第二章 运动目标检测.doc

第2章 2.1 引言 相对于静止信息来说，运动信息更能引起人们的注意，也更加有用。例如，对于自动视频监控系统，监控对象的变化也是它更感兴趣的信息。自动视频监控系统是利用摄像头采集到的图像序列对监控的对象进行不间断监视，如出现异常情况，就给出报警信号，通知有关人员进行及时处理。为了对监控对象的变化进行检测，系统要对采集得到的图像序列进行有效地处理，从中分离出变化信息，对于一般场合变化信息就是目标的运动。 2.2 图像的预处理 当我们把观测到的图像转换成可用计算机处理的数字图像时，在整个转换程中，由于种种原因，图像的画质就会出现不尽人意的退化，会产生各种噪声，这些噪声对于的后续处理是的影响是非常大的，所以，在各种处理系统中，常常需要在处理的过程中加入的预处理来使更适合后续的处理。 灰度化原理及试验结果分析 颜色可分为黑白和彩色。黑白颜色是指颜色中不包含任何的彩色的成分，仅由黑色和白色组成。在RGB颜色模型中，如果R=G=B，则颜色(R，G，B)表示一种黑白颜色，其中R=G=B的值叫做灰度值。由彩色转化为灰度的过程称为灰度化处理。灰度化就是使彩色的R、G、B分量相等的过程。由于R、G、B的取值范围是0~255，所以灰度的级别只有256级，即灰度图像只能表现256种颜色。 灰度化处理的方法主要有如下三种： (1) 最大值法：使R、G、B的值等于三个值中最大的一个，即： (3.7) 最大值法会形成亮度很高的灰度图像。 (2) 平均值法：对R、G、B求出平均值，即： (3.8) 平均值法会形成比较柔和的灰度图像。 (3) 加权平均值法：根据重要性或其他指标给R、G、B赋予不同的权值，并使R、G、B它们的值加权，即： (3.9) 其中，、、分别为R、G、B的权值。、、取不同的值，加权平均值法将形成不同的灰度图像。由于人眼对绿色的敏感度最高，对红色的敏感度次之，对蓝色的敏感度最低，因此使将得到比较合理的灰度图像。实验和理论推导证明，当=0.30，=0.59，=0.11时，即： (3.10) 此时，R、G、B的取值就是该像素的亮度值，此时，得到的灰度图像最合理。 运用加权平均法来对采集到的原始图像进行灰度化处理。灰度化处理的结果如图3.2所示。 图3.2 灰度化处理结果图 图像的平滑滤波处理 图像平滑滤波处理分为线性滤波与非线性滤波。 （1）针对线性滤波处理，主要采用均值滤波。 均值滤波是对图像进行局部均值运算，每一个像素值用其局部邻域内所有值的均值置换，即： (3.11) 其中为一幅的道路图像，均值滤波窗口为，窗口在两个方向上都必须为奇数，否则图像会产生偏移。 理论和实验证明，虽然线性滤波具有良好的噪声抑制能力，但是对图像的平滑会造成的图像中的细节信息损失，从而使处理后的图像产生模糊。 （2）中值滤波是一种非线性的图像滤波方法，它于1971年由J.W.Jukey 提出，并首先应用于一维信号处理技术中，后来被二维图像处理技术所采用。中值滤波的基本思想是用像素点邻域灰度值的中值来代替该像素点的灰度值（如图3.3所示），该方法在去脉冲噪声、椒盐噪声的同时又能保留图像边缘细节。 进行滤波以得到背景模型，即： （2.1） 式2.1 表示中值滤波背景建模算法，其中表示背景模型，表示在时刻摄像头所得到的视频帧。该方法能够适应监控环境的不断变化，但是由于在滤波时，对每一帧中是否存在运动目标不加以区分，因此背景中会出现部分的目标信息，从而导致虚假目标的出现。在中值滤波算法中，一般都采用式（2.2）来更新背景： （2.2） λ为背景模型的更新率，可以根据实际的情况来选择。 图3.3 中值滤波的基本思想 中值滤波不影响阶跃函数和斜坡函数，并且可以有效消除单、双脉冲、使三角函数的顶端变平。中值滤波在一定条件下可以克服线性滤波所带来的图像细节模糊，同时在实际运算过程中并不需要图像的统计特征，也给计算带来不少方便。 具体做法是：首先确定一个含有奇数个像素的窗口，图像大小为（见图3.3所示），窗口内各像素按照灰度大小排队后，用其中间位置的灰度值代替原，得到增强后的图像，可以表示为： (3.12) 文中选择的窗口大小为3×3，道路图像中值滤波处理的试验结果如图3.4所示。 从处理结果可以看出中值滤波平滑化了图像，削弱了一部分锐化的噪声。 图.4 中值滤波处理结果图 1．背景减除法 背景减除方法【34】是目前运动分割中最常用的一种方法，是将当前图像与背景图像(模型)比较来检测运动区域。设t时刻背景图像为，当前帧图像为，则当前图像与背景图像差分得到：