基于背景差分的運(yùn)動(dòng)檢測軟件的設(shè)計(jì) 通信工程專業(yè)

目錄TOC\o"1-2"\h\z\u1緒論 11.1選題的背景與意義 11.2研究現(xiàn)狀、主流方法與擬解決主要問題 21.2.1研究現(xiàn)狀 21.2.2主流方法 41.2.3擬解決的主要問題 52圖像的預(yù)處理 62.1圖像的轉(zhuǎn)換 62.2圖像的二值化處理 72.3圖像的平滑濾波 83運(yùn)動(dòng)目標(biāo)檢測 103.1背景差分的使用緣由 103.2建立相關(guān)的可靠背景模型 103.3基于閾值的圖像分割 113.4背景差分法在檢測中的運(yùn)用 123.5圖像后續(xù)處理 124軟件設(shè)計(jì)及試驗(yàn) 144.1背景差分運(yùn)動(dòng)目標(biāo)檢測和跟蹤實(shí)驗(yàn)總流程 14實(shí)驗(yàn)一的內(nèi)容你完全是瞎寫了，本來應(yīng)該是背景差分檢測運(yùn)動(dòng)目標(biāo)，你寫的直方圖和灰度閾值分割是背景差分后對(duì)運(yùn)動(dòng)目標(biāo)灰度圖二值化而已4.2運(yùn)動(dòng)目標(biāo)檢測 154.3運(yùn)動(dòng)目標(biāo)運(yùn)動(dòng)方向的判斷 175結(jié)論 32致謝 33參考文獻(xiàn) 34附錄 361緒論 在現(xiàn)今，社會(huì)越來越復(fù)雜，人與人之間的距離感越來越嚴(yán)重，因此，視頻監(jiān)控在日常生活中被廣泛使用。尤其是在公共場合或者工作領(lǐng)域，視頻監(jiān)控幾乎每隔幾米就有一個(gè)，當(dāng)然這些監(jiān)控有很多方便之處，比如，安保人員可以全面的看到人們的生產(chǎn)生活情況，就不用一個(gè)個(gè)去巡邏，即節(jié)省了財(cái)力還減少了勞動(dòng)力，還更加的迅速，也更加的高效?？梢哉f是一個(gè)安全防護(hù)墻，人們有了它，仿佛也就有了保障。比如犯罪分子的行為能夠得到及時(shí)的制止和打擊。當(dāng)然，不僅僅于此，視頻監(jiān)控還可以促進(jìn)人們的生產(chǎn)效率，因?yàn)槿藗冎雷约菏窃诒槐O(jiān)視著的，所以會(huì)減少偷懶的可能性，然而，社會(huì)的不斷發(fā)展，傳統(tǒng)的視頻技術(shù)已經(jīng)無法適用于高科技的現(xiàn)代生活。所以視頻監(jiān)控這個(gè)技術(shù)也應(yīng)該匹配的發(fā)展。1.1選題的背景及意義現(xiàn)今正處于信息大爆炸的時(shí)期，經(jīng)濟(jì)發(fā)展水平也越來越高，相應(yīng)的人們的物質(zhì)文化需求也越來越高，因此，大數(shù)據(jù)發(fā)展也越來越快。包括信息采集之后，還要對(duì)其進(jìn)行處理，并且能夠?qū)W會(huì)應(yīng)用。因此研究人員也開始重視智能視頻監(jiān)控這項(xiàng)新技術(shù)。視頻監(jiān)控所應(yīng)用的領(lǐng)域有很多，其中像人臉識(shí)別，還有安全保衛(wèi)這方面，人們往往需要監(jiān)控，還要記錄，并能夠判定監(jiān)控視頻中所監(jiān)測的目標(biāo)是否存在運(yùn)動(dòng)以及它的運(yùn)動(dòng)情況，但是如果是采用人力來進(jìn)行這種檢測的話，不僅耗時(shí)長，而且枯燥很容易疲勞，那么這種監(jiān)控的準(zhǔn)確性和可靠性就有待衡量。而智能監(jiān)控技術(shù)的提出和發(fā)展改善了這種情況，把人們從繁瑣的監(jiān)控工作解放了出來，既促進(jìn)了生產(chǎn)又提高了工作的效率。它跟我們平常運(yùn)用的監(jiān)控方式有一點(diǎn)不同，就是可以在沒有人的情況下運(yùn)用計(jì)算機(jī)視覺技術(shù)對(duì)視頻分別進(jìn)行記錄、判定并處理，從而分析和歸納大致行為，最后將信息發(fā)給所需人員。移動(dòng)目標(biāo)檢測技術(shù)，顧名思義，其主要功能就是能夠檢測出待檢測目標(biāo)的存在和移動(dòng)情況，當(dāng)然需要再給定的監(jiān)控空間內(nèi)進(jìn)行這種測量，在測量過程中，還要對(duì)數(shù)據(jù)進(jìn)行記錄，之后又進(jìn)一步評(píng)估。這樣就可以盡量使得環(huán)境的影響變小，避免光照明暗的變化而影響實(shí)驗(yàn)數(shù)據(jù)。而我們所說的視頻監(jiān)控系統(tǒng)安全報(bào)警，并不是說該系統(tǒng)自身就能夠獨(dú)立解決所發(fā)現(xiàn)的問題，而是能夠?qū)@個(gè)目標(biāo)進(jìn)行詳細(xì)的分析，并報(bào)告給安保工作人員，由安保人員處理。我們需要對(duì)多幀視頻進(jìn)行分析，它存儲(chǔ)了被檢測目標(biāo)的重要信息，通過對(duì)比，可以對(duì)目標(biāo)進(jìn)行分類，得到不同的運(yùn)動(dòng)模式，檢測過程表明，運(yùn)動(dòng)目標(biāo)的檢測具有較高的真實(shí)性，是入侵防御和人臉識(shí)別領(lǐng)域中一種合格的檢測方法。作為智能監(jiān)控系統(tǒng)的關(guān)鍵技術(shù)，近年來，移動(dòng)目標(biāo)檢測無時(shí)無刻運(yùn)用在我們的生活中，是很多領(lǐng)域都必需的技術(shù)。不僅有圖像處理、還有人臉識(shí)別，當(dāng)然安全也是必不可少。識(shí)別之后就能實(shí)現(xiàn)目標(biāo)的運(yùn)動(dòng)，尤其是在監(jiān)控場景下，分割出圖像中所需的移動(dòng)目標(biāo)，進(jìn)而對(duì)目標(biāo)進(jìn)行連續(xù)監(jiān)控，對(duì)于防范入侵進(jìn)入相對(duì)復(fù)雜的安全環(huán)境也很有用。1.2研究現(xiàn)狀、主流方法與擬解決主要問題1.2.1研究現(xiàn)狀眾所周知，現(xiàn)在社會(huì)是一個(gè)信息化的社會(huì)，可以說是一種信息大爆炸，而獲取外界的信息，有很多方式，也就是說，信息載體有很多，但是圖像相較于其他信息載體來說，具有無可比擬的優(yōu)越性？不僅直觀，而且更容易記憶，因此，人們主要靠它來獲取信息。從圖像中獲取信息，主要是靠人類的眼睛和大腦，也就是視覺系統(tǒng)，他們相互合作，從而使得人們能夠得知信息。而且效率也十分高。在國外，有相關(guān)研究實(shí)驗(yàn)表明，人類通過眼睛來獲取的信息占人類所有獲取的外部信息的4/5。從這個(gè)結(jié)論中，我們不難看出，視覺的重要性，可以說它是人類取得外部信息的最主要方式，因此，在未來相關(guān)技術(shù)的發(fā)展過程中，尤其是智能計(jì)算機(jī)圖像處理這一功能是必不可少的。近幾年圖像數(shù)據(jù)處理軟件在很多領(lǐng)域都有了相當(dāng)廣泛的使用，主要是對(duì)圖像圖形以及視頻等等包含大量信息的載體進(jìn)行相應(yīng)的處理。在圖像處理的過程中，運(yùn)動(dòng)目標(biāo)要從靜止和移動(dòng)這兩個(gè)角度來進(jìn)行檢測，還只能檢測一小部分，但是與此不同的是，許多具體的運(yùn)動(dòng)檢測技術(shù)過程中，研究人員需要用對(duì)比的方式來觀察目標(biāo)和觀察者的運(yùn)動(dòng)線路，可以不用分析目標(biāo)的運(yùn)動(dòng)特點(diǎn)，但觀察者的是必不可少的。國內(nèi)的研究機(jī)構(gòu)主要研究范圍領(lǐng)域很集中，不僅有車輛移動(dòng)，還有安全保衛(wèi)，當(dāng)然，人類視覺識(shí)別的方式更是必不可少，以及目標(biāo)的運(yùn)行方式等等，在這幾個(gè)方面都進(jìn)行了大量的實(shí)驗(yàn)。不僅是研究機(jī)構(gòu)，還有許多大學(xué)的院校也開展了相應(yīng)的研究，并且都取得了一定的成果，然而，雖然已經(jīng)有了很多較為全面的研究，運(yùn)動(dòng)目標(biāo)檢測和智能監(jiān)控這方面依舊存在大量的缺點(diǎn)。第一個(gè)問題也是最主要的問題就是，目前國內(nèi)所使用的大部分電子監(jiān)控設(shè)備和儀器不是中國制造的，而是源于國外廠商。這樣就使得本國的研究人員在這些監(jiān)控設(shè)備的研究方面就需要花費(fèi)更大的力氣。產(chǎn)品的安裝以及后續(xù)的維修，還有對(duì)產(chǎn)品進(jìn)行升級(jí)改造，這些都存在一定的難度。除此之外，這種外國制造的機(jī)器設(shè)備是否可靠，而且使用性能到底怎么樣，這些都還有待商榷。還有就是，使用這種外國的設(shè)備機(jī)器肯定是需要國外技術(shù)人員的幫助；第二個(gè)問題是有關(guān)運(yùn)動(dòng)目標(biāo)的檢測方面的難題，因?yàn)檫\(yùn)動(dòng)目標(biāo)并不是固定不動(dòng)的，也不是彼此獨(dú)立，二者之間還存在一定的間隙，這樣就會(huì)產(chǎn)生一種很常見的現(xiàn)象，圖像重疊。那么在固定的檢測空間之內(nèi)，要想完成對(duì)多個(gè)運(yùn)動(dòng)目標(biāo)的檢測是十分困難的，也很復(fù)雜，而且很重大。現(xiàn)在，主要用以下幾種方式統(tǒng)計(jì)個(gè)體數(shù)目：基于大致運(yùn)動(dòng)范圍，還有基于個(gè)體體征的數(shù)目計(jì)算法，利用神經(jīng)網(wǎng)絡(luò)估計(jì)人數(shù)法?，F(xiàn)在，對(duì)于人群的檢測還有著許多的短板，其中研究成果極少的是前二者的提取。而在目標(biāo)政策中，因?yàn)楹芏喾绞蕉急荒J(rèn)為靜態(tài)背景，也就是說，監(jiān)控區(qū)域是一直固定的，不動(dòng)的，因此，在進(jìn)行相關(guān)研究時(shí)，很多學(xué)者提出來的模型都默認(rèn)為靜態(tài)場景。混合型的高斯函數(shù)模型是一個(gè)操作性很強(qiáng)的算法，因此經(jīng)常被學(xué)者使用。這種模型中的背景并不是固定的，在這種模型中，有前景像素這一概念，所謂前景像素，就是指當(dāng)某一圖像的像素灰度值的變量大于閾值時(shí)的像素。有人把前景與背景相結(jié)合，從而建立路徑模型。主要是通過這二者在特定空間的特定位置來進(jìn)行動(dòng)態(tài)背景中的目標(biāo)檢測，這種模型有很多缺點(diǎn)，比如必須要先驗(yàn)知識(shí)，才能進(jìn)行操作。1.2.2主流方法1.2.2.1幀間差分法如果相鄰兩幀中某些像素的灰度差的絕對(duì)值大于閾值，那么就可以標(biāo)記出運(yùn)動(dòng)區(qū)域，就是由上面的那些像素組成，對(duì)該操作進(jìn)行重復(fù)，通過視頻圖像中所有像素的灰度值得到運(yùn)動(dòng)對(duì)象的輪廓。首先把兩個(gè)黑白圖像分別設(shè)為A(t)、A(t+1)，灰度圖像中的一個(gè)像素的代表(x，y)在t時(shí)刻的值為f(x，y，t)，在t+1時(shí)刻的灰度值為f(x，y，t+1)，得到的差值圖像為dx，y=1，f(x，y，t+1)－f(x，y，t)≥G0[1-1]f(x，y，t+1)－f(x，y，t)＜{G(1)[1-2]式[1-1]和[1-2]中:G設(shè)定為閾值，當(dāng)像素點(diǎn)(x，y)在相鄰圖像的灰度差加減的值大于T時(shí)，則點(diǎn)(x，y)的灰度值被轉(zhuǎn)化為1，當(dāng)灰度差絕對(duì)值小于T時(shí)，點(diǎn)(x，y)的灰度值被轉(zhuǎn)化為0。那么在這個(gè)過程中，一定要精準(zhǔn)的選取G，否則的話就有可能會(huì)受到背景灰度值過小的很大影響，從而不能正確顯示變化的像素區(qū)。所謂幀間差分法，其背景模型是前一幀的黑白圖像，接著在當(dāng)前圖像中進(jìn)行差分運(yùn)算，這就可以避免了很多問題，像基金差分法中基金模型不斷更新。該方法具有算法很多優(yōu)點(diǎn)，比如計(jì)算量很小，計(jì)算方法也相對(duì)來說比較簡單。而且也不容易受到環(huán)境光的影響。當(dāng)然有利就有弊，使用這種方法只能識(shí)別到大致輪廓，不能夠精準(zhǔn)的描述出來運(yùn)動(dòng)目標(biāo)。對(duì)幀間時(shí)間和閾值的選擇比較嚴(yán)謹(jǐn)。當(dāng)運(yùn)動(dòng)物體的速度較快，幀間幅度很大時(shí)，如果運(yùn)動(dòng)物體的前后兩幀之間沒有重合的地方，則是無關(guān)物體；甚至還有可能無法檢測到運(yùn)動(dòng)目標(biāo)，尤其當(dāng)運(yùn)動(dòng)物體速度很慢，且?guī)g時(shí)間較小，這時(shí)候區(qū)域大于95%，就會(huì)發(fā)生這種情況。1.2.2.2光流法1981年，Horn和Schunck提出了光流方法，光流是某一圖像亮度模式的明顯運(yùn)動(dòng)，光流法是在假定圖像序列的亮度不變的前提下，在傳感器中測得的目標(biāo)上點(diǎn)的瞬時(shí)速度的具體形式，光流是指物體在觀測平面圖上運(yùn)動(dòng)的瞬時(shí)速度，是一個(gè)場景在平面圖上的投影，反映物體表面運(yùn)動(dòng)點(diǎn)的瞬時(shí)速度，說明光流場與運(yùn)動(dòng)場本質(zhì)上是相同的，通過圖像序列的改變可以檢測物體的運(yùn)動(dòng)。如果被檢測物體的圖像相對(duì)于其背景是運(yùn)動(dòng)的，則其應(yīng)與相鄰背景速度矢量不同。通過對(duì)圖像光流場的分析，得到運(yùn)動(dòng)場的結(jié)果后，通過對(duì)檢測前后場景的比較，得到系統(tǒng)所需的目標(biāo)運(yùn)動(dòng)。不得不說，光流在許多領(lǐng)域起著重要作用。例如，在先進(jìn)的計(jì)算機(jī)視覺算法中，光流有助于實(shí)現(xiàn)探測、識(shí)別、判斷、跟蹤等功能，光流法的優(yōu)點(diǎn)更多，如對(duì)森林、沙漠、沼澤等自然環(huán)境的探測和推測，以及在航空、生物、化學(xué)等領(lǐng)域的初步應(yīng)用，都表明光流是許多領(lǐng)域的重要組成部分。但是光流法也有明顯的缺點(diǎn)，因?yàn)樗奶綔y目標(biāo)容易受到明暗、運(yùn)動(dòng)物體的陰影、外部物體的不規(guī)則運(yùn)動(dòng)等動(dòng)態(tài)環(huán)境因素的影響，而常規(guī)光流法的算法比較復(fù)雜，如果將光流法和背景減法融合，建立新的多方法光流計(jì)算模型，對(duì)運(yùn)動(dòng)目標(biāo)的檢測具有重要意義。1.2.2.3背景差分法在背景差分法中，背景圖像的設(shè)定是沒有運(yùn)動(dòng)物體的黑白圖像，然后從像素中減去待檢測圖像的二值圖像和背景圖像的二值圖像。差分圖像中的非零像素代表運(yùn)動(dòng)目標(biāo)（理想情況），然后設(shè)置適當(dāng)?shù)拈撝祻囊曨l圖像中提取運(yùn)動(dòng)目標(biāo)，這樣才能使得到的運(yùn)動(dòng)目標(biāo)相對(duì)容易走下一步流程。其中相對(duì)容易的獲得參考背景圖像的方法有:對(duì)幾幅圖像進(jìn)行平均值計(jì)算。如式[1-3]:駐k(x,y)=|f(x,y,k)-b(x,y,k-1)|[1-3]其中,f(x,y,k)為當(dāng)前幀圖像;b(x,y,k-1)為背景幀圖像;駐k(x,y)為差分圖像。根據(jù)差分圖像,檢測運(yùn)動(dòng)目標(biāo)為:Rk(x,y)=1,Foreground駐k(x,y)>Th0,Background駐k(x,y)臆{Th(3)Rk(x,y)為1指前景目標(biāo)點(diǎn),Rk(x,y)為0指背景像素點(diǎn)。背景減法是一種廣泛應(yīng)用于運(yùn)動(dòng)目標(biāo)檢測的方法，適用于固定攝像機(jī)，算法不復(fù)雜，易于編寫，易于檢測，但對(duì)背景的動(dòng)態(tài)變化非常敏感，如光照、光照等，陰影或背景。建立一個(gè)相對(duì)準(zhǔn)確的背景模型有利于背景減法的應(yīng)用。目前，許多研究者建立不同的背景模型來獲得算法，這不容易干擾運(yùn)動(dòng)目標(biāo)分割過程中的其他動(dòng)態(tài)條件。1.2.3擬解決的主要問題本表采用的背景減法雖然能清晰地獲得運(yùn)動(dòng)物體的幾何輪廓，并通過兩幀圖像的對(duì)比，獲得運(yùn)動(dòng)物體的關(guān)鍵特征，但其缺點(diǎn)很多，容易受到外界環(huán)境的干擾，圖像質(zhì)量差、圖像質(zhì)量差等，如光照檢測和選擇相對(duì)合適的背景圖像，這將直接影響檢測效果，因此，這一規(guī)律必須解決以下問題：（1）如何將當(dāng)前幀和背景模型轉(zhuǎn)換成黑白圖像并進(jìn)行比較；（2）如何逐像素比較當(dāng)前幀與背景模型；（3）尋找運(yùn)動(dòng)目標(biāo)的質(zhì)心；（4）光照、天氣和運(yùn)動(dòng)目標(biāo)陰影的變化都會(huì)影響檢測結(jié)果，如何去噪。2對(duì)于研究圖像的預(yù)處理圖像處理基礎(chǔ)步驟有灰度圖像處理，也包括噪聲去除，當(dāng)然合理的閾值調(diào)整也不可少，圖像處理的結(jié)果是高級(jí)的操作，像圖像分析、圖像處理、圖像處理、圖像處理、圖像預(yù)處理等，理解和識(shí)別。因此智能監(jiān)控的優(yōu)勢使得圖像預(yù)處理成為必然，它不僅能消除圖像噪聲，還可以提高圖像清晰度，最重要的對(duì)于目標(biāo)識(shí)別精度和目標(biāo)跟蹤機(jī)會(huì)也有了很大的提高。2.1圖像的轉(zhuǎn)換在對(duì)運(yùn)動(dòng)物體的圖像進(jìn)行處理的過程中，我們首先要將從視頻中獲得的彩色圖像通過軟件轉(zhuǎn)化為黑白圖像，理由是相對(duì)于彩色圖像，運(yùn)動(dòng)目標(biāo)檢測使用黑白圖像已經(jīng)足夠，且黑白圖像包含的信息較少，對(duì)于計(jì)算機(jī)來說比彩色圖像更容易區(qū)分。計(jì)算機(jī)使用二值化圖像就能夠極大地降低圖像對(duì)比時(shí)的計(jì)算量和儲(chǔ)存量，進(jìn)而使處理變得容易，提高了處理速度，從而使得智能監(jiān)控系統(tǒng)具有實(shí)用價(jià)值。因?yàn)樾枰M(jìn)行實(shí)驗(yàn)，所以對(duì)BMP圖像的處理是我主要研究的內(nèi)容，其采用的是灰度圖像的二值轉(zhuǎn)換和變換?；叶忍幚沓Ｓ玫姆椒ㄓ幸韵氯N:方法1：在灰度化之后的R，G，B最終的值都等于處理前的R加處理前的G加處理前的B的總和除以3方法2：灰度化后的RGB分別=

處理前的R*0.3+處理前的G*0.59+處理前的B*0.11方法3：因?yàn)镽，G，B這三個(gè)分量的最大值為255，于是將灰度值設(shè)為此值二值化，看似很復(fù)雜，其實(shí)就是把黑白圖像中每個(gè)像素點(diǎn)的灰度值變更為0（黑色）或255（白色），這樣就只有黑和白這兩種顏色，那么二值化后的圖像對(duì)于后面的計(jì)算更加便利。黑白圖像中像素的灰度值的區(qū)域?yàn)?~255，以下皆是二值化后的數(shù)據(jù)。黑色：R=0G=0B=0

白色：R=255G=255

B=2552.2圖像的二值化處理圖像二值化是對(duì)圖像進(jìn)行處理的基本技術(shù)，它不僅很活躍，還有很多的用處，像壓制圖像信息這樣的功能?；具^程如下:首先對(duì)初始圖像進(jìn)行低通濾波處理，并進(jìn)行預(yù)處理以減少或去除噪聲。閾值t用算法進(jìn)行確定，若被測像素的灰度值比閾值大，那就都轉(zhuǎn)化為255，即為白色，反之則為0（黑色），這樣的話圖像就只存在黑白兩個(gè)值。這樣就可以把圖像清楚地分為背景和前景，將圖像成功轉(zhuǎn)化為二值圖像。f(x,y)=0f(x,y)<tf(x,y)=255f(x,y)>=t[2-1]在[2-1]這個(gè)表達(dá)式中的t即為閾值，作為一種非線性的圖像運(yùn)算處理，若圖像中灰度值小于T的像素其灰度值全都設(shè)置為0，若圖像中灰度的絕對(duì)值值大于且等于T的像素其灰度值就被設(shè)置為255。閾值怎么選對(duì)閾值化后產(chǎn)生的效果起著重要的作用，閾值會(huì)直接影響后續(xù)處理和最后顯示的結(jié)果。如果圖像前后景灰度相差很大，可以查看直方圖，它顯示了雙峰-谷的特征，在谷底查看灰度值就可以設(shè)置為想要的閾值。圖2.1給出了直方圖的雙峰圖。2.3圖像的閾值化處理因?yàn)閿z影器材的條件不足和數(shù)據(jù)傳遞時(shí)的不穩(wěn)定，設(shè)備所記錄的被檢測圖像序列必定存在不少的噪聲，這將會(huì)影響圖像的質(zhì)量并加大檢測的難度和計(jì)算量，因此，關(guān)于圖像序列的噪聲去除，必須操作以不影響后續(xù)檢測。在此對(duì)圖像進(jìn)行平滑濾波。平滑化有兩個(gè)目的。提高圖像質(zhì)量，提取目標(biāo)特征。由于噪聲源多（如掃描模式、薄膜上的微塵、電子器件、數(shù)據(jù)傳輸通道等），而且噪聲的類別也很多，由相減噪聲，還包括時(shí)域噪聲，相應(yīng)的平域噪聲也在其中。因此平滑的方法也很多。那么對(duì)圖像進(jìn)行濾波處理，就可以消去噪聲，提高質(zhì)量，比較常見的技術(shù)有頻域?yàn)V波，時(shí)域?yàn)V波也包含在內(nèi)，以及不可少的空域?yàn)V波。那么進(jìn)行處理時(shí)，我們還要注意很多問題，尤其是對(duì)圖像細(xì)節(jié)和邊緣信息的保護(hù)。在使用空域方法時(shí)，比較常用的保持圖像相對(duì)平滑的方法是使用這兩種方法：均值濾波、中值濾波。在均值濾波過程中，通常采用奇點(diǎn)移動(dòng)方塊圖在圖像上移動(dòng)。方框圖中心像素的灰度值取方框圖中所有像素的平均數(shù)。在中值濾波器中，框圖中心的像素的灰度值就是所在框圖的平均值。為了實(shí)現(xiàn)這兩種過濾方法，設(shè)置了一個(gè)數(shù)組[a][a]，以減少工作量。同時(shí)，在掃描方塊圖時(shí)，不需要對(duì)方塊圖四角的像素進(jìn)行處理，也可以將像素的灰度值設(shè)置為“0”，以延伸目標(biāo)的邊界。中值濾波的實(shí)現(xiàn)過程如下（這里以3X3的模板為例）：繪制一個(gè)3x3的圖表，并使用該圖表在圖像序列上從前到后依次地移動(dòng)；在每次移動(dòng)之后將表內(nèi)各像素的灰度排好順序；不斷使用所列順序的中間值該表中間處的初始數(shù)；首先，從左到右滾動(dòng)圖形，按此順序從上到下加載，重復(fù)上述步驟，最后體驗(yàn)圖像的所有灰度值。中值濾波示意圖如圖2.2所示：ABCDEFGHI滑動(dòng)方向圖2.2中值濾波示意圖3運(yùn)動(dòng)目標(biāo)檢測運(yùn)動(dòng)對(duì)象檢測的主要目的是從運(yùn)動(dòng)圖像中提取運(yùn)動(dòng)對(duì)象這個(gè)元素，取得運(yùn)動(dòng)對(duì)象的顏色、形狀、輪廓等特征信息。我們普遍使用的方法有三種。幀差分法、背景差分法和光流法。在場景中的目標(biāo)移動(dòng)的情況下，目標(biāo)圖像在不同幀中的位置是不同的，在該算法中，兩個(gè)或三個(gè)連續(xù)的圖像在時(shí)間上是不同的，所以減去不同幀對(duì)應(yīng)的像素就確定了灰度差的絕對(duì)值。當(dāng)絕對(duì)值超過一定閾值時(shí)，判斷為運(yùn)動(dòng)目標(biāo)，實(shí)現(xiàn)目標(biāo)檢測功能?？傊?，幀間差分法不僅原理簡單，而且還具有算法一樣計(jì)算量小的優(yōu)點(diǎn)，還能快速檢測出場景中的運(yùn)動(dòng)目標(biāo)。但實(shí)驗(yàn)結(jié)果表明，不同幀間差分方法檢測到的目標(biāo)是不完整的，因?yàn)檫\(yùn)動(dòng)目標(biāo)在相鄰幀間的位置變化緩慢，很難檢測到不同幀間的重疊目標(biāo)，幀間差分方法通常不僅用于目標(biāo)檢測，而且與其他檢測算法結(jié)合使用。3.1背景差分法的使用緣由在本研究中，我選擇了背景減法來檢測運(yùn)動(dòng)物體。其基本思想是將包含運(yùn)動(dòng)物體的圖像與背景圖像或背景模型進(jìn)行比較，通過判斷圖像之間的灰度差異，或者利用直方圖分割的方法得到運(yùn)動(dòng)目標(biāo)的灰度圖像，這些都使得該方法在選擇選定的背景圖像時(shí)有一定的局限性，必須是完全靜態(tài)的，必須在一些不易受周圍環(huán)境影響的理想場合使用。在第二種主流方法中，光流法可以通過分析圖像的光流場，計(jì)算運(yùn)動(dòng)場，分割出相應(yīng)的場景來檢測運(yùn)動(dòng)目標(biāo)，但它需要大量的工作，而且更容易受到周圍環(huán)境的影響。幀減法作為最后一種主流方法，是通過對(duì)圖像序列中相鄰兩幀之間的差分來提取圖像的運(yùn)動(dòng)區(qū)域，即使算法設(shè)計(jì)簡單，易于實(shí)現(xiàn)；與背景提取法和光流法相比，它具有適應(yīng)動(dòng)態(tài)環(huán)境的優(yōu)點(diǎn)，但不能有效地檢測運(yùn)動(dòng)，有助于完成相關(guān)實(shí)驗(yàn)?zāi)繕?biāo)。雖然基本差分法存在很多問題，但本研究的具體情況是可以保證一個(gè)相對(duì)穩(wěn)定的檢測環(huán)境，計(jì)算機(jī)所需的計(jì)算量不宜過大。它應(yīng)該能夠盡可能清晰地檢測出運(yùn)動(dòng)目標(biāo)的灰度圖像，因此，基本差分法的優(yōu)點(diǎn)是所需計(jì)算機(jī)運(yùn)算量小，比幀間差分法分割運(yùn)動(dòng)目標(biāo)更清晰，更適合本研究所用設(shè)備的特點(diǎn)，使其成為本研究的檢測手段。3.2建立相關(guān)的可靠背景模型根據(jù)本文的研究難度和現(xiàn)代社會(huì)的一般監(jiān)控方式，我們假設(shè)在一個(gè)環(huán)境基本不變的區(qū)域內(nèi)，使用背景差分法來檢測運(yùn)動(dòng)目標(biāo)。開始時(shí)我并不知曉該區(qū)域是否存在運(yùn)動(dòng)物體，這給之后的運(yùn)動(dòng)目標(biāo)檢測帶來了麻煩。所以我最先要解決建立一個(gè)背景模型的問題。在這方面使用的方法是背景更新法，它主要是利用圖像序列中含有運(yùn)動(dòng)目標(biāo)的圖像，取出運(yùn)動(dòng)目標(biāo)，與背景圖像對(duì)比，接著對(duì)其進(jìn)行更新。為了對(duì)背景圖像進(jìn)行有效更新，我們需要設(shè)定一種算法來操作，具體算法如下式[3-1]、[3-2]所示:Ak(x,y)=Kk(x,y)|Fk(x,y)-Fk-1(x,y)|<t[3-1]Ak(x,y)=Mk|Fk(x,y)-Fk-1(x,y)|>=t[3-2]Kk(為圖像中（x,y）點(diǎn)的灰度背景值，為第k幀圖像的灰度值，t為幀差閾值。如果運(yùn)動(dòng)圖像幾何沒有停頓，一直在運(yùn)動(dòng)當(dāng)中，這樣就保證了背景圖像一直會(huì)獲得更新，就能滿足下一幀圖像目標(biāo)檢測的需要。在本次研究的所有實(shí)驗(yàn)中，t的值均設(shè)定為背景圖像的像素灰度的20%，若當(dāng)前幀背景像素的灰度為背景像素灰度得120%及以上，則更新，反之則不更新，這是由本次實(shí)驗(yàn)相對(duì)固定的環(huán)境亮度和從文獻(xiàn)中找到的研究成果決定的3.3基于閾值的圖像分割在現(xiàn)實(shí)研究情況下，獲取到的圖像一定都存在一定的噪聲和干擾，背景圖像包含的無用信息較多，所以，才要對(duì)整個(gè)視頻段進(jìn)行圖像的預(yù)先處理并設(shè)定一個(gè)合適的閾值。而且，僅僅是簡單的背景差分并不能直接獲取容易確定運(yùn)動(dòng)路線的目標(biāo)灰度圖，因?yàn)槿〉玫膱D中有部分的背景圖像和噪聲。這是要選取合適閾值的另一個(gè)重要原因。閾值也可以稱為臨界值，它的主要作用是劃出一個(gè)明確的界限。在該界限內(nèi)執(zhí)行某種設(shè)定好的程序，在該界限外執(zhí)行另一項(xiàng)程序。閾值還有一個(gè)稱呼是臨界值，它的主要任務(wù)是畫出一個(gè)特定的范圍，然后在這個(gè)范圍內(nèi)存在的被檢測物用一種設(shè)定好的標(biāo)準(zhǔn)進(jìn)行轉(zhuǎn)化。在該特定范圍之外的方法則采用其他一種規(guī)則進(jìn)行轉(zhuǎn)化或保持原樣。黑白圖像經(jīng)過閾值變換后轉(zhuǎn)化為二值化圖像，以下是其函數(shù)式[3-3]：y=0x<Ay=255x>=A[3-3]其中A為閾值，將所有圖像像素的灰度值比閾值曉得，都轉(zhuǎn)化為灰度等于0的像素，而另外的像素灰度值則為255.簡單來說，確定閾值是為了獲取運(yùn)動(dòng)目標(biāo)，即把運(yùn)動(dòng)目標(biāo)和背景分離。這種方法是相當(dāng)經(jīng)典的圖像捕獲方法，它由于操作簡單、不需要太多計(jì)算、性能穩(wěn)定而在圖像獲取過程中被技術(shù)人員經(jīng)常運(yùn)用。閾值的確定要使用雙峰法，顧名思義，該方法將圖像分為前景和背景?；叶戎狈綀D一般有兩個(gè)峰值，兩個(gè)峰值之間的最小值是最適合圖像采集的閾值。一般情況下，我們?nèi)〉玫膱D像基本是一個(gè)較亮的目標(biāo)存在于一個(gè)相對(duì)暗的場景，小于A則是背景形成的灰度圖，大于A則是運(yùn)動(dòng)目標(biāo)形成的灰度圖。本文所需的閾值A(chǔ)并不是針對(duì)單一圖象的灰度分割閾值，而是研究將前景運(yùn)動(dòng)目標(biāo)圖像和背景圖像作差后的灰度特性進(jìn)行統(tǒng)計(jì)得到灰度差直方圖，從而取得一適當(dāng)?shù)拈撝怠?.4背景差分法在檢測中的運(yùn)用利用背景差分法檢測運(yùn)動(dòng)目標(biāo)。利用兩個(gè)圖像灰度特征的明顯差異，檢測出運(yùn)動(dòng)目標(biāo)，確定目標(biāo)的運(yùn)動(dòng)軌跡。采用背景差分法建立背景模型。為了避免相鄰兩幀中運(yùn)動(dòng)物體的重疊。需要每隔一個(gè)序列拍攝一張照片，將獲得的圖像設(shè)置為，然后將前后相鄰的兩組圖像相減，就可以獲得幀差圖像t幀。將這些T幀相加，得到平均數(shù)，得到研究所需的背景圖像。它能適應(yīng)光線、場景等外部環(huán)境的變化。該背景模型更符合實(shí)際情況，實(shí)用性強(qiáng)。，時(shí)，其中（x，y）表示圖像位置坐標(biāo)，并且I當(dāng)使用背景減法的方法時(shí)，假設(shè)這是靜態(tài)場景，因此背景圖像不會(huì)由于圖像幀的數(shù)目而改變，該數(shù)目被設(shè)置為，并且當(dāng)圖像序列可以被定義為，其中（x,y）是第I幀圖像。通過在每個(gè)測量圖像的灰度和背景圖像的灰度之間執(zhí)行差分操作，將獲得以下差分圖像，此為其表達(dá)式[3-4]：[3-4]將灰度值的絕對(duì)值與給定的閾值進(jìn)行比較，得到二值圖像，可用下式[3-5]表示： [3-5]值為1和0的像素分別對(duì)應(yīng)于第一層（移動(dòng)目標(biāo)區(qū)域）和背景（非移動(dòng)目標(biāo)區(qū)域），采用雙模態(tài)直方圖法得到T閾值，T閾值的選取精度直接影響檢測的質(zhì)量，背景減法可以檢測出靜止背景中的運(yùn)動(dòng)目標(biāo)。3.5圖像后續(xù)處理由于噪聲的干擾和目標(biāo)與背景圖像之間的小灰度部分，我們的檢測算法是基于像素的，檢測出的兩幅有價(jià)值的圖像，前面的風(fēng)景點(diǎn)不一定是真實(shí)的運(yùn)動(dòng)目標(biāo)。會(huì)有許多孤立的點(diǎn)和區(qū)域以及一些小孔，因此，需要解決以上結(jié)果：消除孤立的噪聲點(diǎn)和小噪聲區(qū)域。在該表中，消除孤立的聲點(diǎn)，進(jìn)行數(shù)學(xué)形態(tài)學(xué)，填充目標(biāo)區(qū)域的小孔以去除噪聲。數(shù)學(xué)形態(tài)學(xué)的主要內(nèi)容是利用一些結(jié)構(gòu)化算法來獲取圖像中不同的形狀元素，從而對(duì)圖像進(jìn)行識(shí)別和判定。該技術(shù)通常以兩幅有價(jià)值的圖像作為處理對(duì)象?；镜男螒B(tài)操作是腐蝕和膨脹。腐蝕是指去除圖像中無用的噪聲。腐蝕后留下的目標(biāo)在探測前會(huì)失去一些區(qū)域。腐蝕的算法：結(jié)構(gòu)元素設(shè)定為3x3，掃描圖像的每一個(gè)像素，用結(jié)構(gòu)元素與其覆蓋的二值圖像做“與”操作。如果都為1，結(jié)果圖像的該像素為1。反之就是0.X用B來腐蝕記為，定義是[3-6]： [3-6]在該表達(dá)式中，X表示二值圖像，B表示結(jié)構(gòu)元素，并且表示腐蝕后的剩余目標(biāo)，并且表示當(dāng)B的中心移動(dòng)到（X，y）時(shí)獲得的圖像；它是一組點(diǎn)，如（x，y）：當(dāng)B的中心移動(dòng)到（x，y）點(diǎn)時(shí)，B將完全被x所包含。結(jié)果：使二值圖像減小一圈膨脹的算法：結(jié)構(gòu)元素設(shè)定為3x3，掃描每一個(gè)像素，對(duì)二值化圖像進(jìn)行“與”操作，尤其是對(duì)結(jié)構(gòu)元素與被其覆蓋的。如果都為0，結(jié)果圖像的該像素為0。否則就是1,定義式[3-7]：E=BS={x,y|Sxy∩B≠Ф}[3-7]膨脹作為腐蝕的對(duì)偶運(yùn)算方式，其主要思想是把和目標(biāo)接觸過的像素都和目標(biāo)結(jié)合，這最后將使得運(yùn)動(dòng)目標(biāo)占得區(qū)域加上所有接觸的點(diǎn)。膨脹在補(bǔ)充目標(biāo)被獲取后產(chǎn)生的空洞時(shí)有重要作用。X用B來膨脹記為，定義是[3-8]：[3-8]如果X表示二值圖像，B表示結(jié)構(gòu)元素，D表示二值圖像的展開內(nèi)容，這是指當(dāng)結(jié)構(gòu)元素的中心移動(dòng)到（X，y）時(shí)獲得的圖像；D表示擴(kuò)展的二值圖像，它表示像素集，例如點(diǎn)（x，y）：如果B的中心移動(dòng)（x，y），則B和x的交集不是空的，即擊中X。結(jié)果：使二值圖像擴(kuò)大一圈我們來講兩個(gè)概念：開運(yùn)算和閉運(yùn)算。1、圖像先腐蝕后膨脹的是開運(yùn)算2、圖像先膨脹后腐蝕的是閉運(yùn)算開放式操作可以去除孤立的點(diǎn)、槽和橋，而整體位置和形狀保持不變；封閉式操作可以填充小湖（小孔）和閉合小間隙，而整體位置和形狀保持不變。去除圖像干涉點(diǎn)，填充小孔。它保持了運(yùn)動(dòng)目標(biāo)的完整性，避免了噪聲的干擾。提高了計(jì)算效率。4軟件設(shè)計(jì)及試驗(yàn)4.1兩項(xiàng)實(shí)驗(yàn)總流程本次的軟件設(shè)計(jì)和實(shí)驗(yàn)總共分為兩項(xiàng)實(shí)驗(yàn)，實(shí)驗(yàn)一是對(duì)黑白進(jìn)行二值化處理和繪制出灰度直方圖，對(duì)黑白圖像的二值化處理是為了更為有效地從背景圖像和當(dāng)前幀圖像的相差分中提取出需要的運(yùn)動(dòng)檢測目標(biāo)，以便于進(jìn)行下一步的運(yùn)動(dòng)檢測目標(biāo)的質(zhì)點(diǎn)尋找和運(yùn)動(dòng)目標(biāo)運(yùn)動(dòng)路線判斷，而繪制灰度直方圖則是通過當(dāng)前幀和背景圖像之間的對(duì)比，得到相應(yīng)的灰度差圖像，進(jìn)而繪制出灰度直方圖，該圖上兩“峰”之間谷的最低點(diǎn)就是接下來實(shí)驗(yàn)二所需的閾值，該閾值是區(qū)分前景圖像和背景圖像的重要標(biāo)準(zhǔn)。實(shí)驗(yàn)二是對(duì)運(yùn)動(dòng)目標(biāo)運(yùn)動(dòng)方向的判斷，主要是在實(shí)驗(yàn)一的基礎(chǔ)上，通過相關(guān)的軟件程序?qū)\(yùn)動(dòng)目標(biāo)進(jìn)行運(yùn)動(dòng)檢測、運(yùn)動(dòng)目標(biāo)質(zhì)心的確定和運(yùn)動(dòng)路線的繪制，在對(duì)運(yùn)動(dòng)目標(biāo)進(jìn)行檢測后，通過對(duì)前后幀圖像的灰度差圖像的對(duì)比來確定運(yùn)動(dòng)目標(biāo)的質(zhì)心，并將所有運(yùn)動(dòng)目標(biāo)質(zhì)心相連得到運(yùn)動(dòng)目標(biāo)運(yùn)動(dòng)路線。實(shí)驗(yàn)一所對(duì)應(yīng)的程序代碼詳情可見附錄1，實(shí)驗(yàn)二所對(duì)應(yīng)的程序代碼詳情可見附錄2，兩項(xiàng)實(shí)驗(yàn)的總流程如下描述：(1)輸入背景圖像并進(jìn)行建模，將其轉(zhuǎn)化為黑白圖像；(2)輸入當(dāng)前幀對(duì)當(dāng)前幀進(jìn)行建模，將其轉(zhuǎn)化為黑白圖像；(3)將兩幅黑白圖像相差分得到差分圖像；(4)根據(jù)軟件設(shè)定的閾值去噪，對(duì)當(dāng)前幀與背景模型的二值化圖像進(jìn)行逐像素的比較；(5)選出不符合的像素標(biāo)記為前景像素，前景像素所形成的圖像即為運(yùn)動(dòng)目標(biāo)；(6)不斷重復(fù)上述過程得到所有運(yùn)動(dòng)目標(biāo)圖像；(7)對(duì)比所有圖像的灰度差以此得到運(yùn)動(dòng)目標(biāo)圖像質(zhì)心；(8)將質(zhì)心輸入所有運(yùn)動(dòng)目標(biāo)圖像中，得到全部運(yùn)動(dòng)目標(biāo)質(zhì)心；(9)將所有運(yùn)動(dòng)目標(biāo)質(zhì)心相連即可得到運(yùn)動(dòng)目標(biāo)運(yùn)動(dòng)路線；具體流程圖如下圖4.1所示:圖4.1兩項(xiàng)實(shí)驗(yàn)總流程圖4.2黑白圖像二值化及灰度直方圖運(yùn)動(dòng)對(duì)象檢測的第一步驟是將彩色圖像轉(zhuǎn)換為黑白圖像，將黑白圖像二值化。要將彩色圖像轉(zhuǎn)換成黑白圖像，可以使用photoship等圖像處理軟件。操作非常簡單。這里不存在多余的。因此，主要對(duì)黑白圖像進(jìn)行二值化實(shí)驗(yàn)。為了得到灰度背景和運(yùn)動(dòng)目標(biāo)圖像，該算法可以由軟件執(zhí)行。C-Free是調(diào)試環(huán)境的軟件選擇。由于軟件環(huán)境平臺(tái)要求的數(shù)據(jù)空間有限，應(yīng)用程序排列過大，無法處理大圖像。通過移動(dòng)文件位置指針函數(shù)fseek和數(shù)據(jù)塊讀取函數(shù)fread來讀取文件數(shù)據(jù)。對(duì)視頻序列連續(xù)取3-5幀，取平均，得到背景圖像。背景更新模型算法如下：設(shè)序列圖像，設(shè)置時(shí)間間隔為n初始化：[4-1]背景更新：式[4-1]中，從第k幀開始更新，序列圖像間隔n的三幀圖像為F(x,y,k-n),F(x,y,n)和F(x,y,k+n)。對(duì)于某一固定坐標(biāo)（x,y）的像素進(jìn)行統(tǒng)計(jì)，求取出該像素的平均值作為對(duì)應(yīng)背景圖像像素點(diǎn)的灰度。在有之后多次的對(duì)比更新即可獲得較為清晰地背景圖像。本次實(shí)驗(yàn)?zāi)繕?biāo)檢測的流程圖見圖4.2：前景背景前景背景背景差分背景差分灰度直方圖統(tǒng)計(jì)灰度直方圖統(tǒng)計(jì)閾值分割閾值分割目標(biāo)圖像目標(biāo)圖像圖4.2運(yùn)動(dòng)目標(biāo)檢測運(yùn)動(dòng)目標(biāo)的檢測流程如圖4.2所示。當(dāng)從背景減去當(dāng)前幀時(shí)，獲得灰度差分圖像，減去前后幀以獲得另一灰度差分圖像，并將兩個(gè)圖像相加以獲得第三灰度差分圖像。，并與選定的閾值進(jìn)行比較，判斷像素是屬于運(yùn)動(dòng)背景還是目標(biāo)，可以得到精確的前景圖像，但由于噪聲的影響，前景圖像必須進(jìn)行數(shù)學(xué)形態(tài)學(xué)處理才能得到滿意的結(jié)果。本文實(shí)驗(yàn)對(duì)下面的幾種圖像序列進(jìn)行了處理，處理結(jié)果如下：第一組圖像：圖4.3當(dāng)前幀 圖4.4背景圖像圖4.5灰度差圖像 圖4.6灰度直方圖 圖4.3-4.4為運(yùn)動(dòng)物體的圖像序列，圖4.3為輸入的當(dāng)前圖像，即前景中的運(yùn)動(dòng)物體圖像，圖4.4為建立的背景圖像，圖4.5為當(dāng)前圖像與背景圖像差異后的灰度圖像直方圖統(tǒng)計(jì)結(jié)果。4.3運(yùn)動(dòng)目標(biāo)運(yùn)動(dòng)方向的判斷圖4.7是運(yùn)動(dòng)目標(biāo)檢測中運(yùn)動(dòng)目標(biāo)方向判斷的示意流程圖。該程序?qū)蓚€(gè)連續(xù)移動(dòng)的對(duì)象表示為二進(jìn)制框圖。通過在各自的框圖中找到它們的質(zhì)心，判斷運(yùn)動(dòng)質(zhì)心的距離范圍，可以判斷出當(dāng)物體的運(yùn)動(dòng)方向向左時(shí)，運(yùn)動(dòng)物體向左運(yùn)動(dòng)。如果質(zhì)心向右移動(dòng)，運(yùn)動(dòng)物體就會(huì)向右移動(dòng)。當(dāng)質(zhì)心向下傾斜時(shí)，運(yùn)動(dòng)物體向下運(yùn)動(dòng)。也就是說你會(huì)蹲下或者摔倒背景圖像第二幀背景差圖像第一幀圖像背景圖像第二幀背景差圖像第一幀圖像相差分相差分相差分相差分得到二值化的目標(biāo)圖像b得到二值化的目標(biāo)圖像a得到二值化的目標(biāo)圖像b得到二值化的目標(biāo)圖像a作最小矩形框作最小矩形框作最小矩形框作最小矩形框求得質(zhì)心，并對(duì)比求得質(zhì)心，并對(duì)比質(zhì)心下移質(zhì)心上移質(zhì)心不變質(zhì)心右移質(zhì)心左移質(zhì)心下移質(zhì)心上移質(zhì)心不變質(zhì)心右移質(zhì)心左移向下蹲向上跳不動(dòng)向右走向左走向下蹲向上跳不動(dòng)向右走向左走結(jié)束結(jié)束圖4.7運(yùn)動(dòng)目標(biāo)運(yùn)動(dòng)方向的判斷以下是兩組對(duì)連續(xù)運(yùn)動(dòng)的目標(biāo)物體運(yùn)動(dòng)方向的判斷：第一組：圖4.8第一幀圖像圖4.9第一幀圖像框圖圖4.10第二幀圖像圖4.11第二幀圖像框圖圖4.12判斷運(yùn)動(dòng)目標(biāo)運(yùn)動(dòng)方向?yàn)椤皊tack”圖4.8和圖4.9是視頻序列的兩個(gè)連續(xù)幀，圖4.10和圖4.11分別是它們對(duì)應(yīng)的質(zhì)心目標(biāo)框圖，圖4.12是對(duì)從兩幀圖像中提取的目標(biāo)進(jìn)行判斷，根據(jù)目標(biāo)中心偏移量簡單判斷目標(biāo)的運(yùn)動(dòng)方向。第二組：圖4.13第一幀圖像圖4.14第一幀圖像框圖圖4.15第二幀圖像圖4.16第二幀圖像框圖圖4.17判斷運(yùn)動(dòng)目標(biāo)運(yùn)動(dòng)方向?yàn)椤癲own”圖4.13和圖4.14.是視頻序列的連續(xù)的兩個(gè)幀圖像，圖4.15和圖4.16分別是其對(duì)應(yīng)的帶質(zhì)心的目標(biāo)框圖。圖4.17是對(duì)兩個(gè)幀圖像提取的目標(biāo)做出判斷，根據(jù)其質(zhì)心的偏移量，簡單判斷該目標(biāo)的運(yùn)動(dòng)方向。在之前兩組實(shí)驗(yàn)運(yùn)動(dòng)方向判定的基礎(chǔ)上，我們對(duì)以下兩組黑白圖像并進(jìn)行檢測：第一組：圖4.33第一幀圖像圖4.34第二幀圖像圖4.35第三幀圖像圖4.36第四幀圖像圖4.37第五幀圖像圖4.38第六幀圖像圖4.39第七幀圖像圖4.40第八幀圖像將如上圖圖4.33,圖4.34,圖4.35,圖4.36,圖4.37,圖4.38,圖4.39,圖4.40輸入軟件，則軟件的輸出的運(yùn)動(dòng)目標(biāo)路線為right-left-right-down-up-right–down。第二組：圖4.41第一幀圖像圖4.42第二幀圖像圖4.43第三幀圖像圖4.44第四幀圖像圖4.45第五幀圖像圖4.46第六幀圖像圖4.47第七幀圖像圖4.48第八幀圖像將如上圖圖4.41,圖4.42,圖4.43,圖4.44,圖4.45,圖4.46,圖4.47,圖4.48輸入軟件，則軟件的輸出的運(yùn)動(dòng)目標(biāo)路線為down-up-left-down-right-left-left。5結(jié)論智能視頻監(jiān)控系統(tǒng)中的運(yùn)動(dòng)目標(biāo)檢測技術(shù)包括計(jì)算機(jī)等多個(gè)重要領(lǐng)域，因此它也是研究的重點(diǎn)。本文研究和總結(jié)了運(yùn)動(dòng)目標(biāo)檢測、運(yùn)動(dòng)目標(biāo)分割、閾值選取、運(yùn)動(dòng)目標(biāo)檢測等基本方法，確定移動(dòng)物體和確定中心點(diǎn)?？偨Y(jié)如下：1.本文根據(jù)運(yùn)動(dòng)目標(biāo)檢測的基本概念，進(jìn)行了分類和總結(jié)操作，對(duì)現(xiàn)有的運(yùn)動(dòng)目標(biāo)檢測和提取算法，著重研究了基于底部差分法和幀間差分法的運(yùn)動(dòng)目標(biāo)檢測算法筆者對(duì)于該算法的要求進(jìn)行了詳細(xì)的分析，也發(fā)現(xiàn)了存在的很多問題并進(jìn)行了闡述，以背景模型為基礎(chǔ)，進(jìn)行討論，利用統(tǒng)計(jì)方法建立了一個(gè)描述背景變化對(duì)像素圖像值影響的模型。實(shí)驗(yàn)結(jié)果很好。2在捕獲目標(biāo)時(shí)，應(yīng)研究合適的閾值，計(jì)算前景圖像和背景圖像的灰度差直方圖，在后續(xù)實(shí)驗(yàn)中，選擇了一個(gè)更容易識(shí)別的閾值對(duì)目標(biāo)進(jìn)行分割，得到了一個(gè)合理的跟蹤閾值。3以人體為目標(biāo)，重點(diǎn)研究了運(yùn)動(dòng)目標(biāo)檢測方法，尤其是基于背景差分，該實(shí)驗(yàn)?zāi)軌蚝芎玫靥崛∵\(yùn)動(dòng)中的目標(biāo)區(qū)域，有效地抑制場景變化引起的噪聲，基本得到了滿足監(jiān)控要求的完整輪廓，介紹了處理技術(shù)以及如何跟蹤運(yùn)動(dòng)目標(biāo)。背景差分法在總體上有處理速度快、處理效果好的優(yōu)點(diǎn)，但同時(shí)運(yùn)也存在著一些問題：比如若是目標(biāo)圖像的像素灰度值與背景的值相差太??；就很難獲取到運(yùn)動(dòng)目標(biāo)圖像；光線的變化也會(huì)影響前景目標(biāo)的提取和背景的更新，而這些問題都要通過以后的研究來完善和解決。致 謝在畢業(yè)的這一刻，我要感謝我的老師楊海波在我的論文寫作過程中的細(xì)心指導(dǎo)。無論是在選題、研究、軟件編寫還是論文的最終完成，我都充滿了導(dǎo)師的幫助和努力。導(dǎo)師的專業(yè)知識(shí)、學(xué)術(shù)態(tài)度和精神為我樹立了良好的榜樣，極大地提高了我的知識(shí)水平和社會(huì)洞察力，為我今后的學(xué)習(xí)和生活提供了很大的支持。我要向楊先生表示深深的謝意。此外，我還要向浙江樹人大學(xué)的老師以及我的同學(xué)們表示我內(nèi)心的慶幸和感激，在這短短四年中，你們毫不吝惜的給予我關(guān)心和支持，在我灰心時(shí)，鼓勵(lì)我，在我得意時(shí)，和我一同歡慶。我是那么的幸運(yùn)，才能遇到你們。當(dāng)然，我也要感謝父母親人，因?yàn)橛心銈円恢弊鑫冶澈蟮闹С?，我才能勇往無前。最后，我要對(duì)所有參與論文評(píng)審并提出寶貴意見的專家和老師表示衷心的感謝。姚林波21年5月參考文獻(xiàn)[1]陳寶遠(yuǎn),霍智超,陳光毅,等.一種改進(jìn)的三幀差分運(yùn)動(dòng)目標(biāo)檢測算法[J].應(yīng)用科技,2016,43(2):10-13.[2]余啟明.基于背景減法和幀差法的運(yùn)動(dòng)目標(biāo)檢測算法研究［D］．贛州:江西理工大學(xué)，2013:9-13．[3]楊麗娟,劉教民,王震洲,等.基于分塊幀差的視頻圖像運(yùn)動(dòng)檢測[J].河北科技大學(xué)學(xué)報(bào),2006,23(1):89-92.[4]艾金慰,劉克.數(shù)字視頻監(jiān)控系統(tǒng)中實(shí)時(shí)運(yùn)動(dòng)檢測系統(tǒng)