四章，對目標(biāo)跟蹤及預(yù)測方法進行歸類分析，采用質(zhì)心和最大外接矩形框結(jié)合的方法跟蹤，定位目標(biāo)的坐標(biāo)，計算出目標(biāo)的速度和加速度。第五章對本論文的工作進行了總結(jié)和回顧，指出研究中的不足，并對今后的研究和發(fā)展方向進行了展望。第二章視頻運動目標(biāo)檢測算法分析運動目標(biāo)檢測與提取是指通過運動及圖像特征分析(如色彩灰度、邊緣、形狀等)，檢測視頻序列中是否存在與背景有相對表觀運動的前景目標(biāo)，則將其從原始圖像序列中提取出來。它是視覺信息提取的一個關(guān)鍵步驟，是更高層次的視頻圖像分析如目標(biāo)跟蹤、目標(biāo)分類的重要基礎(chǔ)。在視頻監(jiān)控、目標(biāo)跟蹤、視頻語義解釋等系統(tǒng)中，運動目標(biāo)檢測的作用更是顯得尤其重要。因此，如何快速準(zhǔn)確地從視頻圖像序列中提取出系統(tǒng)所關(guān)心的運動目標(biāo)，是諸多研究人員所關(guān)心的一個問題。對人體跟蹤之前首先要對運動目標(biāo)進行檢測與識別，其結(jié)果對以后的目標(biāo)跟蹤是非常重要的，運動區(qū)域的分割質(zhì)量直接影響到后續(xù)的跟蹤效果。本章主要介紹幾種常見的檢測算法，幀間差分、邊緣檢測、背景差分檢測、光流法。本文重點分析幀間差分法。2.1幀間差分法幀間差分法是一種通過對視頻圖像序列中相鄰兩幀作差分運算來獲得運動目標(biāo)輪廓的方法，它可以很好地適用于存在多個運動目標(biāo)和攝像機移動的情況。當(dāng)監(jiān)控場景中出現(xiàn)異常物體運動時，幀與幀之間會出現(xiàn)較為明顯的差別，兩幀相減，得到兩幀圖像亮度差的絕對值，判斷它是否大于閾值來分析視頻或圖像序列的運動特性，確定圖像序列中有無物體運動。假設(shè)視頻圖像序…天中，選取任意連續(xù)兩幀圖像（x，y）和（x，y），則他們的差分圖像(x，y)為:（x，y）=（x，y）-（x，y），其中(x，y)表示圖像中像素點空間坐標(biāo)。把差分圖像從(x，y)和一個閉值T進行比較，判定圖像中各個像素點是運動目標(biāo)像素點還是背景像素點，從而提取運動目標(biāo)(x，y)。式中的閉值T可以預(yù)先給定也可以采用自適應(yīng)的方法確定。幀間差分法的基本原理如圖2-1所示:幀間差分法的優(yōu)點是：算法實現(xiàn)簡單，程序設(shè)計復(fù)雜度低；對光線等場景變化不太敏感，能夠適應(yīng)各種動態(tài)環(huán)境，穩(wěn)定性較好。其缺點是：兩幀間目標(biāo)的重疊部分不容易被檢測出來，不能提取出對象的完整區(qū)域，即只檢測出目標(biāo)的一部分或者出現(xiàn)了較大比例的空洞，這是由于我們直接用相鄰的兩幀相減后，保留下來的部分是兩幀中相對變化的部分，所以兩幀間目標(biāo)的重疊部分就很難被檢測出來；同時依賴于選擇的幀間時間間隔。對快速運動的物體，需要選擇較小的時間間隔，如果選擇不合適，當(dāng)物體在前后兩幀中沒有重疊時，會被檢測為兩個分開的物體：而對慢速運動的物體，應(yīng)該選擇較大的時問差，如果時間選擇不適當(dāng)，當(dāng)物體在前后兩幀中幾乎完全重疊時，則檢測不到物體。檢測目標(biāo)在兩幀中變化的信息，這樣會存在較多的偽目標(biāo)點，檢測出的目標(biāo)往往比實際的目標(biāo)大一些，這是由于實際目標(biāo)顏色或者灰度在一定的區(qū)域內(nèi)較為均勻所導(dǎo)致的。本文采用幀間差分法來完成目標(biāo)的檢測。原圖像處理后的圖像2.2邊緣檢測邊緣是指圖像周圍像素灰度有劇烈變化的那些像素的集合，它存在與目標(biāo)與背景、目標(biāo)與目標(biāo)、區(qū)域與區(qū)域之間。圖像的邊緣有方向和幅度兩個特性。通常沿邊緣方向的像素變化平緩，而垂直于邊緣走向的像素變化劇烈。這種變化可能呈現(xiàn)階躍型和房頂型，分別對應(yīng)景物中不同的物理狀態(tài)。例如階躍型變化地帶兩邊的像素的灰度值有顯著不同，常常對應(yīng)目標(biāo)的深度和反射邊界；而房頂型變化地帶位于灰度值從增加到減小的變化轉(zhuǎn)折點，常常反映表面法線方向的小連續(xù)。微分運算是檢測邊緣的重要手段。對于前者，灰度變化曲線的一階導(dǎo)數(shù)在邊緣處呈現(xiàn)極值，二階導(dǎo)數(shù)呈現(xiàn)零交叉；對于后者，在邊緣處一階導(dǎo)數(shù)呈現(xiàn)零交叉，二階導(dǎo)數(shù)呈極值。目前常用算子的有Prewitt、Sobel、Roberts、Canny算子。Prewitt算子是一種一階微分算子的邊緣檢測，利用像素點上下、左右鄰點的灰度差，在邊緣處達到極值檢測邊緣，去掉部分偽邊緣，對噪聲具有平滑作用。其原理是在圖像空間利用兩個方向模板與圖像進行鄰域卷積來完成的，這兩個方向模板一個檢測水平邊緣，一個檢測垂直邊緣。對數(shù)字圖像f(x，y)，Prewitt算子的定義如下：G(i)=|[f(i-1,j-1)+f(i-1,j)+f(i-1，+1)]-[f(i+1,j-1)+f(i+1,j)+f(i+1，j+1)]|G(j)=|[f(i-1,j+1)+f(i,j+1)+f(i+1，+1)]-[f(i-1,j-1)+f(i,j-1)+f(i+1，j-1)]|則P(i,j)=max[G(i),G(j)]或P(i,j)=G(i)+G(j)經(jīng)典Prewitt算子認為：凡灰度新值大于或等于閾值的像素點都是邊緣點。即選擇適當(dāng)?shù)拈撝礣，若P(i,j)≥T，則(i,j)為邊緣點，P(i,j)為邊緣圖像。這種判定是欠合理的，會造成邊緣點的誤判，因為許多噪聲點的灰度值也很大，而且對于幅值較小的邊緣點，其邊緣反而丟失了。該算子包含兩組3x3的矩陣，分別為橫向及縱向，將之與圖像作平面卷積，即可分別得出橫向及縱向的亮度差分近似值。如果以A代表原始圖像，Gx及Gy分別代表經(jīng)橫向及縱向邊緣檢測的圖像，其公式如下:圖像的每一個像素的橫向及縱向梯度近似值可用以下的公式結(jié)合，來計算梯度的大小及方向。如果以上的角度Θ等于零，即代表圖像該處擁有縱向邊緣，左方較右方暗。Roberts邊緣檢測算子是一種利用局部差分算子尋找邊緣的算子,Robert算子圖像處理后結(jié)果邊緣不是很平滑。經(jīng)分析，由于Robert算子通常會在圖像邊緣附近的區(qū)域內(nèi)產(chǎn)生較寬的響應(yīng)，故采用上述算子檢測的邊緣圖像常需做細化處理，邊緣定位的精度不是很高。Robert邊緣檢測算子大小僅為2X2，是一種局部差分算子，采用對角線方向相鄰兩像素差進行梯度幅度檢測，水平、垂直邊緣的檢測性能好于斜線方向的性能，定位精度比較高，速度比較快，對于具有陡峭的低噪聲圖像效果較好。但對于噪聲比較敏感，且具有功能性的限制(如，它是非對稱的，不能檢測諸如45度倍數(shù)的邊緣)。雖然如此，但是由于簡單，還是會用于硬件實現(xiàn)中。2.3背景差分檢測背景減法是利用當(dāng)前圖像與背景圖像作差分以提取運動區(qū)域的一種運動檢測方法，也是目前使用較為普遍的一種方法。它一般能夠提供目標(biāo)完整的數(shù)據(jù)。它的基本思想是:首先通過一定的背景建模的方法得到背景模型(x，y);建立背景模型后，把后來采集到的視頻序列的每一幀圖像(x，y)同背景圖像(x，y)進行差分;對得到的差分圖像(x，y)進行二值化處理后得到(x，y);當(dāng)差分圖像中某一像素點大于閾值時，則認為是運動目標(biāo)像素，否則是背景像素。用公式表示如下:背景減法的計算速度很快，得到的結(jié)果直接給出了目標(biāo)的位置、大小、形狀等，從而可以獲得關(guān)于運動目標(biāo)區(qū)域的完整精確的描述，但對場景中的動態(tài)變化，如光照條件的變化、攝像頭受到的輕微擾動等因素都是十分的敏感，會出現(xiàn)很多偽目標(biāo)點從而降低目標(biāo)檢測的準(zhǔn)確性。因此基于背景差分的運動目標(biāo)檢測算法的關(guān)鍵在于尋找理想的背景模型。2.4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。光流的研究是利用圖像序列中的像素強度數(shù)據(jù)的時域變化和相關(guān)性來確定各自像素位置的“運動”，即研究圖像灰度在時間上的變化與景象中物體結(jié)構(gòu)及其運動的關(guān)系。光流是指圖像中灰度模式運動的速度。它是景物中可見點的三維速度矢量在成像平面上的投影，它表示了景物表面的點在圖像中位置的瞬時變化。一般情況下，可以認為光流與運動場沒有太大區(qū)別，因此就可以根據(jù)圖像運動來估計相對運動?；诠饬鞣椒ǖ倪\動檢測采用了運動目標(biāo)隨時間變化的光流特性，把光流計算得到的運動量作為一個重要的識別特征來判斷運動目標(biāo)。;在運動的某一特定時刻，圖像上的像素點投景到三維物體上的點;然后根據(jù)每個像素點的速度矢量特征來動態(tài)分析圖像，如果圖像中不存在運動目標(biāo)，那么光流矢量在整個圖像區(qū)域是連續(xù)變化的，如果目標(biāo)相對圖像背景運動時，那么運動目標(biāo)所形成的速度矢量必然不同于鄰域背景速度矢量，從而檢測出運動目標(biāo)的具體位置和相關(guān)運動參數(shù)。第三章圖像的預(yù)處理3.1圖像灰度化在RGB模型中，如果R=G=B時，則彩色表示一種灰度顏色，其中R=G=B的值叫灰度值，因此，灰度圖像每個像素只需一個字節(jié)存放灰度值（又稱強度值、亮度值），灰度范圍為0-255。一般有以下四種方法對彩色圖像進行灰度化：3.1.1分量法將彩色圖像中的三分量的亮度作為三個灰度圖像的灰度值，可根據(jù)應(yīng)用需要選取一種灰度圖像。f1(i,j)=R(i,j)f2(i,j)=G(i,j)f3(i,j)=B(i,j)其中fk(i,j)(k=1,2,3)為轉(zhuǎn)換后的灰度圖像在（i,j）處的灰度值。3.1.2最大值法將彩色圖像中的三分量亮度的最大值作為灰度圖的灰度值。f(i,j)=max(R(i,j),G(i,j),B(i，j))3.1.3平均值法將彩色圖像中的三分量亮度求平均得到一個灰度圖。f(i，j)=(R(i,j)+G(i,j)+B(i,j))/33.1.4加權(quán)平均法根據(jù)重要性及其它指標(biāo)，將三個分量以不同的權(quán)值進行加權(quán)平均。由于人眼對綠色的敏感最高，對藍色敏感最低，因此，按下式對RGB三分量進行加權(quán)平均能得到較合理的灰度圖像。f(i,j)=0.30R(i,j)+0.59G(i,j)+0.11B(i,j))原圖像灰度化后的圖像3.2圖像的二值化就是將圖像上的像素點的灰度值設(shè)置為0或255，也就是將整個圖像呈現(xiàn)出明顯的黑白效果。將256個亮度等級的灰度圖像通過適當(dāng)?shù)拈y值選取而獲得仍然可以反映圖像整體和局部特征的二值化圖像，表示二值圖像的二維矩陣僅由0/1值構(gòu)成。在圖像處理中，二值圖像占有非常重要的地位，首先，圖像的二值化有利于圖像的進一步處理，使圖像變得簡單，而且數(shù)據(jù)量減小，能凸顯出感興趣的目標(biāo)的輪廓。其次，要進行二值圖像的處理與分析，首先要把灰度圖像二值化，得到二值化圖像。灰度化圖像二值化圖像3.3圖像濾波處理從視頻中獲得的圖像含有大量的點狀或尖峰狀噪聲，多數(shù)是由于光線的變化等原因引起的，而且運動速度較快會引起運動模糊現(xiàn)象。濾波處理就是要有效地去除這兩種噪聲。去噪的方法有很多，大致分為兩大類：時域去噪和頻域去噪。時域去噪的代表方法有加權(quán)平滑法、中值濾波、二值形態(tài)學(xué)法等；頻域去噪的代表方法有經(jīng)典數(shù)字濾波器、同態(tài)濾波、小波分析等。經(jīng)過分析比較本文采用時域去噪中的形態(tài)學(xué)法濾波，matlab中自帶函數(shù)bwareaopen()可以刪除小面積圖像，還有采用腐蝕的方法可以將要找的區(qū)域更加明顯。原圖像濾波后的圖像3.4形態(tài)學(xué)圖像處理數(shù)學(xué)形態(tài)學(xué)是由一組形態(tài)學(xué)的代數(shù)運算子組成的，它的基本運算有4個：膨脹（或擴張）、腐蝕（或侵蝕）、開啟和閉合，它們在二值圖像和灰度圖像中各有特點?；谶@些基本運算還可推導(dǎo)和組合成各種數(shù)學(xué)形態(tài)學(xué)實用算法，用它們可以進行圖像形狀和結(jié)構(gòu)的分析及處理，包括圖像分割、特征抽取、邊界檢測、圖像濾波、圖像增強和恢復(fù)等。數(shù)學(xué)形態(tài)學(xué)方法利用一個稱作結(jié)構(gòu)元素的“探針”收集圖像的信息，當(dāng)探針在圖像中不斷移動時，便可考察圖像各個部分之間的相互關(guān)系，從而了解圖像的結(jié)構(gòu)特征。數(shù)學(xué)形態(tài)學(xué)基于探測的思想，與人的FOA(FocusOfAttention)的視覺特點有類似之處。作為探針的結(jié)構(gòu)元素，可直接攜帶知識（形態(tài)、大小、甚至加入灰度和色度信息）來探測、研究圖像的結(jié)構(gòu)特點。3.4.1腐蝕把結(jié)構(gòu)元素B平移a后得到Ba，若Ba包含于X，我們記下這個a點，所有滿足上述條件的a點組成的集合稱做x被B腐蝕(Erosion)的結(jié)果。如圖所示，X是被處理的對象，B是結(jié)構(gòu)元素。不難知道，對于任意一個在陰影部分的點a，Ba包含于X，所以X被B腐蝕的結(jié)果就是那個陰影部分。陰影部分在X的范圍之內(nèi)，且比X小，就象X被剝掉了一層似的，這就是為什么叫腐蝕的原因。腐蝕的示意圖3.4.2膨脹膨脹(dilation)可以看做是腐蝕的對偶運算，其定義是:把結(jié)構(gòu)元素B平移a后得到Ba，若Ba擊中X，我們記下這個a點。所有滿足上述條件的a點組成的集合稱做X被B膨脹的結(jié)果。如圖所示，圖中X是被處理的對象，B是結(jié)構(gòu)元素，不難知道，對于任意一個在陰影部分的點a，Ba擊中X，所以X被B膨脹的結(jié)果就是那個陰影部分。陰影部分包括X的所有范圍，就象X膨脹了一圈似的，這就是為什么叫膨脹的原因。膨脹的示意圖原圖像腐蝕后的圖像第四章目標(biāo)跟蹤及預(yù)測方法目標(biāo)跟蹤的目的是通過對視頻圖像的分析，計算每幀圖像中目標(biāo)的位置坐標(biāo)，并根據(jù)不同的特征，將連續(xù)圖像中同一運動目標(biāo)聯(lián)系起來，得到每個目標(biāo)完整的運動軌跡和狀態(tài)。也為運動分析、場景理解、突發(fā)事件檢測或行為理解提供了可靠的數(shù)據(jù)。同時，運動目標(biāo)的跟蹤信息也可以作為反饋信息對運動目標(biāo)檢測和背景模型的更新等提供了幫助。各種跟蹤方法因跟蹤過程、場景假設(shè)、運動目標(biāo)類型、運動目標(biāo)的運動特征、攝像機及攝像機的運動、物體的變形、背景的變化、運動目標(biāo)運動的不規(guī)則、及物體在運動過程上顏色及形狀的改變等的不同而差異很大。4.1運動目標(biāo)跟蹤的方法4.1.1基于區(qū)域的跟蹤基于區(qū)域的跟蹤算法基本思想是：首先通過預(yù)先人為確定的方法或圖像分割的方法得到包含目標(biāo)的模板，然后在序列圖像中，運用相關(guān)算法跟蹤目標(biāo)。對灰度圖像可以采用基于紋理和特征的相關(guān)，對彩色圖像還可利用基于顏色的相關(guān)等?；趨^(qū)域匹配的跟蹤方法不僅實現(xiàn)簡單，而且可以應(yīng)用于當(dāng)圖像中目標(biāo)特征不明顯且其他方法都失效的場合。但是，由于它的區(qū)域相似性的判別依據(jù)為圖像間的灰度相關(guān)性，因此一旦連續(xù)視頻幀圖像間光照強度突變，或者噪聲較大，或者目標(biāo)運動的形態(tài)發(fā)生變化，都會對這種方法造成很大的影響，同時為了減少計算量，一般會選擇很小的搜索區(qū)域?qū)е履繕?biāo)丟失。4.1.2基于特征的跟蹤基于特征匹配跟蹤方法首先從視頻序列中選擇運動目標(biāo)適當(dāng)?shù)奶卣髯鳛楦櫶卣?，如拐角、邊緣、有明顯標(biāo)記的區(qū)域?qū)?yīng)的點、線、曲線等，并且在下一幀圖像中根據(jù)約束條件來尋找提取特征，然后將提取的當(dāng)前幀圖像中的目標(biāo)特征與模板特征相比較，根據(jù)比較的結(jié)果來確定目標(biāo)，從而實現(xiàn)目標(biāo)的跟蹤?；谔卣鞯母櫡椒ㄊ峭ㄟ^各幀間運動目標(biāo)個體特征的匹配實現(xiàn)跟蹤。用于匹配的個體特征有目標(biāo)的周長、面積、質(zhì)心等全局特征和線段、角點等局部特征，也可將多個特征組合成更高一級的特征。與基于區(qū)域的跟蹤算法的不同之處在于，后者使用目標(biāo)整體作為相關(guān)時的對象，而前者使用目標(biāo)的某個或某些局部特征作為相關(guān)時的對象。這種對于運動目標(biāo)的尺度、形變和亮度等變化不敏感;同時，即使場景中出現(xiàn)部分遮擋，只要有一些特征點可見，仍然可以保持對運動目標(biāo)的跟蹤。4.2本文采用的技術(shù)方案本文采用第一種類型即基于區(qū)域的跟蹤來對運動目標(biāo)進行描述，完成跟蹤。之所以采取這種跟蹤策略是由于它具備目標(biāo)未被遮擋時跟蹤精度高且穩(wěn)定的優(yōu)勢。4.2.1直方圖和質(zhì)心在了解了跟蹤路線以后，接下來就要對運動目標(biāo)(檢測到的目標(biāo))的