山东大学
硕士学位论文
关于运动人体跟踪算法的研究
姓名：贺长伟
申请学位级别：硕士
专业：信号与信息处理
指导教师：王欣
20070510
山东大学硕士学位论文
Ｗｈｅｎ．Ｗｈｏ）系统‘３１，用于民宅、停车场、银行等场合，能够对携带物品的可疑人员进行有效的监视；另外，ＰＡＳＳＷＯＲＤＳ（Ｐａｒａｌｌｅｌａｎｄａｄｖａｎｃｅｄｓｕｒｖｅｉｌｌａｎｃｅｓｙｓｔｅｍｗｉｔｈｏｐｅｒａｔｏｒａｓｓｉｓｔａｎｃｅｆｏｒｒｅｖｅａｌｉｎｇｄａｎｇｅｒｏｕｓｓｉｔｕａｔｉｏｎｓ）系统¨１是一个智能视频图像分析系统，用于实现视频监视以满足不同用户的安全要求；Ｐｆｉｎｄｅｒ（Ｐｅｒｓｏｎｆｉｎｄｅｒ）系统哺１用于实现对室内人员行为的实时监视与判定．还有美国微软公司（Ｍｉｃｒｏｓｏｆｔ）开发的“ＴｅｌｅｖｉｓｉｏｎＣｏｎｔｒｏｌｂｙＨａｎｄＧｅｓｔｕｒｅｓ’’系统‘‘’ＥａｓｙＬｉｖｉｎｇ系统‘＂：美国麻省理Ｔ一学院（ＭａｓｓａｃｈｕｓｅｔｔｓＩｎｓｔｉｔｕｔｅｏｆＴｅｃｈｎｏｌｏｇｙ）开发的Ｐｆｔｎｄｅｒ系统‘‘１和Ｋｉｄｓｒｏｏｍ系统Ⅲ：
国内进行人体运动分析研究的主要科研机构有中科院自动化所模式识别国家重点实验室等ｎ“．
运动人体的检测与跟踪主要包括图像采集，图像的预处理，运动目标的检测、人体跟踪四个方面，如图１．１．图像采集常见的分为摄像机静止和运动两种状态，不同状态下还包含单个和多个摄像机的情况，我们通常考虑单且摄像机静止的情况。下面我们将对另外三方面分析国内外的研究现状及常用的处理方法．
图１．１视频跟踪处理状态圈
７
山东大学硕士学位论文
第二章图像预处理
一般情况下，成像系统获取的图像（即原始图像）由于受到种种条件的限制和随机干扰，往往不能在视觉系统中直接使用，必须在视觉的早期阶段对原始图像进行噪声滤波等预处理工作。对计算机视觉系统来说，所用的图像预处理方法并不考虑图像降低质量的原因，只将图像中感兴趣的特征有选择地突出，衰减不需要的特征．敢预处理后的图像输出并不需要去逼近原图像。在本章的内容里，主要介绍图像的滤波．
２．１经典图像滤波
图像常被随机信号（也称为噪声）所污染，一些常见的噪声有椒盐噪声，脉冲噪声，高斯噪声等。椒盐噪声含有随机出现的黑白亮度值，而脉冲噪声则只含有随机的白强度值（正脉冲噪声）或黑强度值（负脉冲噪声）．与前两者不同，高斯噪声含有亮度服从高斯或正态分布的噪声，高斯噪声是许多传感器噪声的很好模型，例如摄像机的电子干扰噪声。图２．１为视频采集图像分别加上不同噪声后的效果图。在以后的图像去噪中，都假设加的是高斯噪声．下面首先给出一些经典的滤波方法．
圈２．１受干扰的视期采集圈像
（＿）清晰田像；（ｂ）方差４００的南斯白噪声污染田像：（ｃ）方差为９００的高斯白噪声污染后画像２．１．１线性滤波器一均值滤波器
线性平滑滤波器去除高斯噪声的效果很好，且在大多数情况下，对其他类型的噪声也有很好的效果，线性滤波器使用连续窗函数内像素加权和来实现滤波。同一模式的权重因子可以作用在每一个窗口内，也就
山东大学硕士学位论文
（ａ）（ｂ）（ｃ）（ｄ）
田２．３选用不同的模扳的均值滤波效果圈
（＾）Ｌｅｎｎ原始图像：（ｂ）为叠加嗓声方差为４００的高斯白赡声：
（ｃ）为采用３ｘ３均值滤波后的图像；“）为采用７ｘ７均值滤波后的图像在设计线性平滑滤波器时，选择滤波权值应使得滤波器只有一个峰值，并且在水平方向和垂直方向是对称的．一个典型的３ｘ３平滑滤波器的权值模板如下：
ｌｌＩ
●＿———－●＿一
１６８１６
ｌｌｌ
—－一—－
８４８
ｌｌ１
●＿一一●。一
１６８１６
线性平滑滤波器去除了高频成分和图像中的锐化细节，例如，会把阶跃变化平滑成渐近变化，从而牺牲了精确定位能力。
２．１．２非线性滤波器一中值滤波罱ｎ‘１
线性滤波的主要问题是有可能模糊图像中的尖锐不连续部分，下面介绍一种非线性滤波算法：中值滤波．
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，该方法在去除噪声的同时又能保留图像边缘细节，这是因为它不依赖于邻域内那些与典型值差别很大的值．中值滤波器的滤波过程不再是加权运算．例如，取３ｘ３函数窗，计算以点（ｆ，力为中心的函数窗像素中值步骤为：
（１）按照亮度值大小排列像素值
（２）选择排序像素集的中间值作为点（ｉ，，）的新值。
１４
山东大学硕士学位论文
这一过程可以用图２．４来描述，一般采用奇数点的邻域来计算中值，但如果像素点数为偶数，中值就取排序像素中间两点的平均值。图０）中，Ｐ。（ｉ＝ｌ一９）为某点的像素，图ｐ）为ｎ所对应的像素灰度僮，图（ｃ）为采用中值滤波器后Ｐ。的像素灰度值．
Ｐ１ｐ２ｐ３ｐ４ｐ５ｐ６ｐ７ｐ８ｐ９７５８６３６
３８４９ｌＯ
１９７２２２
７５８６３６
３８３８１０
１９７２２２
（ａ）（ｂ）（ｃ）
图２．４采用３ｘ３邻域的中值滤波嚣
采用大小不同邻域的中值滤波器的结果如图２．５所示，其中，图（ａ）为原始图像加上方差为４００的高斯噪声，图（ｂ）和图（ｃ）分别为选择３ｘ３和５ｘ５的模板的滤波效果图。
‘ａ）（ｂ）‘ｃ）（ｄ）
圈２．５选用不同模扳对图像进行中值滤波的结果
（－）Ｌｅｎａ原始图像ｌ（ｂ）为叠加噪声方差为４００的高斯白嗫声ｌ
（ｃ）采用３Ｘ３中值滤渡后的图像ｌ（ｄ）采用７Ｘ７中值滤波后的圈像中值滤波在一定条件下可以克服线性滤波器带来的图像细节模糊，而且对滤除脉冲干扰即图像扫描噪声最为有效．但对一些细节多的图像不宜采用中值滤波．
２．１．３’多级中值滤波
多级中值滤波是中值滤波的改进算法［２９，３０］，他有效地弥补了中值滤波在保护边缘细节方面的缺憾，能够实现在平滑噪声的同时保护好图像细节信息。首先给出多级中值滤波的定义：
令ｘ（ｍ，弹）表示图象在ｍ行ｎ列处的灰度值。取边长为￡的矩形窗口，
山东大学硕士学位论文
上，幅值较小．这样一来，经过上述的软门限方法处理后，幅度较小的噪声分量的小波系数被置为零，而幅度较大的信号的小波系数被保留，经过再重建后就得到了去噪后的信号．
２．２新的图像滤波算法
前两节我们介绍了小波滤波的经典算法，下面我们将依据经典算法的理论依据，提出新的图像滤波算法。
２．２．１基于多级中值滤波的小波去噪方法
传统的滤波方法在去噪的同时很容易把图像的细节信息给去掉，我们提出的新算法结合了小波及多级中值滤波的特点，实现在小波域对图像去噪并保留高频有用信息。为了说明利用多级中值滤波在小波域对图像去噪的可能性，我们首先需要对图像的小波变换系数的性质进行简单的分析．图２．８为对Ｌｅｎａ图像经过小波变换后的图像，其中ＨＨ、ＨＬ、ＬＨ分别表示图像在三个不同方向所包含的图象高频信息，即小波系数。
田２．８Ｌｅｎａ圜象的一层小菠分解幽
可以看出这些小波系数是由许多细线组成，它们代表了图像的边缘信息．因此，在小波变换域进行去噪，必须要在平滑噪声的同时，能够对这些细线加以保护．
。尽管多级中值滤波可以有效的保护图像的细线，但是由于其平滑噪声的能力差，其应用一直没有引起人们的注意．为了对此加以改进，使其更好的用于小波域滤波，在这里我们提出利用四个方向中值的最大最小值之差来区分变换图像中的平坦及细线，在进行相应的滤波，从而使噪声得到有效的抑制。
１８