基于matlab的运动目标检测
1 绪论
课题研究背景及意义
运动目标检测是图像处理与计算机视觉的一个分支，在理论和实践上都有重大意义，长久以来一直被国内外学者所关注。在实际中，视频监控利用摄像机对某一特定区域进行监视，是一个细致和连续的过程，它可以由人来完成，但是人执行这种长期枯燥的例行监测是不可靠，而且费用也很高，因此引入运动监测非常有必要[1]。它可以减轻人的负担，并且提高了可靠性。概括起来运动监测主要包括三个内容[2]：运动目标检测，方向判断和图像跟踪。运动目标检测是整个监测过程的基础，运动目标的提取准确与否，直接关系到后续高级过程的完成质量。
国内外研究现状
运动目标检测在国外已经取得了一些的研究成果[3]，许多相关技术已经开始应用到实际系统中，但是国内研究相对落后,与国外还有较大差距。传统的视频目标提取大致可以分两类,一类以空间同性为准则,先用形态学滤波器或其他滤波器对图像作预处理;然后对该图像的亮度、色度或其他信息作空间上的分割以对区域作边缘检测;之后作运动估计,并合并相似的运动区域以得到最终的提取结果。如光流算法、主动轮廓模型算法。此类方法结果较为准确但是运算量相对较大。另一类算法主要以时间变化检测作为准则,这类算法主要通过帧差检测图像上的变化区域和不变区域,将运动物体与静止背景进行分割。此类方法运算量小,提取结果不如前类方法准确。此外,还有时空结合方法、时空亮度梯度信息结合的方法等等[4]。本文将围绕以时间变化监测为基础的方法展开分析和讨论。
本文结构
第1章介绍了本文的研究意义及国内外发展状况；第2章分为四个部分详细讲述了运动目标检测的方法，介绍了背景提取与更新算法，检测算法，阈值选取，形态学滤波等；第三章对全文作出了总结。
２运动目标检测的一般过程
背景提取与更新算法
在进行运动目标检测时，一个很重要的步骤就是区分出运动目标和背景范围，常见的一种情况是摄像机处于静止状态并且焦距也是固定的。此时，图像中的背景区域固定不动。在这种情况下，运动目标识别无论是使用背景差法，还是使用背景差法结合帧间差法，质量良好的背景的建立显得及其重要。另外，当涉及到背景的使用时，一旦背景发生一些变化时，如背景中频繁地出现运动物体，或者光照发生变化、树叶等小物体的晃动等等，使得不能准确地提取背景作为参考图像，从而不能正确地分割出视频序列中的运动物体。为了克服上述问题，国内外众多研究人员提出了背景建立和自适应的背景模型，实现了背景模型的实时更新，能够比较准确地识别出运动目标。在能够满足实时性和实用性要求的前提下，讨论并研究下列几种算法[5]。
手动背景法
手动背景法需要人观察到没有前景物体时启动该帧图像，作为背景图像。这种背景提取方法增加了人力和物力的需求，而且在很多情况下很难在没有前景的情况下获得背景图像，比如高速公路的车辆监测系统、小区的门禁系统等等。这种方法不能实现自适应背景更新的功能，需要使用其他方法修正由于光线，亮度等的变化带来的背景误差。
统计中值法
考虑到运动物体较少的情况下，连续多帧图像中背景的像素值占主要部分，这样在一段时间内变化缓慢，取中值便可以认为是背景图像。统计中值算法从统计学的角度统计单个像素点A i(x,y),(i=1,2,…N)在连续帧图像中的亮度值B i。在一段时间内对视频序列图像的亮度值(或者色彩信息) B i进行排序，然后取中值M i(x,y)作为背景。该算法存在的问题在于：图像帧的像素点大多以数万，数十万的数量级出现，而用于取中值的图像帧数量N也应该比较大。对如此大的数组进行排序取出中值，实现时计算量较大，处理较慢。同时需要占用大量的内存单元用于存储数据。
算术平均法
采用算术平均法提取背景图像，可以总结为在特定的时间段内对像素点的亮度和色彩信息取平均值，用均值作为背景图像对应像素点数值。在读入一段视频时，对某一像素点进行观察，会发现在没有前景的运动目标通过时，该点的灰度值保持稳定，变化很小,只有当前景的运动目标通过时，该点的灰度才会发生剧烈的变化。这样就可以连续读入N帧图像，对图像各点的灰度或色彩信息进行统计的方法，使得变化剧烈的像素点变得平缓，取其平均值作为背景图像像素点的值。这样也可以滤除背景图像中的突变噪声点。其统计公式如下：
∑==N i N y x Ii y x B 11
),(),( （2-1）
公式中式中：B (x, y)表示背景图像，Ii(x,y)表示第i 帧序列图像，N 表示平均帧数。在实际场景中，一段时间内，同一区域很少有可能总是存在运动物体。而通过平均法得到的背景就会消除亮暗分布不均匀的情况。
选取N=120，MATLAB 仿真,从序列图像的第1、60、120帧可以看出，在第1帧至第120帧时都存在运动目标，如2-1图。经过对连续120帧计算算术平均值，得到了基本不包含运动目标的背景图像，如2-2图。
(a)第1帧图像 (b)第60帧图像 (c)第120帧图像
图2-1 各帧图像
图2-2 算术法提取的背景图像
由上述仿真实验证明，算术平均法的特点是模型简单，计算方便，可以较好的得到背景图像。但是在仿真过程中，也发现了该方法的一些问题。其中最明显的是，该算法得到背景图像需要获取的图像帧较大。受运动物体数量的影响，随着平均帧数的增加，得到的背景图像的质量越好。由于是求取序列图像的算术平均值，如果N 值太小，背景图像中的运动物体不容易被滤除，很容易在背景图像中留下“影子”。而且在运动物体很多，轨迹很固定的情况下，也需要加大N 的数值，以使得平均值更加接近与真实的背景图像。在这种情况下，背景的建立就需要较长的时间。本算法也有一定自适应更新功能。随着时间的推移，在背景提取后获取的图像帧也可以作为新的信息量，与背景图像进行统计平均或加权平均，实现背景的自适应更新。因此这种方法也使用于实时背景更新算法。
Surendra算法
Surendra背景更新算法[6][7]能够自适应地获取背景图像，该算法提取背景的思想是对差值图像的亮度值进行判断，如亮度大于阈值，背景图像对应位置的像素点保持不变，否则利用当前帧对背景图像进行替换更新。其算法可以分成以下几个步骤：
(1)将第1帧图像I1作为背景B1。
(2)选取阈值T，迭代次数m=1，最大迭代次数MAXSTEP。
(3)求当前帧的帧差分图像
1 |I i－I i-1|＞T
Di= (2-2)
(4)由二值图像Di更新背景图像Bi，
B i-1(x,y) Di=1
Bi= (2-3)
αI i(x,y)+(1-α)I i-1(x,y) Di=0
式中Bi(x,y)，Di(x,y)为背景图像和差分二值图像在(x, y)的灰度值，Ii(x,y)为输入的第i 帧图像，α为更新速度。
(5)迭代次数m=m+1，进行第(3)步的运算。当迭代次数m=MAXSTEP时结束迭代，此时Bi(x,y)可当作背景图像。
选取MAXSTEP=80，α=，选取固定阈值T=20。在MATLAB中进行仿真第30帧背景（灰度）第30帧图像
第80帧背景（灰度）第80帧图像
0 |I i－I i-1|≤T
图2-3 Surendra算法提取的背景图像
在仿真研究中发现,MAXSTEP很大程度地决定了背景建立时的速度，α则决定背景更新的速度。这种背景建模和更新的方法，能够很好地解决物体长时间停留对背景的影响，因为背景的更新会将它逐步地作为背景像素点更新到背景中。但是由于它的基本处理方式是帧间差分，使得它不能将色彩、亮度相似的，大面积的运动物体完整的检测出来。这种情况下，运动物体的某些部分将作为背景区域更新到背景中。
其他算法
国内外已有的背景提取与更新算法远不止上述几种，如混合高斯模型，分块统计算法等也是目前比较常见的算法，其主体思想与算术平均法类似，只是在做法上有区别。由于绝大多数算法都是基于PC机的实现，很少将算法的实时性作为参考要素。
动目标检测算法研究
在实际的安防与监控应用中，大多考虑摄像头固定的情况。因此本文在研究运动目标检测算法时，也做如下假设：摄像头固定，只对视场内的目标进行检测，离开视场后再次进入的物体被视为新目标。目前，大多数的运动目标检测的方法或是基于图像序列中时间信息的，或是基于图像序列中空间信息的。常见的方法有如下3种[8]：
(1)光流法
当目标运动时，图像上对应目标的亮度信息（光流）也相应的运动。这样，根据时间上相邻的几帧图像可以计算出各像素点运动的大小和方向，从而利用运动场来区分背景和运动目标。其主要优点在于能检测出独立的运动目标，而不需预知场景的任何信息，对变化的复杂背景情况有较好的适应。但其缺点也很明显，由于要依赖光流估计的准确程度，大多数计算方法相当复杂并且计算量特别大，所以除非有特殊的硬件支持，否则很难实现实时检测。
(2)背景减法
将实时视频流中的图像像素点灰度值与事先已存储或实时得到的视频背景模型中的相应值比较，不符合要求的像素点被认为是运动像素。这是视频监控中最常用的运动检测方法。这种方法虽然能较完整的提取运动目标，但对光照和外部条件造成的环境变化过于敏感，常常会将运动目标的阴影错误的检测为其自身的一部分。同时由于时间流逝，实际场景的多种因素都会发生变化，比如停留物的出现、光线等的变化、运动目标对背景的遮挡等等，背景需要得到实时地更新，这是影响其检测效果的一个重要因素。
(3)帧间差法
帧间差法是根据当前图像与参考图像的差别来获得运动目标轮廓的方法。这种方法对于场景中的光线渐变不敏感，适于动态变化的环境，且运算量相对较小。但一般不能完整的提取运动目标，且在运动实体内易产生空洞现象，从而不利于下一步的分析和处理。
针对前面3种常见算法，只进行帧间差分法和背景差分法的研究于仿真。光流法由于很难达到实时性要求，因此不做研究。
帧间差法运动目标检测
基于帧间差分的运动检测即帧差法，它根据相邻帧或隔帧图像间亮度变化的大小来检测运动目标，帧间差分公式如下：
Di(x,y)=Ii(x,y)－I i-1(x,y) (2-4) Ii(x,y)，I i-1(x,y)为前后两帧图像，帧差分运动检测只针对前景区域进行，运动检测公式如下，其中T为门限值。
1,D i>T
M i(x,y)= （2-5）
0,D i≤T
选取T=20，仿真结果如下图：
第19帧图像第20帧图像差分后二值化图像
第79帧图像第80帧图像差分后二值化图像
第139帧图像第140帧图像差分后二值化图像
图2-4帧间差分实验
由上面的仿真实验可以得出：运用帧间差分方法进行运动目标的检测，可以有效的检测出运动物体。右子图中，可以比较清晰地得到运动物体的轮廓。但是，这种算法虽然可以使背景像素不随时间积累，迅速更新，因此这种算法有比较强的适应场景变化能力。但是帧差法表示的是相邻两帧同位置的变化量，因此很有可能将比较大的运动目标，或者运
动目标内部颜色差异不大的像素判断错误，在实体内部产生拉伸、空洞现象[8]。而且当前景运动很慢且时间间隔选择不合适时，容易出现根本检测不到物体的情况。在差分图像中，有很多“雪花”般的噪声，这些是由于图像局部的干扰造成的。本文随后的章节将对如何消除这些噪声进行讨论。使用帧间差分法，需要考虑如何选择合理的时间间隔，这一般取决于运动目标的速度。对于快速运动的目标，需要选择较短的时间间隔，如果选择不当，最坏情况下目标在前后两帧中没有重叠，被检测为两个分开的目标；对于慢速运动的目标，应该选择较长的时间间隔，如果选择不当，最坏情况下目标在前后两帧中几乎完全重叠，根本检测不到目标。此外，在场景中由于多个运动目标的速度不一致也给时间间隔的选取带来很大麻烦。
背景减法运动目标检测
背景差分算法的实质是：实时输入的场景图像与背景图像进行差分，可以较准确的分割出运动目标。但是背景差分算法也有其天然的缺陷，随着时间的推移，场景的光线、树叶的遮挡、或者运动物体滞留都会很大程度的破坏已经建立好的背景图像。为了解决这些问题，最好的方法便是使用背景建模和背景更新算法来弥补。前面已经讨论过相关问题，因此，本文假设背景处于理想情况下进行背景差分算法的研究。设(x, y)是二维数字图像的平面坐标，基于背景减法的二值化数学描述为：
Di(x,y)=|Ii(x,y)－Bi(x,y)| (2-6)
1,Di>T
Mi(x,y)＝(2-7)
0,Di≤T
Ii(x,y)表示图像序列中当前帧的灰度图像，Bi (x, y)表示当前帧背景的灰度图像,Mi(x,y)表示相减后的二值化结果，T表示对应的相减后灰度图像的阈值，选取固定阈值T=20，基于背景减法的MATLAB仿真，如图
第25帧图像第25帧背景差分后二值化图像
第85帧图像第85帧背景差分后二值化图像
第145帧图像第145帧背景差分后二值化图像
图2-5背景差分实验
Surendra算法计算出背景图像，左图为原始输入图像，中图为背景图像，右图为背景差分法得出的二值化图像。实验结果表明：背景差分算法也可以有效地检测出运动目标。由于背景建模算法的引入，使得背景对噪声有一定的抑制作用，在差分图像中“雪花”较帧间差分算法有所减少。同时，使用背景差分算法检测出的运动物体轮廓，比帧间差分法的检测结果更清晰。因此，在背景建模与背景更新处于比较理想的状态下，背景差分算法得到的差分结果略好于帧间差分的结果。
阈值的选取
Surendra算法提取背景及目标提取都需对图像二值化。分割阈值的选取虽看似简单，但直接影响目标的分割效果，阈值T增大，虽然可以一定量的减少环境对效果的影响，但同时也会将差分结果中变化不明显的区域作为前景被忽略掉；阈值T减小，效果却又恰恰相反。前面提到的相关算法中，阈值的选取都是采用的静态固定阈值。这种阈值的选取方法在实际运用中是不可取的，因为在视频监控应用中，监控者不可能随时对监控质量做出评估并相应的修改阈值。所以，研究人员提出了许多阈值的选取方法。但是到目前为止还不存在一种通用的方法，也不存在一个判断分割是否成功的客观标准。
阈值法可以分为全局阈值法和局部阈值法两种[9]。全局阈值法是指在在整幅图像范围内用同一阈值来进行二值化处理的方法；局部阈值法是当图像中的敏感度不均匀，以慢斜率变化时，将图像分割成几个子块。如果在每个子块中可以找到最佳阈值，就称这样的的阈值确定方法为局部阈值法。本文选用循环分割法来自适应地得到在二值化一幅图像时所需要的全局阈值T。基本步骤如下：
(1)选择一个T的初始估计值
(2)用T分割图像。这样做会生成两组像素：G1由所有灰度值大于T的像素组成，而G2由所有灰度值小于或等于T的像素组成。
(3)对区域G1和G2中的所有像素计算平均灰度值μ1和μ2。
(4)按下式计算新的阈值。
T=1/2(μ2+μ1)
(5)重复步骤(2)到(4)，直到逐次迭代所得到的T值之差小于预先定义的参数。
当背景和对象在图像中占据的面积相近时，好的T的初始值就是图像的平均灰度值。
如果对象与背景所占的面积不相近时，则其中一个像素组合会在直方图中占主要地位，平均灰度值就不是好的初始选择。此时，T 更合适的初值是诸如灰度值的中间值一类的初值。对车辆检测进行仿真时，由于车辆与背景面积相差较大，选用的初值就是最大灰度和最小灰度和的一半。进行阈值计算时还应注意迭代速度和精度的矛盾。[10]
形态学滤波
由于刮风、气流等原因，背景中部分物体小幅度晃动；光线的变化等不确定因素，会使得视频图像产生大量噪声，当差值图像二值化后，仍然有很多无用的噪声斑点，可参见图2-6、图2-7。因此，需要采用数学形态学方法，对分割后的二值图像进行形态学滤波。数学形态学的主要用途是获取物体拓扑和结构信息。它通过物体和机构元素相互作用的某些运算，得到物体更本质的形态。其基本思想是：利用一个成为结构元素的“探针”收集图像信息。这种基于探测的思想与人的视觉特点有类似之处：总是关注一些感兴趣的物体或者结构，并有意识地寻找图像中的这些结构。数字形态学在本文所涉及到的图像处理中，主要作用包括利用形态学的基本运算，对图像进行观察和处理，从而达到改善图像质量的目的。
形态学的基本运算包括：腐蚀(Erosion)、膨胀(Dilation)、开(Opening)和闭(Closing)运算。用这些算子及其组合来进行图像形状和结构的分析及处理，包括图像分割、特征提取、边界检测、图像滤波、图像增强与恢复等方面的工作。形态学一般以二值图像为处理对象，但也可以用在某些灰度图像的应用中。
(1)结构元素
结构元素被形象的称为刷子或探针，是膨胀和腐蚀操作中最基本的组成部分。
它用于测试输入图像，通常比待处理图像小得多。本文使用3×3的结构元素，经开运算处理后，可提取出移动物体。二维结构元素由一个数值为0或1矩阵组成。结构元素的原点指定了图像中需要处理的像素范围，结构元素数值为1的点决定结构元素的领域像素在腐蚀或膨胀操作是需要参与计算。
(2)腐蚀和膨胀
腐蚀和膨胀是许多形态学算法的基础。腐蚀操作会去掉物体的边缘点，细小物体所有的点都会被认为是边缘点，因此会整个被删去。再做膨胀时，留下来的大物体会变回原来的大小，而被删除的小物体则永远消失了。膨胀操作会使物体的边界向外扩张，如果物体内部存在小空洞的话，经过膨胀操作这些洞将被补上，因而不再是边界了。再进行腐蚀操作时，外部边界将变回原来的样子，而这些内部空洞则永远消失了。
通常设Ｘ为图像矩阵，Ｂ为结构元素矩阵，数学形态学运算时，用Ｂ对Ｘ进行操作。实际上，结构元素本身也是一个图像矩阵。这里对每个结构元素矩阵B 指定一个原点origin 。
X 被B 腐蚀的定义为[11]：
(){}A B z B X z ?=Θ| (2-9)
这个公式说明，使用B 对X 进行腐蚀是所有B 中包含于A 中的点的集合用x 移。 图2-6显示了实际上的腐蚀运算，左边是被处理的图象X(二值图象，针对的是黑点)，中间是结构元素B ，那个标有origin 的点是中心点，即当前处理元素的位置，右边是腐蚀后的结果。可以看出，它仍在原来X 的范围内，且比X 包含的点要少，就象X 被腐蚀掉了一层[12]。
图2-6 腐蚀运算
X 被B 膨胀的定义为[10]：
?
??????≠??? ??=⊕A B z B X z I ^| (2-10) 这个公式表示用B 膨胀X 的过程是，相对B 做关于中心像素的映射，在将其映射平移x ，这里X 与B 映像的交集不为空集。
图2-7显示了实际上的腐蚀运算，左边是被处理的图象X(二值图象，针对的是黑点)，中间是结构元素B ，右边是膨胀后的结果。可以看出，它包括X 的所有范围，就象X 膨胀了一圈似的[12]。
图2-7膨胀运算
对图2-5中各差分后的二值图像先进行腐蚀再进行膨胀，所得效果如图2-8所示。
第25帧差分后二值化图像腐蚀膨胀
第85帧差分后二值化图像腐蚀膨胀
第145帧差分后二值化图像腐蚀膨胀
图2-8对各帧的腐蚀和膨胀
(3)开启和闭合
开启就是相对图像进行腐蚀，然后膨胀其结果。闭合就是先对图像进行膨胀，然后腐蚀其结果。开启一般使对象的轮廓变得光滑，断开狭窄的间断和消除细的突出物。闭合同样使轮廓线变得光滑，但是开启相反的是，它通常消除狭窄的间断和长细的鸿沟，消除小的孔洞，并填补轮廓线中的断裂开启。
Xο，定义为[11]：使用结构元素B对集合X进行开启操作，表示为B
()B
X⊕
ο(2-11)
=
Θ
B
A
B
X?，定义为[11]: 使用结构元素B对集合X进行闭合操作，表示为B
()B
=
⊕
?(2-12)
B
A
B
XΘ
3 实验结果及分析
本文着重研究了利用背景减法进行目标检测在Matlab中的实现方法。利用Matlab图像处理功能来实现经典的图像处理方法,简化了算法,达到了检测目标的预期效果,为后面的目标跟踪、目标分类等奠定了基础。本文经过如图2-9所示的流程能够达到如图2-10所示的效果:
图2-9检测过程
第25帧第85帧第145帧
图2-10检测效果
实践证明该方法具有很高的准确度。
参考文献
[1]马颂德，张正友．《计算机视觉——计算理论与算法基础》．科学出版社，1999：124～166
[2]Ed Chang, A Videh Zakhor. Scalable Trans. On Cirouits and Systems for Video Technology,,,,October
1997
[3]刘贵喜，邵明礼．真实场景下视频运动目标自动提取方法．光学学报．第26卷，第8期
[4]毛燕芬，施鹏飞．基于对象的视频图像分割技术．中国图象图形学报，2003 ，8A(7)：726～731
[5]贺贵明，吴元保．《基于内容的视频编码与传输控制技术》，武汉大学出版社，2005：40～50
[6]彭小波，邢晓正，胡红专．Matlab与VC++混合编程在光斑位置测量中的应用．仪器仪表学报，
2003，28(4)：222～223．
[7]徐方明，卢官明．基于改进surendra背景更新算法的运动目标检测算法．山西电子技术．2009年
第5期
[8](日本)谷口庆治编，朱虹等译．《数字图像处理(应用篇)》，科学出版社：292～297
[9]黄磊，于曼曼．基于背景差分的运动目标检测研究．软件导刊．第8卷，第6期
2009年6月
[9](日本)谷口庆治编，朱虹等译，《数字图像处理(基础篇)》，科学出版社：80～81
[10]王世香．《精通MATLAB接口与编程[M]》．电子工业出版社，2007．
[11]章霄，董艳雪，赵文娟。《数字图像处理技术》，冶金工业出版社：219～225
[12]
致谢
在此论文撰写过程中，要特别感谢我的导师许建忠的指导与督促，同时感谢他的谅解与包容。没有许老师的帮助也就没有今天的这篇论文。求学历程是艰苦的，但又是快乐的。感谢我的辅导员从风老师，谢谢他在这四年中为我们全班所做的一切，他不求回报，无私奉献的精神很让我感动，再次向他表示由衷的感谢。在这四年的学期中结识的各位生活和学习上的挚友让我得到了人生最大的一笔财富。在此，也对他们表示衷心感谢。
谢谢我的父母，没有他们辛勤的付出也就没有我的今天，在这一刻，将最崇高的敬意献给你们！
本文参考了大量的文献资料，在此，向各学术界的前辈们致敬！
附录
运动目标检测matlab程序:
clear
clc
nStar = 1;
nNUM = 164;
Background = double( rgb2gray(imread( [ 'car (',int2str(nStar),').bmp']) ));%第一帧当做初始背景
% 背景更新过程
for k = nStar+1 :1: nNUM
CurrentImage =double(rgb2gray(imread( [ 'car (',int2str(k),').bmp'] ))); % 当前帧
FormerImage =double(rgb2gray(imread( [ 'car (',int2str(k-1),').bmp'] ))); % 前一帧
ID =uint8(abs( CurrentImage - FormerImage )); % 帧间差分
% 选择阈值
T=yuzhi(ID); %迭代法计算二值化阈值，比较耗时
BW = im2bw(ID,T/255);
% 更新背景
alpha = ; %背景更新的速度
CurrentBack = Background.*BW + ( alpha.* CurrentImage + ( 1-alpha ).* Background ).*( 1 -BW );%前后两帧有变化的区域不更新，无变化的区域更新到背景中去Background = CurrentBack;%背景更新完毕
Cut=abs(CurrentImage-Background);%前景与背景差分
Cut=uint8(Cut);
Tcut=yuzhi(Cut);%迭代法计算二值化阈值，比较耗时
BWCut=im2bw(Cut,Tcut/255);%差分后的图像进行二值化
SE=[1 1 1;1 1 1;1 1 1];%结构元素
BWCutero=imerode(BWCut,SE);%对二值图像进行腐蚀，以消除微小变动的区域
BWCuterodil = bwmorph(BWCutero,'dilate',3);%膨胀
figure(1),imshow(BWCuterodil),title('差分后的二值化图像')
figure(2),imshow(imread( [ 'car (',int2str(k),').bmp'] ))
[L,nm] = bwlabel(BWCuterodil,8);%找出图像中的八连通区域，视为车辆所在的区域
for i = 1:nm
[r,c] = find(L == i);
left= min(c);
right= max(c);
top= min(r);
buttom= max(r);
width=right - left + 1;
height = buttom - top + 1;
rectangle('Position',[left,top,width,height],'EdgeColor','r');%对车辆用矩形标记pause（）；
end
end
%用来计算灰度图像二值化时的阈值，采用迭代法
function m=yuzhi(Imgray)
mingray=min(min(Imgray));
maxgray=max(max(Imgray));
m=double(mingray)/2+double(maxgray)/2; %初始分割阈值
while 1
a=find(Imgray<=m);
A=sum(Imgray(a))/length(a);
b=find(Imgray>m);
B=sum(Imgray(b))/length(b);
n=(A+B)/2;
if abs(m-n)<1
break;
else
m=n;
end
end
运动目标检测光流法
摘要 运动目标检测方法是研究如何完成对视频图像序列中感兴趣的运动目标区域的“准确定位”问题。光流场指图像灰度模式的表面运动，它可以反映视频相邻帧之间的运动信息，因而可以用于运动目标的检测。MATLAB这种语言可移植性好、可扩展性强，再加上其中有丰富的图像处理函数，所以利用MATLAB 软件来用光流法对运动目标的检测中具有很大的优势。本设计主要可以借助matlab软件编写程序，运用Horn-Schunck算法对图像前后两帧进行处理，画出图像的光流场。而图像的光流场每个像素都有一个运动矢量，因此可以反映相邻帧之间的运动，分析图像的光流场就可以得出图像中的运动目标的运动情况。 关键字：光流法；Horn-Schunck算法；matlab
目录 1光流法的设计目的 (1) 2光流法的原理 (1) 2.1光流法的介绍 (1) 2.1.1光流与光流场的概念 (1) 2.1光流法检测运动目标的原理 (2) 2.1.1光流场计算的基本原理 (2) 2.2.2基于梯度的光流场算法 (2) 2.2.3Horn-Schunck算法 (3) 2.2.4光流法检测运动目标物体的基本原理概述 (5) 3光流法的程序具体实现 (6) 3.1源代码 (6) 3.1.1求解光流场函数 (6) 3.1.2求导函数 (9) 3.1.3高斯滤波函数 (9) 3.1.4平滑性约束条件函数 (10) 3.1.5画图函数 (10) 4仿真图及分析 (12) 结论 (13) 参考文献 (14)
1 光流法的设计目的 数字图像处理，就是用数字计算机及其他有关数字技术，对图像进行处理，以达到预期的目的。随着计算机的发展，图像处理技术在许多领域得到了广泛应用，数字图像处理已成为电子信息、通信、计算机、自动化、信号处理等专业的重要课程。 数字图像处理课程设计是在学习完数字图像处理的相关理论后，进行的综合性训练课程，其目的是：使学生进一步巩固数字图像处理的基本概念、理论、分析方法和实现方法；增强学生应用Matlab编写数字图像处理的应用程序及分析、解决实际问题的能力；尝试所学的内容解决实际工程问题，培养学生的工程实践能力。 运动目标检测是数字图像处理技术的一个主要部分，近些年来，随着多媒体技术的迅猛发展和计算机性能的不断提高，动态图像处理技术日益受到人们的青睞，并且取得了丰硕的成果，广泛应用于交通管理、军事目标跟踪、生物医学等领域。 因此，基于光流法，实现运动目标的检测是本文的研究对象。结合图书馆书籍、网上资料以及现有期刊杂志，初步建立起运动目标检测的整体思路和方法。 2 光流法的原理 2.1 光流法的介绍 2.1.1 光流与光流场的概念 光流是指空间运动物体在观测成像面上的像素运动的瞬时速度，它利用图像序列像素强度数据的时域变化和相关性来确定各自像素位置的“运动”，即反映图像灰度在时间上的变化与景物中物体结构及其运动的关系。将二维图像平面特定坐标点上的灰度瞬时变化率定义为光流矢量。视觉心理学认为人与被观察物体
目标检测与识别
采用视频图像的运动目标检测与识别 相关调研 目标检测是计算机视觉的一个重要组成部分,在军事及工业等领域有着重要的应用前景。运动目标的检测方法主要有光流法,差值法。光流法的计算量很大,实时性和应用性较差。而图像差值法比较简单,实时性较好,是目前应用最广泛,最成功的运动目标检测的方法。图像差值法可分为两类,一类是用序列图像的每一帧与一个固定的静止的参考帧做图像差分,但自然场景不是静止不变的,因而必须不断的更新背景。另一类是用序列图像的两帧进行差分,这种方法无法检测出两帧图像中重合的部分,只能检测出目标的一部分信息。在绝大多数视频监控图像应用中,每一个像素都可以用一个或多个高斯模型近似,因此,高斯背景模型是绝大多数目标检测方法常用的基本模型。 智能视频服务器是飞瑞斯在多年视频分析技术优势的基础上，推出的一系列具有智能视频分析功能的DVS 视频编码设备。智能视频服务器基于DSP、ARM等核心平台，完成前端标准的H.264高压缩率编码，同时完成智能分析功能。 智能视频服务器的最大的创新点在于，这一系列DVS不仅仅提供视频监控的功能，能通过飞瑞斯核心的智能视频分析技术，来感知视频场景内的环境、人和物，并挖掘其中的人(物)行为、状态、身份信息、数量、轨迹等更深层次的元数据信息。 智能视频服务器赋予了视频监控系统智慧的大脑，从此视频监控不仅仅是能看得到，而且还能自己思考，提供更为智能的应用。
https://www.wendangku.net/doc/a211378133.html,/products_20_26.html?bdclkid=BztEJhpzcR34JE_Ft948PGoNuxuK0gsc zre7HPa3EhvUMBqk3J
运动目标图像的识别与跟踪
运动目标图像的识别与跟踪 本文主要目的是将视频摄像头中的运动目标从背景中提取出来，并加以跟踪。首先考虑的是常见的目标检测的算法，其次考虑对于噪声的滤除，最后是对运动目标的跟踪。 一、基本目标检测算法 我们主要考虑的目标检测的算法主要有三种，光流场法、背景模型法以及时域差分法。 1.1光流场法 光流主要是图像亮度模式的表现运动。而光流场则是指灰度模式的表面运动。一般条件下，我们可以根据图像的运动，进行估算相对运动。 光流场法的基本理论是光流场基本方程： 0=++t y x I vI uI (1.1) 式中我们根据亮度守恒，利用泰勒公式展开，忽略高阶项与二次项。其中x I 、y I 和t I 是图像在对数轴x 、y 两个方向和t 的的导数，()v u ,就是这个点的光流坐标。 光流场法的目标检测，在摄像机运动时候也可以做出判断，但是图像的噪声太过明显，使得计算数据庞杂，计算的公式更加复杂，这样并不适合我们的对于目标跟踪的高精度的摄像系统。 1.2背景模型法 背景模型法，也被称为背景差法，主要利用当前的图像和背景的图像的二值化做差，然后取阈值，分割运动目标。 首先根据： ()()()y x b y x f y x D t t t ,,,-= (1.2) 我们可以得到当前的图像帧数()y x f t ,和背景图像的帧数),(y x b t 做差，然后以公式对图像进行二值化的处理。 ???≤>=)(,0)(,1),(BackGround T D ForeGround T D y x P t t t (1.3) 上面),(y x P t 是二值化模板图。假设某一区域大于一个给定的面积的时候，该区域就是我们要找的目标区域。 背景模型法的算法简单，可以快速反应，并且可以提供运动目标的大略特征等数据。但是对于复杂背景下，比如人流较大的公共场所，或者有光照等干扰时，就需以其他的算法以不断更新背景信息来进行弥补。
运动序列目标检测算法研究及 DSP 实现
运动序列目标检测算法研究及DSP实现 李文艳，王月琴，张笑微 （西南科技大学信息工程学院四川绵阳621010） 摘要：由于实际场景的多样性，目前常用的运动目标检测算法都还存在一定程度的缺陷，因此本文提出了一种将帧差法和背景减法相结合的方法，实现快速精确地检测和提取运动目标。实验结果表明，本方法是比较实用的，能较好满足实时视频监控系统的要求。最后将程序移植到基于DSP的平台上，进行相应的优化后基本满足了实时性的要求。 关键词：目标检测；帧差法；背景减法 中图分类号：TP751.1 文献标识码：A Algorism Research of Moving Object Detection and DSP Implementation LI Wen-yan，WANG Yue-qin，ZHANG Xiao-wei (Southwest University of Science and Technology Mianyang Sichuan China 621010) Abstract: Because of the environment’s variety, the methods that have been used for moving object detection need to be improved. An algorithm based on two consecutive frames subtraction and background subtraction is presented and it can detect and extract object quickly and accurately. The results show that the proposed method is a practical one. It can meet the need of the real time video surveillance and monitoring system. The coding is transplanted in DSP, and the project is executed successfully on CCS simulator. Keywords: Object detection; Frames subtraction; Background subtraction 引言 运动目标的检测在智能监控等领域中得到了广泛的应用。运动目标的检测就是从视频流中去除静止背景提取出运动的目标，运动目标的有效分割对跟踪等后期处理非常关键。 本文提出了将帧间差分和背景减法相结合的方法。首先选取一帧作为背景帧, 建立各像素点的高斯模型。再运用帧间差分法对相邻两帧图像进行差分处理, 区分出背景点和变化的区域。然后将变化区域与背景帧的对应区域进行模型拟合区分出显露区和运动物体。 1 运动目标检测算法总体流程 采用帧间差分与背景减法相结合的算法进行运动目标检测，包括运动目标的检测和将检测到的运动目标从背景中分割出来两部分，其系统框架流程图如图1所示。 图1 运动目标检测流程图 这种设计充分利用了被检测区域部分时间静止的特点，具有智能检测的功能，它只在检
运动目标检测方法总结报告
摘要 由于计算机技术的迅猛发展，使得基于内容的视频信息的存取、操作和检索不仅成为一种可能，更成为一种需要。同时，基于内容的视频编码标准MPEG-4和基于内容的视频描述标准MPEG-7正在发展和完善。因此提取和视频中具有语义的运动目标是一个急需解决的问题。运动目标提取和检测作为视频和图像处理领域的重要研究领域，有很强的研究和应用价值。运动检测就是将运动目标从含有背景的图像中分离出来，如果仅仅依靠一种检测算法，难以从复杂的自然图像序列中完整地检测出运动的目标。较高的检测精度和效率十分重要，因此融合多种检测方法的研究越来越受到重视。本文介绍了几种国内外文献中的经典的视频运动目标的检测和提取算法，并对各种方法进行了评价和总结。首先介绍了基本的运动目标检测的基本知识和理论，然后介绍了基本的几种目标检测方法及其各种改进方法。对今后的运动目标检测提取的相关研究提供一定的参考。 关键词：运动目标检测光流法帧差法背景建模方法
ABSTRACT Because of the rapid development of computer technology, it is possible to access, operate and retrieve the video information based on the content of the video. At the same time, based on the content of the video coding standard MPEG-4 and content-based video description standard MPEG-7 is developing and improving. Therefore, it is an urgent problem to be solved in the extraction and video. Moving object extraction and detection is a very important field of video and image processing, and has a strong research and application value. Motion detection is to separate moving objects from the image containing background, if only rely on a detection algorithm, it is difficult to from a complex natural image sequences to detect moving target. Higher detection accuracy and efficiency are very important, so the study of the fusion of multiple detection methods is becoming more and more important. In this paper, the detection and extraction algorithms of the classical video moving objects in the domestic and foreign literatures are introduced, and the methods are evaluated and summarized. Firstly, the basic knowledge and theory of basic moving target detection is introduced, and then the basic method of target detection is introduced. To provide a reference for the research on the extraction of moving target detection in the future. Keywords: Visual tracking Optical flow method Frame Difference Background modeling method
运动目标检测原理
运动检测（移动侦测）原理 一、引言 随着技术的飞速发展，人们对闭路电视监控系统的要求越来越高，智能化在监控领域也得到越来越多的应用。在某些监控的场所对安全性要求比较高，需要对运动的物体进行及时的检测和跟踪，因此我们需要一些精确的图像检测技术来提供自动报警和目标检测。运动检测作为在安防智能化应用最早的领域，它的技术发展和应用前景都受到关注。 运动检测是指在指定区域能识别图像的变化，检测运动物体的存在并避免由光线变化带来的干扰。但是如何从实时的序列图像中将变化区域从背景图像中提取出来，还要考虑运动区域的有效分割对于目标分类、跟踪等后期处理是非常重要的，因为以后的处理过程仅仅考虑图像中对应于运动区域的像素。然而，由于背景图像的动态变化，如天气、光照、影子及混乱干扰等的影响，使得运动检测成为一项相当困难的工作。 二、运动检测（移动侦测）原理 早期的运动检测如MPEG1是对编码后产生的I帧进行比较分析，通过视频帧的比较来检测图像变化是一种可行的途径。原理如下：MPEG1视频流由三类编码帧组成，它们分别是：关键帧（I 帧），预测帧（P帧）和内插双向帧（B帧）。I帧按JPEG标准编码，独立于其他编码帧，它是MPEG1视频流中唯一可存取的帧，每12帧出现一次。截取连续的I帧，经过解码运算，以帧为单位连续存放在内存的缓冲区中，再利用函数在缓冲区中将连续的两帧转化为位图形式，存放在另外的内存空间以作比较之用，至
于比较的方法有多种。此方法是对编码后的数据进行处理，而目前的MPEG1/MPEG4编码都是有损压缩，对比原有的图像肯定存在误报和不准确的现象。 目前几种常用的方法： 1.背景减除（Background Subtraction ） 背景减除方法是目前运动检测中最常用的一种方法，它是利用当前图像与背景图像的差分来检测出运动区域的一种技术。它一般能够提供最完全的特征数据，但对于动态场景的变化，如光照和外来无关事件的干扰等特别敏感。最简单的背景模型是时间平均图像，大部分的研究人员目前都致力于开发不同的背景模型，以期减少动态场景变化对于运动分割的影响。 2.时间差分（Temporal Difference ） 时间差分（又称相邻帧差）方法是在连续的图像序列中两个或三个相邻帧间采用基于像素的时间差分并且阈值化来提取出图像中的运动区域。时间差分运动检测方法对于动态环境具有较强的自适应性，但一般不能完全提取出所有相关的特征像素点，在运动实体内部容易产生空洞现象。 3.光流（Optical Flow） 基于光流方法的运动检测采用了运动目标随时间变化的光流特性，如Meyer[2] 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。该方法的优点是在摄像机运动存在的前提下也能检测出独立的运动目标。然而，
检测交通视频中运动目标的程序设计
专业综合实践任务书 学生姓名:________专业班级: 指导教师: 工作单位: 信息工程学院 题目:检测交通视频中运动目标的程序设计 初始条件: （1）提供实验室机房及其matlab软件； （2）数字图像处理的基本理论学习。 要求完成的主要任务:(包括课程设计工作量及其技术要求,以及说明书撰写等具体 要求): （1）学习运动目标检测的原理及方法，并利用matlab设计程序完成以下功能；（2）读取交通视频文件； （3）运用一种背景建模方法，提取背景图像； （4）读取一帧有运动目标的图像，利用背景差分法，得到差分区域； （5）对差分区域进行数学形态学处理，得到完整的运动目标区域，并显示运动目标检测结果图； （6）对检测的结果进行分析比较； （7）要求阅读相关参考文献不少于5篇； （8）根据课程设计有关规范，按时、独立完成课程设计说明书。 时间安排: (1) 布置课程设计任务，查阅资料，确定方案 1.5天； (2) 进行编程设计、调试2天； (3) 完成课程设计报告书、答辩 1.5天； 指导教师签名: 年月日系主任(或责任教师)签名: 年月日
目录 摘要 (1) 1.概述 (2) 2.设计原理 (3) 2.1 背景提取与更新算法 (3) 2.1.1 手动背景法 (4) 2.1.2 统计中值法 (4) 2.1.3 算术平均法 (4) 2.1.4 Surendra算法 (5) 2.2 背景差分法运动目标检测 (6) 2.3 形态学滤波 (7) 2.4总体方案设定 (9) 2.4.1 算术平均法与Surendra算法相结合的背景建模 (9) 2.4.2 总体程序框图 (10) 3.软件编程实现 (11) 4.结果及分析 (13) 5.心得体会 (17) 参考文献 (18)
运动目标检测研究意义及国内外现状
运动目标检测研究意义及国内外现状运动目标检测研究意义及国内外现状 1研究意义...................................................................... (1) 2国内外研究现 状 ..................................................................... . (1) 1研究意义 众所周知，当前是信息时代，信息的获得、加工、处理以及应用都有了飞跃发展。人们认识世界的重要知识来源就是图像信息，在很多场合，图像所传送的信息比其他形式的信息更丰富、真切和具体。人眼与大脑的协作使得人们可以获取、处理以及理解视觉信息，人类利用视觉感知外界环境信息的效率很高。事实上，据一些国外学者所做的统计，人类所获得外界信息有80%左右是来自眼睛摄取的图像。由此可见，视觉作为人类获取外界信息的主要载体，计算机要实现智能化，就必须能够处理图像信息。尤其是近年来，以图形、图像、视频等大容量为特征的图像数据处理广泛应用于医学、交通、工业自动化等领域。 自然界的一切图像都是连续变化的模拟图像，在日常生活中，这些图像中的运动目标往往是我们比较关心的，如:行人、行驶的交通工具以及其他的运动物体。运动目标检测是计算机视觉和数字图像处理的一个热门方向，广泛应用于机器人导航、智能视频监控、工业检测、航空航天等诸多领域。因此，运动目标检测也就成为了近年来理论和应用的研究热点，它是图像处理和计算机视觉学科的重要分支，也是智能监控系统的核心部分。它的目的就是如何快速、准确地检测出监控视频中的运动目标，即从序列图像中将运动目标提取出来。
视频图像中运动目标检测
视频图像中运动目标检测
毕业论文 题目视频图像中运动目标检测 方法研究 专业电气工程及其自动化 班级电气1003 学生曹文 学号20113024543 指导教师赵哥君 二〇一二年六月八日
摘要 在很多现代化领域，运动目标检测都显示出了其重要的作用。尤其是近二十年的社会经济的飞速发展，运动目标检测都彰显了其重要性，在航空、通信、航海等各个方面都有关键性的作用，从而使运动目标检测方法的研究成为各国的研究热门课题。 通过阅读大量的相关论文、期刊及其网络资源，了解了高斯背景建模及背景更新的基本原理及思想。在本文中，首先介绍了运动目标检测方法的相关基础知识，如图像的二值化、图像的形态学处理、颜色空间模型。然后重点说明了三种常用的运动目标检测方法的研究，简要阐述了三种研究方法的基本思想。在老师的帮助下进行了相应的实验，最终得出了三种运动目标检测方法的优点和缺点，着重探究了高斯背景建模及其背景更新基本原理及思想。 最后，通过相关的程序及软件对混合高斯背景模型进行了相关的实验，进而发现了混合高斯背景建模算法存在的不足之处，如：高斯背景建模的计算量大、运动目标较大时检测效果差等问题，并对对这些问题提出了相关设想及改进。 关键词：运动目标检测；二值化；图像的形态学处理；高斯背景建模；背景更新 I
ABSTRACT In many modern fields, moving target detection are showing its important role. Especially nearly twenty years of rapid development of social economy, the moving target detection has shown its importance, in various aviation, communication, navigation and so on have a key role, so the study of moving target detection method has become a research hot topic in countries. By reading relevant papers, a large number of journals and cyber source, understand the basic principle and thought of Gauss background modeling and updating the background. In this paper, firstly introduces the basic knowledge of moving target detection method, such as the two values image, morphological image processing, color space model. Then focus on the study of three methods used for moving object detection, a brief description of the basic ideas of the three kinds of research methods. By the experiment, the results of three kinds of method of moving target detection has advantages and disadvantages, this paper emphatically explores Gauss background modeling and background updating basic principle and thought. Finally, through the program and software related to mixed Gauss background model for the relevant experiments, and found the shortcomings, the presence of mixed Gauss background modeling algorithm such as: the problem of computing Gauss background modeling, moving target volume larger detection effect is poor, and on these problems put forward relevant ideas and improvement. Keywords: moving object detection; two values; I I
(完整word版)基于matlab的运动目标检测
1 绪论 1.1 课题研究背景及意义 运动目标检测是图像处理与计算机视觉的一个分支，在理论和实践上都有重大意义，长久以来一直被国内外学者所关注。在实际中，视频监控利用摄像机对某一特定区域进行监视，是一个细致和连续的过程，它可以由人来完成，但是人执行这种长期枯燥的例行监测是不可靠，而且费用也很高，因此引入运动监测非常有必要[1]。它可以减轻人的负担，并且提高了可靠性。概括起来运动监测主要包括三个内容[2]：运动目标检测，方向判断和图像跟踪。运动目标检测是整个监测过程的基础，运动目标的提取准确与否，直接关系到后续高级过程的完成质量。 1.2 国内外研究现状 运动目标检测在国外已经取得了一些的研究成果[3]，许多相关技术已经开始应用到实际系统中，但是国内研究相对落后,与国外还有较大差距。传统的视频目标提取大致可以分两类,一类以空间同性为准则,先用形态学滤波器或其他滤波器对图像作预处理;然后对该图像的亮度、色度或其他信息作空间上的分割以对区域作边缘检测;之后作运动估计,并合并相似的运动区域以得到最终的提取结果。如光流算法、主动轮廓模型算法。此类方法结果较为准确但是运算量相对较大。另一类算法主要以时间变化检测作为准则,这类算法主要通过帧差检测图像上的变化区域和不变区域,将运动物体与静止背景进行分割。此类方法运算量小,提取结果不如前类方法准确。此外,还有时空结合方法、时空亮度梯度信息结合的方法等等[4]。本文将围绕以时间变化监测为基础的方法展开分析和讨论。 1.3 本文结构 第1章介绍了本文的研究意义及国内外发展状况；第2章分为四个部分详细讲述了运动目标检测的方法，介绍了背景提取与更新算法，检测算法，阈值选取，形态学滤波等；第三章对全文作出了总结。
基于帧间差分法的目标运动检测算法开题报告
本科毕业设计(论文)开题报告 题目：基于帧间差分法的目标运动检测算法 Frame difference method based on target motion detection algorithm 课题类型：设计□实验研究□论文□ 学生姓名：郭凯 学号： 3100701135 专业班级：计算机101 学院：计算机科学与技术 指导教师：卢桂馥 开题时间： 201年月日
开题报告内容与要求 一、本课题的研究意义、研究现状和发展趋势（文 献综述） 1.1研究意义 在人们感知到的环境信息中，视觉信息占了很大的比重，其中动态视觉信息更是其主要组成部分。感知环境中的这些动态视觉信息己成为计算机视觉的一个重要的研究方向。在现实生活中，大量有意义的视觉信息都包含于运动之中。尽管人类视觉既能看见运动又能看见静止的物体，但是在许多场合，比如航空和军用飞机的制导、交通流量的监测、重要场所的保安以及汽车的自动驾驶和辅助驾驶等等，人们往往对运动的物体更感兴趣。 运动目标检测与跟踪是近些年来图像处理和计算机视觉领域的一个非常活跃的分支，是动态图像分析的基础。目标的运动图像序列提供了比目标静止时更多的有用信息，使得我们可以利用运动目标检测与跟踪技术获得比静止图像更有实用价值的信息。 运动目标检测和运动目标跟踪两方面具有非常紧密的关系。做为运动目标跟踪的基础，运动目标检测是实时的在被监视的场景中检测运动目标，并将其提取出来。而运动目标跟踪是做为衔接运动目标检测和上层的目标行为分析和理解的一个重要环节。所谓运动目标跟踪，就是在运动目标检测的基础上，利用目标有效特征，使用适当的匹配算法，在序列图像中寻找与目标模板最相似的图像的位置，简单的说就是给目标定位。在实际应用中，运动目标跟踪不仅可以提供目标的运动轨迹和准确定位目标，为下一步的目标行为分析与理解提供了可靠的数据来源，而且也可以为运动目标检测提供帮助。 综上，对运动目标检测与跟踪有关算法的研究具有重大的理论价值和现实意义。 1.2研究现状和发展趋势 1.2.1研究现状 近些年来，世界各地的学者们针对视频图像中的运动目标检测 与跟踪问题做了大量而深入的研究，提出了许多行之有效的方法，也取得了一定的进展，但到目前为止，还没有出现能够适用于各 种场合、各种情况的通用算法。现今的各种算法在稳健性、准确性、可靠性等方面还有着这样、那样的不足。困难主要在于视频 中存在着各种干扰因素，这些因素包括：运动目标的位移或者自 身的形变、成像传感器本身的固有噪声、照明情况的变化、背景 中的杂波、运动目标的自遮挡或者互遮挡等。这些问题有待我们 进一步研究。
基于matlab的运动目标检测
1 绪论 课题研究背景及意义 运动目标检测是图像处理与计算机视觉的一个分支，在理论和实践上都有重大意义，长久以来一直被国内外学者所关注。在实际中，视频监控利用摄像机对某一特定区域进行监视，是一个细致和连续的过程，它可以由人来完成，但是人执行这种长期枯燥的例行监测是不可靠，而且费用也很高，因此引入运动监测非常有必要[1]。它可以减轻人的负担，并且提高了可靠性。概括起来运动监测主要包括三个内容[2]：运动目标检测，方向判断和图像跟踪。运动目标检测是整个监测过程的基础，运动目标的提取准确与否，直接关系到后续高级过程的完成质量。 国内外研究现状 运动目标检测在国外已经取得了一些的研究成果[3]，许多相关技术已经开始应用到实际系统中，但是国内研究相对落后,与国外还有较大差距。传统的视频目标提取大致可以分两类,一类以空间同性为准则,先用形态学滤波器或其他滤波器对图像作预处理;然后对该图像的亮度、色度或其他信息作空间上的分割以对区域作边缘检测;之后作运动估计,并合并相似的运动区域以得到最终的提取结果。如光流算法、主动轮廓模型算法。此类方法结果较为准确但是运算量相对较大。另一类算法主要以时间变化检测作为准则,这类算法主要通过帧差检测图像上的变化区域和不变区域,将运动物体与静止背景进行分割。此类方法运算量小,提取结果不如前类方法准确。此外,还有时空结合方法、时空亮度梯度信息结合的方法等等[4]。本文将围绕以时间变化监测为基础的方法展开分析和讨论。 本文结构 第1章介绍了本文的研究意义及国内外发展状况；第2章分为四个部分详细讲述了运动目标检测的方法，介绍了背景提取与更新算法，检测算法，阈值选取，形态学滤波等；第三章对全文作出了总结。
静止背景运动目标识别
Moving Object Detection in Stationary Scene 摘要：随着计算机技术的不断提高，智能视频监控技术得到了很好的发展, 过去依靠人力监控视频中出现的人或汽车等既浪费人力物力，又不够准确，很容易发生遗漏，而智能监控就不存在这种问题，只需在程序中设定报警条件即可，能够准确地达到实时监控的目的。现在智能视频监控逐渐应用于城市道路、小区、银行等重要场所及对场景中的异常事件或人的异常行为的监控中, 应用前景广泛，正在逐步取代靠人力来观察视频信息。智能视频监控相比过去常用的靠人来监测的最重要的不同就是识别出需要监控的对象，通常是运动目标的提取。在本文中利用matlab视频处理功能，通过matlab程序来获取视频，使用背景减差法来检测出运动目标提取静止背景中的运动目标，并将结果显示出来，以进行进一步的分析处理。 关键字：视频监控；目标提取；静止背景；matlab；目标识别；背景减差法
基于视频的运动目标主要提取方法 目标检测是计算机视觉的一个重要组成部分，在军事及工业等领域有着重要的应用前景。运动目标的检测方法主要有光流法，差值法。光流法的计算量很大，实时性和应用性较差。而图像差值法比较简单，实时性较好，是目前应用最广泛，最成功的运动目标检测的方法。图像差值法可分为两类，一类是用序列图像的每一帧与一个固定的静止的参考帧做图像差分，但自然场景不是静止不变的，因而必须不断的更新背景。另一类是用序列图像的两帧进行差分，这种方法无法检测出两帧图像中重合的部分，只能检测出目标的一部分信息。在绝大多数视频监控图像应用中，每一个像素都可以用一个或多个高斯模型近似，因此，高斯背景模型是绝大多数目标检测方法常用的基本模型。许多学者对基于高斯混合背景模型的背景消除法作了改进并取得了较好的效果。Stauffer 等人提出了采用自适应混合高斯模型，作为背景统计模型的算法；Power 等人详细的讨论了混合高斯模型，并对模型中的参数选择及更新提出了很好的建议。Monnet 等人在文献[3]中对摆动的树叶，水纹的波动等动态纹理干扰作了深入研究，提出了在线的自动聚类模型来获得并预测场景中的这些变化以减少干扰。然而，由于光照条件的影响，大多数图像都存在阴影，阴影的存在干扰了目标的检测，使检测到的目标与真实的目标形状相差很大，这对后续处理如目标识别、行为判断等会产生很大的影响。混合高斯模型无法消除阴影的干扰，因此找到阴影消除的方法变得非常重要。近年来，提出了很多阴影消除方法，毛晓波提出了基于最大色度差分的阴影检测方法，A. Leone提出了基于纹理分析的阴影消除方法，通过分析纹理信息获取前景目标并消除阴影，取得了较好的效果。 运动目标检测常用的方法一般分为两大类，一种是基于特征的方法，另一种是基于灰度的方法。基于特征的方法是依据图像的特征来检测运动目标，它多用于目标较大、特征容易提取的场合。基于灰度的方法一般是依据图像中灰度的变化来检测运动目标。目前基于视频的检测方法主要有: 基于帧间差分的方法、基于光流场的方法、基于背景差的方法等。帧间差分法是基于运动图像序列中相邻两帧图像间具有强相关性而提出的检测方法, 具有很强的自适应性。但如果物体内部灰度分布均匀这种方法会造成目标重叠部分形成较大空洞，严重时造成目标分割不连通，从而检测不到目标。 光流场法是基于对光流的估算进行检测分割的方法。光流中既包括被观察物体的运动信息, 也包括有关的结构信息。光流场的不连续性可以用来将图像分割
基于matlab的运动目标检测.docx
1绪论 1.1 课题研究背景及意义 运动目标检测是图像处理与计算机视觉的一个分支，在理论和实践上都有重大意义，长久以来一直被国内外学者所关注。在实际中，视频监控利用摄像机对某一特定区域进行监视，是一个细致和连续的过程，它可以由人来完成，但是人执行这种长期枯燥的例行监测是不可靠，而且费用也很高，因此引入运动监测非常有必要[1]。它可以减轻人的负担，并且提高了可靠性。概括起来运动监测主要包括三个内容[2]：运动目标检测，方向判断和图像跟踪。运动目标检测是整个监测过程的基础，运动目标的提取准确与否，直接关系到后续高级过程的完成质量。 1.2 国内外研究现状 运动目标检测在国外已经取得了一些的研究成果[3]，许多相关技术已经开始应用到实际系统中，但是国内研究相对落后 ,与国外还有较大差距。传统的视频目标提取大致可以分两类 ,一类以空间同性为准则 ,先用形态学滤波器或其他滤波器对图像作预处理; 然后对该图像的亮度、色度或其他信息作空间上的分割以对区域作边缘检测;之后作运动估计,并合并相似的运动区域以得到最终的提取结果。如光流算法、主动轮廓模型算法。此类方法结果较为准确但是运算量相对较大。另一类算法主要以时间变化检测作为准则 ,这类算法主要通过帧差检测图像上的变化区域和不变区域 ,将运动物体与静止背景进行分割。此类方法运算量小,提取结果不如前类方法准确。此外,还有时空结合方法、时空亮度梯度信息结合的方法等等[4]。本文将围绕以时间变化监测为基础的方法展开分析和讨论。 1.3 本文结构 第1章介绍了本文的研究意义及国内外发展状况；第2章分为四个部分详细讲述了运动目标检测的方法，介绍了背景提取与更新算法，检测算法，阈值选取，形态学滤波等；第三章对全文作出了总结。
人形目标检测与跟踪
——人形目标检测与跟踪
一、 本组研究方案，算法系统框图 二、 检测算法、原理、程序实现方法、调试过程 【视频处理】 老师提供的两端视频两段视频并不能直接用来输入OpenCV 所编程序处理，需要将其转化为无压缩的avi 格式。利用软件WinAVI Video Converter ，转换为ZJMedia uncompressed RGB24格式。 【背景建模】 我们小组利用N 帧图像的平均来求取背景，并实时对背景进行更新。由于考虑到ExhibitionHall.avi 视频中运动物体所占场景比例少，运动轨迹为直线，为了处理的简单，所以在这不刻意区分物体和背景像素点。即(1)(1)()()A A A B k B k I k αα+=-+ ，这里的α 很小（0.003） 。 【前景提取】 灰度图像的处理比彩色图像的处理过程简单。我们小组将读入的彩色图像变成灰度图像，并二值化；同样，背景也进行二值化。两者做差值，得到一些离散的黑白点块。也就
是要识别的目标。但是，这样得到的块是分散开的，程序 整的人形被分块识别成多个目标。为此，我们做了一些简 单的后处理。先腐蚀元素，去除不必要的杂点，然后进行 膨胀块处理，自定义块的大小，使其膨胀成能被识别成一 个人形的目标。另外，我们还做个简单的高斯低通滤波， 是得到的结果光滑些。其流程图如右。 【目标检测】 根据前景处理的结果，得到一些连续的块目标。利用帧间差，可以提取出目标的轮廓。根 据轮廓的位置分布，计算出检测目标的形心和大小。并予以标记。 【目标跟踪】 根据目标帧间的位移差值，可以计算出运动目标在x，y方向上的运动速度。可以利用这 个关系判断下一帧目标的位置。设置一个合适的阈值，就可以实现目标的跟踪。在此，我们还 引入了重叠判断机制。如果目标重叠，即通过遍历，发现块重叠大于一定阈值后，根据前面得 到的位置预测判断当前物块位置；如果不重叠，则遍历这幅图像中的所有物块，寻找临近最优 物块，以保持编号连续性。在目标跟踪过程中，还进行了Kalman滤波，对目标轨迹进行滤波 处理。
浅谈运动目标检测方法的研究
浅谈运动目标检测方法的研究 摘要：摄像头视频监控是指通过摄像头来监视特定场所发生的事件，实时地观 察在监控场所运动目标的行为，通过系统分析计算，在一定条件下给与报警，特 别是对监控对象的可视性、实时性及客观性记录，因此给人直接的视觉听觉感受。 关键词：视频；监控；运动目标；建模 前言 运动目标检测的解决需依靠智能、有效、可行的识别检测技术，但受限于目 前技术发展现状，运动目标检测仍具有研究必要性和广阔的发展前景。 1概述 1.1目标分割技术和检测技术 目标检测效果主要受运动目标的大小、位置的变化而改变。其中因素多种多样，基本包括目标类型的多元化、目标运动速度的不确定性，以及视频采集设备 抖动、背景、光照等发生变化或干扰等因素。此外，由于受背景光照的变化，目 标物体在视频序列中的颜色分布会发生变化，从而导致目标特征也随之发生变化，直接影响了目标检测的效率和准确度。视频采集设备的抖动容易造成背景检测区 域的变化，直接对根据背景建模的目标检测方法准确性造成影响；目标类型的多 元化和背景干扰给目标检测带来了更多的表示困难，需要适应及泛化能力较好的 目标检测和表示模型；目标运动速度的不确定性也会导致目标的丢失。 1.2目标外形变化 视频采集设备发生运动时，会使检测的目标物体的外形尺寸发生旋转、位移 变化等几何性质的变化，若快速检测改变后的目标物体则需要实时更新源目标的 表示、表现模型。 1.3被检测目标局部遮挡和多目标相互干扰 基于目标全局特征的目标检测识别算法在被遮挡时会导致目标外形发生变化 或暂时无法检测的情况，目标提取的准确性直接反应了目标识别算法的优劣，因此，需要鲁棒性强的算法提供目标检测的准确性。而多帧之间目标的相互重叠和 目标局部特征的刷新也需要进行重新检测。 1.4目标检测的复杂性 对于一般视频采集设备，帧频为25-30帧/s，数据流非常大，而对于目标检测识别算法来说，每帧图像的像素都需要进行处理，提取目标物体的视觉特性，这 个过程中需要大量的计算和判断，此外，目标检测识别系统的目的是保证检测识 别的准确性，提高目标识别效率，这样就需多特征进行联合匹配，导致目标检测 算法复杂度急剧上升，降低了系统的实时性和有效性。 2运动目标检测方法 2.1光流场法 生活中的一切事物都随着时间变化而变化，这是周围事物时域特性。光流场 法也是基于时间变化来研究运动目标，时间在继续，当场景中出现运动目标，场 景中的光流特性改变，通过此方法可以有效检测运动目标。当场景的环境多变如 多光源、阴影、透明和遮挡时，使得光流场对运动目标检测不准确，这样使得后 续子模块可能输入错误信号，达不到复杂环境检测目的。当然光流场法检测过程 中计算量相当大，耗时耗力。模块计算量太大系统可能会出现中断重启，对实时 检测运动目标达不到要求。 2.2帧间差分法
实验4：运动目标检测
实验4：运动目标检测 课时：2学时 一、实验目的及要求：采用两帧差分方法实现运动目标提取，基本掌握运动目标提取的基本原理和方法 二、实验内容： ●了解MATLAB处理视频的基本命令aviread或mmreader ●了解MATLAB形态学滤波中膨胀算子imdilate的使用方法 ●了解形态学滤波中结构元strel命令的调用格式，通过改变结构元形状和大小，比较 运动目标检测效果 clc clear str=strel('square',3); mov=mmreader('viptraffic.avi'); for i=20:mov.numberofframes-1 pic1=rgb2gray(read(mov,i)); pic2=rgb2gray(read(mov,i+1)); d=mat2gray(abs(double(pic1)-double(pic2))); t=graythresh(d); bw=im2bw(d,t); bw=imdilate(bw,str); imshow(bw,'notruesize');pause(0.05); end imdilate 功能：对图像实现膨胀操作。 用法：IM2 = imdilate(IM,SE) IM2 = imdilate(IM,NHOOD) IM2 = imdilate(IM,SE,PACKOPT) IM2 = imdilate(...,PADOPT) IM2 = imdilate(IM,SE) 膨胀灰度，二值，压缩二值图像IM，返回IM2。参数SE为由strel函数返回的结构元素或者结构元素对象组。 IM2 = imdilate(IM,NHOOD)膨胀图像IM，这里NHOOD是定义结构元素邻域0和1的矩阵。IM2 = imdilate(IM,SE,PACKOPT)定义IM是否是一个压缩的二值图像。 IM2 = imdilate(...,PADOPT)指出输出图像的大小。 例子： I = imread('cameraman.tif'); se = strel('ball',5,5); I2 = imdilate(I,se);