视频中的行人检测课程设计说明书.docx

《视频中的行人检测课程设计说明书.docx》由会员分享，可在线阅读，更多相关《视频中的行人检测课程设计说明书.docx（26页珍藏版）》请在三一办公上搜索。

1、课 程 设 计 说 明 书题 目： 视频监控中行人的检测课 程： 数字图像处置课程设计毕业设计（论文）原创性声明和利用授权说明原创性声明本人郑重许诺：所呈交的毕业设计（论文），是我个人在指导教师的指导下进行的研究工作及取得的功效。尽我所知，除文中专门加以标注和致谢的地址外，不包括其他人或组织已经发表或发布过的研究功效，也不包括我为取得 及其它教育机构的学位或学历而利用过的材料。对本研究提供过帮忙和做出过奉献的个人或集体，均已在文中作了明确的说明并表示了谢意。作 者 签 名： 日 期： 指导教师签名： 日期： 利用授权说明本人完全了解 大学关于搜集、保留、利用毕业设计（论文）的规定，即：依照学校

2、要求提交毕业设计（论文）的印刷本和电子版本；学校有权保留毕业设计（论文）的印刷本和电子版，并提供目录检索与阅览效劳；学校能够采纳影印、缩印、数字化或其它复制手腕保留论文；在不以获利为目的前提下，学校能够发布论文的部份或全数内容。作者签名： 日 期： 学位论文原创性声明本人郑重声明：所呈交的论文是本人在导师的指导下独立进行研究所取得的研究功效。除文中专门加以标注引用的内容外，本论文不包括任何其他个人或集体已经发表或撰写的功效作品。对本文的研究做出重要奉献的个人和集体，均已在文中以明确方式标明。本人完全意识到本声明的法律后果由本人承担。作者签名： 日期： 年 月 日学位论文版权利用授权书本学位论文

3、作者完全了解学校有关保留、利用学位论文的规定，同意学校保留并向国家有关部门或机构送交论文的复印件和电子版，许诺论文被查阅和借阅。本人授权 大学能够将本学位论文的全数或部份内容编入有关数据库进行检索，能够采纳影印、缩印或扫描等复制手腕保留和汇编本学位论文。涉密论文按学校规定处置。作者签名：日期： 年 月 日导师签名： 日期： 年 月 日注 意 事 项1.设计（论文）的内容包括：1）封面（按教务处制定的标准封面格式制作）2）原创性声明3）中文摘要（300字左右）、关键词4）外文摘要、关键词 5）目次页（附件不统一编入）6）论文主体部份：引言（或绪论）、正文、结论7）参考文献8）致谢9）附录（对论文

4、支持必要时）2.论文字数要求：理工类设计（论文）正文字数很多于1万字（不包括图纸、程序清单等），文科类论文正文字数很多于万字。3.附件包括：任务书、开题报告、外文译文、译文原文（复印件）。4.文字、图表要求：1）文字通顺，语言流畅，书写笔迹工整，打印字体及大小符合要求，无错别字，不准请他人代写2）工程设计类题目的图纸，要求部份用尺规绘制，部份用运算机绘制，所有图纸应符合国家技术标准标准。图表整洁，布局合理，文字注释必需利用工程字书写，不准用徒手画3）毕业论文须用A4单面打印，论文50页以上的双面打印4）图表应绘制于无格子的页面上5）软件工程类课题应有程序清单，并提供电子文档5.装订顺序1）设计

5、（论文）2）附件：依照任务书、开题报告、外文译文、译文原文（复印件）顺序装订目 录摘 要II一、绪论1 研究背景与意义1 智能视频监控概述2 智能视频监控的进展2 智能视频监控的研究内容3 行人检测与跟踪3 行人检测3 行人跟踪4二、设计原理5 图像处置基础5 颜色空间5 图像预处置7 形态学方式7 运动目标检测方式8 背景差分法8光流法9边缘检测方式10 本章小结10三、设计内容11背景减法运动目标检测11阈值的选取11形态学滤波12设计方案流程图14四、实验结果分析及总结16实验结果16实验结果分析16五、参考文献17致谢18附录19摘 要智能视频监控是运算机视觉领域新兴的研究方向，它通过

6、对摄像机拍照的视频图像序列进行自动分析来对被监控场景中的事物转变进行定位、跟踪和识别，并以此对相关目标的行为进行分析和判别，在实现了日常治理工作的同时又能对目标的异样行为做出及时反映。行人目标检测与跟踪算法是智能视频监控系统中的核心问题，研究相关算法关于提高智能视频监控系统的性能具有重要的意义。本文在熟悉和把握了有关数字图像处置原理和技术的基础上，分析对照了经常使用的目标检测和跟踪方式，针对不同条件下的行人目标检测和跟踪进行了研究。本文完成的要紧研究工作是对监控视频中行人目标的检测，为以后的行人跟踪和行人行为的分析打下基础。本设计以Matlab为平台，利用背景减法，和形态学滤波的方式检测视频中

7、的行人。实验结果说明，本模块能够检测一样静态背景条件下的行人目标，知足了实际应用的初步要求。关键词：视频监控、行人检测、背景减法、形态学滤波一、绪论 研究背景与意义最近几年来，运算机视觉领域飞速进展。俗语说：“百闻不如一见”，人类从外界取得的信息中80是通过视感觉到的，因这人类期望让机械(如运算机)拥有视觉并自动对看到的行为进行分析。随着这一领域的不断进步，人们开始把研究功效运用到民生平安、医疗诊断、文档分析、天文气象、制造业等方面，慢慢形成智能视频监控、人体运动分析、神经生物学、高级感知接口等热点研究课题。智能视频监控的核心内容是智能识别算法，包括运动检测、目标分类、目标跟踪、行为分析四部份

8、。对行人快速而准确的检测和跟踪属于智能视频监控系统的前端工作，会直接阻碍后续工作以至整个系统的性能。具体来讲，它是指在一段视频图像序列中自动的检测出用户感爱好的目标，而且在后续的序列中持续对该目标进行定位的进程。智能视频监控中的行人检测和跟踪技术可应用到众多领域：(1)智能交通：随着城市化阵容的扩大，提高交通系统的智能化运作、治理等能力已经变成治理人员的重要任务，同时，也给运算机视觉、人工智能等研究领域提供了一个重大进展机缘。咱们可采纳智能算法自动对监控视频中的车辆进行检测和跟踪，并依照需要计算车辆行驶速度、车辆位置信息等，从而及时对交通道路上的违章行为或交通事故进行自动检测并报警。(2)民用

9、监控16J：要紧针关于银行、公园、居民区、广场、大型购物超市、储物仓库等高平安要求的场合地址。在民生平安、民生监控等方面利用行人的检测和跟踪技术实时地检测行人，并后续分析大规模抢劫、聚集、盗窃等异样行为。因为行人是很多监控场景中的要紧目标，因此对行人的检测和跟踪取得了研究人员的紧密关注。(3)智能家庭：要紧针对私人家庭中，借助行人检测、跟踪、脸部识别等技术，自动感知家庭区域中人体的存在，继而分析检测到的目标行为。当家中有老人不警惕摔倒或发生其他意外时，系统能自动拨打已经存入的号码通知家人及时施救；或当家人外出时有外人突然闯入，系统能自动报警通知相关人员采取方法。综上，智能视频监控系统凭借其壮大

10、的智能性、全天候性，不仅减少了监控人员的劳动量，而且提高了危险时报警的速度和准确度，正被慢慢应用于交通、园区、商场、酒店、银行、储物仓库等高平安要求的场合地址。而视频中行人的检测那么是只能视频监控的基础，本文要紧论述静止背景下行人目标的检测。 智能视频监控概述1.2.1 智能视频监控的进展智能视频监控是在传统的视频监控基础上进展起来的。传统的视频监控自投入应用已有数十年，其进展经历了三个时期。第一代：模拟时期。上个世纪末以前，初始的视频监控以模拟式磁带录像机为代表。现在的视频监控存储量大，信息检索和查询相对困难。第二代：数字时期。进入 21 世纪后，随着数字视频紧缩编码技术的产生和进展，数字式

11、视频录像机投入利用。数字化存储极大增强了对视频信息的处置效率，事后的信息检索也变得相对简单。第三代：网络时期。从 2004 年开始，随着网络带宽的提高和本钱的降低、硬盘容量的加大和中心存储本钱的降低，和各类有效视频处置技术的显现，视频监控步入了全数字化的网络时期，DVR 系统进一步进展为网络数字视频录像机,实现了视频信息的数字化网络传播。更进一步，进展成了网络化视频监控系统，又称 IP 监控系统。网络化视频监控系统基于 TCP/IP 协议，采纳开放式架构，其视频信息从摄像机或网络视频效劳器下来就直接进入网络，以数字视频的紧缩、传输、存储和播放为基础，通过壮大的平台软件实施治理。视频监控系统在系

12、统功能和设备性能上取得了专门大的提高，可是仍然受到了一些固有因素的限制，整个系统在平安性和有效性方面难以知足人们不断提高的要求。具体的制约因素如下：（1）人类自身的弱点。很多情形下，由于生理上的弱点，人们常常无法觉察平安要挟，从而产生了漏报的现象。（2）监控时刻。大多数视频监控系统难以依照 1:1 的比例来配置监控摄像机和视频显示装置，尤其是在机场、港湾等大型的视频监控系统中，各个监控点很难都处于监控之下。（3）误报和漏报。这是视频监控系统中最多见的两大问题，误报会浪费人力物力，漏报可能会致使超级危险的后果发生。这两种情形都会大大降低人们的信任，进而降低监控系统的应用价值。（4）数据分析困难。

13、传统的视频监控系统缺乏智能因素，录像数据无法被有效地分类存储，更毋论其他的智能处置，因此数据分析工作要花费相当多的时刻。而常常发生的误报漏报现象也造成了无用数据的进一步增加，带来更大的困难。（5）响应时刻长。关于平安要挟的响应速度直接关系到一个平安系统的整体性能。传统的视频监控系统通常由人来对要挟做出响应和处置，而实际处置问题时，往往同时涉及到多个功能部份，需要多个相关部门的和谐配合，一起处置，因此对响应时刻有了更高的要求。为了解决上述致使视频监控系统效率低下的问题，人们把运算机视觉的相关技术引入视频监控中，从而进展起新型的视频监控技术智能视频监控，也称自动视频监控，在视频监控系统中处于核心地

14、位，关于整个系统的效率提高具有重要意义。1.2.2 智能视频监控的研究内容智能视频监控的研究内容包括运动目标检测、运动目标跟踪和对监视场景中目标行为的明白得与描述，目标检测、目标分类、目标识别是视频处置中的基础部份，而行为分析和明白得那么属于更高级的处置分析部份。运动检测、目标分类和目标跟踪是研究者们关切最多的三个大体问题；而行为分析与明白得因为跟应用直接相关，因此近些年成为被普遍关注的热点问题。 行人检测与跟踪视频监控场景中行人是监控的要紧对象，因此对行人的检测和跟踪是一个相当重要的问题，这属于智能视频监控系统的底层工作，其性能好坏将直接阻碍后续工作乃至整个系统的性能。1.3.1 行人检测行

15、人检测确实是把视频图像中的行人目标从背景中分割出来并精准定位。基于视觉的行人检测目前仍旧是运算机视觉领域的一个公认的难题。缘故在于：行人同背景混合在一路，行人可能走，也有可能站着或不可预测地改变运动方向；行人所处的背景超级复杂，专门是当视觉系统基于运动云台上的摄像系统时，背景的突然改变不可幸免。到目前为止，一些人体检测系统在某些约束环境中被证明能有效地检测行人，从而鼓舞了研究人员开展进一步的研究工作。行人的穿着、运动姿态、光照存在着专门大的不同，而且存在背景复杂、遮挡和其它运动物体的干扰，这些因素是行人检测要解决的重点问题。1.3.2 行人跟踪行人跟踪监视人体在视频中的空间和时刻转变，包括人体

16、的显现、位置转变、大小信息、形状等，在持续帧上匹配目标区域，求解时刻上的对应问题。基于视觉的人体跟踪一样从人体检测开始，而且在后继的视频序列中需要不断地检测人体以校验跟踪和维持跟踪持续进行，它是人体的姿态估量和活动识别的基础。跟踪进程依照应用处景中的目标数量分为单目标和多目标。场景中目标数量的不同，跟踪的难易程度不同，所采纳的技术也不同。二、设计原理智能视频监控中的行人检测与跟踪方式涉及到很多研究领域，如数字图像处置、运算机视觉、信息融合、模式识别与人工智能等。为了后续各章内容的展开，本章系统地介绍相关的一些预备知识和经常使用的目标检测与跟踪方式。 图像处置基础数字图像处置涉及的领域相当普遍，

17、其各类理论算法、技术应用更是不胜列举。篇幅起见，本节仅简要介绍相关的颜色空间、图像预处置和形态学方式等内容。2.1.1 颜色空间颜色空间也称彩色模型，又称彩色空间或彩色系统，它的用途是在某些标准下用通常可同意的方式对彩色加以说明。本质上，彩色模型是坐标系统和子空间的论述，位于系统的每种颜色都由单个点表示。颜色空间从提出到此刻已经有上百种，大部份只是局部的改变或专用于某一领域，此刻采纳的大多数颜色模型都是面向硬件或面向应用的。数字图像处置中经常使用的是 RGB、HSI和 HSV模型。（1）RGB 彩色模型RGB 彩色模型是工业界最为常见的颜色模型，它也是人们最为熟悉常见的颜色模型。它以红、绿、蓝

18、为原色，成立三维直角坐标系，通过混合各个原色以产生各类复合色彩。通过对红、绿、蓝三种颜色施加转变和叠加能够取得各类颜色。RGB 即是代表红、绿、蓝三种色彩组成的颜色空间，这一颜色空间几乎包括人类能感知的所有颜色，因此应用最为普遍。RGB 颜色空间的设计是以颜色发光为原理的，简单明白得其颜色混合方式就仿佛有红、绿、蓝三盏不同颜色的彩灯，当三盏灯的光彼此混合的时候，其色彩相混，而亮度等于三者总和,也即知足加法混合。明白其原理后，在很多图像处置软件中进行的 RGB 颜色设定就很容易明白得了。图 2-1 形象地显示了 RGB 颜色空间。图 21 RGB颜色空间（2）HSV 模型RGB 和 CMY 彩色

19、模型对硬件实现很理想，另外它同人眼对红、绿、蓝三原色的强烈感觉相匹配，可是这一模型不能专门好地说明实际的颜色。观看一个彩色物体时，人们用色调、色饱和度和强度来描述它，相较较而言，HSV 颜色模型是面向用户的，该模型对应于圆柱坐标系的一个圆锥形子集。色调 H：与光波的波长有关，它表示人的感官对不同颜色的感受，如红色、绿色、蓝色等，它也可表示必然范围的颜色，如暖色、冷色等。饱和度 S：表示颜色的纯度，纯光谱色是完全饱和的，加入白光会稀释饱和度。饱和度越大，颜色看起来就会越鲜艳，反之亦然。强度 V：对应成像亮度和图像灰度，是颜色的敞亮程度。HSV 颜色空间如图 2-2 所示，其空间模型为一个圆锥。圆

20、锥的顶面对应的强度 V 为 1，代表最亮的颜色。绕 V 轴的旋转角代表色彩 H，红、黄、蓝别离对应于 0、120、240。在这一颜色模型中，每一种颜色和其补色相差 180。由圆心向圆周移动时，饱和度 S 的取值从 0 转变到 1。由于 HSV 颜色模型所代表的颜色域是属于 CIE 色度图的一个子集，因此其最大饱和度的颜色的纯度值并非到 100。在下方的圆锥极点处，V 为 0，H 和 S 无概念，代表黑色。圆锥顶面中心处 S 为 0，V 为 1，H 无概念，代告白色，从该点到极点代表亮度渐暗的白色，即不同灰度的白色。所有 V、 S 都为 1 的颜色都是纯色。图 22 HSV 彩色空间HSV 颜色

21、模型类似画家配色时采纳的方式。而画家常通过改变色深和色浓来从纯色中取得各类色调的颜色。具体做法为：在纯色中加入黑色能够改变色深，加入白色能够改变色浓，同时加入必然比例的黑色、白色即可取得某种色调的颜色。（3）颜色空间变换颜色空间变换能够分为从 RGB 到 HSV 转换和从 HSV 到 RGB 的转换两种。从 RGB 到 HSV 转换时，设(r,g,b)别离是一个颜色的红、绿和蓝坐标，它们的值是 0 到 1 之间的实数。设 max 等价于 r,g 和 b 中的最大者。设 min 等于这些值中的最小者。要找到在 HSL 空间中的(h,s,v)值，那个地址的 h0,360）是角度的色相角，而 s,v

22、0,1是饱和度和亮度。2.1.2 图像预处置经常使用的图像预处置进程都涉及到一些滤波的方式。由于图像在拍照进程中往往会由传感器引入噪声，因此需要在目标分割前对图像进行预处置，来减除噪声的干扰，增强目标提取的成效。通常可采纳低通滤波的方式来排除噪声。低通滤波既可在频域进行也可在时域进行。常见的频域低通滤波器有巴特沃兹低通滤波器和高斯低通滤波器。常见的空域低通滤波器要紧有均值滤波器、加权均值滤波器和中值滤波器。2.1.3 形态学方式形态学本来代表的是生物学的一个学科，在那个地址介绍的是数学形态学。作为一种图像处置工具，它被用于对图像区域进行处置，以提取关于表示和描述有效的图像分量。下面要介绍的是图

23、像处置中经常使用到的膨胀和侵蚀，和开操作和闭操作。 运动目标检测方式运动目标检测是指将运动区域从视频图像中分割出来。运动目标检测从视频图像序列中检测出运动目标，减小图像处置计算量，取得所需的目标信息，为后续的识别和跟踪奠定基础。由于运动目标的正确检测与否将直接阻碍后续的目标跟踪与分类成效，因此它也成为智能视频监控系统相关技术中深受关注的研究重点。运动目标检测进程包括运动目标检测的预处置和运动目标的分割两大步。目前经常使用的运动目标检测方式有四种：背景差分法，光流法，边缘检测法等。2.2.1 背景差分法背景差分法简单易于实现，属于最受青睐的运动目标检测方式之一。它的大体思想是采纳必然方式获取视频

24、中背景图片并进行背景更新，然后通过当前帧与背景做差取得所加载视频中的前景目标，具体步骤如图2-3所示。图 23 背景差分算法框图该算法包括读取视频、图像预处置、提取背景、背景差分、二值化和获取前景图片六部份组成。视频搜集包括摄像器材的选择、光源的选择等：图像预处置是依照获取的视频参数，进行图像增强、滤波等操作来提高搜集的视频质量；是不是能提取完整、清楚的背景是该算法成败的关键，目前背景建模的方式很多，经常使用的有非线性中值滤波法、线性卡尔曼滤波法、帧间差分法、高斯混合模型等，但因一天中环境光照的转变、背景的多态性、运动目标自身的投影等缘故，一样建模后的背景并非十分干净清楚，这也是目前研究中的一

25、个难点。背景差分是用当前帧减去背景来获取视频中的运动目标，概念为视频中第k帧图片，B为背景图片，E为差分获取的前景图片，即背景差分为： （公式2-1） （公式2-2） 为了增强算法的抗噪声性，咱们设置一个适合阈值对前景图片进行二值化处置，即：其中，为二值化后获取的最终前景图片，后续的边缘检测、行人识别和跟踪等操作均是对该图像进行处置。综述所述，该方式具有较好实时性，也能提掏出较完整的背景图片，但对背景的依托性太强，这使得在背景转变较大的场景中，该方式准确性很低、近乎失效，而且该缺点是背景差分法本身的局限性，很难找到较好的改善方式。2.2.2光流法物体运动时其表面像素点的亮度也随之运动，在视频图

26、像中表现为光流，对应图像中产生的瞬时速度场确实是光流场。从光流中能够取得物体形状结构和运动状态信息。通常情形下，镜头运动、目标运动或二者的一起运动都会产生光流。光流的经常使用计算方式有两种：基于梯度的方式和基于匹配的方式。（1）基于梯度的方式梯度能够用于光流计算，由于其更为简单的计算进程和相对较好的实验结果，这种方式取得了普遍的应用。但由于受到可调参数、靠得住性评判因子和预处置方式等因素的阻碍，在应用光流对目标进行检测与自动跟踪时仍存在很多问题。（2）基于匹配的方式这种方式要紧采纳基于区域的和基于特点的两种匹配方式。基于特点的匹配方式需要不断地获取目标特点对其进行检测和跟踪，对较大目标的运动和

27、亮度转变比较灵敏，可是取得的光流往往很稀疏，而且目标的特点提取与匹配也有相当难度；基于区域的匹配方式需要先定位相似区域的位置，然后通过相似区域和初始区域的比较来计算光流，基于区域的方式在网络视频传输编码中取得了大量运用，但其计算中的光流仍然稀疏。光流法能够独立检测运动目标，而不需要场景的预设信息，而且能够检测动态场景下的运动情形。由于存在噪声干扰、光源散布、光照阴影、物体遮挡等因素，计算取得光流场散布的准确性易受阻碍；而且光流法的计算进程相对复杂、耗时更长，若是没有专业硬件支持加速，那么难以实现实时的检测。2.2.3边缘检测方式图像的边缘为图像中灰度发生急剧转变的区域，边界分为阶跃状和屋顶状两

28、种类型。图像的边缘一样对应一阶导数较大，二阶导数为零的点。经常使用到的边缘检测方式有 Robert 算子、Sobel 算子、Laplace 算子等。与相邻帧差法和背景差分法比较，边缘检测方式有利于临近运动目标的区分和运动目标特点的提取，对背景噪声的鲁棒性专门大，但其运算复杂度也相对较大。运动图像边缘的检测能够通过时刻和空间上的差分来取得，空间上的差分能够利用已有的各类边缘检测算法，时刻上的差分能够通过计算持续帧的差来取得，也能够通过计算当前图像与背景图像的差分图像，然后求其边缘来计算。 本章小结运动目标检测是智能视频监控的关键步骤，其运动跟踪一样要以运动目标检测为基础。本章第一介绍了图像处置相

29、关的基础知识，包括颜色空间、图像预处置和形态学方式等；然后重点介绍了包括背景差分、光流法和边缘检测等的运动检测方式，和基于特点、基于模型、和基于主动轮廓等的运动检测方式。本设计要紧用背景差分的方式检测视频中的行人。三、设计内容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，能够较准确的分割出运动目标。可是背景差分算法也有其天然的缺点，随着时刻的推移，场景的光线、树叶的遮挡、或运动物体滞留都会专门大程度的破坏已经成立好的背景图像。为了解决这些问题，最好的方式即是利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形下进行背景差分算

30、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： （公式2-3） （公式2-4） 表示图像序列中当前帧的灰度图像，表示当前帧背景的灰度图像,表示相减后的二值化结果，表示对应的相减后灰度图像的阈值，选取固定阈值=15，基于背景减法的MATLAB仿真。阈值的选取分割阈值的选取虽看似简单，但直接阻碍目标的分割成效，阈值增大，尽管能够必然量的减少环境对成效的阻碍，但同时也会将差分结果中转变不明显的区域作为前景被忽略掉；阈值减小，成效却又恰恰相反。前面提到的相关算法中，阈值的选取都是采纳的静态固定阈值。这种阈值的选取方式在实际运用中是不可取的，因为在视频监控应用中，监控

31、者不可能随时对监控质量做出评估并相应的修改阈值。因此，研究人员提出了许多阈值的选取方式。可是到目前为止还不存在一种通用的方式，也不存在一个判定分割是不是成功的客观标准。阈值法能够分为全局阈值法和局部阈值法两种。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置的方式；局部阈值法是当图像中的灵敏度不均匀，以慢斜率转变时，将图像分割成几个子块。若是在每一个子块中能够找到最正确阈值，就称如此的阈值确信方式为局部阈值法。大体步骤如下：(1)选择一个 的初始估量值(2)用分割图像。如此做会生成两组像素：由所有灰度值大于的像素组成，而由所有灰度值小于或等于的像素组成。(3)对区域和中的所有像素计算

32、平均灰度值 和。(4)按下式计算新的阈值。 （公式3-1）(5)重复步骤(2)到(4)，直到逐次迭代所取得的值之差小于预先概念的参数。当背景和对象在图像中占据的面积相近时，好的的初始值确实是图像的平均灰度值。若是对象与背景所占的面积不相近时，那么其中一个像素组合会在直方图中占主腹地位，平均灰度值就不是好的初始选择。现在，更适合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，选用的初值确实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。在本设计中为了简单采取全局阈值的方式进行二值化。形态学滤波由于起风、气流等缘故，背景中部份物体小

33、幅度晃动；光线的转变等不确信因素，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。因此，需要采纳数学形态学方式，对分割后的二值图像进行形态学滤波。数学形态学的要紧用途是获取物体拓扑和结构信息。它通过物体和机构元素彼此作用的某些运算，取得物体更本质的形态。其大体思想是：利用一个成为结构元素的“探针”搜集图像信息。这种基于探测的思想与人的视觉特点有类似的地方：老是关注一些感爱好的物体或结构，并成心识地寻觅图像中的这些结构。数字形态学在本文所涉及到的图像处置中，要紧作用包括利用形态学的大体运算，对图像进行观看和处置，从而达到改善图像质量的目的。形态学的大体运算包括：侵蚀、膨

34、胀、开和闭运算。用这些算子及其组合来进行图像形状和结构的分析及处置，包括图像分割、特点提取、边界检测、图像滤波、图像增强与恢复等方面的工作。形态学一样以二值图像为处置对象，但也能够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，是膨胀和侵蚀操作中最大体的组成部份。它用于测试输入图像，通常比待处置图像小得多。本文利用55的结构元素，经开运算处置后，可提掏出移动物体。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置的像素范围，结构元素数值为1的点决定结构元素的领域像素在侵蚀或膨胀操作是需要参与计算。(2)侵蚀和膨胀侵蚀和膨胀是许多形态学算法的基础。

35、侵蚀操作会去掉物体的边缘点，细小物体所有的点都会被以为是边缘点，因此会整个被删去。再做膨胀时，留下来的大物体会变回原先的大小，而被删除的小物体那么永久消失了。膨胀操作会使物体的边界向外扩张，若是物体内部存在小空洞的话，通过膨胀操作这些洞将被补上，因此再也不是边界了。再进行侵蚀操作时，外部边界将变回原先的样子，而这些内部空洞那么永久消失了。通常设为图像矩阵，为结构元素矩阵，数学形态学运算时，用对进行操作。事实上，结构元素本身也是一个图像矩阵。那个地址对每一个结构元素矩阵B指定一个原点。X被B侵蚀的概念为： （公式3-2）那个公式说明，利用B对X进行侵蚀是所有B中包括于A中的点的集合用x移。图3-

36、1显示了事实上的侵蚀运算，左侧是被处置的图象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，即当前处置元素的位置，右边是侵蚀后的结果。能够看出，它仍在原先X的范围内，且比X包括的点要少，就象X被侵蚀掉了一层。图 31 侵蚀运算X被B膨胀的概念为： （公式3-3）那个公式表示用B膨胀X的进程是，相对B做关于中心像素的映射，在将其映射平移x，那个地址X与B映像的交集不为空集。图3-2显示了事实上的膨胀运算，左侧是被处置的图象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。能够看出，它包括X的所有范围，就象X膨胀了一圈似的。图 32 膨胀运算(3

37、)开启和闭合开启确实是相对图像进行侵蚀，然后膨胀其结果。闭合确实是先对图像进行膨胀，然后侵蚀其结果。开启一样使对象的轮廓变得滑腻，断开狭小的中断和排除细的突出物。闭合一样使轮廓线变得滑腻，可是开启相反的是，它通常排除狭小的中断和长细的鸿沟，排除小的孔洞，并填补轮廓线中的断裂开启。利用结构元素B对集合X进行开启操作，表示为，概念为 ： （公式3-4）利用结构元素B对集合X进行闭合操作，表示为，概念为： （公式3-5）设计方案流程图本文着重研究了利用背景减法进行目标检测在Matlab中的实现方式。利用Matlab图像处置功能来实现经典的图像处置方式,简化了算法,达到了运动行人检测目标的预期成效。其

38、具体流程图如以下图4-1：图3-3检测进程 本文着重研究了利用背景减法进行目标检测在Matlab中的实现方式。利用Matlab图像处置功能来实现经典的图像处置方式,简化了算法,达到了检测目标的预期成效,为后面的目标跟踪、目标分类等奠定了基础。本文通过如图3-3所示的流程能够达到如图4-1所示的成效。四、实验结果分析及总结实验结果如图4-1图4-1行人检测结果实验结果分析通过上图分析可得通过背景减法二值化后可取得如图4-1（b）的图。图中有很多噪声，通过形态学滤波后取得如（c）。从图中能够清楚分辨出行人，而且滤波后能够明显的将噪声滤除。五、参考文献1 孔晓东智能视频监控技术研究D上海：上海交通大

39、学，2020.2 虹数字图像处置基础M北京：科学出版社,2005.3 Gavrila D. The visual analysis cf human movemalt: A surveyJ.Compurer Vision and Image Understanding, 1999, 73(1):822984 常好丽运动行人检测与跟踪方式研究D 陕西：西北工业大学，2006.5 常好丽，史忠科基于单目视觉的运动行人检测与跟踪方式J交通运输工程学报，2006.6 何东健，耿楠，张义宽编著，数字图像处置M西安：西安电子科技大学出版社，7 冈萨雷斯数字图像处置(MATLAB)中文版M北京：电子工业出版

40、社，20078 刘志敏,扬杰,施鹏飞数学形态学的图像分割算法D运算机工程与科学,1998,20 (4):219 章毓晋图像分割北京:科学出版社,200110 王树伟,杨鸲Matlab 辅助图像处置M电子工业出版社,2003.致谢这次实验第一感激教师的热心耐心指导，教师的热情帮忙总能使咱们的忙乱的思路得以清楚，而且还时不时对咱们的进展提供建议和纠错，并时常鼓舞咱们，真诚感激教师！第二也感激同窗的热情帮忙，由于自己水平所限，自己常常碰到各类各样的问题，而这些问题又不能常常麻烦教师，但在同窗的帮忙下也一样得以完美解决，自己才能够按时做完这次课程设计，也一样真诚感激他们！本文参考了大量的文献资料，在此

41、，向各学术界的先辈们致敬！附录实验代码：clear all;close all;clc;fileinfo = aviinfo(); % 读取视频文件, 为待处置的视频文件，格式为.avinumFrames = ;clipframes = 150; % 为了幸免占用太多内存每次只读150帧Clips = floor(numFrames/clipframes);Fref = aviread(,10); %读取视频序列的第一帧作为参考背景图像Iref =; Threh = 15; %设定阈值se=strel(disk,5); %概念一个结构元素for m = 1:Clips%计算影片剪辑开始和终止的

42、帧指数m startframe = (m - 1)* clipframes + 1; if m = Clips endframe = numFrames -1; else endframe = m * clipframes; end%从AVI文件读第m个影片剪辑帧 movclip =aviread(,startframe:endframe); for k = 1 : (endframe - startframe +1) Icurr = movclip(k).cdata; % 计算当前帧和参考帧之间的绝对不同 Idiff = abs(double(rgb2gray(Iref) - double(rgb2gray(Icurr); % 利用threholding Idiff 检测运动目标 Ifg = Idiff Threh;%在分割结果图像中用imopen形态学滤波，去掉噪声区域 Ifg2 = imopen(Ifg,se); figure(1); subplot(2,2,1), imshow(Icurr),title(当前图像); subplot(2,2,2), imshow(Ifg), title(图像的前景(移动物体) ); subplot(2,2,3), imshow(Ifg2), title(利用形态学的开操作滤波); pause; endend