中南民族大学
毕业论文(设计)
学院：生物医学工程学院
专业：生物医学工程年级： 2008 题目: 基于图像处理的目标跟踪系统
学生姓名：熊章靖学号：08073103 指导教师姓名: 谢勤岚职称: 教授
2012年5月10日
中南民族大学本科毕业论文（设计）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成果。除了文中特别加以标注引用的内容外，本论文不包含任何其他个人或集体已经发表或撰写的成果作品。本人完全意识到本声明的法律后果由本人承担。
作者签名：
2012年5月10日
目录
摘要 (1)
Abstract (1)
1 引言 (2)
2 OpenCV的体系结构 (3)
2.1 OpenCV中的常用数据结构体系 (3)
2.2 OpenCV中常用类体系 (4)
2.3 OpenCV常用的函数 (4)
3视频处理 (7)
3.1用HighGUI对视频进行读写处理 (7)
3.1.1获取摄像头，显示图像 (7)
3.2对AVI文件的处理 (8)
4运动目标检测 (11)
4.1运动目标检测的基本方法 (11)
4.2本文的检测算法 (12)
4.3开运算和闭运算 (14)
5程序编辑及结果分析 (15)
5.1配置Visual C++ 6.0 (15)
5.1.1全局设置 (15)
5.1.2项目设置 (17)
5.2程序运行演示 (17)
5.3运行结果分析 (18)
结论 (19)
参考文献 (20)
致谢词 (21)
基于图像处理的目标跟踪系统
摘要：介绍了一种基于OpenCV的运动物体跟踪算法，用于实现在背景中检测出运动目标并实施警戒等特定提示的目的。该算法利用背景差分法得到当前帧中的静止的背景模型，并在不断更新的视频图像中检测前景图像，提取出运动目标。简单介绍了必要的函数和数据结构，以及重要的程序板块。实验结果表明，该方法可以较好地实现视频序列中运动目标的检测，具有实时性，并能得到较好的检测结果。相信在安防监督领域有更为广泛的运用。
关键字：运动目标检测；背景差分法；OpenCV
The target tracking system based on image processing
Abstract：It's introducing a kind of moving objects tracking algorithm based on OpenCV,which is used to realize the purpose of detection on moving objects in background and implementing of specific tips for warning.The algorithm gets the static background model in the current frame with the background-finite-difference method, and tests the foreground images in the constantly updated video images ,and extracts the moving targets from them, .In addition, it introduces the necessary functions,data structures and the important program plates. The results we get from the experiment shows that this method can well realize moving targets detection in video sequences, which are defined, and we can get a good test results from it with believing that this method will be more used of in the security supervision areas.
Key Words：Moving targets detection;Frame difference;OpenCV
1 引言
计算机视觉和数字图像处理技术可以广泛地应用于工业、医疗保健、航空航天、军事等各领域，其中针对视频连续图像中运动物体的分析是其中应用前景最为广泛的一个方向，在机器人导航、智能视觉监控系统、医学图像分析、工业检测、视频图像分析以及军事雷达视频信号的处理上都有占有重要地位[1]。
其中基于视频图像的运动目标分析也是计算机视觉和数字图像处理技术最为复杂的一个方向。它是一个庞大的工程，既要对视频信号进行采集，又要对采集的图像进行处理，还要针对具体的应用编写程序进行开发。对于要完成某项应用的工程人员来说，如果所有底层的算法都要自己编码实现，所有的图像处理函数都要从头编写，既造成时间和精力上的浪费，又难以保证稳定性、实用性和通用性。
视频序列图像运动目标分析的基本内容是从连续的视频序列图像中提出运动目标，同时对提取出的运动目标进行识别和跟踪，并对其行为进行解和描述。运动检测、目标识别和跟踪属于低层次的处理，属于图像处理范畴；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、计算机视觉、人工智能等诸多领域和学科。同时，目前开发视频序列像运动目标分析系统不但在实时性、鲁棒性上有很高的要求，也逐步重视通用性和可移植性[2]。这些都给视频运动分析带来了挑战。
本文旨在利用现有的理论、算法和工具，以工程应用为目的，基于OpenCV这个开放的计算机视觉程序库，研究如何从序列图像中检测。
2 OpenCV的体系结构
OpenCV本身就具有简单方便的特点，其中的大部分类和库函数在实际应用中都有着特定的背景和现实意义，因此整个库的体系结构显得十分简单明了。
2.1 OpenCV中的常用数据结构体系
OpenCV设计了一些基础的数据类型和一些帮助数据类型，在运用OpenCV函数库进行编程的过程中，常常会需要用到这些结构类型，只有正真了解这些结构才能够很好地利用OpenCV函数库来解决问题。
基础的数据类型包括：图像类的IplImage，矩阵类的CvMat，可变集合类的CvSeq、CvSet、CvGraph以及用于多维柱状图的混合类CvHistogram。帮助数据类型包括:用于表示二维点坐标的CvPoint，用于表示图像宽和高的CvSize，用于表示迭代过程结束条件的CvTermCriteria，用于表示图像转换内核的IplConvKernel和用于表示空间力矩的CvMoments[4]。
下面对CvSize和和IplImage两个比较常用的简单结构进行介绍：
1. CvSize结构
CvSize结构用来表示矩形尺寸的结构，结构体中分别定义了矩形的宽高和高度，定义如下：
Typedef struct Cvsize
{
int width；/*矩形宽度，单位为像素*/
int height；/*矩形高度，单位为像素*/
}CvSize；
2. Iplmage 结构
通常情况下，使用DIB格式来处理图像，而OpenCV库则是使用“IplImage”结构体来创造和处理图像。由于OpenCV主要针对的是计算机视觉方面的处理，因此在函数库中，最重要的结构体就是IplImage结构。IplImage结构来源于inter的另外一个函数库IPL,该函数库主要是针对图像处理。使用这种格式的优点是可以比DIB格式表示更多的图像性质，而且可以很方便地存取图像中的像素值，IplImage结构的具体定义如下：
Typedef struct IplImage
{
int nSize; /*IplImage大小*/
int ID; /*版本（=0）*/
int nChannels; /*大多数opencv函数支持1~4个信道*/
int depth; /*像素的位深度*/
int dataorder; /*0：交叉存取颜色信道。1：分开的颜色信道。只
有cvCreateImage可以创建交叉存取图像*/
int origin; /*0：顶—左结构，1:底—左结构*/
int width; /*图像宽像素*/
int heighet; /*图像高像素*/
struct_IplROI *roi; /*图像感兴趣区域*/
int imageSize; /*图像数据大小*/
int widthStep; /*排列的图像大小，以字节为单位*/
}
2.2 OpenCV中常用类体系
Opencv1.0版本，包含以下五个部分：
(1)CxCore:一些基本函数（各种数据类型的基本类型的基本运算等）。
(2)CV:图像处理和计算机视觉功能（图像处理、结构分析、运动分析、物体跟踪、模式识别、摄像机定标）。
(3)CvAux:一些实验性的函数。
(4)HighGUI:用户交互部分（GUI,图像视频I/O、系统调用函数）。
(5)CvCam：linux版本中已经抛弃，windows版本中将directx支持加入HighGUI后，CVCam将彻底去掉。
2.3 OpenCV常用的函数
下面介绍一下opencv中常用的七个函数，下面就七个函数分别做说明[5]：
1. LoadImage（）：图像载入函数
语法：IplImage *cvLoadImage（const char* filename，int iscolor=1）；
表1 LoadImage（）语法说明
参数类型说明
Filename const char* 待载入图像的名称，包括图像的扩展名
Iscolor int 辅助参数项，可选正数、负数、零。正数表示强
制作为三通道（彩色)图像载入，零表示该图像
作为单通道（灰度）图像，负数表示载入图像的
通道数由图像文件自身决定
返回值：IplImage结构指针。
2. NamedWindow（）：窗口定义函数
语法：int cvNamedWindow（const char* name，unsigned long flags）；
表2 NamedWindow（）语法说明
参数类型说明 Name const char* 窗口名
Flags unsigned
long 窗口属性指标值，可以选择CV_WINDOW_AUTOSIZE (1)和(0)两种值。
CV_WINDOW_AUTOSIZ表示窗口尺寸与原始尺寸相同，0表示以固定的尺寸显示图像
说明：cvNamedWindow创建一个放置图像和rtackbar的窗口。被创建的窗口可以通过他们的名字被引用。如果已经存在这个名字的窗口，这个函数将不做任何事情。
返回值：无。
3．ShowImage（）：图像显示函数
语法：void cvShowImage（const char* name，const CvArr *image）；
表3 ShowImage（）语法说明
参数类型说明
Name const char* 窗口名称
Image const CvArr 图像类型指针，一般是iplimage指针
说明：函数cvShowImage是在指定的窗口中显示图像
返回值：无。
4．WaitKey（）：按钮等待函数
语法：int cvWaitKey（int delay=0）；
表4 WaitKey（）语法说明
参数类型说明
Delay int 等待按键。如果delay<=0,那么无限等待；否则
等待delay毫秒这返回
说明：在程序循环中，有时候由于程序一直处于计算中，导致窗口无法重绘（比如读出视频中的所有帧并显示），可以加入cvWaitKey函数，使程序等待几毫秒，让窗口完成重绘在执行其他操作。
5.SaveImage（）：图像保存函数
语法：int cvSaveImage（const char* filename，const CvArr *image）；
表5 SaveImage（）语法说明
参数类型说明
Filename const char* 图像保存路径和名称
Image const cvarr* 要保存的图像
说明：函数cvSaveImage保存图像到指定文件。图像格式的选择依赖于filename的扩展名，请参考cvloadimage。
返回值：int类型。
6．Destroy windows（）：窗口销毁函数
语法：void cvDestroy Window（const char *name）；
表6 Destroy windows（）语法说明
参数类型说明
Name const char* 要销毁的窗口的名字
说明：函数cvdestroy windows销毁指定名字的窗口，如果没有指定名字的窗口则函数不做任何事情。
返回值：无。
7.ReleaseImage（）：图像销毁函数
语法：void cvReleaseImage销毁已定义的Iplimage指针变量，释放占有的内存空间。返回值：无。
8.void cvLine（CvArr *img，CvPoint pt1，CvPoint pt2，
CvScalar color，int thickness=1，
int line_type=8,int shift=0）；
表7 Line（）语法说明
参数说明
pt1，pt2 指定线段的起点与终点
color 指定线段的颜色；用CV_RGB(r,g,b)即可
thickness 指定线段粗细
type 指定线段类型
3视频处理
在OpenCV的CVcam库中封装了很多针对视频流的处理函数。本章主要介绍使用HighGUI对视屏进行读写处理以及使用CvCam对摄像头和视频流进行处理。
3.1用HighGUI对视频进行读写处理
3.1.1获取摄像头，显示图像
在获取摄像头之前先来熟悉以下OpenCV中视频获取的数据结构的管理方式。
1.CVCapture：视频获取结构
说明：OpenCV中的视频获取结构。结构CVCapture没有公共接口，他只能被用来作视频获取函数中使用的一个参数。
2.cvCreateFileCapture：初始化文件中获取视频
语法：CvCapture * cvCreateFileCapture（const char*filename）；
表8 CreateFileCapture（）语法说明
参数类型说明
Filename const char* 使用视频文件名
说明：该函数给指定文件的视频流分配和初始化CvCapture。
返回值：分配的CvCapture。
3.cvCaptureFromCAM:从摄像头中获取视频
语法：CvCapture * cvCaptureFromCAM(int index)；
表9 CaptureFromCAM（）语法说明
参数参数说明
Index int index指的是摄像头的索引，当只有一个摄像头
时，index设为-1
4.cvQueryFrame：从摄像头或者文件中抓取并返回一帧
语法： IplImage * cvQueryFrame(CvCapture * capture)；
表10 QueryFrame（）语法说明
参数类型说明
Capture CvCapture * 视频获取结构
说明：函数cvQueryFrame从摄像头或者文件中抓取一帧，然后解压并返回这一帧。返回的图像不可以被用户释放或者修改。
返回值:获取的IplImage指针。
3.2对AVI文件的处理
1.对AVI文件中的视频进行处理，可用如下程序，运行后显示如图1。
#include
#include
#include
#include
int main( int argc, char** argv )
{
//声明IplImage指针
IplImage* pFrame = NULL;
CvCapture* pCapture = NULL;
//创建窗口
cvNamedWindow("video", 1);
//使窗口有序排列
cvMoveWindow("video", 30, 0);
if( argc > 2 )
{
fprintf(stderr, "Usage: bkgrd [video_file_name]\n");
return -1;
}
//打开摄像头
if (argc ==1)
if( !(pCapture = cvCaptureFromCAM(-1)))
{
fprintf(stderr, "Can not open camera.\n");
return -2;
}
//打开视频文件
if(argc == 2)
if( !(pCapture = cvCaptureFromFile(argv[1])))
{
fprintf(stderr, "Can not open video file %s\n", argv[1]); return -2;
}
//逐帧读取视频
while(pFrame = cvQueryFrame( pCapture ))
{
//显示图像
cvShowImage("video", pFrame);
//如果有按键事件，则跳出循环
//此等待也为cvShowImage函数提供时间完成显示
//等待时间可以根据CPU速度调整
if( cvWaitKey(2) >= 0 )
break;
}
//销毁窗口
cvDestroyWindow("video");
cvReleaseCapture(&pCapture);
return 0;
}
图1 打开摄像头并显示图像
2.结合第二章第三节中介绍的常用函数，在图像中加入线段的算法如下，运行后生成视屏框如图2.
CvPoint pt1_Rect;
CvPoint pt2_Rect;
pt1_Rect.x=0;
pt1_Rect.y=40;
pt2_Rect.x=384;
pt2_Rect.y=40;
int thickness=1;
int line_type=8;
CvScalar color=CV_RGB(255,158,97);
cvLine( pFrame, pt1_Rect, pt2_Rect,color , thickness, line_type,
0 );
图2 在video框中加入线段
4运动目标检测
运动目标检测是各种后续高级应用如目标跟踪、目标分类、目标行为理解等的基础主要目的是从视频图像中提取出运动目标并获得运动目标的特征信息，如颜色、形状、轮廓等。提取运动目标的过程实际上就是一个图像分割的过程，而运动物体只有在连续的图像序列(如视频图像序列)中才能体现出来，运动目标提取的过程就是在连续的图像序列中寻找差异，并把由于物体运动和表现出来的差异提取出来。
4.1运动目标检测的基本方法
输入视频前景检测
背景模型目标检测
图3 运动目标检测的大致流程
运动目标检测是视频运动目标检测与跟踪的第一部分，它就是实时的在被监视的场景中检测运动目标，并将其提取出来，其大致流程如图3[6]。运动目标检测常用的有四种常用方法：连续帧间差分法、背景差分法、光流法和运动能量法。连续帧间差分法对于动态环境有很好的适应性，但却不能够很好地分割运动对象，不利于进一步的对象识别与分析；背景差分法是将当前帧每个像素与背景图像逐一比较，能够较完整的提取目标点，却又对光照和外部条件造成的动态场景变化过于敏感；光流法的优点是能够检测出独立运动的对象，不需要预先知道场景的任何信息，而且可以应用于背景整体运动的情况，但是大多数光流方法的计算复杂，除非有特殊的硬件支持，否则很难实现于实时检测；运动能量法适合于复杂变化的环境，能消除背景中振动的像素，使按某一方向运动的对象更加突出地显现出来，但运动能量法也不能精确地分割出对象[7]。
由于运动检测处于视频运动分析的最底层，广泛的应用场合使运动检测算法应该可以处理各种复杂的情况，但很难有一种算法能够适合所有的应用场合，所以对运动检测方法的研究一直是国内外研究的重点。就国内外发表的文献来看，现在普遍采用的运动检测方法有：
(l)帧间差分法(Frames Difference)
帧间差分法也是一种基于象素的运动检测方法，它通过对视频图像序列中相邻的两个或三个图像进行差分运算来获得运动物体轮廓。从理论上看，相邻两帧或者相邻三帧的差分运算实际上是一种动态的边缘提取运算，从实际效果上看，帧间差分法能够检测出运动对象的部分轮廓信息。帧间差分法对动态环境有很强的自适应能力，但是在检测结果中，却不能完全提取出所有的属于运动对象的特征象素点，在运动物体内部容易产生空洞，这样的检测结果对随后的操作很不利[8]。
(2)背景差分法(Background Difference)
背景差分法通过输入图像与背景图像进行比较从而分割出运动目标。背景差分的基本操作是：首先需要有一张背景图像，然后对视频图像和此背景图像进行差分运算，用一张新的图像保存差分结果的绝对值。在此差分图像中，若像素的值大于一个特定的闭值，则认为视频图像中在相同位置的象素属于运动目标区域，若象素的值小于或者等于一个特定的闭值，则认为视频图像中在相同位置的象素属于背景区域。很明显，在运用背景差分法时需要有一定的限制：要求前景(运动物体)象素的灰度值和背景象素的灰度值存在一定的差别，同时要求摄像机是静止的[9]。但由于背景差分法具有实现简单，运算速度快，在大多数情况下检测结果完整的突出优点，背景差分法成了运用最厂泛的运动检测方法。由于背景差分法作用于像素，在这个低层次的处理中，操作的对象是单个的象素，由于缺乏对图像足够的“理解”，检测结果很客易受噪声和各种突变的影响，使检测结果的准确度大大下降。
(3)光流法(Optical Flow)
光流的概念是由Gibson于1950年提出来的。所谓光流就是指图像中模型运动的速度，它是一种二维(2D)瞬时速度场，其中2D速度矢量是可见的三维速度矢量在成像平面上的投影。用光流检测运动目标的基本原理是：给图像中的每一个像素赋予一个速度矢量，这就形成了一个图像运动场，在运动的一个特定时刻，图像上的点与三维物体上的点一一对应，这种对应关系可由投影关系得到，根据各个像素的速度矢量特征，可以对图像进行动态分析[10]。如果图像中没有运动目标，则光流矢量在整个图像区域是连续变化的，当物体和图像背景存在相对运动时，运动物体所形成的速度矢量必然和邻域背景速度矢量不同，从而检测出运动物体的位置。
4.2本文的检测算法
基于前一节的介绍，由于实验的视频是一个背景固定，而且运动物体是相对运动。而且实验的效果只检测背景上时候有物体越过某条警戒线。基于背景差分法的原理比较简单（如图4），而且要求使用的被监视的背景图像是静态的。这里刚好符合实验要求。
二值化形态学滤波分析
判别
背景
图4 基本差分法原理流程
本实验用背景检测出来的图像如下图5
：
图5 背景检测的实现
这种方法的缺点是，所采集到的背景图像随着时间的推移，会对光照和外部条件造成的场景变化比较敏感，会出现许多伪运动目标点。影响目标检测的效果。 程序如下：
cvCvtColor(pFrame, pFrImg, CV_BGR2GRAY);
cvConvert(pFrImg, pFrameMat); //高斯滤波先，以平滑图像
//cvSmooth(pFrameMat, pFrameMat, CV_GAUSSIAN, 3, 0, 0); //当前帧跟背景图相减
cvAbsDiff(pFrameMat, pBkMat, pFrMat); //二值化前景图
cvThreshold(pFrMat, pFrImg, 60, 255.0, CV_THRESH_BINARY); //进行形态学滤波，去掉噪音 //cvErode(pFrImg, pFrImg, 0, 1); //cvDilate(pFrImg, pFrImg, 0, 1); //更新背景
cvRunningAvg(pFrameMat, pBkMat, 0.003, 0); //将背景转化为图像格式，用以显示 cvConvert(pBkMat, pBkImg); //把图像正过来 pBkImg->origin=1; pFrImg->origin=1;
在图像分割的诸多方法中，二值化技术是一种简单有效的方法。图像的二值化按下述公式(1)进行：
()()()1,,0,k k k G i j T R x y G i j T ≥??
=?
素值,它只能取O 或l ，将上式所得二值图像中数值为0的部分表示背景，数值为1的部分
表示对象图形[11]。T为用于二值化处理的阀值。二值化的过程本身比较简单，关键问题就是阀值的选取。
在数字图像处理中，由于数学形态学算法有平滑轮廓、填充洞孔、连接断裂区域等特性，常常被用在各种图像分析的后处理操作中。数学形态学表示以形态为基础对图像进行分析的数学工具。它的基本思想是用具有一定形态的结构元素去度量和提取图像中的对应形状以达到对图像分析和识别的目的。其基本运算有4种，即膨胀、腐蚀、开运算和闭运算。
形态学运算主要用于如下几个目的:
·图像预处理(去噪声、简化形状)
·增强物体结构(抽取骨骼、细化、粗化、凸包、物体标一记)
·从背景中分割物体
·物体量化描述(面积、周长、投影等特征)
黑白点的集合构成了二值图像的描述。假定只考虑黑色像素，其余部分认为是背景。基本的形态学变换是膨胀和腐蚀，由这两个变换可以定义更多的形态学运算，如开运算、闭运算和形状分解，等等。
4.3开运算和闭运算
腐蚀和膨胀不是互逆变换——若先对一幅图像进行腐蚀，然后再膨胀，得到的不是原始图像。结果图像会比原始图像更简单，一些细节被去掉了。先腐蚀再膨胀是一个重要的形态学变换，称为开运算 (Opening)。先膨胀再腐蚀称为闭运算(Closing)[12]。闭运算处理前后的效果对比如下图6。
图6（a）闭运算处理的效果图6（b) 不处理的效果
5程序编辑及结果分析
5.1配置Visual C++
6.0
5.1.1全局设置
菜单Tools->Options->Directories[13]：
1.先设置lib路径，选择Library files，如图7在下方填入路径:
C:\Program Files\OpenCV\lib。
图7 添加库文件目录
2.然后选择include files，如图8在下方填入路径：
C:\Program Files\OpenCV\cxcore\include
C:\Program Files\OpenCV\cv\include
C:\Program Files\OpenCV\cvaux\include
C:\Program Files\OpenCV\ml\include
C:\Program Files\OpenCV\otherlibs\highgui
C:\Program Files\OpenCV\otherlibs\cvcam\include
图8 添加头文件目录
3.然后选择source files，如图9在下方填入路径：
C:\Program Files\OpenCV\cv\src
C:\Program Files\OpenCV\cxcore\src
C:\Program Files\OpenCV\cvaux\src
C:\Program Files\OpenCV\otherlibs\highgui
C:\Program Files\OpenCV\otherlibs\cvcam\src\windows
图9 添加源文件目录
最后点击OK，设置完成。
5.1.2项目设置
每创建一个将要使用OpenCV的VC Project，都需要给它指定需要的lib。菜单：Project->Settings，然后将Setting for选为All Configurations，然后选择右边的link 标签，在Object/library modules附加上cxcore.lib cv.lib ml.lib cvaux.lib highgui.lib cvcam.lib。如图10。
图10 给项目添加库文件
5.2程序运行演示
运行生成的可执行程序，分别生成“video,background,foreground”三个视频框。如下先后显示了运动物体进入摄像头范围前后三个视频框的显示状况以及检测到运动物体后的警报框。如图11-13。
图11 运动物体进入之前
数字图像处理 实验指导书 学院：通信与电子工程学院 专业：电子信息工程 班级： 学号： 姓名： XX理工大学
实验一 MATLAB数字图像处理初步 一、实验目的与要求 1．熟悉及掌握在MATLAB中能够处理哪些格式图像。 2．熟练掌握在MATLAB中如何读取图像。 3．掌握如何利用MATLAB来获取图像的大小、颜色、高度、宽度等等相关信息。 4．掌握如何在MATLAB中按照指定要求存储一幅图像的方法。 5．图像间如何转化。 二、实验原理及知识点 1、数字图像的表示和类别 一幅图像可以被定义为一个二维函数f(x,y),其中x和y是空间(平面)坐标，f 在任何坐标处(x,y)处的振幅称为图像在该点的亮度。灰度是用来表示黑白图像亮度的一个术语，而彩色图像是由单个二维图像组合形成的。例如，在RGB彩色系统中，一幅彩色图像是由三幅独立的分量图像(红、绿、蓝)组成的。因此，许多为黑白图像处理开发的技术适用于彩色图像处理，方法是分别处理三副独立的分量图像即可。 图像关于x和y坐标以及振幅连续。要将这样的一幅图像转化为数字形式，就要求数字化坐标和振幅。将坐标值数字化成为取样；将振幅数字化成为量化。采样和量化的过程如图1所示。因此，当f的x、y分量和振幅都是有限且离散的量时，称该图像为数字图像。 作为MATLAB基本数据类型的数值数组本身十分适于表达图像，矩阵的元素和图像的像素之间有着十分自然的对应关系。 图1 图像的采样和量化 根据图像数据矩阵解释方法的不同，MA TLAB把其处理为4类： 亮度图像(Intensity images) 二值图像(Binary images) 索引图像(Indexed images) RGB图像(RGB images)
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
第一章数字图像处理概论 *图像是对客观存在对象的一种相似性的、生动性的描述或写真。 *模拟图像 空间坐标和明暗程度都是连续变化的、计算机无法直接处理的图像 *数字图像 空间坐标和灰度均不连续的、用离散的数字（一般整数）表示的图像（计算机能处理）。是图像的数字表示，像素是其最小的单位。 * 数字图像处理（Digital Image Processi ng ） 利用计算机对数字图像进行（去除噪声、增强、复原、分割、特征提取、识别等）系列操作，从而获得某种预期的结果的技术。（计算机图像处理） *数字图像处理的特点（优势） （1）处理精度高，再现性好。（2）易于控制处理效果。（3）处理的多样性。（4）图像数据量庞大。（5）图像处理技术综合性强。 *数字图像处理的目的 （1）提高图像的视感质量，以达到赏心悦目的目的 a. 去除图像中的噪声； b. 改变图像的亮度、颜色； c. 增强图像中的某些成份、抑制某些成份； d. 对图像进行几何变换等，达到艺术效果； （2）提取图像中所包含的某些特征或特殊信息。 a.模式识别、计算机视觉的预处理 （3）对图像数据进行变换、编码和压缩，以便于图像的存储和传输。? ?数字图像处理的主要研究内容 （1）图像的数字化 a. 如何将一幅光学图像表示成一组数字，既不失真又便于计算机分析处理 b. 主要包括的是图像的采样与量化 （2*）图像的增强 a.加强图像的有用信息，消弱干扰和噪声 （3）图像的恢复 a.把退化、模糊了的图像复原。模糊的原因有许多种，最常见的有运动模糊，散焦模糊等 （4*）图像的编码 a.简化图像的表示，压缩表示图像的数据，以便于存储和传输。 （5）图像的重建 a.由二维图像重建三维图像（如CT （6）图像的分析
《数字图像处理》实验指导书 编写: 罗建军 海南大学三亚学院 10月
目录 一、概述 ....................................................................... 错误!未定义书签。 二、建立程序框架 ....................................................... 错误!未定义书签。 三、建立图像类 ........................................................... 错误!未定义书签。 四、定义图像文档实现图像读/写.............................. 错误!未定义书签。 五、实现图像显示 ....................................................... 错误!未定义书签。 六、建立图像处理类................................................... 错误!未定义书签。 七、实现颜色处理功能............................................... 错误!未定义书签。 (一) 亮度处理................................................................. 错误!未定义书签。 (二) 对比度处理............................................................. 错误!未定义书签。 (三) 色阶处理................................................................. 错误!未定义书签。 (四) 伽马变换................................................................. 错误!未定义书签。 (五) 饱和度处理............................................................. 错误!未定义书签。 (六) 色调处理................................................................. 错误!未定义书签。 八、实现几何变换功能............................................... 错误!未定义书签。 (一) 图像缩放................................................................. 错误!未定义书签。 (二) 旋转......................................................................... 错误!未定义书签。 (三) 水平镜像................................................................. 错误!未定义书签。 (四) 垂直镜像................................................................. 错误!未定义书签。 (五) 右转90度................................................................. 错误!未定义书签。 (六) 左转90度................................................................. 错误!未定义书签。 (七) 旋转180度............................................................... 错误!未定义书签。 九、实现平滑锐化功能............................................... 错误!未定义书签。 十、图像处理扩展编程............................................... 错误!未定义书签。
基于图像识别的目标跟踪系统 周立建1茅正冲2 （江南大学，江苏省无锡市 214122） 摘要：研究了在简单的背景下实现对图像的识别和跟踪。系统以ARM微处理器STM32为主控制器。在分析了驱 动电机和目标环境等因素的基础上，选择摄像头捕捉、采集图像并跟踪目标，通过合适的图像识别算法正确地处 理图像信息、识别目标。通过对水平和垂直驱动电机的控制，实现三维目标跟踪。能够实现系统对目标的大范围， 高精度的自动跟踪。 关键词：图像采集；图像信息处理；目标识别；目标跟踪 Target Tracking Based on Image Recognition System (IOT Engineering School of Jiangnan University,Wuxi Jiangsu Province ,214122) Abstract：Studied in the context of a simple implementation of image recognition and tracking. STM32 ARM microprocessor-based system controller. In the analysis of the drive motor and objectives on the basis of environmental factors, select the camera capture, image acquisition and target tracking, image recognition algorithm by an appropriate image processing information correctly, identify the target.Through horizontal and vertical drive motor control, to achieve three-dimensional tracking. System to achieve the target of large-scale, high-precision automatic tracking. Key words：Image acquisition；Image information processing；Target identification；Target tracking 1引言 图像处理技术的高速发展，相应地促进目标识别和跟踪技术的发展。尤其是在不同的环境下，如何实现目标识别和跟踪的稳定，具有很重要的理论价值和实际意义。 嵌入式平台集成度高,支持实时多任务操作系统,符合实时性和小型化的要求，同时克服了基于桌面pc机图像处理系统体积庞大，不具有实时特性等不足，可以面对日益复杂的应用。所以基于嵌入式平台的图像处理系统是未来图像处理系统的发展趋势。随着现代高速处理器的迅猛发展，图像处理技术也日益成熟。其中，移动目标的视频检测与跟踪是图像处理、分析应用的一个重要领域，是当前相关领域的研究前沿。移动目标视频检测与跟踪技术在诸多经济和军事领域有很广泛的应用，发挥重要的作用。 在最近二十几年间，随着计算机技术、VLSI技术和高分辨率传感器技术的迅速更新，图像识别方法已经有了更广泛的应用，如工业上的工业过程控制、自主运载器导航等等，尤其是它具有的许多突出的优点：可获得大量的目标信息(为其他形式的跟踪手段所无法相比)、抗电子干扰能力强、测量(角、面)精度高、保密性好、低空跟踪范围大、使用多种传感器(可见光、红外、微光等)、全天候工作能力强等。利用先进的数字图像处理技术去除许多自然及人为的干扰，加上预测等技术配合使用，可以实现记忆跟踪以及对瞬间丢失的目标再捕获。这种方法大量的运用在军事上的火控、导航、特别是制导方面。然而由于这一课题的发展历史较短而且内容又涉及到图像处理、模式识别和人工智能等多个新兴学科，其理论还很不完善，一些重要的问题尚未解决，新的方法和技巧还有待开发。因此进行有关图像目标识别与跟踪的研究无疑是一项既有理论意义又有实用价值的课题。 本文介绍了一种在简单背景下实现对图像目标的捕捉与跟踪。本系统设计应用了以ARM微处理器STM32为主控制器的嵌入式系统，使用OV7670图像处理器，尽可能达到了实时性与可靠性的要求。系统的工作流程如图1：
《数字图像处理》复习 第一章绪论 数字图像处理技术的基本内容：图像变换、图像增强、图象恢复、图像压缩编码、图像分割、图像特征提取（图像获取、表示与描述）、彩色图像处理和多光谱及高光谱图像处理、形态学图像处理 第二章数字图像处理基础 2-1 电磁波谱与可见光 1.电磁波射波的成像方法及其应用领域： 无线电波（1m-10km）可以产生磁共振成像，在医学诊断中可以产生病人身体的横截面图像☆微波（1mm-1m）用于雷达成像，在军事和电子侦察领域十分重要 红外线（700nm-1mm）具有全天候的特点，不受天气和白天晚上的影响，在遥感、军事情报侦察和精确制导中广泛应用 可见光（400nm-700nm）最便于人理解和应用最广泛的成像方式，卫星遥感、航空摄影、天气观测和预报等国民经济领域 ☆紫外线（10nm-400nm）具有显微镜方法成像等多种成像方式，在印刷技术、工业检测、激光、生物学图像及天文观测 X射线（1nm-10nm）应用于获取病人胸部图像和血管造影照片等医学诊断、电路板缺陷检测等工业应用和天文学星系成像等 伽马射线（0.001nm-1nm）主要应用于天文观测 2-2 人眼的亮度视觉特征 2.亮度分辨力——韦伯比△I/I（I—光强△I—光照增量），韦伯比小意味着亮度值发生较小变化就能被人眼分辨出来，也就是说较小的韦伯比代表了较好的亮度分辨力 2-3 图像的表示 3. 黑白图像：是指图像的每个像素只能是黑或白，没有中间的过渡，一般又称为二值图像 （黑白图像一定是二值图像，二值图像不一定是黑白图像） 灰度图像：是指图像中每个像素的信息是一个量化了的灰度级的值，没有彩色信息。 彩色图像：彩色图像一般是指每个像素的信息由R、G、B三原色构成的图像，其中的R、B、G是由不同的灰度级来描述的。 4.灰度级L、位深度k L=2^k 5.储存一幅M×N的数字图像所需的比特 b=M×N×k 例如，对于一幅600×800的256灰度级图像，就需要480KB的储存空间（1KB=1024Byte 1Byte=8bit） 2-4 空间分辨率和灰度级分辨率 6.空间分辨率是图像中可分辨的最小细节，主要由采样间隔值决定，反映了数字化后图像的实际分辨率。一种常用的空间分辨率的定义是单位距离内可分辨的最少黑白线对数目(单位是每毫米线对数)，比如每毫米80线对。对于一个同样大小的景物来说，对其进行采样的空间分辨率越高，采样间隔就越小，图片的质量就越高。 7.灰度级分辨率是指在灰度级别中可分辨的最小变化，通常把灰度级级数L称为图像的灰度级分辨率（灰度级通常是2的整数次幂） 8.在图像空间分辨率不变的情况下，采样数越少，图像越小。同时也证实了，在景物大小不变的情况下，图像阵列M×N越小，图像的尺寸就越小； 随着空间分辨率的降低，图像大小尺寸不变，图像中的细节信息在逐渐损失，棋盘格似的粗颗粒像素点变得越来越明显。由此也说明，图像的空间分辨率越低，图像的视觉效果越差；随着灰度分辨率的降低，图像的细节信息在逐渐损失，伪轮廓信息在逐渐增加。由于伪轮
数字图像处理程序
数字图像处理实验 图像处理实验（一）直方图 灰度变换是图像增强的一种重要手段，使图像对比度扩展，图像更加清晰，特 征更加明显。 灰度级的直方图给出了一幅图像概貌的描述，通过修改灰度直方图来得到图像 增强。 1、灰度直方图 （1）计算出一幅灰度图像的直方图 clear close all I=imread('004.bmp'); imhist(I) title('实验一（1）直方图'); （2）对灰度图像进行简单的灰度线形变换， figure subplot(2,2,1) imshow(I); title('试验2-灰度线性变换'); subplot(2,2,2) histeq(I); （3）看其直方图的对应变化和图像对比度的变化。 原图像 f(m,n) 的灰度范围 [a,b] 线形变换为图像 g(m,n),灰度范围[a’,b’]公式：g(m,n)=a’+(b’-a’)* f(m,n) /(b-a) figure subplot(2,2,1) imshow(I) J=imadjust(I,[0.3,0.7],[0,1],1); title(' 实验一（3）用g(m,n)=a’+(b’-a’)* f(m,n) /(b-a)进行变换 '); subplot(2,2,2) imshow(J) subplot(2,2,3) imshow(I) J=imadjust(I,[0.5 0.8],[0,1],1); subplot(2,2,4) imshow(J) (4) 图像二值化（选取一个域值，(5) 将图像变为黑白图像） figure subplot(2,2,1)
图像定位及跟踪技术大解析 在科学技术日新月异的今天，人们对机器设备的智能性、自主性要求也越来越高，希望其完全替代人的角色，把人们从繁重、危险的工作任务中解脱出来，而能否像人一样具有感知周围环境的能力已成为设备实现智能化自主化的关键。 广义的“图像跟踪”技术，是指通过某种方式(如图像识别、红外、超声波等)将摄像头中拍摄到的物体进行定位，并指挥摄像头对该物体进行跟踪，让该物体一直被保持在摄像头视野范围内。狭义的“图像跟踪”技术就是我们日常所常谈到的，通过“图像识别”的方式来进行跟踪和拍摄。 因为红外、超声波等方式，都受环境的影响，而且要专门的识别辅助设备，在实际应用中已经逐步被“图像识别”技术所替代。“图像识别”是直接利用了摄像头拍摄到的图像，进行NCAST图像差分及聚类运算，识别到目标物体的位置，并指挥摄像头对该物体进行跟踪。 图像跟踪系统采用特有的NCAST目标外形特征检测方法，被跟踪者无需任何辅助设备，只要进入跟踪区域，系统便可对目标进行锁定跟踪，使摄像机画面以锁定的目标为中心，并控制摄像机进行相应策略的缩放。系统支持多种自定义策略，支持多级特写模式，适应性强，不受强光、声音、电磁等环境影响。 目标物体的边缘检测 物体的形状特征在大多数情况下变化不多，基于目标形状轮廓的跟踪方法与基于区域的匹配方法相比，可以更精确的分割目标。 边缘是运动目标的最基本特征，表现在图像中就是指目标周围图像灰度有阶跃变化或屋顶变化的那些像素集合，它是图像中局部亮度变化最显著的部分。 边缘检测就是采用某种算法来定位灰度不连续变化的位置，从而图像中目标与背景的交界线。图像的灰度变化可以用灰度梯度来表示。
1、点运算是否会改变图像内像素点之间的空间位置关系？ 点运算是一种像素的逐点运算，它与相邻的像素之间没有运算关系，点运算不会改变图像内像素点之间的空间位置关系。 2、对图像灰度的拉伸，非线性拉伸与分段线性拉伸的区别？ 非线性拉伸不是通过在不同灰度值区间选择不同的线性方程来实现对不同灰度值区间的扩展与压缩，而是在整个灰度值范围内采用统一的非线性变换函数，利用函数的数学性质实现对不同灰度值区间的扩展与压缩。 3.图像获取即图像的数字化过程，包括扫描、采样和量化。 4.图像获取设备由5个部分组成：采样孔，扫描机构，光传感器，量化器和输出存储体。 5.采样间隔越大，所得图像像素数越少，空间分辨率低，质量差，严重时出现马赛克效应 6.采样间隔越小，所得图像像素数越多，空间分辨率高，图像质量好，但数据量大 7.量化等级越多，所得图像层次越丰富，灰度分辨率高，图像质量好，但数据量大 8.量化等级越少，图像层次欠丰富，灰度分辨率低，会出现假轮廓现象，图像质量变差，但数据量小. 9.三种灰度插值方法—最近邻法、双线性插值法和三次内插法 10.图像增强的目的： 采用某种技术手段，改善图像的视觉效果，或将图像转换成更适合于人眼观察和机器分析识别的形式，以便从图像中获取更有用的信息。 11.空间域平滑滤波器方法分类： 1）局部平滑法 2) 超限像素平滑法 3) 灰度最相近的K个邻点平均法 4) 空间低通滤波法 12.图像平滑通过积分过程使得图像边缘模糊，图像锐化则通过微分而使图像边缘突出、清晰。 13.图像恢复和图像增强一样，都是为了改善图像视觉效果，以及便于后续处理。只是图像增强方法更偏向主观判断，而图像恢复则是根据图像畸变或退化原因，进行模型化处理 14. (1)成象系统的象差、畸变、带宽有限等造成图像图像失真； (2)由于成象器件拍摄姿态和扫描非线性引起的图像几何失真； (3)运动模糊，成象传感器与被拍摄景物之间的相对运动，引起所成图像的运动模糊；
目标检测、跟踪与识别技术与现代战争 【摘要】本文讨论目标检测、跟踪与识别技术在现代战争各个领域中的应用，总结目标识别技术的发展方向，提出目标识别技术工程化实现方法，同时本文介绍了国外目标识别的现状及发展趋势，提出了现代战争应采用综合识别系统解决目标识别问题的建议。 关键词目标检测；目标跟踪；目标识别；雷达；人工神经网络；精确制导 1．引言 随着现代科学技术的飞速发展及其在军事领域内日益广泛的应用，传统的作战思想、作战方式已发生根本性的变化。从第一次海湾战争到科索沃战争，特别是刚刚结束的海湾战争，空中精确打击和空地一体化作战已经成为最重要的作战形式。集指挥、控制、通信、计算机、情报、监视侦察于一体的C ISR 已成为取得战场主动权，赢得最后胜利的关键因素。目标识别技术是雷达智能化、信息化的重要技术支撑手段。在现代化战争中，目标识别技术在预警探测、精确制导、战场指挥和侦察、敌我识别等军事领域都有广泛的应用前景，已受到了世界各国的关注。 现代战争中取得战场制信息权的关键之一是目标属性识别。现代战争的作战环境十分复杂，作战双方都在采用相应的伪装、隐蔽、欺骗和干扰等手段和技术，进行识别和反识别斗争。因此仅仅依靠一种或少数几种识别手段很难准确地进行目标识别，必须利用多个和多类传感器所收集到的多种目标属性信息，综合出准确的目标属性，进行目标检测，跟踪后进行识别。 2．目标检测、跟踪与识别技术在现代战争中的应用 2．1 目标检测、跟踪与识别技术在预警探测上的应用 目标检测、跟踪与识别技术对于弹道导弹的预警工作有重要的作用。弹道导弹一般携带多个弹头，其中可能包含核弹头或大规模杀伤的弹头以及常规弹头，预警雷达必须具备对目标进行分类和识别真假弹头的能力，将核弹头或大规模杀伤的弹头分离出来，为弹道导弹防御(BMD)系统进行目标攻击和火力分配提供依据。早期的BMD系统假设只有一个核弹头，多弹头分导技术的出现，使问题转化为雷达的多目标识别问题，加上电子对抗技术的广泛使用，给目标识别技术带来很大困难。另外，预警雷达还要对空中目标或低空目标进行探测，对来袭目标群进行分类识别。利用星载雷达以及远程光学望远镜等观测设备，可以对外空目标进行探测，对外空来袭目标进行分类和识别，达到早期预警的工作。
数字图像处理实验报告
实验一数字图像处理编程基础 一、实验目的 1. 了解MA TLAB图像处理工具箱； 2. 掌握MA TLAB的基本应用方法； 3. 掌握MA TLAB图像存储/图像数据类型/图像类型； 4. 掌握图像文件的读/写/信息查询； 5. 掌握图像显示--显示多幅图像、4种图像类型的显示方法； 6. 编程实现图像类型间的转换。 二、实验内容 1. 实现对图像文件的读/写/信息查询，图像显示--显示多幅图像、4种图像类型的显示方法、图像类型间的转换。 2. 运行图像处理程序，并保存处理结果图像。 三、源代码 I=imread('cameraman.tif') imshow(I); subplot(221), title('图像1'); imwrite('cameraman.tif') M=imread('pout.tif') imview(M) subplot(222), imshow(M); title('图像2'); imread('pout.bmp') N=imread('eight.tif') imview(N) subplot(223), imshow(N); title('图像3'); V=imread('circuit.tif') imview(V) subplot(224), imshow(V); title('图像4');
N=imread('C:\Users\Administrator\Desktop\1.jpg') imshow(N); I=rgb2gary(GRB) [X.map]=gary2ind(N,2) RGB=ind2 rgb(X,map) [X.map]=gary2ind(I,2) I=ind2 gary(X,map) I=imread('C:\Users\dell\Desktop\111.jpg'); subplot(231),imshow(I); title('原图'); M=rgb2gray(I); subplot(232),imshow(M); [X,map]=gray2ind(M,100); subplot(233),imshow(X); RGB=ind2rgb(X,map); subplot(234),imshow(X); [X,map]=rbg2ind(I); subplot(235),imshow(X); 四、实验效果
1、课题来源 随着计算机技术的高速发展，运动物体的检测和跟踪在图像处理、计算机视觉、模式识别、人工智能、多媒体技术等领域越来越受到人们的关注。运动跟踪和检测的应用广泛，在智能监控和人机交互中，如：银行、交通、超市等场合常常使用运动跟踪分析技术，通过定位物体并对其行为进行分析，一旦发现物体有异常行为，监控系统就发出警报，提醒人们注意并即时的处理，改善了人工监督注意力分散、反应时间较慢、人力资源浪费等问题。运动目标的跟踪在虚拟现实、工业控制、军事设备、医学研究、视频监控、交通流量观测监控等很多领域也有重要的实用价值。特别在军事上，先进的武器导航、军事侦察和监控中都成功运用了自动跟踪技术。而跟踪的难点在于如何快速而准确的在每一帧图像中实现目标定位。正因如此，对运动目标的跟踪和检测的研究很有价值。 2、研究目的和意义 运动目标检测是图像处理与计算机视觉的一个分支，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，是一个细致和连续的过程，它可以由人来完成，但是人执行这种长期枯燥的例行监测是不可靠，而且费用也很高，因此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。3、国内外研究现状和发展趋势及综述 运动目标检测在国外已经取得了一些的研究成果，许多相关技术已经开始应用到实际系统中，但是国内研究相对落后,与国外还有较大差距。传统的视频目标提取大致可以分两类,一类以空间同性为准则,先用形态学滤波器或其他滤波器对图像作预处理;然后对该图像的亮度、色度或其他信息作空间上的分割以对区域作边缘检测;之后作运动估计,并合并相似的运动区域以得到最终的提取结果。如光流算法、主动轮廓模型算法。此类方法结果较为准确但是运算量相对较大。另一类算法主要以时间变化检测作为准则,这类算法主要通过帧差检测图像上的变化区域和不变区域,将运动物体与静止背景进行分割。此类方法运算量小,提取结果不如前类方法准确。此外,还有时空结合方法、时空亮度梯度信息结合的方法等等。 4、研究方法
第九章图像目标探测与跟踪技术 主讲人：赵丹培 宇航学院图像处理中心 zhaodanpei@https://www.doczj.com/doc/912814221.html, 电话：82339972
目录 9.1 概论 9.2 目标检测与跟踪技术的发展现状9.3 目标检测与跟踪技术的典型应用9.4 图像的特征与描述 9.5 目标检测方法的基本概念与原理9.6 目标跟踪方法涉及的基本问题
9.1 概论 1、课程的学习目的 学习和掌握目标探测、跟踪与识别的基本概念和术语，了解一个完整信息处理系统的工作流程，了解目标探测、跟踪与识别在武器系统、航空航天、军事领域的典型应用。了解目标检测、跟踪与识别涉及的关键技术的发展现状，为今后从事相关的研究工作奠定基础。 2、主要参考书： 《目标探测与识别》，周立伟等编著，北京理工大学出版社； 《成像自动目标识别》，张天序著，湖北科学技术出版社； 《动态图像分析》，李智勇沈振康等著，国防工业出版社；
引言：学习目标检测与跟踪技术的意义 ?现代军事理论认为，掌握高科技将成为现代战争取胜的重要因素。以侦察监视技术、通信技术、成像跟踪技术、精确制导技术等为代表的军用高科技技术是夺取胜利的重要武器。 ?成像跟踪技术是为了在战争中更精确、及时地识别敌方目标，有效地跟踪目标，是高科技武器系统中的至关重要的核心技术。 ?例如：一个完整的军事战斗任务大致包括侦察、搜索、监视以及攻击目标和毁伤目标。那么快速的信息获取和处理能力就是战争胜利的关键，因此，目标的实时探测、跟踪与识别也成为必要的前提条件。
?随着现代高新技术的不断发展及其在军事应用领域中的日益推广，传统的作战形态正在发生着深刻的变化。 1973年的第四次中东战争，1982年的英阿马岛之战，1991年的海湾战争及1999年的科索沃战争，伊拉克战争等都说明了这一点。西方各军事强国都在积极探索对抗武器，特别是美国更是投入了巨大的物力、人力和财力积极研制弹道导弹防御系统。而图像检测、跟踪和识别算法作为现代战场信息环境作战成败的关键，具备抗遮挡、抗丢失和抗机动鲁棒性的智能跟踪器，将是现代战场作战必备品，具有广泛的应用前景。
学院计算机与通信工程学院专业生物医学工程专业 班级51111 学号5111133 姓名杨静 指导教师贾朔 2014年04月21日
实验一图像的基本运算 一、实验目的： 1、掌握图像处理中的点运算、代数运算、逻辑运算和几何运算及应用。 2、掌握各种运算对于图像处理中的效果。 二、实验内容： 1、（1）选择一幅图像lena8.jpg，设置输入/输出变换的灰度级范围，a=0.2，b=0.6，c=0.1，d=0.9. （2）设置非线性扩展函数的参数c=2. （3）采用灰度级倒置变换函数s=255-r进行图像变换 （4）设置二值化图像的阈值，分别为level=0.4,level=0.7 解：参考程序如下： I=imread('C:\lena8.jpg'); figure; subplot(2,3,1); imshow(I); title('原图'); J=imadjust(I,[0.3;0.6],[0.1;0.9]); %设置灰度变换的范围 subplot(2,3,2); imshow(J); title('线性扩展'); I1=double(I); %将图像转换为double类型 I2=I1/255; %归一化此图像 C=2; K=C*log(1+I2); %求图像的对数变换 subplot(2,3,3); imshow(K); title('非线性扩展'); M=im2bw(I,0.5); M=~M; %M=255-I; %将此图像取反 %Figure subplot(2,3,4); imshow(M); title('灰度倒置'); N1=im2bw(I,0.4); %将此图像二值化，阈值为0.4 N2=im2bw(I,0.7); %将此图像二值化，阈值为0.7 subplot(2,3,5); imshow(N1); title('二值化阈值0.4'); subplot(2,3,6); imshow(N2); title('二值化阈值0.7');
图像目标跟踪技术 ?作者：王鑫，徐立中著 ?出版社：人民邮电出版社 ?出版时间：2012-12-1 ?版次：1页数：178字数：221000 ?印刷时间：2012-12-1开本：16开纸张：胶版纸 ?印次：1I S B N：9787115288974包装：平装 内容推荐 《图像目标跟踪技术》系统阐述了图像目标跟踪的有关概念、原理和方法，共分9章，第1章介绍图像目标跟踪的意义、应用及分类，第2章介绍非线性优化序贯拟蒙特卡洛滤波，第3章介绍融合背景信息的序贯拟蒙特卡洛滤波目标跟踪，第4章讨论基于概率图模型的粒子滤波多目标跟踪，第5章介绍基于序贯拟蒙特卡洛滤波的多摄像机目标跟踪，第6章介绍基于信息融合技术的目标跟踪，第7章讨论受机械参数影响的多摄像机深度估计，第8章介绍基于自适应多信息融合的均值漂移红外目标跟踪，第9章介绍融合均值漂移和粒子滤波优点的实时目标跟踪。本书是图像目标跟踪方面的专著，反映作者近年来在这一领域的主要研究成果。《图像目标跟踪技术》内容新颖，理论联系实际，可作为大专院校及科研院所图像处理、计算机视觉和视频处理等领域的高年级本科生、研究生的教学和参考用书，也可供相关领域的教师、科研人员及工程技术人员作参考。 目录 第1章绪论 1.1 图像目标跟踪的意义和应用 1.2 单摄像机目标跟踪 1.2.1 目标表示模型 1.2.2 目标动态模型 1.2.3 目标状态估计模型 1.3 多摄像机目标跟踪 1.3.1 目标匹配 1.3.2 摄像机标定及拓扑关系估计 1.3.3 数据关联 1.4 红外图像中目标的跟踪 1.5 智能视频监控系统 1.5.1 智能视频监控的背景和意义 1.5.2 智能视频监控系统 参考文献 第2章非线性优化序贯拟蒙特卡洛滤波 2.1 引言 2.2 基于贝叶斯框架的跟踪问题描述 2.2.1 贝叶斯滤波的蒙特卡洛实现 2.2.2 贝叶斯滤波的拟蒙特卡洛实现 2.3 非线性优化序贯拟蒙特卡洛滤波 2.3.1 信赖域方法 2.3.2 基于信赖域的序贯拟蒙特卡洛滤波算法 2.4 实验与分析 2.4.1 非线性动态模型 2.4.2 二维点目标跟踪中的应用
数字图像处理知识点总结 第一章导论 1. 图像：对客观对象的一种相似性的生动性的描述或写真。 2. 图像分类：按可见性 (可见图像、不可见图像) ，按波段数(单波段、多波段、超波段)，按空间坐标和亮度的连续性(模拟和数字) 。 3. 图像处理：对图像进行一系列操作，以到达预期目的的技术。 4. 图像处理三个层次：狭义图像处理、图像分析和图像理解。 5. 图像处理五个模块：采集、显示、存储、通信、处理和分析。 第二章数字图像处理的基本概念 6. 模拟图像的表示：f(x , y) = i(x , y) x r(x , y)，照度分量0 数字图像处理实验 报告 学生姓名：学号： 专业年级： 09级电子信息工程二班 实验一常用MATLAB图像处理命令 一、实验内容 1、读入一幅RGB图像，变换为灰度图像和二值图像，并在同一个窗口内分成三个子窗口来分别显示RGB图像和灰度图像，注上文字标题。 实验结果如右图： 代码如下： Subplot (1,3,1) i=imread('E:\数字图像处理\2.jpg') imshow(i) title('RGB') Subplot (1,3,2) j=rgb2gray(i) imshow(j) title('灰度') Subplot (1,3,3) k=im2bw(j,0.5) imshow(k) title('二值') 2、对两幅不同图像执行加、减、乘、除操作，在同一个窗口内分成五个子窗口来分别显示，注上文字标题。 实验结果如右图： 代码如下： Subplot (3,2,1) i=imread('E:\数字图像处理 \16.jpg') x=imresize(i,[250,320]) imshow(x) title('原图x') Subplot (3,2,2) j=imread(''E:\数字图像处理 \17.jpg') y=imresize(j,[250,320]) imshow(y) title('原图y') Subplot (3,2,3) z=imadd(x,y) imshow(z) title('相加结果')；Subplot (3,2,4)；z=imsubtract(x,y)；imshow(z)；title('相减结果') Subplot (3,2,5)；z=immultiply(x,y)；imshow(z)；title('相乘结果') Subplot (3,2,6)；z=imdivide(x,y)；imshow(z)；title('相除结果') 3、对一幅图像进行灰度变化，实现图像变亮、变暗和负片效果，在同一个窗口内分成四个子窗口来分别显示，注上文字标题。 实验结果如右图： 代码如下： Subplot (2,2,1) i=imread('E:\数字图像处理 \23.jpg') imshow(i) title('原图') Subplot (2,2,2) J = imadjust(i,[],[],3); imshow(J) title('变暗') Subplot (2,2,3) J = imadjust(i,[],[],0.4) imshow(J) title('变亮') Subplot (2,2,4) J=255-i Imshow(J) title('变负') 二、实验总结 分析图像的代数运算结果，分别陈述图像的加、减、乘、除运算可能的应用领域。 解答：图像减运算与图像加运算的原理和用法类似，同样要求两幅图像X、Y的大小类型相同，但是图像减运算imsubtract()有可能导致结果中出现负数，此时系统将负数统一置为零，即为黑色。 乘运算实际上是对两幅原始图像X、Y对应的像素点进行点乘(X.*Y)，将结果输出到矩阵Z中，若乘以一个常数，将改变图像的亮度：若常数值大于1，则乘运算后的图像将会变亮；叵常数值小于是，则图像将会会暗。可用来改变图像的灰度级，实现灰度级变换，也可以用来遮住图像的某些部分，其典型应用是用于获得掩膜图像。 除运算操作与乘运算操作互为逆运算，就是对两幅图像的对应像素点进行点（X./Y)， imdivide()同样可以通过除以一个常数来改变原始图像的亮度，可用来改变图像的灰度级，其典型运用是比值图像处理。 加法运算的一个重要应用是对同一场景的多幅图像求平均值 减法运算常用于检测变化及运动的物体，图像相减运算又称为图像差分运算，差分运算还可以用于消除图像背景，用于混合图像的分离。 “数字图像处理与目标跟踪技术”论文 [摘要]图像是一种重要的信息源，通过图像处理可以帮助人们了解信息的内涵。数字图像噪声去除涉及光学系统、微电子技术、计算机科学、数学分析等领域，是一门综合性很强的边缘科学，如今其理论体系已十分完善，且其实践应用很广泛，在医学、军事、艺术、农业等都有广泛且成熟的应用。本文概述了小波阈值去噪的基本原理。对常用的几种阈值去噪方法进行了分析比较和仿真实现。最后结合理论分析和实验结果，讨论了一个完整去噪算法中影响去噪性能的各种因素。为实际的图像处理中，小波阈值去噪法的选择和改进提供了数据参考和依据。 [关键字]：小波变换图像去噪阈值 [引言] 图像在生成和传输过程中常常因受到各种噪声的干扰和影响而使图像降质，这对后续图像的处理(如分割、压缩和图像理解等)将产生不利影响。噪声种类很多，如：电噪声、机械噪声、信道噪声和其他噪声。在图像处理中，图像去噪是一个永恒的主题，为了抑制噪声，改善图像质量，便于更高层次的处理，必须对图像进行去噪预处理。 计算机图像处理主要采取两大类方法：一是在空间域中的处理，即在图像空间中对图像进行各种处理；另一类是把空间域中的图像经过正交变换到频域，在频域里进行各种处理然后反变换到空间域，形成处理后的图像。人们也根据实际图像的特点、噪声的统计特征和频谱分布的规律，发展了各式各样的去噪方法。其中最为直观的方法，是根据噪声能量一般集中于高频而图像频谱则分布于一个有限区间的这一特点，采用低通滤波方式来进行去噪，或对图像进行平滑处理等，这属于第一类图像处理方法。还有就是在频域进行处理，如：傅立叶变换、小波基变换。 近年来，小波理论得到了非常迅速的发展，而且由于其具备良好的时频特性，实际应用也非常广泛。其中图像的小波阈值去噪方法可以说是众多图像去噪方法的佼佼者。基本思想就是利用图像小波分解后，各个子带图像的不同特性选取不同的阈值，从而达到较好的去噪目的。而且，小波变换本身是一种线形变换，而国内外的研究大多集中在如何选取一个合适的全局阈值，通过处理低于该阈值的小波系数同时保持其余小波系数值不变的方法来降噪，因而大多数方法对于类似于高斯噪声的效果较好，但对于混有脉冲噪声的混合噪声的情形处理效果并不理想。线形运算往往还会造成边缘模糊，小波分析技术正因其独特的时频局部化特性在图像信号和噪声信号的区分以及有效去除噪声并保留有用信息等方面较之传统的去噪具有明显的优势，且在去噪的同时实现了图像一定程度的压缩和边缘特征的提取。所以小波去噪具有无可比拟的优越性。小波去噪主要优点有： 低熵性，小波系数的稀疏分布，使得图象变换后的熵降低； 多分辨率，由于采用了多分辨率的方法，所以可以非常好地刻画信号的非平稳特征，如边缘、尖峰、断点等； 去相关性，因为小波变换可以对信号进行去相关，且噪声在变换后有白化趋势，所以小波域比时域更利于去噪； 选基灵活性，由于小波变换可以灵活选择变换基，从而对不同应用场合、不同的研究对象，可以选用不同的小波函数，以获得最佳的效果。 [正文] 1、图像与噪声：数字图像处理实验报告
数字图像处理与目标跟踪技术论文
相关主题
文本预览