畢業(yè)論文---視頻圖像中運(yùn)動物體的檢測

1、<p><b>　　摘 要</b></p><p>　　運(yùn)動目標(biāo)檢測處于整個視覺檢測系統(tǒng)的最底層，是各種后續(xù)高級處理如目標(biāo)分類、行為理解等的基礎(chǔ)。運(yùn)動目標(biāo)檢測是指從視頻流中實(shí)時提取目標(biāo)，一般是確定目標(biāo)所在區(qū)域和顏色特征等。目標(biāo)檢測的結(jié)果是一種“靜態(tài)”目標(biāo)——前景目標(biāo)，由一些靜態(tài)特征所描述。</p><p>　　在論文的第一部分介紹了運(yùn)動目標(biāo)檢測的基本理論以

2、及實(shí)現(xiàn)方法；在論文的第二部分簡述了模式識別，數(shù)學(xué)形態(tài)學(xué)以及邊緣檢測的概念，重點(diǎn)介紹了數(shù)學(xué)形態(tài)學(xué)中的腐蝕和膨脹以及 canny算子用于邊緣檢測的方法。通過觀察所需檢測的圖像的性質(zhì)，筆者首先使用連通性的概念，進(jìn)行了算法一的嘗試；在不成功后，筆者又利用數(shù)學(xué)形態(tài)學(xué)和模式識別結(jié)合的方法，在canny算子邊緣檢測的基礎(chǔ)上，進(jìn)行了算法二的初步嘗試，得出了檢測結(jié)果。并通過對比試驗(yàn)，檢測了算法的效果。</p><p>　　關(guān)鍵詞：

3、運(yùn)動目標(biāo)檢測，數(shù)學(xué)形態(tài)學(xué)，模式識別，邊緣檢測</p><p><b>　　Abstract</b></p><p>　　The locomotion target detecting is placed in the understratum of the whole sense of vision detecting system, it is also the b

4、ase of every kind of follow-up advanced dispose such as the target sorting, behavior comprehending and so on. The locomotion target detecting is pick-uping target in real time from the video stream; it is commonly making

5、 sure the region and color characteristic etc. Of the target. The result of the target detecting is a kind of " static " target —— foreground target, bei</p><p>　　The basic theoretics and realiza

6、tion method of the locomotion target detecting is introduced in the first part of the thesis; in the second part of the thesis it is simply depicting the conception of pattern identify, mathematical morphology and the ed

7、ge deetecting,it is mostly introduced the method of the eroding and dilating of mathematical morphology, and the edge detecting using canny operator. Acrossing the character of the observing a kind of picture needing det

8、ecting, the author firstly u</p><p>　　Key Words: target detecting, mathematical morphology, pattern identify,</p><p>　　edge detecting </p><p><b>　　引 言</b></p>&

9、lt;p>　　在當(dāng)今信息時代，社會的發(fā)展突飛猛進(jìn)，各行各業(yè)都離不開信息，尤其是圖像信息。圖像信息處理作為一門跨學(xué)科的前沿科技已經(jīng)廣泛的應(yīng)用在各個領(lǐng)域。運(yùn)動目標(biāo)檢測是圖像信息處理中的重要課題，運(yùn)動目標(biāo)檢測的結(jié)果,常常是下一步的目標(biāo)跟蹤、模式識別、圖像理解等高級后處理的輸入圖像。在許多場合,比如說交通流量的監(jiān)測</p><p>　　等,我們往往對運(yùn)動的物體更感興趣。因此研究只對運(yùn)動目標(biāo)敏感的檢測與跟蹤系統(tǒng)是很有

10、意義的。 </p><p>　　縱觀全文，本論文主要完成了以下工作：首先，介紹了邊緣檢測的基本概念，邊緣檢測算子的處理，并特別著重介紹了canny算子；其次，介紹了數(shù)學(xué)形態(tài)學(xué)和模式識別，特別詳細(xì)介紹了腐蝕，膨脹，連通性和閾值分割的概念和算法；最后，介紹了作者所使用的兩種算法，并做出了對比實(shí)驗(yàn)。</p><p><b>　　目錄</b></p><p

11、><b>　　摘 要I</b></p><p>　　AbstractII</p><p><b>　　引 言III</b></p><p><b>　　第一章緒言１</b></p><p><b>　　1.1 引 言１</b></

12、p><p>　　1.2運(yùn)動目標(biāo)檢測的主要方法２</p><p>　　1.3 論文的主要內(nèi)容３</p><p>　　第二章 視頻圖像中運(yùn)動目標(biāo)檢測４</p><p>　　2.1數(shù)學(xué)形態(tài)學(xué)４</p><p><b>　　2.1.1腐蝕４</b></p><p><b

13、>　　2.1.2膨脹６</b></p><p>　　2.1.3連通性７</p><p><b>　　2.2邊緣檢測８</b></p><p>　　2.2.1Robert算子９</p><p>　　2.2.2Sobel算子９</p><p>　　2.2.3Prewitt算

14、子９</p><p>　　2.2.4LOG算子１０</p><p>　　2.2.5canny算子１０</p><p>　　2.3基于閾值的圖像分割１３</p><p>　　2.4視頻圖像運(yùn)動目標(biāo)檢測算法１５</p><p>　　2.4.1基于連通性運(yùn)動目標(biāo)檢測１５</p><p>　

15、　2.4.1.1算法框圖１５</p><p>　　2.4.1.2算法描述１７</p><p>　　2.4.2基于幀間差閾值法的運(yùn)動目標(biāo)檢測１８</p><p>　　2.4.2.1算法框圖１８</p><p>　　2.4.2.2算法描述２０</p><p>　　第三章 仿真實(shí)驗(yàn)２２</p>&

16、lt;p>　　3.1單運(yùn)動目標(biāo)檢測２２</p><p>　　3.2多運(yùn)動目標(biāo)檢測２６</p><p>　　第四章 結(jié)束語２９</p><p><b>　　參考文獻(xiàn)３０</b></p><p><b>　　附錄３１</b></p><p><b>

17、　　源程序３１</b></p><p><b>　　致謝３７</b></p><p><b>　　緒言</b></p><p><b>　　1.1 引 言</b></p><p>　　當(dāng)前是信息時代，信息的獲得，加工，處理和應(yīng)用等都有了飛躍發(fā)展。圖像信息處理是一

18、門跨學(xué)科的前沿科技。已經(jīng)廣泛的應(yīng)用在遙感，文件處理，工業(yè)檢測，機(jī)器人視覺，軍事，生物醫(yī)學(xué)，地質(zhì)，海洋，氣象，農(nóng)業(yè)，災(zāi)害治理，貨物檢測，郵政編碼，金融，公安，銀行，工礦企業(yè)，冶金，漁業(yè)，機(jī)械，交通，電子商務(wù)，多媒體網(wǎng)絡(luò)通信等領(lǐng)域。</p><p>　　數(shù)字圖像處理的主要研究目的在于通過對原始圖像的再加工，使之能具備更好的視覺效果或能滿足某些應(yīng)用的特定需求。在處理上主要包括圖像的采集，編碼，存儲和傳輸，圖像的合成，圖

19、像的增強(qiáng)，變換和復(fù)原，模式識別，圖像分割，目標(biāo)的檢測，以及數(shù)學(xué)形態(tài)學(xué)等諸多內(nèi)容。圖像處理著重強(qiáng)調(diào)圖像之間進(jìn)行的各類變換，以及對圖像中感興趣的目標(biāo)進(jìn)行的特征提取與目標(biāo)的分割。這些過程一般可用算法的形式加以表述。</p><p>　　圖像處理技術(shù)近幾年發(fā)展非常迅猛，每年均有數(shù)以百計(jì)的新算法誕生，其中包括小波變換等多種有相當(dāng)影響的算法，這些算法在設(shè)計(jì)時大量運(yùn)用了數(shù)學(xué)，數(shù)字信號處理，信息論以及色度學(xué)的有關(guān)知識，而且不少新

20、算法還充分吸取了神經(jīng)網(wǎng)絡(luò)，遺傳算法，人工智能以及模糊邏輯等相關(guān)理論的一些思想，開闊了進(jìn)行圖像處理的設(shè)計(jì)思路。然而，在現(xiàn)有的為數(shù)眾多的圖像處理算法中，至今仍沒有一種通用的處理算法，大多都是針對某一種或某一類圖像而提出來的，在處理時對被處理的圖像有很大的依賴性。</p><p>　　圖像處理技術(shù)隨著計(jì)算機(jī)技術(shù)的不斷發(fā)展，得到很大的提高，已經(jīng)具有自己的技術(shù)特色，并形成了較完善的學(xué)科體系。</p><

21、p>　　近幾年來,隨著多媒體技術(shù)的迅猛發(fā)展與計(jì)算機(jī)性能的不斷提高,動態(tài)圖像處理技術(shù)日益受到人們的青睞,并且取得了豐碩的成果,廣泛應(yīng)用于交通管理、軍事目標(biāo)跟蹤、生物醫(yī)學(xué)等領(lǐng)域。目標(biāo)監(jiān)測系統(tǒng),可以用計(jì)算機(jī)代替值班人員在倉庫、變電站、銀行等重要地方進(jìn)行監(jiān)控。由于靜態(tài)圖像處理技術(shù)有一定的局限性,而動態(tài)圖像比靜態(tài)圖像包含更多的信息,因此,引入運(yùn)動監(jiān)測很有必要。</p><p>　　運(yùn)動目標(biāo)檢測是機(jī)器視覺、視頻信息處理

22、和應(yīng)用視覺研究等領(lǐng)域中的重要課題。在實(shí)際應(yīng)用中,利用運(yùn)動目標(biāo)檢測算法進(jìn)行圖像分割的結(jié)果,常常是下一步的目標(biāo)跟蹤、模式識別、圖像理解等高級后處理的輸入圖像。在現(xiàn)實(shí)生活中,大量的有意義的視覺信息包含在運(yùn)動之中,甚至有些動物的眼睛經(jīng)過進(jìn)化,只能看見運(yùn)動的物體。盡管人類視覺既能看見運(yùn)動又能看見靜止的物體,但是在許多場合,比如說交通流量的監(jiān)測、重要場所的保安、航空和軍用飛行器的制導(dǎo)、汽車的自動駕駛或輔助駕駛等,我們往往對運(yùn)動的物體更感興趣。因此研

23、究只對運(yùn)動目標(biāo)敏感的檢測與跟蹤系統(tǒng)是很有意義的。此外,運(yùn)動目標(biāo)的研究對象是圖像序列,而對圖像序列的研究一般要比對單幀圖像作靜態(tài)分析容易。</p><p>　　1.2運(yùn)動目標(biāo)檢測的主要方法</p><p>　　目前,檢測運(yùn)動目標(biāo)的方法主要有光流法和幀間差閾值法。</p><p>　　一種常用的運(yùn)動檢測算法為“光流場分割法”。該算法計(jì)算場景中的二維速度分布,在目標(biāo)與背景

24、的速度不同時,將目標(biāo)從背景中分割出來。光流法的優(yōu)點(diǎn)是能夠檢測獨(dú)立運(yùn)動的對象,不需要預(yù)先知道場景的任何信息,并且可用于攝像機(jī)運(yùn)動的情況,但多數(shù)光流法計(jì)算復(fù)雜耗時,很難實(shí)現(xiàn)實(shí)時檢測。一般情況下,由計(jì)算量較大,該算法在圖像分辨率很高時只有被固化到硬件中才可以實(shí)時應(yīng)用。由于噪聲、多光源、陰影、透明性和遮擋性等原因,使得計(jì)算出的光流場分布不是十分可靠和精確,光流場的計(jì)算實(shí)時性和實(shí)用性較差。</p><p>　　另一種最直接

25、的運(yùn)動檢測算法——“基于差分圖像的直接算法”就是求出場景中當(dāng)前圖像f(x,y,t)與參考圖像fr(x,y)相減得到的差分圖像Δf(x,y,t),并對其進(jìn)行濾波、取閾和連通性處理。根據(jù)背景是否固定,該算法又可分為固定背景法和相繼圖像差分法。</p><p>　　(1)當(dāng)前圖像與固定背景圖象之間的差分;</p><p>　　固定背景法適用于攝像機(jī)固定、場景環(huán)境條件相對穩(wěn)定的場合,參考圖像可取為

26、一定時間內(nèi)的背景圖像。。固定背景法檢測物體的優(yōu)點(diǎn)是位置精確、速度快,因?yàn)樗恍璜@取當(dāng)前的一幅圖像。不足之處是受環(huán)境光線變化的影響,在非受控環(huán)境下需要加入背景圖象更新機(jī)制,且不適用于攝像頭運(yùn)動或者背景灰度變化很大的情況。</p><p>　　(2)當(dāng)前連續(xù)兩幅圖像(時間間隔Δｔ)之間的差分。</p><p>　　相繼圖像差分法取參考圖像為前一幀圖像f(x,y,t-1),所以它只檢測與背景有相

27、對運(yùn)動的物體。由于參考圖像不斷更新,該算法不易受光線變化的影響,其缺點(diǎn)是檢測出目標(biāo)的位置的精確性受目標(biāo)相對運(yùn)動速度的影響。</p><p>　　相繼圖像差分法的優(yōu)點(diǎn)是它只對運(yùn)動物體敏感,實(shí)際上它只檢測相對運(yùn)動的物體,而且因2幅圖像的時間間隔較短,差分圖像受光線變化影響小,檢測有效而穩(wěn)定;缺點(diǎn)是檢測出的物體的位置不精確,其外接矩形在運(yùn)動方向上被拉伸,這實(shí)際上是由相對運(yùn)動與物體位置并非完全一致引起的。相對運(yùn)動受物體本

28、身的運(yùn)動速度及相繼圖像之間的時間間隔影響。Ｃ.Ｖｉｅｒｅｎ提出了一種獲取運(yùn)動物體精確位置的方法,但該方法需要連續(xù)3幀圖像,并要計(jì)算梯度圖像,算法的計(jì)算量大且有一幀時間的滯后性。</p><p>　　運(yùn)動目標(biāo)的跟蹤是確定同一物體在不同幀中位置的過程,當(dāng)運(yùn)動物體被正確檢測出來時,它就是對相鄰幀中檢測出的物體進(jìn)行匹配的問題,匹配的依據(jù)主要是物體的大小和位置關(guān)系。假設(shè)在一幀的時間間隔內(nèi)跟蹤目標(biāo)的運(yùn)動軌跡是平滑的,即它的運(yùn)

29、動參量(速度和加速度)的改變應(yīng)該盡可能的小。</p><p>　　幀間差閾值法速度快,易于硬件實(shí)現(xiàn)。不足之處是很難求出運(yùn)動物體的速度,且當(dāng)運(yùn)動物體在成像平面有重疊時,幀間差閾值法不適用。</p><p>　　1.3 論文的主要內(nèi)容</p><p>　　本文的主要內(nèi)容是運(yùn)動目標(biāo)的檢測和跟蹤。實(shí)驗(yàn)的目標(biāo)是從一系列視頻圖像中截取的含有運(yùn)動目標(biāo)的圖像中檢測出運(yùn)動目標(biāo)。<

30、;/p><p>　　第二章中闡述了本文所使用的算法以及算法的基本原理。主要講述了數(shù)學(xué)形態(tài)學(xué)方面的基本原理以及本文所使用的兩種算法。</p><p>　　在第三章中對本文的算法進(jìn)行了仿真實(shí)驗(yàn)。主要是對不同實(shí)驗(yàn)圖像處理后得到的結(jié)果圖像說明。</p><p>　　通過仿真實(shí)驗(yàn)，在第四章中給出了一些結(jié)論，以及對以后工作的展望。</p><p>　　第二章

31、 視頻圖像中運(yùn)動目標(biāo)檢測</p><p>　　本章詳細(xì)描述了作者所使用的運(yùn)動目標(biāo)檢測的兩種不同算法，這兩種算法都是建立在數(shù)學(xué)形態(tài)學(xué),邊緣檢測以及閾值分割的基礎(chǔ)之上的，在本章中先介紹數(shù)學(xué)形態(tài)學(xué)，邊緣檢測和閾值分割的基本原理和方法，接著再介紹作者所使用的兩種算法。</p><p><b>　　2.1數(shù)學(xué)形態(tài)學(xué)</b></p><p>　　數(shù)學(xué)形態(tài)學(xué)

32、是一門新興的圖像分析學(xué)科其基本理論和方法在視覺檢測，機(jī)器人視覺，醫(yī)學(xué)圖像分析等諸多領(lǐng)域都取得了非常成功的應(yīng)用。 </p><p>　　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圖像處理的理論和技術(shù)產(chǎn)生了重大影響。許多非常成功的理論模型和視覺檢測系統(tǒng)都采用了數(shù)學(xué)形態(tài)學(xué)算法作為其理論基礎(chǔ)或組成部分。事實(shí)上，數(shù)學(xué)形態(tài)學(xué)已經(jīng)構(gòu)成一種新型的圖像處理方法和理論，形態(tài)學(xué)圖像處理已經(jīng)成為計(jì)算機(jī)圖像處理的一

33、個主要研究領(lǐng)域。</p><p>　　下面介紹二值圖像的初等形態(tài)學(xué)運(yùn)算：腐蝕和膨脹。腐蝕表示用某種“探針”（即某種形狀的基元或結(jié)構(gòu)元素）對一個圖像進(jìn)行探測，以便找出在圖像內(nèi)部可以放下該基元的區(qū)域。所有數(shù)學(xué)形態(tài)學(xué)運(yùn)算都依賴這一概念。膨脹是腐蝕的對偶運(yùn)算，可定義為對圖像補(bǔ)集進(jìn)行腐蝕運(yùn)算。</p><p><b>　　2.1.1腐蝕</b></p><p

34、>　　腐蝕是數(shù)學(xué)形態(tài)學(xué)最基本的運(yùn)算，它的實(shí)現(xiàn)是基于填充結(jié)構(gòu)元素的概念。利用結(jié)構(gòu)元素填充的過程，取決于一個基本的歐氏空間運(yùn)算——平移。將一個集合A平移距離x可以表示為A+x，其定義為：</p><p><b>　　（2-1）</b></p><p>　　從幾何上看，A+x表示A延矢量x平移了一段距離。探測的目的，就是標(biāo)記出圖像內(nèi)部那些可以將結(jié)構(gòu)元素填入的（平移）位

35、置。</p><p>　　集合A被集合B腐蝕，表示為AB，其定義為：</p><p><b>　　(2-2)</b></p><p>　　其中∈表示子集關(guān)系。腐蝕還可以用E(A,B)和ERODE(A,B)來表示。其中A稱為輸入圖像，B稱為結(jié)構(gòu)元素。AB由將B平移x但仍然包含在A內(nèi)的所有點(diǎn)x組成。如果將B看作成模板，那么，AB則由在平移模板的過程

36、中，所有可以填入A內(nèi)部的模板的原點(diǎn)組成。</p><p>　　如果原點(diǎn)在結(jié)構(gòu)元素的內(nèi)部，那么，腐蝕有收縮輸入圖像的作用，如下圖所示。圖中結(jié)構(gòu)元素B為一個圓盤。從幾何角度看，圓盤在A的內(nèi)部運(yùn)動，將圓盤的圓點(diǎn)位置（這里為圓盤的圓心）標(biāo)記出來，便得到腐蝕后的圖像。一般的，可以得到下列性質(zhì)：如果原點(diǎn)在結(jié)構(gòu)元素的內(nèi)部，則腐蝕后的圖像為輸入圖像的一個子集；</p><p>　　圖2-1 腐蝕類似于收縮

37、</p><p>　　如果原點(diǎn)在結(jié)構(gòu)元素的外部，那么，腐蝕后的圖像則可能不在輸入圖像的內(nèi)部，如下圖：</p><p>　　圖2-2 腐蝕不是輸入圖像的子圖像</p><p>　　腐蝕除了上述表示方式外，還有一個重要的表達(dá)形式：</p><p><b>　　(2-3)</b></p><p>　　這

38、里，腐蝕可以通過將輸入圖像平移－b（b屬于結(jié)構(gòu)元素），并計(jì)算所有平移的交集而得到。這一方法可用下圖來表示：</p><p>　　圖2-3 腐蝕為平移的交集</p><p>　　從圖像處理的觀點(diǎn)看，腐蝕的填充定義具有非常重要的含意，上式則無論對計(jì)算還是理論分析都十分重要。</p><p>　　上式與經(jīng)典的集合運(yùn)算具有密切關(guān)系，Minkowski首先對此做過研究，A與B

39、的Minkowski差定義為：</p><p><b>　　(2-4)</b></p><p>　　其中為B相對與原點(diǎn)的對稱集。即將B對原點(diǎn)旋轉(zhuǎn)180°得到的集合。換言之，Minkowski差是將結(jié)構(gòu)元素轉(zhuǎn)動180°得到的腐蝕運(yùn)算。</p><p>　　上述算式一樣都直接適用于數(shù)字空間?？紤]下面的數(shù)字圖像S和結(jié)構(gòu)元素E：&l

40、t;/p><p>　　將結(jié)構(gòu)元素E在S內(nèi)平移，檢查其填入S的情況，將E平移到點(diǎn)（2，1），可以填入S，故點(diǎn)（2，1）在腐蝕得到的圖像內(nèi)部。將所有可填入結(jié)構(gòu)元素的點(diǎn)標(biāo)記出來，便得到腐蝕后的圖像。</p><p><b>　　2.1.2膨脹</b></p><p>　　二值數(shù)學(xué)形態(tài)學(xué)的另一個基本運(yùn)算是膨脹。膨脹是腐蝕運(yùn)算的對偶運(yùn)算（逆運(yùn)算），可以通過對

41、補(bǔ)集的腐蝕來定義。A被B膨脹表示為AB ，其定義為：</p><p><b>　　(2-5)</b></p><p>　　其中,表示A的補(bǔ)集。膨脹還可以用D(A,B)和DILATE(A,B)來表示。為了利用B膨脹A，可將相對原點(diǎn)旋轉(zhuǎn)180°得到－B，再利用－B對進(jìn)行腐蝕。腐蝕結(jié)果的補(bǔ)集便是所求得結(jié)果。如下圖所示：</p><p>　　

42、圖2-4 利用圓盤膨脹</p><p>　　在上圖中，B為一個包含原點(diǎn)的圓盤，利用B對A進(jìn)行膨脹的結(jié)果是使A擴(kuò)大了。因?yàn)榕蛎浭抢媒Y(jié)構(gòu)元素對圖像補(bǔ)集進(jìn)行填充，因而它表示對圖像外部作濾波處理。而腐蝕則表示對圖像內(nèi)部作濾波處理。服侍和膨脹的另一個不同點(diǎn)是膨脹滿足交換率：</p><p><b>　　(2-6)</b></p><p>　　在書寫時，

43、按照圖像處理的習(xí)慣，總是先寫出輸入圖像，然后寫出結(jié)構(gòu)元素。如果結(jié)構(gòu)元素為一個圓盤，那么，膨脹可填充圖像中的小孔（相對于結(jié)構(gòu)元素而言比較小的孔洞），及在圖像邊緣處的小凹陷部分。而腐蝕可以消除圖像中小的部分，并將圖像縮小，從而使其補(bǔ)集擴(kuò)大。</p><p>　　關(guān)于膨脹還需討論兩個等效方程。第一個方程為：</p><p><b>　　(2-7)</b></p>

44、<p>　　因而，膨脹可以通過相對結(jié)構(gòu)元素的所有點(diǎn)平移輸入圖像，然后計(jì)算其并集得到。上式所定義的膨脹稱為Minkowski和。因?yàn)榕蛎洕M足交換率，所以上式還可寫成：</p><p><b>　　(2-8)</b></p><p>　　膨脹的另一個表達(dá)方程為：</p><p><b>　　(2-9)</b>&l

45、t;/p><p>　　該方程利用擊中輸入圖像，即與輸入如果交集不為空的圓點(diǎn)對稱結(jié)構(gòu)元素（－B）的平移表示膨脹。</p><p><b>　　2.1.3連通性</b></p><p>　　鄰接是像素間的基本關(guān)系。除圖像邊緣外，每個像素都有8個自然鄰點(diǎn)，但是在處理技術(shù)中采用兩種定義：4鄰接和8鄰接。4鄰接只認(rèn)為一個像素的水平和垂直方向上的自然鄰點(diǎn)和其鄰

46、接，而8鄰接則認(rèn)為其8個自然鄰點(diǎn)都是鄰接的。按4鄰接定義由4個鄰點(diǎn)組成的鄰域稱為4鄰域，按8鄰接定義由8個鄰點(diǎn)組成的鄰域稱為8鄰域。若兩個像點(diǎn)是4鄰接的，則稱它們?yōu)?連通；若是8連接的，則稱它們?yōu)?連通。</p><p>　　表2-1 圖像4鄰接示意圖</p><p>　　表2-2圖像8鄰接示意圖</p><p>　　由于連通定義不同，同樣的一幅數(shù)字圖像，可能有不

47、同的理解。例如，下圖是一幅二值圖，若按4連通定義，由1所表示的目標(biāo)是4個不連通的直線段，若按4連通定義，則是一閉合環(huán)。</p><p><b>　　2.2邊緣檢測</b></p><p>　　邊緣檢測是圖像處理中一個基本的方法,是進(jìn)行模式識別和圖像信息提取的基本手段。</p><p>　　圖像邊緣對圖像識別和計(jì)算機(jī)分析十分有用。邊緣能勾劃出目

48、標(biāo)物體，是觀察者一目了然；邊緣蘊(yùn)含了豐富的內(nèi)在信息（如方向，階躍性質(zhì)，形狀等），是圖像識別中重要的圖像特征之一。從本質(zhì)上說，圖像邊緣是圖像局部特征不連續(xù)性（灰度突變，顏色突變，紋理結(jié)構(gòu)突變等）的反映，它標(biāo)志著一個區(qū)域的終結(jié)和另一個區(qū)域的開始。</p><p>　　邊緣提取首先檢測出圖像局部特性的不連續(xù)性，然后再將這些不連續(xù)的邊緣像素連成完備的邊界。邊緣的特性是沿邊緣走向的像素變化平緩，而垂直于邊緣方向的像素變化劇

49、烈。所以，從這個意義上說，提取邊緣的算法就是檢測出符合邊緣特性的邊緣像素的數(shù)學(xué)算子。邊緣是灰度值不連續(xù)的結(jié)果，這種不連續(xù)性通常可以利用求導(dǎo)數(shù)的方法方便的檢測到。一般常用一階導(dǎo)數(shù)和二階導(dǎo)數(shù)來檢測邊緣。</p><p>　　邊緣檢測的基本思想是首先利用邊緣增強(qiáng)算子，突出圖像中的局部邊緣，然后定義像素的“邊緣強(qiáng)度”，通過設(shè)置門限的方法提取邊緣點(diǎn)集。</p><p>　　常用的邊緣檢測算子有Rob

50、ert算子，Sobel算子，Prewitt算子，LOG算子，Canny算子。下面簡單介紹一下它們的模板。</p><p>　　2.2.1Robert算子</p><p>　　Robert算子是一種利用局部差分算子尋找邊緣的算子，其模板如下圖所示。Robert算子對具有陡峭的低噪聲的圖像的效果好。Robert算子</p><p>　　表2-3 Robert算子的模

51、板</p><p>　　2.2.2Sobel算子</p><p>　　Sobel算子是一種一階微分算子。它利用像素鄰近區(qū)域的梯度值來計(jì)算一個像素的梯度,然后根據(jù)一定的閾值來取舍,得到圖像中的邊緣。Sobel算子的兩個卷積計(jì)算核如下圖所示，圖像中的每個點(diǎn)都用這兩個核做卷積，第一個核對垂直邊緣響應(yīng)最大，第二個核對水平邊緣響應(yīng)最大。兩個卷積的最大值作為該點(diǎn)的輸出值，運(yùn)算結(jié)果是一幅邊緣幅度圖像。S

52、obel算子對灰度漸變和噪聲較多的圖像處理得較好。</p><p>　　表2-4 Sobel算子的模板</p><p>　　2.2.3Prewitt算子</p><p>　　Prewitt算子的兩個卷積核如下圖所示。與使用Sobel算子的方法一樣，圖像中的每個點(diǎn)都用這兩個核做卷積，取最大值作為輸出。Prewitt算子也產(chǎn)生一幅邊緣幅度圖像，也是對灰度漸變和噪聲較

53、多的圖像處理得較好。 </p><p>　　表2-5 Prewitt算子的模板</p><p>　　2.2.4LOG算子</p><p>　　拉普拉斯算子的卷積如下圖所示，它是一個二階算子，通過尋找圖像的灰度值的二階微分中的零交叉(ZeroCrossing)來檢測邊緣點(diǎn),將在邊緣處產(chǎn)生一個陡峭的零交叉。拉普拉斯算子是一個線性的，時不變的算子，它的傳遞函數(shù)在頻域空間

54、的原點(diǎn)是零，因此經(jīng)過拉普拉斯濾波過的圖像具有零平均灰度。LOG算子先用高斯低通濾波器將圖像進(jìn)行預(yù)先平滑，然后用拉普拉斯算子找出圖像中的陡峭邊緣，然后用零灰度值進(jìn)行二值化產(chǎn)生閉合的，連通的輪廓，消除了所有內(nèi)部點(diǎn)。</p><p>　　表2-6 拉普拉斯算子的模板</p><p>　　2.2.5canny算子</p><p>　　Canny邊緣檢測法是高斯函數(shù)的一階微分

55、,它能在噪聲抑制和邊緣檢測之間取得較好的平衡。算法如下:</p><p>　　(1)高斯濾波器來對圖像濾波,以去除圖像中的噪聲;</p><p>　　(2)對每個像素,計(jì)算其梯度的大小M和方向O。為此要使以下2×2大小的模板作為對x和y方向偏微分的一階近似:</p><p>　　由此得到梯度的大小M和方向O:</p><p>　　(

56、3)對梯度進(jìn)行“非極大抑制”:</p><p>　　梯度的方向可以被定義為屬于4個區(qū)之一,各個區(qū)有不同的鄰近像素用來進(jìn)行比較,以決定局部極大值。這4個區(qū)及其相應(yīng)的比較方向如下圖所示:</p><p>　　例如,如果中心像素x的梯度方向?qū)儆诘?區(qū),則把x的梯度值與它的左上和右下相鄰像素的梯度值比較,看x的梯度值是否是局部極大值。如果不是,就把像素x的灰度設(shè)為0。這個過程叫作“非極大抑制”。&

57、lt;/p><p>　　(4)對梯度取兩次閾值:</p><p>　　用兩個閾值T1和T2,T2=2*T1。我們把梯度值小于T1的像素的灰度設(shè)為0,得到圖像1。然后我們把梯度值小于T2的像素的灰度設(shè)為0,得到圖像2。由于圖像2的閾值較高,噪音較少,但同時也損失了有用的邊緣信息。而圖像1的閾值較低,保留了較多信息。因此我們可以以圖像2為基礎(chǔ),以圖像1為補(bǔ)充來連接圖像的邊緣。</p>

58、<p><b>　　(5)邊緣連接</b></p><p>　　a.掃描圖像2,當(dāng)我們遇到一個非零灰度的像素P時,跟蹤以P為開始點(diǎn)的輪廓線,直到該輪廓線的終點(diǎn)Q。</p><p>　　b.在圖像1中,考察與圖像2中Q點(diǎn)位置對應(yīng)的點(diǎn)Q‘的8-鄰近區(qū)域。如果在Q’點(diǎn)的8-鄰近區(qū)域中有非零像素R‘存在,則將其包括到圖像2中,作為點(diǎn)R。從R開始,重復(fù)第(a)步,直

59、到我們在圖像1和圖像2中都無法繼續(xù)為止。</p><p>　　c.我們已經(jīng)結(jié)束了對包含P的輪廓線的連接,將這條輪廓標(biāo)記為已訪問過?；氐降?a)步,尋找下一條輪廓線。重復(fù)第(a),(b),(c)步直到圖像2中再也找不到新輪廓線為止。</p><p>　　因?yàn)楸疚牡倪吘墮z測所用所選用的邊緣算子是canny算子，所以下面重點(diǎn)介紹一下canny算子：</p><p><

60、;b>　?。╝）引言</b></p><p>　　邊緣提取對于圖像理解、分析和圖像識別來說，是一個基性的課題，它是圖像分割、視覺匹配等的基礎(chǔ)，因此成為了圖分析和識別領(lǐng)域中的一個十分令人關(guān)注的課題。Marr和Hildreth首先引入了邊緣檢測的理論并用LOG算子的零交叉來確定圖像的邊緣。Haralick利用二階方向?qū)?shù)的零交叉點(diǎn)確定圖像的邊緣。Canny提出了邊緣檢測的三個標(biāo)準(zhǔn)，并用三個標(biāo)準(zhǔn)提出了

61、次最優(yōu)的高斯函數(shù)的一階導(dǎo)數(shù)邊緣檢測算。Clark和Ulupinar以及Medioni分別獨(dú)立地提出了各自的法，它可以去除Gauss-Laplacian算子所得到的虛假邊緣，進(jìn)得到更準(zhǔn)確的邊緣。Berghlom引進(jìn)了一種邊緣聚焦和追蹤法的思想，能夠由粗到細(xì)地追蹤得到理想的邊緣。Goshtashy and Shyu采用了曲線擬合的方法來檢測邊緣。近年來也出現(xiàn)幾種新方法，其中以Elder and Zucker的多尺度邊緣提取法、Li的自適應(yīng)去

62、除模糊圖像中噪音細(xì)節(jié)方法為主要代表。要了解更詳細(xì)的邊緣檢測算法及其優(yōu)劣比較，可以參考Heath</p><p>　　在眾多的邊緣檢測算法中，Canny算法得到了廣泛的運(yùn)用，這主要是因?yàn)樗岢隽似駷橹苟x最為嚴(yán)格的邊緣檢測的三個標(biāo)準(zhǔn)，另外就是其相對簡單的算法使得整個過程可以在較短的時間內(nèi)實(shí)現(xiàn)。</p><p>　　(b)Canny的邊緣檢測原理</p><p>　　

63、Canny:從邊緣檢測算子應(yīng)滿足如下3個判斷準(zhǔn)則出發(fā)，推導(dǎo)出了最佳邊緣檢測算子。</p><p><b>　　(c)高信噪比</b></p><p>　　好的信噪比準(zhǔn)則即將非邊緣點(diǎn)判為邊緣點(diǎn)的概率要低，將邊緣點(diǎn)判為非邊緣點(diǎn)的概率要低。信噪比的數(shù)學(xué)表達(dá)式：</p><p><b>　　(2-10)</b></p>

64、<p>　　其中，f(x)是邊界為[-w,+w]的濾波器脈沖響應(yīng)，E(x)代表邊緣，n0是高斯噪聲的均方根。若信噪比大，則邊緣提取質(zhì)量好。</p><p>　　(d)良好的定位性能</p><p>　　良好的定位性能是指檢測出的邊緣點(diǎn)要盡可能在實(shí)際邊緣的中心。定位性能的數(shù)學(xué)表達(dá)式為：</p><p><b>　　(2-11)</b>

65、;</p><p>　　其中，E' (-x)和f'(x)分別表示E(x)和f（x）的一階導(dǎo)數(shù)。如果滿足此準(zhǔn)則，那么邊緣定位精度就高。求?。?0）和（11）式的乘積的最大值，是設(shè)計(jì)最佳算子的基礎(chǔ)。除此以外，還應(yīng)滿足多重響應(yīng)約束條件。</p><p><b>　　(e)單邊響應(yīng)準(zhǔn)則</b></p><p>　　單邊響應(yīng)誰則，即單個邊

66、緣產(chǎn)生的多個響應(yīng)的概率要低，并且虛假的邊緣響應(yīng)應(yīng)得到最大抑制。這要求在f對噪聲的響應(yīng)中，兩個相鄰最大值間的距離為,的零交叉點(diǎn)平均距離為。兩者間的關(guān)系是：</p><p>　　其中，a<1的常數(shù),而</p><p><b>　　(2-12)</b></p><p>　　若滿足此準(zhǔn)則，就能保證單邊緣只有一個響應(yīng)。</p><

67、;p>　　最后，canny用泛函求導(dǎo)方法推導(dǎo)出高斯函數(shù)的一階導(dǎo)數(shù)，此即為該最佳函數(shù)的最好近似，且有簡便的計(jì)算方法。</p><p>　　2.3基于閾值的圖像分割</p><p>　　閾值處理是一種區(qū)域分割技術(shù)，它對物體與背景有較強(qiáng)對比景物的分割特別有用。它計(jì)算簡單，而且總能用封閉而且連通的邊界定義不交疊的區(qū)域。</p><p>　　當(dāng)使用閾值規(guī)則進(jìn)行圖像分割時

68、，所有灰度值大于或等于某閾值的像素都被判屬于物體。所有灰度值小于該閾值的像素都被排除在物體之外。于是，邊界就成為這樣一些內(nèi)部點(diǎn)的集合，這些點(diǎn)都至少有一個鄰點(diǎn)不屬于該物體。</p><p>　　如果感興趣的物體在其內(nèi)部具有均勻一致的灰度值并分布在一個具有另一個灰度值的均勻背景上，使用閾值方法就很好。如果物體同背景的差別在于某些性質(zhì)而不是灰度值（如紋理等），那么，可以首先把那個性質(zhì)轉(zhuǎn)化為灰度，然后，利用灰度閾值化技術(shù)

69、分割待處理圖像。</p><p>　　除非圖像中物體有陡峭的邊沿，否則灰度閾值的取值對所抽取物體的邊界的定位和整體的尺寸有很大的影響。這意味著后續(xù)的尺寸（特別是面積）的測量對于灰度閾值的選擇很敏感。由于這個原因，我們需要一個最佳的，或至少是具有一致性的方法確定閾值。</p><p>　　一幅含有一個與背景明顯對比的物體的圖像具有包含雙峰的灰度直方圖。兩個尖峰對應(yīng)與物體內(nèi)部和外部較多數(shù)目的點(diǎn)

70、。雙峰間的谷對應(yīng)于物體邊緣附近相對較少數(shù)目的點(diǎn)。在類似這樣的情況下，通常使用直方圖來確定灰度閾值的值。</p><p>　　利用灰度閾值T對物體面積進(jìn)行計(jì)算的定義是：</p><p><b>　　(2-13)</b></p><p>　　顯然，如果閾值對應(yīng)于直方圖的谷，閾值從T增加到T＋△T只會引起面積略微減少。應(yīng)此把閾值設(shè)在直方圖的谷，可以把

71、閾值選擇中的小錯誤對面積測量的影響降到最低。</p><p>　　如果圖像或包含物體圖像的區(qū)域面積不大而且有噪聲，那么，直方圖本身就會有噪聲。除了在凹谷特別尖銳的情況外，噪聲會使谷的定位難以辨認(rèn)，或至少是通過不同幅圖像得到的結(jié)果不穩(wěn)定可靠。這個問題在一定程度上可以通過用卷積或曲線擬合過程對直方圖進(jìn)行平滑加以克服。如果兩峰不一樣大，那么，平滑化可能會導(dǎo)致最小值的位置相對移動。但是，在平滑程度適當(dāng)情況下，峰值還是容易

72、定位并且也是相對穩(wěn)定的。一種更可靠的方法是把閾值設(shè)在相對于兩峰的某個固定位置，如中間位置上，這兩個峰分別代表物體內(nèi)部和外部點(diǎn)典型（出現(xiàn)最頻繁）的灰度值，即直方圖的谷的谷的估計(jì)更可靠。</p><p>　　可以構(gòu)造一個只包含具有較大的梯度幅值的像素的直方圖，例如取最高的10％。這種方法排除了大量的內(nèi)部和外部的像素，而且可能會使直方圖的谷點(diǎn)更容易檢測到。還可以用各灰度級像素的平均梯度值除直方圖來增強(qiáng)凹谷，或利用高梯度

73、像素的灰度平均值來確定閾值。</p><p><b>　　自適應(yīng)閾值</b></p><p>　　自適應(yīng)分割技術(shù)可用二次處理技術(shù)實(shí)現(xiàn)。在第一次處理前，先將圖像劃分成100*100的像素塊。根據(jù)各個塊的灰度直方圖，閾值被確定為背景峰值與數(shù)據(jù)峰值的中點(diǎn)。直方圖是單峰的塊則不予考慮。</p><p>　　在第一次處理中，物體的邊界在每塊中用各自固定的

74、閾值確定，但各塊間閾值并不相同。而如此做的目的并不是要把這樣定義的物體從圖像中抽取出來，而是計(jì)算每個物體內(nèi)部的平均灰度值。</p><p>　　在第二次處理中，每個物體使用各自的閾值，該值由內(nèi)部灰度值和它的主塊的背景灰度值的中間值定義。</p><p>　　2.4視頻圖像運(yùn)動目標(biāo)檢測算法</p><p>　　在本文中，作者通過利用連通性，腐蝕，膨脹和閾值分割的概念建

75、立了兩種不同的算法，下面先介紹第一種算法：</p><p>　　2.4.1基于連通性運(yùn)動目標(biāo)檢測</p><p>　　基于連通性運(yùn)動目標(biāo)檢測是本文的第一種算法，它主要利用連通性和其它性質(zhì)的接合來實(shí)現(xiàn)運(yùn)動目標(biāo)檢測的檢測。</p><p>　　2.4.1.1算法框圖</p><p>　　本算法框圖描述了該算法的整個算法流程。該程序段主要通過嵌套循

76、環(huán)來實(shí)現(xiàn)，通過該程序段，可以得出所需的結(jié)果圖像。</p><p>　　圖6基于連通性運(yùn)動目標(biāo)檢測算法框圖</p><p>　　2.4.1.2算法描述</p><p><b>　　圖像預(yù)處理：</b></p><p>　　本文先把連續(xù)的兩幀彩色jpg圖像轉(zhuǎn)化為灰度圖像，再跟據(jù)圖像的實(shí)際情況決定是否進(jìn)行直方圖增強(qiáng)和極值中值增

77、強(qiáng)的預(yù)處理，然后通過canny算子分別對這兩幀灰度圖像做邊緣提取，再將邊緣提取后得到的二值圖像相減，得到這兩幀灰度圖像的差圖像。</p><p><b>　　運(yùn)動目標(biāo)檢測 </b></p><p>　　本文先把連續(xù)的兩幀彩色jpg圖像轉(zhuǎn)化為灰度圖像，通過canny算子分別對這兩幀灰度圖像做邊緣提取，再將邊緣提取后得到的二值圖像相減，得到這兩幀灰度圖像的差圖像。通過對此

78、二值差圖像的觀察，構(gòu)思了一個算法：在該二值圖像中，除了在運(yùn)動目標(biāo)——小車的區(qū)域內(nèi)，像素點(diǎn)的連通長度 一般都超過30個連通點(diǎn)，而在背景部分區(qū)域內(nèi)，像素點(diǎn)的連通長度一般都不超過15個連通點(diǎn)。于是,我就有了這個構(gòu)思,可以用一個嵌套循環(huán)，對這幅二值圖像中每一個像素點(diǎn)進(jìn)行掃描。每掃描到一個像素點(diǎn)時，首先看這個像素點(diǎn)的值是否為1，如果不為1的話，接著掃描下一個像素點(diǎn)；如果為1的話，先把這個像素點(diǎn)的值賦為1000，再通過一個嵌套循環(huán)觀測該像素點(diǎn)的8個

79、自然鄰點(diǎn)。如果在那8個自然鄰點(diǎn)中沒有像素值為1的點(diǎn)的話，就結(jié)束該次循環(huán)，接著檢測下一個像素點(diǎn)；如果在這8個自然鄰點(diǎn)有某些點(diǎn)的像素值為1，則把這些點(diǎn)的像素值賦為1000，并把連接長度加1，再對它的相鄰像素點(diǎn)進(jìn)行如此操作。然后通過連接長度進(jìn)行判斷，若連接長度小于25的，則可認(rèn)為是背景中的點(diǎn)，則把這一串像素點(diǎn)的值由1000改回為0；若連接長度大于25的，則可認(rèn)為是運(yùn)動物體——小車中的點(diǎn)，則把這一</p><p>　　通

80、過這一系列操作后，理想中的處理結(jié)果應(yīng)該能得到的結(jié)果圖像是一幅只有小車邊緣的二值圖像；但由于可能在該算法中考慮的因素有欠缺，而且，可能考慮的因素不全，導(dǎo)致在運(yùn)行該循環(huán)中，無法自動完成，即無法自動結(jié)束循環(huán)，該算法還在檢查調(diào)整之中。</p><p>　　2.4.2基于幀間差閾值法的運(yùn)動目標(biāo)檢測</p><p>　　由于算法一做的并不成功，再加上對該算法的思考還不成熟和完善，所以我就考慮在算法上有

81、所改進(jìn)。</p><p>　　在仔細(xì)觀察幀差圖像的特征，以及對其在matlab中的矩陣的數(shù)值的觀察和思考后，我又想到用一種新的算法來解決運(yùn)動目標(biāo)的檢測問題，即通過邊緣檢測(canny算子)，閾值分割和膨脹，腐蝕相結(jié)合的方法來檢測運(yùn)動物體。</p><p>　　2.4.2.1算法框圖</p><p>　　本算法框圖描述了該算法的整個算法流程。它是在一個順序執(zhí)行的循環(huán)執(zhí)

82、行的程序段，通過該程序段，可以得出所需的結(jié)果圖像。</p><p>　　圖7 基于幀間差閾值法的運(yùn)動目標(biāo)檢測框圖</p><p>　　2.4.2.2算法描述</p><p>　　本算法主要運(yùn)用了邊緣檢測，閾值分割，腐蝕和膨脹等知識點(diǎn)。</p><p>　?。?）讀入連續(xù)兩幀場景圖像序列</p><p>　　運(yùn)動目標(biāo)的

83、檢測一般都以靜態(tài)的攝像機(jī)捕獲的場景圖像序列作為研究對象,以一定的時間間隔提取場景圖像序列中的兩幀圖像進(jìn)行分析。</p><p><b>　?。?）圖像預(yù)處理</b></p><p>　　首先，取出相鄰兩幀圖像，因?yàn)槭遣噬玧pg圖像，需要先轉(zhuǎn)化成灰度圖像。再觀察圖像的性質(zhì)，根據(jù)圖像不同的狀態(tài)，按照需求有選擇的對這些圖像進(jìn)行直方圖增強(qiáng)，極值中值法濾去噪聲等圖像預(yù)處理。&l

84、t;/p><p>　　（3）求出幀間差圖像</p><p>　　預(yù)處理之后,直接將這兩幀處理后的灰度圖像相減，求出它們的幀差圖像。</p><p><b>　?。?）邊緣提取</b></p><p>　　首先對幀間差圖像觀察，發(fā)現(xiàn)該圖像邊緣比較復(fù)雜且噪聲較多。因?yàn)閏anny算子邊緣檢測法利用高斯函數(shù)的一階微分，它能在噪聲抑制

85、和邊緣檢測之間取得較好的平衡，且具有很好的邊緣檢測性能，所以，在本文中，選用canny算子對這幅幀間差圖像進(jìn)行邊緣提取。為了在下一步更好地進(jìn)行處理，對邊緣提取后得到的二值圖像取其絕對值。</p><p><b>　?。?）閾值分割</b></p><p>　　得到這幅幀差二值圖像后，仔細(xì)觀察這幅圖像的表現(xiàn)性質(zhì),發(fā)現(xiàn)下列有趣的現(xiàn)象：該二值圖像中，運(yùn)動目標(biāo)附近的區(qū)域內(nèi)，線

86、條比較密集，連通性較好；而在背景區(qū)域內(nèi)，大多是一些雜亂無章的線段。我又觀察了在該圖像的直方圖，發(fā)現(xiàn)它的直方圖是一個包含雙峰的灰度直方圖，這就意味著這是一幅與背景有明顯對比的物體的圖像，在類似這樣的情況下，可以用選擇最佳閾值進(jìn)行圖像分割的方法。</p><p>　　兩個尖峰對應(yīng)與物體內(nèi)部和外部較多數(shù)目的點(diǎn)，雙峰間的谷對應(yīng)于物體邊緣附近相對較少數(shù)目的點(diǎn)，選擇閾值的方法一般是選擇設(shè)在直方圖的谷。這樣我就選定了我所需的閾

87、值。再進(jìn)行閾值分割：通過循環(huán)檢測每一個像素值，小于等于閾值的點(diǎn)的像素值把它賦為0，大于閾值的點(diǎn)保持其像素值不變。這樣，經(jīng)過該次處理后，在此二值差圖像上就只剩下運(yùn)動物體的框架了，下一步就只需要把這些運(yùn)動物體的框架轉(zhuǎn)化成運(yùn)動目標(biāo)的圖像就完成操作了。</p><p><b>　?。?）膨脹與腐蝕</b></p><p>　　對消除噪聲后的二值圖像進(jìn)行觀察，發(fā)現(xiàn)該二值圖像中運(yùn)

88、動目標(biāo)部分基本是連通的，也就是說在該運(yùn)動物體的外圍基本上是被連通的線段圍起來的，只是在運(yùn)動物體的內(nèi)部，線段才雜亂無章。于是作者想到可以用數(shù)學(xué)形態(tài)學(xué)的方法來得到運(yùn)動物體的區(qū)域：先通過多次膨脹處理，使得在該小車內(nèi)部區(qū)域完全連通，再進(jìn)行與剛才膨脹次數(shù)相同次數(shù)的腐蝕處理，這樣得到的結(jié)果圖像就是一個完全連通的區(qū)域，而且正好是運(yùn)動物體所在區(qū)域。</p><p><b>　?。?）得出結(jié)果圖像</b>&l

89、t;/p><p>　　最后，對所得到的圖像與原圖進(jìn)行比較，在得到的圖像中像素值為0的點(diǎn)，在原圖中對應(yīng)位置的點(diǎn)的像素的值也賦為0；在得到的圖像中像素值為1的點(diǎn)，在原圖中對應(yīng)位置的點(diǎn)的像素的值不變。這樣就得到了只包含運(yùn)動物體的圖像，其背景為黑色。</p><p><b>　　（8）后續(xù)工作</b></p><p>　　是否有后續(xù)圖像，如果有的話，重復(fù)上

90、述過程，得出結(jié)果。</p><p><b>　　第三章 仿真實(shí)驗(yàn)</b></p><p>　　在通過上述算法描述后，下面來看一下試驗(yàn)結(jié)果：</p><p>　　實(shí)驗(yàn)圖像的來源:采集自合肥市黃山路，</p><p>　　錄像剪輯為25幀每秒。</p><p>　　實(shí)驗(yàn)平臺：cpu:pentium

91、2.4MHz。</p><p>　　軟件版本:matlab 6.5.1。</p><p>　　3.1單運(yùn)動目標(biāo)檢測</p><p>　　在上述四幀圖像，上面兩幀圖像是求幀間差的前幀和后幀圖像，下面兩幀圖像是得出目標(biāo)圖像分別與前幀后幀圖像比較得出的不同結(jié)果（后面的試驗(yàn)圖像也是同樣的排版方式，就不再一一說明）。</p><p>　　在該次比較中，

92、可以看出，與原圖比較，運(yùn)動目標(biāo)已經(jīng)被檢測出來。觀測下面兩幀結(jié)果圖像，與前幀比較得出的結(jié)果圖像中，運(yùn)動目標(biāo)前部有少量的空白區(qū)域；而后幀比較得出的結(jié)果圖像中，運(yùn)動目標(biāo)后部有少量的空白區(qū)域。這就幀間差閾值法檢測的一個缺陷，雖然可以較完整的檢測出運(yùn)動目標(biāo)，但是由于中間步驟是對兩幀圖像的差圖像進(jìn)行處理，所以無論與前幀比較或與后幀比較，都會有一定的誤差區(qū)域，這是該算法自身無法避免，但是該算法所需硬件簡單，容易實(shí)現(xiàn)，能滿足實(shí)時檢測的需要，即較快的得出

93、需檢測的運(yùn)動目標(biāo)。</p><p>　　這四幀圖像與上面的圖像有近似相同的性質(zhì)，得出的結(jié)果基本完整，但在右上角有少許凹陷，這是由于該車右上方玻璃有強(qiáng)烈的反光作用，所以影響到了幀間差圖像的檢測效果，以至于有一小塊凹陷，但在總體上并不影響檢測的效果。</p><p>　　這一組圖像顯示的小運(yùn)動目標(biāo)的檢測，從圖中可以看出，檢測的結(jié)果良好，能完整的檢測出較小的運(yùn)動目標(biāo)。</p>&l

94、t;p>　　在這一系列圖像中，所檢測的運(yùn)動目標(biāo)均是較大的物體，即所占圖像比例較大，形狀較不規(guī)則的物體。從結(jié)果圖像中可以看出，該算法可以完全的檢測出運(yùn)動目標(biāo)，但是也存在著一定問題。首先，由于運(yùn)動目標(biāo)較大，形狀不規(guī)則，導(dǎo)致檢測出來的物體的邊緣不能嚴(yán)格按照運(yùn)動目標(biāo)的形狀，而是保留了些許小的空白區(qū)域，這在后續(xù)工作中需要改進(jìn)，即能嚴(yán)格按照運(yùn)動目標(biāo)的形狀檢測出運(yùn)動目標(biāo)；其次，存在陰影問題，因?yàn)殛幱翱偸请S著運(yùn)動目標(biāo)的運(yùn)動而運(yùn)動，因而在本算法中，

95、無法自動把陰影去除，這也是以后需要解決的問題。</p><p>　　3.2多運(yùn)動目標(biāo)檢測</p><p>　　在這連續(xù)四幀多運(yùn)動目標(biāo)檢測中，可以看出，與原圖比較，運(yùn)動目標(biāo)已經(jīng)被檢測出來。與前面單運(yùn)動目標(biāo)檢測相比，多運(yùn)動目標(biāo)檢測的效果與其基本相似，可以完整的檢測出運(yùn)動目標(biāo)；同時，存在的問題也相似，就是由于中間步驟是對兩幀圖像的差圖像進(jìn)行處理，所以無論與前幀比較或與后幀比較，都會有一定的誤差區(qū)

96、域，但由于實(shí)現(xiàn)簡單，可以滿足實(shí)時檢測的需要，硬件上也容易實(shí)現(xiàn)。</p><p>　　從這一系列圖像及與其結(jié)果圖像比較，多運(yùn)動目標(biāo)已基本被檢測出來，但是還存在一定問題，就是背景去除的問題，這在以后的工作中需要解決。</p><p>　　從這幾幀結(jié)果圖像的比較，可以看出，運(yùn)動目標(biāo)基本都可檢測出，包括上圖中小的摩托車被檢測出來了，下圖中密集的車輛也被檢測出來了，但除了存在要去除車的陰影部分以外，

97、還存在一個問題,就是若車離得較近的話，兩車之間的路面沒有被隔離開，這是由于算法的局限性造成的。因?yàn)樵趶牡贸鲞\(yùn)動目標(biāo)的框架到得出運(yùn)動目標(biāo)的區(qū)域的過程中，本文所使用的方法是通過多次對應(yīng)的膨脹與腐蝕以達(dá)到運(yùn)動目標(biāo)區(qū)域內(nèi)部的完全連同，但如果兩個運(yùn)動目標(biāo)的距離足夠近的話，在膨脹的過程中，它們已連成一個整體，所以在腐蝕的過程中也無法把這兩個物體分開，這也是在以后工作中需要改進(jìn)的。</p><p><b>　　第四章

98、 結(jié)束語</b></p><p>　　本文主要介紹了視頻圖像中運(yùn)動目標(biāo)的檢測。分析了它的基本原理和我的實(shí)現(xiàn)方案，并通過對比試驗(yàn)檢驗(yàn)了檢測的效果。</p><p>　　縱觀全文，本論文主要完成了以下工作：</p><p>　?。á瘢┙榻B邊緣檢測的基本概念，主要是邊緣檢測算子的處理。比較了傳統(tǒng)邊緣提取算法如Robert算子，Sobel算子，Prewitt

99、算子，LOG算子，Canny算子，分析了它們的模板和性能，并特別著重地介紹了Canny算子。</p><p>　　（Ⅱ）介紹了數(shù)學(xué)形態(tài)學(xué)和模式識別，特別詳細(xì)介紹了膨脹，腐蝕，連通性和閾值分割的概念和算法。用matlab語言實(shí)現(xiàn)了膨脹和腐蝕。</p><p>　?。á螅┯盟惴ㄟM(jìn)行試驗(yàn)：實(shí)現(xiàn)本文所描述的算法，做出對比試實(shí)驗(yàn)，再對實(shí)驗(yàn)結(jié)果進(jìn)行分析。</p><p>　　圖

100、像處理的方法很多，本論文只是利用邊緣檢測，數(shù)學(xué)形態(tài)學(xué)和模式識別進(jìn)行了一些簡單的視頻圖像中運(yùn)動目標(biāo)的檢測，還有許多需要擴(kuò)展改進(jìn)的地方。同時，檢測運(yùn)動目標(biāo)的方法也很多，數(shù)學(xué)形態(tài)學(xué)只是一種比較常用的方法。</p><p>　　由于數(shù)字圖像處理的針對性很強(qiáng)，本文中提到的方法有很大局限性：</p><p>　?。á瘢┰趩文繕?biāo)運(yùn)動圖像中，還需要解決去除運(yùn)動目標(biāo)的陰影問題。</p><

101、;p>　?。á颍┰诙噙\(yùn)動目標(biāo)圖像中，除了要去除解決陰影問題外，還需解決運(yùn)動目標(biāo)粘聯(lián)問題。</p><p>　　（Ⅲ）在后續(xù)問題中，還可求出運(yùn)動目標(biāo)的運(yùn)動方向和運(yùn)動速度問題。</p><p>　　隨著計(jì)算機(jī)等其他技術(shù)的發(fā)展，圖像處理技術(shù)也會有極大發(fā)展，在當(dāng)前圖像處理中遇到的一些問題也會迎刃而解。</p><p><b>　　參考文獻(xiàn)</b>

102、</p><p>　　Castleman 著：Digital Image Processing.Beijing：PubLishing House of </p><p>　　Electronics Industry 2002。</p><p>　　飛思科技產(chǎn)品研發(fā)中心編著：MATLAB6.5輔助圖像處理.北京：電子 </p><p>　

103、　工業(yè)出版社，2003。</p><p>　　王耀南，李樹濤，毛建旭編著：計(jì)算機(jī)圖像處理與識別技術(shù)[J].北京： </p><p>　　高等教育出版社，2001。</p><p>　　張兆禮，趙春暉，梅曉丹著：現(xiàn)代圖像處理技術(shù)及Matlab實(shí)現(xiàn).北京：</p><p>　　人民郵電出版社，2001</p><p

104、>　　崔屹 編著：圖像處理與分析——數(shù)學(xué)形態(tài)學(xué)方法與應(yīng)用. 北京：科 </p><p>　　學(xué)出版社，2000。</p><p>　　[美]D. Hanselman, B. Littlefield著：精通Matlab6 張航，黃攀譯.北 </p><p>　　京：清華大學(xué)出版社，2002。</p><p>　　聞新

105、，周露，張鴻編著：Matlab科學(xué)圖形構(gòu)建基礎(chǔ)與應(yīng)用（6.x）. </p><p>　　北京：科學(xué)出版社，2002。</p><p>　　談新權(quán),李伯岳,鄭華菲,余道銘：大背景噪聲下動目標(biāo)實(shí)時檢測方法研</p><p>　　究, 華中理工大學(xué)學(xué)報(bào)：Vol.25　No.10,1997。</p><p>　　賈振堂，賀貴明，

106、韓艷芳：運(yùn)動視頻對象分割的一種快速算法，中</p><p>　　國圖形圖象學(xué)報(bào)：7（11），1123－1127，2002。</p><p>　　李真芳，保崢，王彤，廖桂生：基于實(shí)測數(shù)據(jù)的地面慢速動目標(biāo)檢</p><p>　　測，電子學(xué)報(bào)：31（9），1437－1440，2003。</p><p>　　王栓，艾海舟，何克忠：基于差分圖象的多運(yùn)動

107、目標(biāo)的檢測與跟蹤，</p><p>　　中國圖象圖形學(xué)報(bào)：Ｖｏｌ.4(Ａ),Ｎｏ.6，1999。</p><p>　　張輝,王強(qiáng),徐光佑,朱志剛：運(yùn)動目標(biāo)的快速檢測、跟蹤和判別，清</p><p>　　華大學(xué)學(xué)報(bào)(自然科學(xué)版)：Vol.42,No.10，1401-1404,，2002。</p><p>　　張文杰,　戚飛虎,　江卓軍：實(shí)時視頻

108、監(jiān)控系統(tǒng)中運(yùn)動目標(biāo)檢測和</p><p>　　跟蹤的一種實(shí)用方法，上海交通大學(xué)學(xué)報(bào)：Vol.36，No.12，2002?！?lt;/p><p><b>　　附錄</b></p><p><b>　　源程序</b></p><p>　　本文中涉及的算法都是用Matlab實(shí)現(xiàn)的，現(xiàn)將設(shè)計(jì)的程序列出，如下：&

109、lt;/p><p><b>　　1．</b></p><p><b>　?。ニ惴ㄒ?lt;/b></p><p>　　I=imread('00736.jpg'); </p><p>　　%imshow(I);</p><p>　　I1=rgb2gray(I);</

110、p><p>　　%figure,imshow(I1);</p><p>　　[m,n]=size(I1);</p><p>　　BW1=edge(I1,'canny');</p><p>　　%figure,imshow(BW1);</p><p>　　J=imread('00738.jpg'

111、;); </p><p>　　%figure,imshow(J);</p><p>　　J1=rgb2gray(J);</p><p>　　%figure,imshow(J1);</p><p>　　BW2=edge(J1,'canny');</p><p>　　%figure,imshow(BW2);

112、</p><p>　　M=double(BW1)-double(BW2);</p><p><b>　　M=abs(M);</b></p><p>　　%figure,imshow(M);</p><p><b>　　k=2;</b></p><p>　　for i=1:28

113、8</p><p>　　for j=1:384</p><p><b>　　Length=0;</b></p><p>　　if M(i,j)==1; </p><p>　　M(i,j)=1000; </p><p><b>　　a=1;</b></p>&l