运动目标检测
南 京 理 工 大 学 毕业设计说明书(论文)
作 者:
学院(系): 专 业:
题 目:
学 号: 电子科学与技术 监控系统中对运动目标的 检测与预警 王利平 教授 指导者:
(姓 名) (专业技术职务)
评阅者:
(姓 名) (专业技术职务)
年 月
毕业设计说明书(论文)中文摘要
毕业设计说明书(论文)外文摘要
本科毕业设计说明书(论文)第 I 页 共 I 页
目 录
1 引言 ...................................................................................................................................................... 1
1.1 课题背景 ........................................................................................................................................ 1
1.2 运动目标检测技术在国内外的发展状况 .................................................................................... 1
1.3 运动目标检测的主要应用领域 .................................................................................................... 2
1.4 本文的主要工作 ............................................................................................................................ 3
2 图像预处理 .......................................................................................................................................... 3
2.1 图像的灰度化 .................................................................................................................................. 3
2.2 图像的滤波 .................................................................................................................................... 4
2.3 图像的锐化 ...................................................................................................................................... 5
3 运动目标检测技术 .............................................................................................................................. 6
3.1 概念 ................................................................................................................................................ 6
3.2 运动目标检测算法 ........................................................................................................................ 7
3.2.1 帧间差分法 ................................................................................................................................... 7
3.2.2 背景差分法 ................................................................................................................................11
3.3
3.4 形态学滤波 .............................................................................................................................. 14 目前存在的问题 ...................................................................................................................... 16
4 边防运动目标的预警系统 ................................................................................................................ 17
4.1 系统设计的原则 .......................................................................................................................... 17
4.2 系统设计的方案 ...................................................................................................................... 18
5 结论与展望 .......................................................................................................................................... 19
致 谢 ...................................................................................................................................................... 21
参 考 文 献 ............................................................................................................................................ 22
1 引言
1.1 课题背景 基于图像序列的运动目标检测与跟踪是计算机视觉领域两个比较活跃的课题,也是许多基于视觉的应用需要解决的关键问题。准确地检测与跟踪是有效地进行识别与决策的前提,是高级视觉系统的基础。运动目标的检测与跟踪技术在智能监控、人机交互、辅助驾驶、车辆跟踪、智能看护等应用中起着重要的作用。但是,这两种技术在实际应用中还面临着诸多困难:摄像机运动和光照变化会增加运动目标检测的难度;而光照变化、复杂背景、目标的非刚性形变和目标的部分遮挡会影响跟踪的鲁棒性。另外,在现有的算法实现中,对多目标的跟踪还面临着严重的性能瓶颈。 目前,红外目标跟踪技术在民用和军事领域都有广泛的应用。比如在军事领域,由于目标具有较强的热辐射,尤其夜晚使用红外探测器对目标的跟踪更有效。
1.2 运动目标检测技术在国内外的发展状况
国内外学者对视频监控技术的研究和开发可谓是如火如荼。华中科技大学,图像识别与人工智能研究所,图像信息处理与智能控制教育部重点实验室的汪国有,陈振学,李乔亮指出:复杂背景下低信噪比弱小目标的自动检测是当今目标自动探测研究尚未解决的一个难题。目前,国内外许多学者已经作过大量的检测算法研究,但还没有建立成熟的理论体系和切实可行的实用算法,尤其是在复杂背景干扰的抑制方面,大部分研究工作所处理的还不是真正的复杂背景。在分析和总结国内外现有算法研究的基础上,指出了复杂背景下红外弱小目标检测的发展趋势,并提出了检测跟踪的一些有效技术措施。并着重研究了以下二个方面:
1)具有分离特性的目标与背景特性选择和计算算法;
2)多目标特性的目标显著性与分离性融合增强算法。
针对复杂背景和弱小目标的双重复杂性,提出了不同的检测算法。总的说来,利用目标和背景固有的特性,充分地抑制背景和增强目标是提高目标检测性能的关键。对于由多个平稳区域构成的复杂背景,可采用多阈值法将要处理的图像分成多灰度层次区域,把处理非平稳的复杂背景转化为处理多个平稳的简单背景,有助于弱小目标的检测。然而, 在实际应用中,目标和背景的复杂性远远超出了人们的想象,如何
题。 最大限度的利用目标背景特性来有效的增强目标、抑制背景仍然是当前研究的重要课
华中理工大学的王江安,阮玉,邹勇华为解决海空复杂背景下红外弱点目标的检测, 提出了基于小波变换模极大的检测算法。该算法通过计算小波变换模极大值求出图像中的所有奇异点,去除由复杂背景形成的模极大值链,消除云层、海浪及水天线等复杂背景。
华中理工大学图像识别与人工智能研究所的彭嘉雄就如何检测复杂背景下低信噪比的运动小目标展开讨论,提出了用空间高通滤波方法改善图像质量,达到抑制背景噪声,增强小目标的效果,随后用似然比检测理论进行目标的初步分离,接着采用邻域判决的方法实现运动目标的进一步分离,最后用图像流分析法进行目标的最终检测。
中国科学院上海技术物理研究所的汪洋,郑亲波,张钧屏针对红外成像跟踪系统的低信噪比、背景和噪声干扰严重的小目标图像以及后续的目标识别处理需要目标的灰度信息的特点,设计了一种基于数学形态学的红外灰度图像小目标检测算法。 华中科技大学图像识别与人工智能研究所的桑农,李正龙,张天序根据人类视觉感知理论,在介绍了两种比较有代表性的视觉注意模型的基础上,采用bottom-up控制策略的预注意机制和top-down控制策略的注意机制,提出了一种适用于自动目标识别的目标检测算法。从输入图像出发,采用Gabor算子建立多尺度、多方位的多通道图像,通过全波整流和各通道间的对比度增益控制,得到多尺度、多方位的方位特征图,这些特征图的线性组合则为显著性图。
1.3 运动目标检测的主要应用领域
(1)军事上的应用主要包括自动驾驶飞行器、自动目标跟踪、无人驾驶车辆智能机器人任务执行,通常机器人为了执行某些任务,需要能够在它的环境中跟踪目标。在智能机器人的应用中,跟踪技术用于从安装在机器手上的运动的摄像机中拍摄物体,计算运动轨迹,选择最佳姿态抓取物体等。
(2)安全场合智能监控,智能监控系统的需求主要来自那些对安全要求敏感的场合,如银行、商店、停车场等。监控摄像机在商业中的应用需要监控系统能够自动分析摄像机捕捉的图像数据,自动完成对复杂环境中的人和车辆进行实时观测以及对感兴趣目标的行为进行分析和描述。
(3)交通监管系统中的监控,现代社会的高节奏生活导致了交通的浮燥。基于
交通管理的麻烦。 此而出现交通违规和不文明现象时,目标检测与跟踪显得尤其重要,从而大大减少了
(4)医学高科技的需求,现代高科技的发展促使医学的向前跃进,而医学生。物微观上的研究却与目标追踪密不可分。包括对微观细胞的追踪观察、人工植入器官的跟踪观察等。
1.4 本文的主要工作
在认真研读各方面的相关资料,著作和论文的基础上,着重研究视频运动检测方法,进行编程实验,最终完成运动检测方法的完整代码。
着重研究问题:
(1)完成图像的预处理(主要是灰度,滤波和锐化)。
(2)完成运动目标的检测算法研究及实现。
(3)完成运动目标的预警算法研究及实现。
(4)整合运动目标检测与预警算法,实现运动目标检测及跟踪。
(5)通过MATLAB软件实现算法的仿真。
2 图像预处理
在运动目标检测过程中图像预处理尤为重要,它主要是对图像进行增强、改善或修改,为图像分析做准备,直接关系到图像的下一步质量。本章主要针对视频对象的的图像预处理常用技术,主要包括图像灰度化、图像滤波、图像锐化,并对个各种图像处理技术的常用方法做了介绍。
2.1 图像的灰度化
在RGB模型中,如果R=G=B时,则彩色表示一种灰度颜色,其中R=G=B的值叫灰度值,因此,灰度图像每个像素只需一个字节存放灰度值(又称强度值、亮度值),灰度范围为0-255。
主要有分量法、最大值法、平均值法、加权平均法。在Matlab中,可以直接调用rgb2gray函数实现彩色图像的灰度变化。
用Matlab实现图像的灰度变化:
I = imread('C:\Users\zhi\Desktop\11.jpg');
[d1,d2,d3] = size(I);
if(d3 > 1)
I = rgb2gray(I);%如果是灰度图就不用先变换
end
I = double(I) / 255;
I1 = uint8(255 * I * 0.5 + 0.5);
imshow(I1);imwrite(I,'test.jpg')
我们通过对原始图像使用灰度化处理,实验结果如下图2-1所示。
(图2-1原始图和灰度化处理后的对比图)
2.2 图像的滤波
图像滤波是数字图像处理过程中经常使用的、也是最重要的处理过程,因为图像在摄取、传输等过程中经常会受到噪声的干扰,反映在原本均匀和连续变化的灰度突然变大或者变小,形成一些虚假的物体边缘或轮廓,使得图像的后续处理容易引入误差。因此,需要重视图像的滤波处理。着重介绍中值滤波:
中值滤波是最常见滤波方法,以像素邻域内的中值代替该像素的值。它是以局部中值代替局部均值,对处理脉冲噪声(也称为椒盐噪声)非常有效,同时能够良好的保存边缘性能。方法是:在灰度图像中f中以像素值(x,y)为中心的N×N窗口(3,5,7,...)内,首先把这N×N个像素点的灰度值按大小进行排序,然后选取值的大小为处于正中位置的那个灰度值α,使f(x,y)=α。这样,把被处理点的某一邻域中像素灰度中值作为该点的像素灰度的估计值。
程序如下:
I = imread('C:\Users\zhi\Desktop\11.jpg');
imshow(I);title('原图'); %显示原图像
J=rgb2gray(I); %把彩色图像转化为灰度图像
imshow(J);title('灰度图'); %显示灰度图像
J= imnoise(J,'salt & pepper',0.005); %加上椒盐噪声
imshow(J);title('椒盐噪声图'); %显示加上椒盐的图像
H=medfilt2(J); %中值滤波
imshow(H);title('处理后图'); %显示中值滤波后的图像
我们通过对原始图像先加盐椒噪声再使用中值滤波,实验结果如下图2-2所示。
(图2-2添加盐椒和中值滤波处理后的对比图)
2.3 图像的锐化 图像锐化(image sharpening)就是补偿图像的轮廓,增强图像的边缘及灰度跳变的部分,使图像变得清晰,亦分空域处理和频域处理两类。图像平滑往往使图像中的边界、轮廓变得模糊,为了减少这 类不利效果的影响,这就需要利用图像锐化技术,使图像的边缘变的清晰。图像锐化处理的目的是为了使图像的边缘、轮廓线以及图像的细节变的清晰,经过平滑的图像变得模糊的根本原因是因为图像受到了平均或积分运算,因此可以对其进行逆运算(如微分运算)就可以使图像变的清晰。从频率域来考虑,图像模糊的实质是因为其高频分量被衰减,因此可以用高通滤波器来使图像清晰。
I = imread('C:\Users\zhi\Desktop\11.jpg');
imshow(I);title('原图'); %显示原图像
J=rgb2gray(I); %把彩色图像转化为灰度图像
imshow(J);title('灰度图'); %显示灰度图像
H = fspecial('laplacian');
laplacianH = filter2(H,J);
imshow(laplacianH);
实验结果如下图2-3所示。
(图2-3原图和经Laplacian算子锐化后的对比图)
3 运动目标检测技术
3.1 概念
运动目标检测(Moving Object Detection)是在一段序列图像的每帧图像中找到感兴趣的运动目标所在的位置, 其难点在于如何快速而可靠地从一帧图像中匹配目
标。运动目标检测是计算机视觉研究领域中的一个重要且困难的课题,在实现运动补偿、视频压缩编码、视频理解时都需要用到运动目标检测技术。运动目标检测的相关技术覆盖了数字视频处理、数字图像处理及分析中的各个方面,并且还涉及计算机视觉、统计信号分析、随机过程及分析等诸多领域。作为计算机视觉基础之一的“图像序列中运动目标检测”是一个困难而又富有挑战性的课题,也是近年来理论和应用研究的热点。运动目标检测算法的实时性、可靠性和普适性是衡量算法优劣的标准,是智能视频监控系统追求的目标。
3.2 运动目标检测算法
运动目标检测是指在序列图像中检测出变化区域并将运动目标从背景图像中提取出来。通常情况下,目标分类、跟踪和行为理解等后处理过程仅仅考虑图像中对应于运动目标的像素区域,因此运动目标的正确检测与分割对于后期处理非常重要然而,由于场景的动态变化,如天气、光照、阴影及杂乱背景干扰等的影响,使得运动目标的检测与分割变得相当困难。根据摄像头是否保持静止,运动检测分为静态背景和运运动目标检测是指在序列图像中检测出变化区域并将运动目标从背景图像中提取出来。通常情况下,目标分类、跟踪和行为理解等后处理过程仅仅考虑图像中对应于运动目标的像素区域,因此运动目标的正确检测与分割对于后期处理非常重要然而,由于场景的动态变化,如天气、光照、阴影及杂乱背景干扰等的影响,使得运动目标的检测与分割变得相当困难。根据摄像头是否保持静止,运动检测分为静态背景和运动背景两类。大多数视频监控系统是摄像头固定的,因此静态背景下运动目标检测算法受到广泛关注,常用的方法有帧间差法、光流法、背景差分法等。 下面我们就这几种常用的方法做以介绍:
3.2.1 帧间差分法 帧间差分法是最为常用的运动目标检测和分割方法之一,基本原理就是在图像序列相邻两帧或三帧间采用基于像素的时间差分通过闭值化来提取出图像中的运动区域。首先,将相邻帧图像对应像素值相减得到差分图像,然后对差分图像二值化,在环境亮度变化不大的情况下,如果对应像素值变化小于事先确定的阈值时,可以认为此处为背景像素:如果图像区域的像素值变化很大,可以认为这是由于图像中运动物体引起的,将这些区域标记为前景像素,利用标记的像素区域可以确定运动目标在图
像中的位置。由于相邻两帧间的时间间隔非常短,用前一帧图像作为当前帧的背景模型具有较好的实时性,其背景不积累,且更新速度快、算法简单、计算量小。算法的不足在于对环境噪声较为敏感,阈值的选择相当关键,选择过低不足以抑制图像中的噪声,过高则忽略了图像中有用的变化。对于比较大的、颜色一致的运动目标,有可能在目标内部产生空洞,无法完整地提取运动目标。帧间差分法主要是利用视频序列中连续的两帧或几帧图像的差异来进行目标检测和提取。一个最基本的帧间差分法的基本过程如图3-1所示。
图3-1 帧间差分法的过程图
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:
Dt(x,y)=It(x,y)-It-1(x,y) (3-1)
It(x,y),It-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,Dt>T
Mt(3-2)
0,Dt≤T
式中Mt(x,y)为二值化后的图像,Dt(x,y)为差分后的图像,T为分割阈值,可以
事先给定或者用自适应的方法确定。
首先,利用公式(3-1)计算第t帧图像与第t-1帧图像之间的差别,得到差分后的Dt(x,y)图像,然后对差分后的图像Dt(x,y)进行二值化,认为当差分图像中像素
值大于某一给定阈值式,该像素位于前景之中,即认为该像素可能为目标上的一个点,否则认为该像素为背景中的一个像素,二值化后得到Mt(x,y)图像,最后对图像Mt(x,y)进行连通性分析,获得图像Rt(x,y),当某个连通区域的面积大于某一给定的阈值,则检测到目标,并认为该区域就为目标所占的区域。由于帧与帧之间的时间
现象,所以文中采用对称差分法进行目标定位。 首先要获取相邻两帧的图像:
clear; 间隔短,目标的运动速度不大,能够对运动目标进行很好的定位,是可能存在重影的
info=aviinfo('C:\Users\zhi\Desktop\视频\zipai.avi');%录入视频 avi中的相关信息
fum=info.NumFrames;%获取视频中帧总数
for i=1:fum
mov=aviread('C:\Users\zhi\Desktop\视频\zipai.avi',i);
I=mov.cdata;
J=rgb2gray(I);%转成灰度图
J=medfilt2(J,[3,3]);%二维滤波
imwrite(J,strcat(int2str(i),'.','bmp'));%视频打成帧图像 end
然后通过差分法获取相邻两帧的差分图像,算法如下:
I1= imread('C:\Users\zhi\Desktop\11\12.bmp');
I2 = imread('C:\Users\zhi\Desktop\11\13.bmp');
m=medfilt2(I1);
n=medfilt2(I2);
q=im2double(n);
w=im2double(m);
c=q-w;%%差分
t=40; %%阈值,此值可以调节
t=t/256;%%转化为double型数据
k=find(abs(c)>=t);%%find函数作用是找到图c中的值大于t的点坐标 c(k)=255;%%二值化的一
k=find(abs(c)
c(k)=0;%%二值化的零
imshow(c);
实验结果如下图3-1所示。
第12帧图像
第13
帧图像
差分后的图像 (图
3-1 相邻两帧图像和差分后的对比图)
然后再对差分后的图像进行二值化处理,如何3-2所示:
(a) (b)
(c)
(图3-2 二值化图像) (d)
(a) 原图;(b)清除中间亮点;(c)分裂,骨架化;(d)闭运算减去原图
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。图3-1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。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。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。
3.2.2 背景差分法
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。 基本过程如图3-3:
(图3-3 算法流程图) 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:
Dt(x,y)=|It(x,y)-Bt(x,y) (3-3)
1,Dt>T
Mt(x,y)= (3-4)
0,Dt≤T
It(x,y)表示图像序列中当前帧的灰度图像,Bt(x, y)表示当前帧背景的灰度图像,Mt(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。主要包括预处理、背景建模、前景检测和后处理4个步骤:
(1) 预处理是对视频数据进行简单的空间或时间滤波,以消除摄像机噪声和雨雪等瞬时环境噪声,或者降低帧大小和帧率。预处理的另一个关键问题是将数据转换成适应特定背景减算法的格式。
(2) 背景建模就是构建背景图像或通过构建某种模型来表示背景,这是各种背景减算法的核心所在。
(3) 前景检测也就是阈值分割,其指的是利用当前视频帧与背景模型的差异来检测出运动区域参考像素的这个步骤。如果差值大于一定阈值,则判定该像素为组成前景运动目标的像素,但不同的背景建模方法有不同的阈值分割规则。
(4) 后处理就是去除不属于真实运动目标的参考像素,以便得到真正的前景运动目标,比如消除小而假的前景像素、消除重影和阴影等。
常见的背景差分法有:中值滤波法、单高斯模型。本文着重介绍中值滤波法。 中值滤波法是最常用的背景图像构建方法之一,是基于排序统计理论的一种能有效抑制噪声的非线性信号处理技术。这个方法的基本思想是在内存中建立长度为L的视频流滑动窗口,在此滑动窗口中缓存着最近的L帧连续视频图像,将这L帧图像相同坐标位置的像素值,按照从小到大(或者从大到小)的顺序排序,选取中间值作为背景模型中对应位置的像素值。其中L一般为奇数,若为偶数,则取中间两个值的平均
值。这种方法的前提假设是,像素在背景帧中停留的时间会超过在缓存中一半以上的视频帧中停留的时间。简单地用公式描述一下对于背景模型中每个像素点取值的确定:
Bt(i,j)=median{It-L-1(i,j),It-L(i,j),...,It-1(i,j)} (3-5)
其中Bt(i,j)是背景模型(i,j)点的像素值,median表示取中间值运算,It-L-1(i,j),It-L(i,j),...,It-1(i,j),表示t-L-1到t-1帧,即当前帧之前的L帧图像在 (i ,j)点的对应像素值。
实验结果如图3-4所示:
第12帧图像 背景帧图像 差分后的图像
第50帧图像 背景帧图像 差分后的图像
(图3-4 背景差分) 第90帧图像 背景帧图像 差分后的图像
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。
3.3 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3-4。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。设用A表示图像,B表示结构元素(B本身也是图像集合,A和B均为集合),形态学运算就是B对A 进行操作。 膨胀的运算符为⊕,用B对A 进行膨胀可以记为A⊕B,其定义为:
ˆ) A]≠∅} (3-6) A⊕B={x[(Bx
ˆ代式(3-6)表明,用B膨胀A的过程就是先对B做关于远点的映射(注意,这里B
表B的映像),再将其平移x(注意,(B)x代表B平移x),这里A与B的交集不能为空
ˆ的位移与A至少有一个非零元素相时B集。换句话说,用B来膨胀A得到的集合B
的原点位置的集合。根据以上解释,式(3-6)也可以写成
ˆ) A]⊆A} (3-7) A⊕B={x[(Bx
借助卷积的概念来理解膨胀操作式很有帮助的。如果将B看成一个卷积模板,膨胀就是先对B做关于原点的映射,再将映像连续地在A 上移动而实现的。这种运算可以鲜明得用图3-5来表示:
(图3-5 膨胀运算)
腐蚀的运算符为Θ,用B对A进行腐蚀可以记为AΘB,其定义为
AΘB={x(B)x⊆A} (3-8)
式(3-8)表明,用B腐蚀A的过程就是对B平移运算x,结果式所有x的集合,即B平移x后仍在A中。换句话说,用B腐蚀A得到的集合是B完全包括在A中时B的原点位置集合。
因为膨胀和腐蚀并不互为逆运算,所以他们可以级连接和使用。例如,可以使用同一结构元素先对图像进行腐蚀运算然后膨胀其结果,也可以对图像进行膨胀运算在腐蚀其结果。前者通常成为开启运算,后者则称为闭合运算。它们也是数学形态学的基本运算。这种运算可以鲜明得用图3-6来表示
:
本科毕业设计说明书(论文)
(图3-6 腐蚀运算) 第 16 页 共 22页
对图
3-4中各差分后图像先进行腐蚀再进行膨胀,所得效果如图
3-7所示
第
12帧差分后的图像
腐蚀 膨胀
第50帧差分后的图像 腐蚀
膨胀
第90帧差分后的图像 腐蚀 膨胀
(图3-7 腐蚀膨胀)
3.4 目前存在的问题
现有的算法多是针对某特定的场合提出的,各有特点,这些算法中也仍有许多值得改进的地方,有的算法在检测的精确方面需要改进,有的算法在计算量等方面需要改进等。经过了多年的发展,到目前为止对目标检测的研究仍面临许多没有很好解决的问题:
本科毕业设计说明书(论文) 第 17 页 共 22页
(1) 视频场景中光线变化问题(渐变、突变、反光等),同样会影响背景的提取与更新。必须不断地对背景进行实时估计,才能更好地完成运动目标的检测。
(2) 光照条件下,目标存在阴影。与背景不同,运动目标的阴影将随运动目标移动。检测分割的结果可能是阴影与被检测对象连为一个整体出现,使得运动目标形状失真,从而导致相关的聚类工作失败;另一种检测结果是阴影与目标分离成两个独立的运动目标,导致了虚假错误的运动目标的出现。
(3) 遮挡也是运动目标检测过程中一个难以解决的问题,遮挡物很可能会作为目标的一部分被提取出来,从而造成检测目标形变。严重时会造成运动目标检测的失败。
(4) 背景物体的干扰运动。背景中存在的如风中树叶的摇动、水面波光的闪动、车窗玻璃的反光以及天气的变化等许多细微活动,同样会影响到运动目标的检测。
(5) 另外目标运动过程是否连续、速度如何、是否存在往返运动的现象等问题也关系到运动目标的检测的准确性。
4 边防运动目标的预警系统
我国的边防问题直接关系到我国的国家安全。近年来,随着我国国家综合实力的迅速增强以及改革开放力度的进一步加大,我国边防线的安全形势更为严竣,国外的反华势力以及不法份子妄图通过突破我国的海岸边防线,渗透进入国内危害我国的国家安全的事件时有发生,所以建设边防线电子监控系统是必要的,也是必须的。以高科技的手段进一步加强对我国边防线的安全监控管理,最大程度上保障国家海岸边防线的安全。
4.1 系统设计的原则
(1)先进性与适用性
系统的技术性能和质量指标应达到国际领先水平;同时,系统的安装调试、软件编程和操作使用又应简便易行,容易掌握,适合中国国情和本项目的特点。该系统集国际上众多先进技术于一身,体现了当前计算机控制技术与计算机网络技术的最新发展水平,适应时代发展的要求。同时系统是面向各种管理层次使用的系统,其功能的配置以能给用户提供舒适、安全、方便、快捷为准则,其操作应简便易学。
本科毕业设计说明书(论文)
(2)经济性与实用性 第 18 页 共 22页
充分考虑用户实际需要和信息技术发展趋势,根据用户现场环境,设计选用功能实用、适合现场情况、符合用户要求的系统配置方案,通过严密、有机的组合,实现最佳的性能价格比,以便节约工程投资,同时保证系统功能实施的需求,经济实用。
(3)可靠性与安全性
系统的设计应具有较高的可靠性,在系统故障或事故造成中断后,能确保数据的准确性、完整性和一致性,并具备迅速恢复的功能,同时系统具有一整套成熟的系统管理策略,可以保证系统的运行安全。
(4)开放性
以现有成熟的产品为对象设计,同时还考虑到周边信息通信环境的现状和技术的发展趋势,具有标准的网络通讯接口,可以很好的融入到IP网络中。
(5)可扩充性
系统设计中考虑到今后技术的发展和使用的需要,具有更新、扩充和升级的可能。并根据今后该项目工程的实际要求扩展系统功能,同时,本方案在设计中留有冗余,以满足今后的发展要求。
(6)追求最优化的系统设备配置
在满足用户对功能、质量、性能、价格和服务等各方面要求的前提下,追求最优化的系统设备配置,以尽量降低系统造价。
(7)保留足够的扩展容量
该项目设备的控制容量上保留一定的余地,以便在系统中改造新的控制点;系统中还保留与其他计算机或自动化系统连接的接口;也尽量考虑未来科学的发展和新技术的应用。
4.2 系统设计的方案
在边防线上安装超清晰、大焦距、高精度的摄像机用来实现对边防线的实地情况进行视频监视,另外,通过一套安装在边防线前沿的警戒雷达系统与摄像机实现联动,当警戒雷达系统扫描到有非法侵入边防线的人员时,警戒雷达系统将目标人员的坐标
信息发送到摄像机的控制系统,由摄像机的控制系统根据警戒雷达反馈过来的坐标数据实现对目标人员的自动视频锁定跟踪,非法入侵人员的一举一动都将在摄像机的全程监控之下。
由于每个边防线辖区电子监控系统的中心控制室与前沿的边防线的摄像机物理距离相隔太远,且地理环境较为恶劣,同时也基于系统安全性的考虑,因此前端摄像机到中心控制室不能通过铺设同轴电缆的方式来进行视频图像的传输。系统设计采用无线的方式来进行视频的传输,无线视频传输系统由两个方面组成,一是无线的网络联接设备,设计采用无线网桥作为网络联接设备,通过无线网桥可以建立联接前沿的边防线至中心控制室的无线网络;另外一部分是视频数字化设备网络视频传输控制主机,网络视频传输控制主机完成前端模拟视频的数字化及压缩工作,并通过无线IP网络进行数字化视频的传输工作。嵌入式网络视频数字化设备可在高压缩、低带宽的情况下传输较好质量的视频图像,对不同网络环境的适应能力也非常强,非常适用本系统这种采用无线网桥建立无线网络联接时受外部环境的影响,网络带宽不稳定的情况。
在中心控制室部分,采用数字视频模拟化设备网络视频接收主机,将边防线前沿通过网络视频传输控制主机传输过来的数字化视频还原成模拟的视频信号,通过监视器输出进行监看。中心控制室的值勤人员也可直接使用PC机调看边防线前沿的实时视频图像,并进行PTZ控制。另外,在中心控制室的录像服务器可以将边防线前沿的实时视频图像直接实现数字化存储。
5 结论与展望
我国的边防问题直接关系到我国的国家安全。近年来,随着我国国家综合实力的迅速增强以及改革开放力度的进一步加大,我国边防线的安全形势更为严竣,而人类对外界环境的理解和认识很大程度上是通过视觉信息来完成的。如果计算机也具有了分析和理解视觉信息的能力,那么计算机就能够做到更大程度上模拟人类的行为,具有更高的智慧。和静止的图片信息相比,动态的视频信息中隐藏着运动信息在很多情况下,这些运动信息是我们最关心的,所以就产生了视频序列中的运动分析这个研究方向。
视频序列中的扭动分析的基本内容是从连续的视频图像中检测出运动目标,同时对检测到的运动目标进行预警,并对其行为进行理解和描述。运动检测、目标识别和
预警属于低层次的处理,属于图像处理的范畴;图像分析和理解属于高层次的处理。属于人工智能的范畴。视频图像的运动分析属于计算机视觉的内容,但其本身又是以数字图像处理为基础,内容涉及数字图像处理、模式识别、计算视觉、人工智能等诸多领域和学科。作为一个跨学科的学科领域,视频图像运动与分析领域本身就存在很大的挑战性,同时由于计算机视觉领域远还没有达到成熟,而且还需要直接而对复杂的外界环境,这些都给视频运动分析的研究带来了许多挑战,这也是本文为什么要进行这方面内容研究的原因。
本文在参考和引证了大量国内外文献并学习了图像处理、高斯模型等理论的基础上,研究了基于视频流的运动目标检测与预警算法,并进行了大量的实验。总结起来,本文所做的主要工作包括如下方面:
(1) 通过学习研究,主要做了对图像的预处理,包括图像的灰度化、图像的滤波,锐化处理以及形态学滤波等。
(2) 研究了常用的运动目标检测算法,然后对各种运动目标检测算法进行了实验分析。
由于视频中的运动目标检测与预警技术目前正处于快速发展和持续深入的阶段,相关理论正在日益完善,应用领域也在迅速扩展,随着社会的进步,在未来的数字化生活中,基于视频流的运动目标检测与预警技术必将发挥更加重要的作用。然而在目前运动目标检测与预警技术仍然是一个未成熟的研究领域,还有很多问题有待解决。 在运动目标检测方面的问题有如,场景中不可避免会发生目标遮挡的现象.当遮挡发生时目标只有部分可见,使目标检测和预警的结果不可靠。如果不能很好地处理背景中的干扰现象,则作为前景的运动物体的检测必将受到影响。
背景物体的干扰运动。背景中存在的如风中树叶的摇动、水面波光的闪动、车窗玻璃的反光以及天气的变化等许多细微活动,还有场景中光线变化问题(渐变、突变、反光等)同样会影响背景的提取与更新,同样会影响到运动目标的检测。必须不断地对背景进行实时估计,解决亮度变化问题,才能更好地完成运动目标的检测。
致 谢
四年的大学生活即将接近尾声,花费了将近一个学期的时间,我终于完成了自己的毕业设计。在此之际,我要向我的老师、父母以及同学表示最真挚的感谢。 首先诚挚的感谢我的导师王利平教授在学习和生活中给予我的关心和帮助,同时感谢她的包容和谅解。从论文开始的选题到最后的修改,王老师都为我提出了许多宝贵的意见。王老师严谨勤奋的科研作风,敏锐的学术眼光,以及积极进取、乐观豁达的人格魅力深深地感染和启迪着我。并且王老师有着渊博的学识,严密的治学态度和慎密的思维,这些都极大地影响了我。本文从先期的理论研究到后期的语言修改,无不倾注着王老师的心血。王老师锲而不舍的工作热情,诲人不倦的高尚品格,将一直激励着我追求进步、追逐卓越。在此,我向我的导师王利平教授表示衷心的感谢和崇高的敬意!
另外感谢我的父母和同学,是他们在背后一直默默的支持我,才让我能够顺利的坚持了下来。
最后,再次对所有关心、帮助过我的人表示衷心的感谢!
参 考 文 献
[1] 叶增军,王江安等. 海空复杂背景下红外弱点目标的检测算法[J]. 红外与毫米波学报,2000,(2):121~124.
[2] 朱梦宇,赵保军,韩月秋. 一种实用的红外弱小目标检测跟踪处理机研究[J]. 激光与红外,2002,(6):407~409.
[3] 汪洋,郑亲波,张钧屏. 基于数学形态学的红外图像小目标检测[J]. 红外与激光工程,2003,(1):28~32.
[4] 孙伟,夏良正. 一种基于形态学的红外目标分割方法[J]. 红外与毫米波学报,2004,(3):233~236.
[5] 朱红,赵亦工. 基于背景自适应预测的红外弱小目标检测[J]. 红外与毫米波学报,1999,(4):305~310.
[6] 何宝福,王东,戴才彬. 红外空情预警系统及其作战运用研究[J]. 现代防御技术,2005,(33):12~16.
[7] 王岳环,陈妍等. 基于模式侧抑制复杂背景下的小目标检测[J]. 红外与激光工程,2005,(6):703~708.
[8] 桑农,李正龙,张天序. 人类视觉注意机制在目标检测中的应用[J]. 红外与激光工程,2004,(1):38~42.
[9] 汪国有,陈振学,李乔亮. 复杂背景下红外弱小目标检测的算法研究综述[J]. 红外技术,2006,5(28):287~292.
[10] 杨磊. 复杂背景条件下的红外小目标检测与跟踪算法研究[J]. 上海交通
大学,2006.
[11] 于雪莲. 复杂背景条件下红外运动目标的实时检测与跟踪技术[D]. 南京
理工大学硕士学位论文,2004.
[12] 韩客松. 复杂背景下红外点目标检测的预处理. 系统工程与电子技术[J].
2000,(1):52~54.
[13] 彭嘉雄,周文琳. 红外背景抑制与小目标分割检测[J]. 电子学报,1999,
(12):47~51.
[14] 周卫祥,孙德宝,彭嘉雄. 红外图像序列运动小目标检测的预处理算法研究
[J]. 国防科技大学学报,1999,(5):57~60.
[15] ScharFand L. L. and Friedlander B. Matched subspace detectors[J].
IEEE Trans. Signal Proc,1994,42(8):2146~2156.