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)
摘要
运动目标检测是图像处理与计算机视觉的一个小分支，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，引入运动监测非常有必要。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：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。本文主要内容为对监控视频进行背景建模和背影差分的方法进行运动目标检测。
关键字：数字图像处理MATLAB 运动目标检测背影差分法形态学处理
1.概述
运动目标检测在机器人、视频监控、交通道路检测、军事战争、模拟现实等众多的领域都有极其重要的应用和良好的发展前景。近年来运动目标检测的研究方法在计算机方面一直都处于热门性研究话题，国内外等众多的学者在运动目标检测等方面进行了不懈的努力。运动目标检测在国外，早在二十世纪美国有关部门就运动目标检测进行了监控系统项目的研究，其主要的目的是实现在一定的环境下对运动目标的检测，该系统采取了帧差分法的检测方法。此外世界知名的计算机公司如IBM以及Microsoft等也纷纷进行了监控系统研究的实验，他们研究出来的智能监控系统极大的推进了视频监控的研究，并使得智能监控系统能够应用于现实实际的需要，推进力社会现代化的进程。中国科学院是国内所有研究运动目标检测的机构中的引领者，而北京自动化研究所在运动目标检测方面则是做出了较大的贡献，交通场景的监控和行为模式识别是重点研究方向，在检测系统中有着重要的地位。为了适应社会发展的需要，于2002年第一次成功举办了全国智能视觉监控会议，本文主要描述运动目标检测的基本原理，和运用背影差分法检测运动目标的具体实现方法和比较背景建模的几种不同方法，然后选择设计一种合适的方法实现背景建模，最后用视频模拟了交通监控的过程给出实验结果和分析。
2.设计原理
对于向地面物体背景较为复杂的背景的运动目标检测，难以用阈值方法进行目标的区分，可采用帧间差分法、背影差分法、光流发等运动分割方法进行检测。帧间差分法直接比较两帧图像对应像素点的灰度值，得到运动目标；背景差分法假定图像背景是固定不变的，将每一帧图像的灰度减去背景的灰度图像得到的运动物体的灰度图像，而在此之前需要建立一个背景图像，背景图像的好坏直接决定了检测的效果，因此建立一个合适的背景图像至关重要。考虑到监控视频一般是固定的，背景除了光影和其他微小变化外不会有大面积的背景改变，故本文采用背影差分法，运用背景建模的方法及实现运动目标的检测。
2.1 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。
2.1.1 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。
2.1.2 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。
2.1.3 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。
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。
2.1.4 Surendra算法
Surendra背景更新算法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。通俗的来说就是亮度变化不大时，我们认为是背景变化，因此该区域更新背景，亮度变化较大时，我们认为是运动目标，此区域不加入背景更新。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 |Ii－Ii-1|＞T
Di= (2-2)
0 |Ii－Ii-1|≤T
(4)由二值图像Di更新背景图像Bi
Bi-1(x,y) Di=1
BI= (2-3) αIi(x,y)+(1-α)Ii-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。
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。
2.2 背景差分法运动目标检测
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)| (2-4)
1,Di>T
Mi(x,y)＝
(2-5)
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。
2.3 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，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：
(){}A B z B X z ?=Θ| (2-6) 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。
X 被B 膨胀的定义为：
?
??????≠??? ??=⊕A B z B X z ^| (2-7) 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。
2.4总体方案设定
鉴于背景差分算法也有其天然的缺陷，即如果背景固定，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。这里可以不考虑某一种单一的背景建模方法，我们尝试用多种背景建模方法结合的方式来互相弥补各种方法的不足。
2.4.1 算术平均法与Surendra算法相结合的背景建模
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。我们使用算术平均法与Surendra算法相结合的改进的背景建模，此模型初始就可以有一个较好的背景模型，由于运用了Surendra算法更新背景，使这个背景模型对场景的光线、树叶的遮挡、或者运动物体滞留都会很好的适应作用。其算法步骤为：先由算术平均法给出一个初始的背景，然后用Surendra算法实时的更新背景图像。
2.4.2 总体程序框图算数均值背景
建模
初始背景
视频图像当前
帧
适当阈值二值化
形态学处理
surendra背景更新
算法
得到完整二值图
像
背影差分
标记目标
图2.1 总体程序框图
3.软件编程实现
clear
clc
nStar = 1;
nNUM = 30;
%%%%60帧算数平均作为初始背景%%%%%%%%%%%
im =im2double(imread('m1.bmp'));
for k=2:1:60
im=im+im2double(imread([ 'm',int2str(k),'.bmp']));
end
im=im/60;
figure(1),imshow(im,[]);
title('初始背景图');
im=rgb2gray(im);
im=double(im.*255);
Background = im ;%初始背景
%%%%%%%%%%%%Surendra算法背景更新过程%%%%%%%%%%%%%
for k= nStar+1 :1: nNUM
CurrentImage
=double(rgb2gray(imread( [ 'm',int2str(k),'.bmp'] ))); % 当前帧
figure(2),imshow(CurrentImage,[]);title('当前帧图像');
BW=zeros(size(CurrentImage));
[m,n]=size(CurrentImage);
for i=1:m
for j=1:n
if abs((CurrentImage(i,j))-(Background(i,j))) >10 %适当阈值 BW(i,j)=1;
else
BW(i,j)=0;
end
end;
end;
alpha = 0.3; %背景更新的速度
CurrentBack = Background.*BW + ( alpha.* CurrentImage + ( 1-alpha ).* Background ).*( 1 -BW );
%相对背景有较大变化的区域不更新，无明显变化的区域更新到背景中去
Background = CurrentBack;%执行背景更新
%%%%%%%背影差分检测运动目标%%%%%%%%%%%%
[m,n]=size(CurrentImage);
for i=1:m
for j=1:n
if abs((CurrentImage(i,j))-(Background(i,j))) >30 %检测阈值 BW(i,j)=1;
else
BW(i,j)=0;
end
end;
end;
figure(3),imshow(BW),title('差分后的二值化图像');
%%%%%%%%%形态学处理二值图像%%%%%%%%%%%%%%%
SE=strel('square',3);
BWCutero=imerode(BW,SE);%腐蚀
figure(4),imshow(BWCutero),title('腐蚀后的图像');
BWCuterodil = bwmorph(BW,'dilate',3);%膨胀
figure(5),imshow(BWCuterodil),title('膨胀后的图像');
%%%%%%%%运动目标标记%%%%%%%%%%5
[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(0.005);
end
end
4.结果及分析
运行程序程序，前60帧算数均值得到的初始背景图
图4-1初始背景
第91帧后背景更新的背景图
图4-2 更新后的背景图
图4-3 第91帧图差分二值化后的图
图4-4差分二值化图
图4-5腐蚀后的图
膨胀后标记目标的图
图4-6 膨胀标记目标的图
由上述结果可以看出，前60帧即可得到较为良好的背景图，当更新到91
帧时，此时的背景图更接近我们心目中的背景图了，说明Surendra算法在适应背景缓慢变化的场景中有着很好的效果。将目标帧与背景图进行差分二值化后，发现一些干扰的信号，即一些小目标的移动也显示了出来，运用形态学处理中腐蚀后，将小目标成功踢除，为了得到完整的目标区域，继续进行膨胀操作，这是目标膨胀为一个8连通的整体，最后将目标用矩形框标出，完成运动目标的检测。
5.心得体会
经过本次专业综合实践，使我在《数字图像处理》这门课上学的知识得到了具体的实验和应用，在此过程中也发现了自己许多的不足，将理论运用到实际的过程我遇到了很多问题，开始这使我很郁闷，当最后通过大量的查阅资料和学习，一步一步将问题解决，顺利完成了课程任务，当然最重要的正是在这个过程中让我学到很多东西。了解了图像处理在科学技术领域的重要作用及其当今的发展趋势、瓶颈和还难以解决的问题，基于本次的实践内容，让我深刻的了解了和掌握了图像处理中运动目标检测的主要技术原理、应用范围、及其现在主面临和待解决的问题。也深刻理解了其中背影差分、形态学等数字图象处理的核心技术和知识。总之，这次的专业实践，巩固了我的专业知识、加强了我的实践动手能了、和解决问题的能力，这对我以后的学习和工作都将产生极大的帮助。
参考文献
[1]杨杰，黄朝兵.数字图象处理及MATLAB实现（第二版），电子工业出版社.2010.2
[2] 赵小川．MATLAB图像处理-能力提高与应用实践．北京航空航天大学出版社．2014.6
[3] 马晓璐，刘倩.MATLAB图像处理从入门到精通.中国铁路出版社.2013.2
[4](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
[5]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，
[6]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
山东建筑大学 课程设计说明书 题目：视频监控中行人的检测课程：数字图像处理课程设计院（部）：信息与电气工程学院 专业：电子信息工程 班级：电信111 学生姓名： 学号： 指导教师： 完成日期：
目录 摘要 ............................................................................................................................................. II 一、绪论 (1) 1.1 研究背景与意义 (1) 1.2 智能视频监控概述 (2) 1.2.1 智能视频监控的发展 (2) 1.2.2 智能视频监控的研究内容 (3) 1.3 行人检测与跟踪 (3) 1.3.1 行人检测 (3) 1.3.2 行人跟踪 (4) 二、设计原理 (5) 2.1 图像处理基础 (5) 2.1.1 颜色空间 (5) 2.1.2 图像预处理 (7) 2.1.3 形态学方法 (7) 2.2 运动目标检测方法 (8) 2.2.1 背景差分法 (8) 2.2.2光流法 (9) 2.2.3边缘检测方法 (10) 2.4 本章小结 (10) 三、设计内容 (11) 3.1背景减法运动目标检测 (11) 3.2阈值的选取 (11) 3.3形态学滤波 (12) 3.4设计方案流程图 (14) 四、实验结果分析及总结 (16) 4.1试验结果 (16) 4.2实验结果分析 (16) 五、参考文献 (17) 致谢 (18) 附录 (19)
摘要 智能视频监控是计算机视觉领域新兴的研究方向，它通过对摄像机拍摄的视频图像序列进行自动分析来对被监控场景中的事物变化进行定位、跟踪和识别，并以此对相关目标的行为进行分析和判别，在实现了日常管理工作的同时又能对目标的异常行为做出及时反应。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，研究相关算法对于提高智能视频监控系统的性能具有重要的意义。本文在熟悉和掌握了有关数字图像处理原理和技术的基础上，分析对比了常用的目标检测和跟踪方法，针对不同条件下的行人目标检测和跟踪进行了研究。本文完成的主要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，和形态学滤波的方法检测视频中的行人。实验结果表明，本模块能够检测一般静态背景条件下的行人目标，满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
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
动态视频目标检测和跟踪技术 传统电视监控技术只能达到“千里眼”的作用，把远程的目标图像（原始数据）传送到监控中心，由监控人员根据目视到的视频图像对现场情况做出判断。智能化视频监控的目的是将视频原始数据转化为足够量的可供监控人员决策的“有用信息”，让监控人员及时全面地了解所发生的事件：“什么地方”，“什么时间”，“什么人”，“在做什么”。将“原始数据”转化为“有用信息”的技术中，目标检测与跟踪技术的目的是要解决“什么地方”和“什么时间”的问题。目标识别主要解决“什么人”或“什么东西”的问题。行为模式分析主要解决“在做什么”的问题。动态视频目标检测技术是智能化视频分析的基础。 本文将目前几种常用的动态视频目标检测方法简介如下： 背景减除背景减除（Background Subtraction）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目标的一种技术。它一般能够提供相对来说比较全面的运动目标的特征数据，但对于动态场景的变化，如光线照射情况和外来无关事件的干扰等也特别敏感。实际上，背景的建模是背景减除方法的技术关键。最简单的背景模型是时间平均图像，即利用同一场景在一个时段的平均图像作为该场景的背景模型。由于该模型是固定的，一旦建立之后，对于该场景图像所发生的任何变化都比较敏感，比如阳光照射方向，影子，树叶随风摇动等。大部分的研究人员目前都致力于开发更加实用的背景模型，以期减少动态场景变化对于运动目标检测效果的影响。 时间差分时间差分（Temporal Difference 又称相邻帧差）方法充分利用了视频图像的特征，从连续得到的视频流中提取所需要的动态目标信息。在一般情况下采集的视频图像，若仔细对比相邻两帧，可以发现其中大部分的背景像素均保持不变。只有在有前景移动目标的部分相邻帧的像素差异比较大。时间差分方法就是利用相邻帧图像的相减来提取出前景移动目标的信息的。让我们来考虑安装固定摄像头所获取的视频。我们介绍利用连续的图像序列中两个或三个相邻帧之间的时间差分，并且用阈值来提取出视频图像中的运动目标的方法。我们采用三帧差分的方法，即当某一个像素在连续三帧视频图像上均有相
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)
视频运动目标跟踪算法研究 摘要：视频图像中的运动物体跟踪技术是计算机视觉、计算机科学、视频监控等学术领域的一个重要课题。该技术将数字图像处理领域中对静态图像的分析扩展到动态图像中。运动物体识别和跟踪技术的研究成果不仅在社会日常生活和工作中有着广泛的应用前景，而且在军事、交通、医学和科研等领域发挥着日益重要的作用。运动物体识别与跟踪算法的设计将直接影响识别和跟踪效果的准确性及稳定性，对于精确度高、鲁棒性好的算法研究一直是计算机视觉和数字图像处理等领域的热点问题。 关键词：目标跟踪，Mean shift算法，目标检测，粒子滤波 1 研究现状 视频目标跟踪技术已经得到了广泛的应用，主要应用有以下几个方面：智能视频监控、人机交互、机器人视觉、自动驾驶。其背后存在的学术价值和蕴藏的经济价值更是得到了很多人员的青睐，很多学术机构、大型公司以及一些科研人员正在投入大量的人力和财力进行各种开发和科研。 Fukunaga等人早期就提出了Mean shift跟踪算法，他们提出了一种概率密度函数的估计方法。不过在后来相当长的时间里并未受到大家的关注，直到1995年，随着Cheng对其进行近一步的研究并成功将其推广到计算机视觉领域中，这才得到了许多专业人士和科研人员的重视。目前存在很多经改进的Mean shift 算法。另外，在算法融合方面，有许多学者也做了相应的研究，K. NuInmiaro提出了将Mean shift算法和粒子滤波算法相融合，从而提高了目标跟踪的鲁棒性和准确性。 标准卡尔曼算法是在线性系统下滤波的，对于非线性、非高斯的系统没有效果。为此，人们开发出各种非线性滤波算法。一种是扩展卡尔曼算法进行滤波与估算，只适用于滤波误差和预测误差很小的情况；另一种是粒子滤波器[1]，它是近些年出现的解决非线性问题的有效算法。粒子滤波技术通过非参数化的蒙特卡罗模拟方法来实现递推贝叶斯滤波，适用于任何能用状态空间模型以及传统的卡尔曼滤波表示的非线性系统,精度可以逼近最优估计。 在目标模型选取上,也有一些专家进行了探索。1）通过对粒子滤波的研究，将颜色作为目标模型并用粒子滤波跟踪，结果表明该方法可以增加遮挡情况下的鲁棒性。但是这种方法有些欠缺，即如果目标和背景有一定的相似度，则跟踪精度容易下降。2）将目标的边缘特征提取出来来代表目标进行跟踪，结果显示这种方法直观地增强了跟踪的鲁棒性。鉴于颜色描述目标色彩信息，边缘代表目标的轮廓，因此将这两种互补信息结合来代表目标可以改善跟踪效果。3）用局部线性嵌入流形(LLE)将问题降为二维空间，然后进行解决。4）利用一定的判别准则来有效分离目标和背景，并建立有明显区别的目标模板，最后成功用于跟踪中。5）通过Adaboost方法练习得到若干弱分类器，然后用系统集成的方法将其形成强分类器，然后用它们来区别目标和背景，以此用特定的方法获得目标的状态，并跟踪出目标运动的轨迹。 视频目标跟踪的难点主要包括以下几个方面[2]：1）目标外观变化。目标运动过程中发生形状的变化，加上相对于摄像机的视角、尺寸变化，造成目标在图像平面上复杂的外观变化，增加了目标建模的难度。2）复杂背景。变化的光照、与目标颜色相似的背景以及杂乱的变化环境使得较难将目标从背景中区分开来。3）遮挡问题。遮挡包括背景的遮挡和目标之间的遮挡。部分遮挡造成目标部分外观特征检测不到，而且引入了遮挡物的干扰；完全遮挡需要跟踪算法要有重新恢复的机制，当目标再次出现时能重新定位。4）目标的复杂运动。非线性的目标运动使得跟踪算法难以预测目标的运动状态，增加了跟踪算法的搜索计算量。 2 视频运动跟踪概述 视频目标跟踪系统的基本框架如下图，
交通视频中几种目标检测算 法的应用研究 运动目标检测是视频处理中一个重要的研究方向，它主要目的是在视频中提取出运动目标，为后来的处理打下基础。运动目标检测是后期对目标进行分析、处理必不可少的部分，是视频监控的基础。通常我们获取的视频图像中包含前景目标和背景图像，前景一般是指运动的目标，背景一般是指静止的环境。当今比较流行的运动目标检测方法主要包括背景差分、帧间差分、混合高斯模型等方法。 1 背景差分法 1.1 算法原理和实验 背景差分是指选取特定帧作为背景图像，以当前帧减去背景帧来检测目标，是比较常用的一种方法。如公式（１）和（２）所示。(,)f x y 表示读取的一帧图像， (,)b x y 表示背景图像，d(,)x y 表示每个像 素点差值的绝对值，(,)v x y 表示二值化处理后的值，t 表示阈值。 d(,)(,)(,)(1) x y f x y b x y =|-| 1,(,)t 0,(,)(,)(2)d x y d x y t v x y ≥ <={ 流程图 实验： 1.2对背景差分的改进 背景差分法是一种比较简单实用的方法，但在交通视频中，实际道路的背景不是一成不变的，比如背景树叶随风摆动以及下雨天气等，背景选取非常重要，在每次选取背景时，采取均值法能更好地接近真实背景，减少背景的随机性带来的问题。如公示（３） 所示。 1 (,)=(,)n k k b x y b x y =∑
２帧间差分法 流程图 2 帧间差分法 2.1 算法原理和实验 的轮廓，是一种比较实用和简单的方法，如公式4所表示。 1(,)(,)(,)k k d x y f x y f x y -=|-| (4) 流程图如 1,(,)t 0,(,)(,)(5)d x y d x y t v x y ≥ <={ 2.2 三帧差分法 帧间差分法也存在着一些缺陷，比如运动目 ３高斯模型法 3.1算法原理和实验 高斯模型就是用高斯概率密度函数精 确地量化事物，将一个事物分解为若干的基于高斯概率密度函数形成的模型。对图像背景建立高斯模型的原理及过程：图像灰度直方图反映的是图像中某个灰度值出现的频次，也可以以为是图像灰度概率密度的估计。如果图像所包含的目标区域和背景区域相差比较大，那么该图像的灰度直方图呈现双峰-谷形状，其中一个峰对应于目标，另一个峰对应于背景的中心灰度。对于复杂的图像，尤其是医学图像，一般是多峰的。通过将直方图的多峰特性看作是多个高斯分布
采用大华自主研发的视频分析算法，该算法利用智能神经网络技术，对视频图像进行分层处理，并借助计算机强大的数据处理功能，对视频画面中的海量数据进行高速分析，过滤掉冗余的信息，分离出对系统有用的关键信息。 神经网络是基于模拟人脑智能特点和结构的一种信息处理系统，它通过对人脑的基本单元的建模和典型的激励函数的设计，来探索模拟人脑神经系统功能的模型，并研制一种具有并行分布处理与存储、高度自适应和自学功能、能分析较为复杂的非线性系统的软件模拟技术。大华视频检测系统采用的视频分析算法主要包括： 牌照定位分析算法：系统从车辆进入检测区域的第一帧开始，逐帧对牌照定位、跟踪、识别，通过对牌照的跟踪，来获取车辆信息，此算法可以保证在有牌照且牌照无污损、无遮挡情况下，准确捕获车辆。 车辆运动轨迹跟踪算法：系统从车辆进入监测区域的第一帧开始，跟踪分析车辆的运动轨迹，通过轨迹跟踪来获取车辆信息。此算法在无首尾相接的情况下，可以保持较高的识别准确率。 车灯运动轨迹跟踪算法：系统采用车灯光线轨迹跟踪技术，通过对车灯光线由远及近的运动轨迹进行跟踪，来确定车辆的运动轨迹，获取车辆的信息。可以保证在不加频闪灯的方式下，具有较高的捕捉率。 白天，系统通过牌照定位分析算法和车辆运行轨迹跟踪算法，双重分析，选择可信度高的识别结果作为最终结果；晚上，系统通过车灯运动轨迹跟踪算法来获取车辆信息。 为了保证系统在任何时段都有较高的捕获率，白天和晚上的算法切换采用双重标准，一是时间、日期，二是环境参数，如亮度等。通过两种参数的综合分析来准确掌握算法的切换时机，完成算法的自动切换，保证系统较高的车辆捕获率。
车辆检测原理 采用基于运动检测的车辆检测方法，其核心原理是通过学习建立道路背景模型，将当前帧图像与背景模型进行背景差分得到运动前景像素点，然后对这些运动前景像素进行处理得到车辆信息。该方法效果的优劣依赖于背景建模算法的性能。其流程图如下所示： 车辆检测流程图 整个检测过程分为以下几个步骤： 1、由高清摄像抓拍主机获取实时的视频流。 2、利用背景差分算法检测运动前景。首先通过初始多帧视频图像的自学习建立一个背景模型，然后对当前帧图像与背景模型进行差分运算，消除背景的影响，从而获取运动目标的前景区域。
视频图像中运动目标检测方法研究
毕业论文 题目视频图像中运动目标检测 方法研究
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
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
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
%-------------------------------------------------------------------------- % 基于中位数算法的运动目标检测 % 第1种实现方法 %-------------------------------------------------------------------------- %*******************************读取视频数据******************************** % 调用aviread函数读取视频文件 vid = aviread('WalkingMan.avi') size(vid(1).cdata) % 查看第1帧的大小，也是每一帧的大小 vid(1).colormap % 查看第1帧的colormap值 %*****************************数据类型的转换******************************** % 把vid的cdata字段的取值转换成一个240×360×3×80的四维数组IM IM = cat(4,vid.cdata); size(IM) % 查看IM的大小 [m,n,k,h] = size(IM); % 把IM的大小赋给四个变量 % 把IM转换成一个80行，240×360×3列的矩阵 I = reshape(IM,[m*n*k,h])'; %********************调用median函数求中位数，进行视频图像分割**************** I = median(I); % 求I矩阵中各列元素的中位数 I = reshape(I,[m,n,k]); % 将向量I转成240×360×3的三维数组，得到背景图像 figure; % 新建一个图形窗口 imshow(I); % 显示背景图像 figure; % 新建一个图形窗口 imshow(IM(:,:,:,1) - I); % 显示第1帧中的目标图像 %-------------------------------------------------------------------------- % 基于中位数算法的运动目标检测 % 第1种实现方法 %-------------------------------------------------------------------------- % 调用mmreader函数创建读取视频文件的多媒体阅读对象WalkManObj WalkManObj = mmreader('WalkingMan.avi'); % 根据多媒体阅读对象WalkManObj，读取视频的各帧图像数据 IM = read(WalkManObj, [1, inf]); [m,n,k,h] = size(IM); % 把IM的大小赋给四个变量
基于视频技术的直接交通事件检测高速公路和城市快速路是承担我国公路运输和城市道路运输的主要道路，具有车速快、流量大等许多特点，一旦发生突发交通事件，极易引发交通事故，严重影响道路的通行能力和运营效率。在日常的交通运行和交通管理中，如果仅仅依靠人工报告，电视监视等非自动检测方法发现交通事件，不但浪费大量的资源，而且不全面及时，给交通安全带来了隐患。因此，交通事件自动检测技术越发成为智能交通的研究热点，旨在第一时间快速发现交通事件的地点，利于及时处理交通事件。 交通事件指偶发性交通事故、车辆抛锚、恶劣天气、货物散落、道路养护、体育赛事、规模集会等交通情况。高速公路和城市快速路上发生的停车、逆行、慢行、拥堵、行人穿越、交通事故是需要重点管控的交通事件。当发现这些交通事件时，交通事件自动检测系统能够立刻报警，自动记录违章违法依据，同时快速处置交通事件，消除安全隐患、减少交通事件的损失。例如，图1(a)为行人穿越高速公路交通事件，图1(b)为高速公路车辆拥堵交通事件。
交通事件的视频检测技术研究概述 交通事件自动检测方法 图2为交通事件检测研究方法结构示意图，分为自动和非自动检测方法，其中非自动技术主要包括人工报告，电视监视等，自动技术主要有直接和间接检测法。直接检测法是一种基于视频的处理方法，通过交通事件视频检测算法，直接检测交通事件。间接检测法是一种基于交通流参数的处理方法，通过模式识别、数学统计、交通模型、人工智能等方法，融合交通流数据检测交通事件。直接法和间接法的特点可总结如下： 1、由于交通系统具有很强的非线性、模糊性、不确定性，研究表明间接法有许多不足之处，不但安装麻烦，而且费用较高，在交通流密度高时，间接法具有较好的检测效果，在交通密度低时检测效果不好。 2、由于直接法是根据视频图像内容，直接判断是否有交通事件发生，研究表明直接法的判别速度上远远胜于间接法，即使交通流量很低，也能对交通事件进行良好的判断。 鉴于交通事件的直接检测法的快速判断能力和其广泛交通的实用性，本文主要涉及基于视频的直接交通事件检测方法的研究和应用情况。 国外研究状况 由于模式识别、图像处理、计算机视觉、人工智能等技术的快速发展，国外开展交通事件的视频技术研究较早，而且技术也比较成熟。目前，国外已经研究出多种交通事件视频检测系统，如Autoscope、Siemens、Traficon、Videotrack等。这些系统基本能够实现平均队列长度、平均车速、车头时距、事故检测、拥挤度检测、车辆跟踪等功能。Autoscope交通事件视频检测系统目前已经成功应用于美国乔治亚洲运输部出行向导、北京四环路交通量检测、韩国奥林匹克交通信息系统、纽约高速公路事故管理系统、香港隧道事故检测信息系统等。 国内研究状况
视频交通流检测及车辆识别系统的设计 发表时间：2005-8-24 李华明来源：希赛网 关键字：自动识别技术视频交通流检测车辆识别图象预处理图 信息化应用调查本文论述了视频交通流检测和车辆识别系统的设计思想，以及实现时使用的基本算法。并提出了提高检测实时性的具体措施。 1 引言 随着我国经济建设的蓬勃发展，城市的人口和机动车拥有量也在急剧增长，交通流量日益加大，交通拥挤堵塞现象日趋严重,交通事故时有发生。交通问题已经成为城市管理工作中的重大社会问题，阻碍和制约着城市经济建设的发展。因此，深入研究解决城市交通问题有着极为重要的现实意义。要解决城市交通问题，就必须准确掌握交通信息。目前国内常见的交通流检测方法有人工监测、地埋感应线圈、超声波探测器、视频监测4类。其中，视频监测方法比其他方法更具优越性。 视频交通流检测及车辆识别系统是一种利用图象处理技术实现对交 通目标检测和识别的计算机处理系统。通过对道路交通状况信息与交通目标的各种行为（如违章超速，停车，超车等等）的实时检测，实现自动统计交通路段上行驶的机动车的数量、计算行驶车辆的速度以及识别划分行驶车辆的类别等各种有关交通参数，达到监测道路交通状况信息的作用。同时，将检测和识别到的交通信息存储起来,为分析和交通管理提供依据，因此它也是一个交通信息的管理系统。 2 视频交通流检测和车辆识别系统概述
视频交通流量检测及车辆识别系统是一个集图象处理系统和信息管理系统为一体的综合系统。计算机图象处理主要由图象输入,图象存储和刷新显示,图象输出和计算机接口等几大部分组成,这些部分的总体构成方案及各部分的性能优差直接影响处理系统的质量。图象处理的目标是代替人去处理和理解图象,因此实时性,灵活性,精确性是对系统的主要要求。 2.1 系统构成 通过摄象机将道路交通流图像捕捉下来，再将这些捕捉到的序列图像送入计算机进行图象处理、图象分析和图象理解，从而得到交通流数据和交通状况等交通信息，这是系统的基本工作流程。 图1 系统构成图 2.2 系统工作原理 (1) 通过系统初始化，对系统中的参数进行设定，如每秒采集图象的帧数，图象二值化的门限值（阈值）等等。由图像采集系统将摄像机摄取的路段上行驶车辆的视频图象按序列连续捕捉下来并数字化，存入内存或帧缓存中。
1引言 目标跟踪可分为主动跟踪和被动跟踪。视频目标跟踪属于被动跟踪。与无线电跟踪测量相比，视频目标跟踪测量具有精度高、隐蔽性好和直观性强的优点。这些优点使得视频目标跟踪测量在靶场光电测量、天文观测设备、武器控制系统、激光通信系统、交通监控、场景分析、人群分析、行人计数、步态识别、动作识别等领域得到了广泛的应用[1-2]。 根据被跟踪目标信息使用情况的不同，可将视觉跟踪算法分为基于对比度分析的目标跟踪、基于匹配的目标跟踪和基于运动检测的目标跟踪。基于对比度分析的跟踪算法主要利用目标和背景的对比度差异，实现目标的检测和跟踪。基于匹配的跟踪主要通过前后帧之间的特征匹配实现目标的定位。基于运动检测的跟踪主要根据目标运动和背景运动之间的差异实现目标的检测和跟踪。前两类方法都是对单帧图像进行处理，基于匹配的跟踪方法需要在帧与帧之间传递目标信息，对比度跟踪不需要在帧与帧之间传递目标信息。基于运动检测的跟踪需要对多帧图像进行处理。除此之外，还有一些算法不易归类到以上3类，如工程中的弹转机跟踪算法、多目标跟踪算法或其他一些综合算法。2基于对比度分析的目标跟踪算法基于对比度分析的目标跟踪算法利用目标与背景在对比度上的差异来提取、识别和跟踪目标。这类算法按照跟踪参考点的不同可以分为边缘跟踪、形心跟踪和质心跟踪等。这类算法不适合复杂背景中的目标跟踪，但在空中背景下的目标跟踪中非常有效。边缘跟踪的优点是脱靶量计算简单、响应快，在某些场合（如要求跟踪目标的左上角或右下角等）有其独到之处。缺点是跟踪点易受干扰，跟踪随机误差大。重心跟踪算法计算简便，精度较高，但容易受到目标的剧烈运动或目标被遮挡的影响。重心的计算不需要清楚的轮廓，在均匀背景下可以对整个跟踪窗口进行计算，不影响测量精度。重心跟踪特别适合背景均匀、对比度小的弱小目标跟踪等一些特殊场合。图像二值化之后，按重心公式计算出的是目标图像的形心。一般来说形心与重心略有差别[1-2]。 3基于匹配的目标跟踪算法 3.1特征匹配 特征是目标可区别与其他事物的属性，具有可区分性、可靠性、独立性和稀疏性。基于匹配的目标跟踪算法需要提取目标的特征，并在每一帧中寻找该特征。寻找的 文章编号：1002－8692（2010）12-0135-04 视频目标跟踪算法综述* 蔡荣太1，吴元昊2，王明佳2，吴庆祥1 （1.福建师范大学物理与光电信息科技学院，福建福州350108； 2.中国科学院长春光学精密机械与物理研究所，吉林长春130033） 【摘要】介绍了视频目标跟踪算法及其研究进展，包括基于对比度分析的目标跟踪算法、基于匹配的目标跟踪算法和基于运动检测的目标跟踪算法。重点分析了目标跟踪中特征匹配、贝叶斯滤波、概率图模型和核方法的主要内容及最新进展。此外，还介绍了多特征跟踪、利用上下文信息的目标跟踪和多目标跟踪算法及其进展。 【关键词】目标跟踪；特征匹配；贝叶斯滤波；概率图模型；均值漂移；粒子滤波 【中图分类号】TP391.41；TN911.73【文献标识码】A Survey of Visual Object Tracking Algorithms CAI Rong-tai1,WU Yuan-hao2,WANG Ming-jia2,WU Qing-xiang1 （1.School of Physics,Optics,Electronic Science and Technology,Fujian Normal University,Fuzhou350108,China; 2.Changchun Institute of Optics,Fine Mechanics and Physics,Chinese Academy of Science,Changchun130033,China）【Abstract】The field of visual object tracking algorithms are introduced,including visual tracking based on contrast analysis,visual tracking based on feature matching and visual tracking based on moving detection.Feature matching,Bayesian filtering,probabilistic graphical models,kernel tracking and their recent developments are analyzed.The development of multiple cues based tracking,contexts based tracking and multi-target tracking are also discussed． 【Key words】visual tracking;feature matching;Bayesian filtering;probabilistic graphical models;mean shift;particle filter ·论文·*国家“863”计划项目（2006AA703405F）；福建省自然科学基金项目（2009J05141）；福建省教育厅科技计划项目（JA09040）