畢業(yè)設(shè)計(jì)正文

1、 JIANGSU UNIVERSITY 本 科 生 畢 業(yè) 論 文運(yùn)動目標(biāo)檢測中陰影去除算法的研究與實(shí)現(xiàn) Research and realization of the shadow removing algorithm for Moving object detection學(xué)院名稱： 計(jì)算機(jī)科學(xué)與通信工程學(xué)院 專業(yè)班級： 通信工程0602班 學(xué)生姓名： 汪雅潔 指導(dǎo)教師姓名： 宋雪樺 指導(dǎo)教師職稱： 副教授 2010年6月運(yùn)動目標(biāo)檢測中陰影去除算法的研究與實(shí)現(xiàn)專業(yè)班級：通信工程0602班 學(xué)生姓名：汪雅潔指導(dǎo)教師： 宋雪樺 職 稱：副教授摘要 隨著計(jì)算機(jī)視覺技術(shù)、電子技術(shù)、通信技術(shù)的發(fā)展，智

2、能視頻監(jiān)控系統(tǒng)作為安全防衛(wèi)的一種重要手段正在越來越受到人們的重視。由于智能視頻監(jiān)控系統(tǒng)具有監(jiān)控能力強(qiáng)、安全隱患少、節(jié)省人力物力資源的優(yōu)點(diǎn)。因此，在交通、銀行、賓館、商場等重要場所的監(jiān)控中有廣泛的應(yīng)用前景。本文首先綜合介紹了智能監(jiān)控系統(tǒng)的發(fā)展歷史和現(xiàn)狀，然后對靜止攝像機(jī)監(jiān)控下的運(yùn)動目標(biāo)檢測、陰影的檢測和去除等關(guān)鍵技術(shù)進(jìn)行了比較深入的研究。運(yùn)動目標(biāo)檢測作為智能視頻監(jiān)控系統(tǒng)中視頻處理的第一步，具有非常重要的地位。本文首先對目前運(yùn)動目標(biāo)檢測方法進(jìn)行了概括，在詳細(xì)研究了幾種目標(biāo)檢測方法的基礎(chǔ)上，確定了目標(biāo)檢測中較好的一種方法，即基于混合高斯模型的方法，用這個(gè)算法來提取運(yùn)動目標(biāo)。由于日照和燈光等外來因素的

3、影響，造成了提取的運(yùn)動前景中往往含有陰影。因此，運(yùn)動目標(biāo)的陰影檢測與去除對于運(yùn)動目標(biāo)跟蹤、分類和識別等后期處理都是一個(gè)關(guān)鍵性問題。由于陰影的存在，會給上述后期處理帶來干擾甚至失敗。為了去除目標(biāo)前景的陰影，本文首先分析了陰影產(chǎn)生的機(jī)理，了解陰影的特征和人類的視覺特征，針對這些特征以及總結(jié)和分類目前己有的各類陰影檢測算法的基礎(chǔ)上，提出了一種基于RGB顏色模型的陰影檢測算法。通過實(shí)驗(yàn)對本文的算法進(jìn)行了驗(yàn)證，證明了該算法能夠很好地檢測出運(yùn)動目標(biāo)的陰影以及將陰影去除，而且易于實(shí)現(xiàn)。關(guān)鍵詞：視頻監(jiān)控；運(yùn)動目標(biāo)檢測；混合高斯模型；RGB顏色模型；陰影去除Research and realization of

4、 the shadow removing algorithm for Moving object detectionAbstract Development of the computer vision technology, the electronic and the communication technology, has made the intelligent visual surveillance system an increasingly important safe defense way. Because it has advantages of higher quali

5、ty and less need of investment. So it has cheerful prospect in the applications of surveillance for traffic, bank, hotel, shopping, etc.Both its history and current situation is summarized here, then, a research was made for the key technology of the segmentation of moving objects and the detection

6、and removal of shadows.As the initial stage in the visual data processing, moving object detection is a key point. After carefully study of moving object detection methods used presently, a more reliable algorithm is determined, that is, the mixed Gauss model. It was adopted to detect moving objects

7、.As external factors such as sunlight and lighting effects，resulting in extraction of moving foreground often contain shadow. So, shadows detection and elimination of moving objects is essential to the post-processing such as objects tracking, classification and recognition. The existence of shadow

8、will allow the above-mentioned post-processing to fail. In order to remove the shadow of object foreground, this paper first analyze the mechanism of the shadow produced, understand the characteristics of the shadow and the human visual characteristics, then, a method of shadow detection based on th

9、e RGB color model is proposed on the basis of these characteritics and the summary and analysis for various shadow detection. We have conducted many experiments to verify the proposed approach. The results show that the algorithm can detect moving targets to remove the shadow, and easy to implement.

10、Key words Visual Surveillance; Moving Object Detection; Mixed Gaussian Model; RGB color model; Shadow Removal目 錄第一章 緒論11.1 引言11.2 視頻監(jiān)控系統(tǒng)的發(fā)展和現(xiàn)狀11.3 本課題研究的目的及意義21.4 課題主要研究工作及工作安排3第二章 基礎(chǔ)理論52.1 引言52.2 顏色模型52.2.1 顏色模型的分類52.2.2 RGB顏色模型52.2.3 HSV顏色模型62.3 數(shù)學(xué)形態(tài)學(xué)72.3.1 基本思想82.3.2 基本運(yùn)算8第三章 運(yùn)動目標(biāo)的檢測103.1 引言103.2

11、 運(yùn)動目標(biāo)檢測算法概述103.2.1 光流法103.2.2 相鄰幀差法103.2.3 背景差法113.3 基于RGB顏色空間的混合高斯模型11背景模型的建立123.3.2 背景模型的更新123.3.3 運(yùn)動目標(biāo)的檢測與提取13第四章 陰影的去除154.1 引言154.2 陰影產(chǎn)生的機(jī)理154.3 陰影檢測算法概述164.3.1 基于模型的陰影檢測算法164.3.2 基于陰影屬性的陰影檢測算法164.4 陰影的光學(xué)特性174.5 前景二值圖的提取184.6 基于RGB顏色空間的陰影去除算法184.6.1 確定顏色空間184.6.2 陰影的去除算法194.6.3 前景目標(biāo)去噪與重建214.7 實(shí)驗(yàn)

12、結(jié)果21第五章 總結(jié)與展望245.1 研究工作總結(jié)245.2 展望24參考文獻(xiàn)26致謝27第一章 緒論1.1 引言圖像和視頻是對客觀事物的形象而又生動的描述，是直觀而又具體的信息表達(dá)形式，對人類而言是最重要的信息載體。特別是在今天這高科技的信息社會里，隨著網(wǎng)絡(luò)、通信和微電子技術(shù)的快速發(fā)展，以及人民物質(zhì)生活水平的提高，視頻以其直觀、方便和內(nèi)容豐富等特點(diǎn)，日益受到人們的青睞。就因?yàn)檫@樣，視頻監(jiān)控系統(tǒng)就成為一種新技術(shù)而越來越受到人們的重視?，F(xiàn)今人們對安全的需求增強(qiáng)，視頻監(jiān)控系統(tǒng)成為安全防衛(wèi)的重要手段，由最初的重點(diǎn)部門如銀行和公安等行業(yè)監(jiān)控逐漸發(fā)展到單個(gè)家庭的防盜和安全監(jiān)控，攝像頭越來越多，視頻監(jiān)控系

13、統(tǒng)的使用越來越普遍。傳統(tǒng)的數(shù)字視頻監(jiān)控系統(tǒng)僅僅提供了視頻的捕獲、存儲、分發(fā)等簡單的功能，而系統(tǒng)獲取的視頻信息越來越多，這些海量的視頻信息很難在同一時(shí)間顯示在監(jiān)控人員面前。除此以外，對視頻里的內(nèi)容還只能靠監(jiān)控人員來判斷。視頻監(jiān)控工作強(qiáng)度很大，它對監(jiān)控人員的注意力、警惕性、特別是對異常情況的反應(yīng)能力的要求特別高。一般監(jiān)控中發(fā)生的失誤都是由監(jiān)控人員的注意力不集中造成的。由于人類本身存在的生理疲勞現(xiàn)象，因此不可能長時(shí)間連續(xù)集中精力監(jiān)視內(nèi)容單一的監(jiān)控場景。為了克服傳統(tǒng)視頻監(jiān)控系統(tǒng)產(chǎn)生的困難，智能視頻監(jiān)控系統(tǒng)應(yīng)運(yùn)而生，它利用自動視頻分析技術(shù)進(jìn)行視頻的監(jiān)控。當(dāng)盜竊發(fā)生或發(fā)現(xiàn)到具有異常行為的可疑人時(shí)，系統(tǒng)能向

14、保衛(wèi)人員準(zhǔn)確及時(shí)地發(fā)出警報(bào)，從而避免犯罪的發(fā)生，同時(shí)也減少了雇傭大批監(jiān)視人員所需要的人力、物力和財(cái)力的投入。與傳統(tǒng)的傳統(tǒng)視頻監(jiān)控相比，能夠智能檢測與跟蹤的數(shù)字視頻監(jiān)控具有許多優(yōu)點(diǎn)1：第一，24小時(shí)全天可靠監(jiān)控。智能視頻監(jiān)控系統(tǒng)將徹底改變以往完全由監(jiān)控人員對畫面進(jìn)行監(jiān)視和分析的模式。第二，提高報(bào)警精確度。智能視頻監(jiān)控系統(tǒng)能夠有效提高報(bào)警精確度，大大降低誤報(bào)和漏報(bào)現(xiàn)象的發(fā)生。第三，提高響應(yīng)速度。智能視頻監(jiān)控系統(tǒng)擁有比傳統(tǒng)視頻監(jiān)控系統(tǒng)更強(qiáng)大的智能處理能力，它能夠檢測、識別視頻場景中的可疑活動。1.2 視頻監(jiān)控系統(tǒng)的發(fā)展和現(xiàn)狀視頻監(jiān)控系統(tǒng)是多媒體技術(shù)、計(jì)算機(jī)網(wǎng)絡(luò)、工業(yè)控制和人工智能等技術(shù)的綜合運(yùn)用的產(chǎn)

15、物，它正向著視頻的數(shù)字化、系統(tǒng)的網(wǎng)絡(luò)化和管理的智能化方向不斷發(fā)展，并已經(jīng)逐步深入到社會生活的各個(gè)領(lǐng)域。從第一代完全的模擬監(jiān)控系統(tǒng)，到第二代數(shù)字化的視頻監(jiān)控系統(tǒng)，再到第三代分布式視頻監(jiān)控系統(tǒng)，視頻監(jiān)控系統(tǒng)已在過去的二十多年里經(jīng)歷了三個(gè)發(fā)展階段2。第一代視頻監(jiān)控系統(tǒng)（VCR）主要是以模擬設(shè)備為主的閉路系統(tǒng)，稱之為模擬視頻監(jiān)控系統(tǒng)。以模擬信號、圖像的處理和傳輸為基礎(chǔ)，多路模擬攝像機(jī)產(chǎn)生的模擬信號通過同軸電纜傳輸?shù)奖O(jiān)控室，然后通過預(yù)置好的順序輪流顯示，監(jiān)控人員通過監(jiān)視器來判斷監(jiān)視場景的情況。圖像信息通過視頻電纜，以模擬方式傳輸，一般傳輸距離不能太遠(yuǎn)，主要應(yīng)用于小范圍內(nèi)的監(jiān)控，監(jiān)控圖像一般只能在控制中心

16、查看。系統(tǒng)的主要特點(diǎn)：(1) 視頻、音頻信號的采集、傳輸、存儲均為模擬形式，質(zhì)量最高；(2) 經(jīng)過了幾十年的發(fā)展，技術(shù)比較成熟，系統(tǒng)功能強(qiáng)大、完善。但該類系統(tǒng)之所以會被淘汰，是因?yàn)樗嬖谥恍﹩栴}：(1) 只適用于較小的地理范圍；(2) 與信息系統(tǒng)無法交換數(shù)據(jù)；(3) 監(jiān)控僅限于監(jiān)控中心，應(yīng)用靈活性較差；(4) 不易擴(kuò)展。隨著多媒體技術(shù)、視頻編碼壓縮技術(shù)的飛速發(fā)展，以數(shù)字技術(shù)為核心的視頻監(jiān)控系統(tǒng)迅速崛起，即第二代視頻監(jiān)控系統(tǒng)（DVR）。它依賴于混合模數(shù)或全數(shù)字的視頻傳輸和處理方法，采用Motion JPEG、H.263、MPEG等多媒體數(shù)字壓縮技術(shù)將視頻圖像完全數(shù)字化，節(jié)省了帶寬資源，大大提高

17、了圖象質(zhì)量，增強(qiáng)了視頻監(jiān)控的功能。這類監(jiān)控系統(tǒng)主要在視頻監(jiān)控中可以利用視頻分析算法，讓監(jiān)控者只注意感興趣的事物從而實(shí)現(xiàn)自動報(bào)警。系統(tǒng)的特點(diǎn)：(1) 視頻、音頻信號的采集、存儲主要為數(shù)字形式，質(zhì)量較高；(2) 系統(tǒng)功能較為強(qiáng)大、完善；(3) 與信息系統(tǒng)可以交換數(shù)據(jù)；(4) 應(yīng)用的靈活性較好。DVR系統(tǒng)從監(jiān)控點(diǎn)到監(jiān)控中心仍為模擬方式傳輸，與第一代系統(tǒng)存在著許多相似的缺陷，要實(shí)現(xiàn)遠(yuǎn)距離視頻傳輸需要鋪設(shè)（租用）光纜、在光纜兩端安裝視頻光端機(jī)設(shè)備，系統(tǒng)建設(shè)成本高，不易維護(hù)、且維護(hù)費(fèi)用較大。由于網(wǎng)絡(luò)帶寬增加、計(jì)算機(jī)處理能力的迅速提高和存儲容量的增大，以及各種實(shí)用視頻信息處理技術(shù)的出現(xiàn)，目前視頻監(jiān)控已經(jīng)進(jìn)入

18、了全數(shù)字化的網(wǎng)絡(luò)時(shí)代，即第三代視頻網(wǎng)絡(luò)系統(tǒng)（NVR）。它利用低價(jià)位高性能的計(jì)算機(jī)網(wǎng)絡(luò)、移動網(wǎng)絡(luò)和固定的多媒體通信網(wǎng)絡(luò)傳輸監(jiān)控信號。視頻信號在前端進(jìn)行自動分析處理，然后將有價(jià)值的信息通過無線或有線網(wǎng)絡(luò)傳輸?shù)奖O(jiān)控中心，實(shí)現(xiàn)自動視頻監(jiān)控。與第一、二代系統(tǒng)相比，該系統(tǒng)具有的優(yōu)勢：(1) 利用現(xiàn)有的網(wǎng)絡(luò)資源，不需要為新建監(jiān)控系統(tǒng)鋪設(shè)光纜、增加設(shè)備，輕而易舉地實(shí)現(xiàn)遠(yuǎn)程視頻監(jiān)控；(2) 系統(tǒng)擴(kuò)展能力強(qiáng)，只要有網(wǎng)絡(luò)的地方增加監(jiān)控點(diǎn)設(shè)備就可擴(kuò)展新的監(jiān)控點(diǎn)；(3) 維護(hù)費(fèi)用低，網(wǎng)絡(luò)維護(hù)由網(wǎng)絡(luò)提供商維護(hù)，前端設(shè)備是即插即用、免維護(hù)系統(tǒng)；(4) 系統(tǒng)功能強(qiáng)大、利用靈活、全數(shù)字化錄像方便于保存和檢索；(5) 性能穩(wěn)定，

19、無需專人管理。1.3 本課題研究的目的及意義在如今高度自動化的生活中，安全問題成了第一難事。這需要監(jiān)控人員時(shí)時(shí)地在監(jiān)控，每時(shí)每刻的掌握最新的數(shù)據(jù)，可監(jiān)控人員又不可能無時(shí)無刻在現(xiàn)場監(jiān)控，這時(shí)就必須依靠智能視頻監(jiān)控系統(tǒng)的幫助，視頻監(jiān)控系統(tǒng)的性能好壞也就直接影響到“安全”這個(gè)大問題。隨著各種新型安保觀念的引入，社會各部門、各行業(yè)及居民小區(qū)紛紛建立起了各自獨(dú)立的監(jiān)控系統(tǒng)或報(bào)警系統(tǒng)。建立和不斷完善安全防衛(wèi)系統(tǒng)，對保護(hù)人員和設(shè)備的安全、提高生產(chǎn)和管理的效率、預(yù)防犯罪的發(fā)生、維護(hù)社會經(jīng)濟(jì)的穩(wěn)定起到了重要作用。因此，研究智能視頻監(jiān)控系統(tǒng)具有較深遠(yuǎn)的現(xiàn)實(shí)意義。運(yùn)動目標(biāo)的檢測是視頻監(jiān)控系統(tǒng)的首要問題，運(yùn)動目標(biāo)提取

20、的好壞直接影響到之后的目標(biāo)跟蹤、目標(biāo)分類等問題。只要有光線存在的地方都免不了陰影的存在，特別是在室外環(huán)境下，光線會隨著天氣的變化而變化，而且光線的方向、強(qiáng)弱等都會因時(shí)間的不同而發(fā)生無規(guī)律的變化，這些情況下陰影具有很強(qiáng)的不確定性。陰影和運(yùn)動目標(biāo)與背景之間都有很大的灰度差值，而且陰影與產(chǎn)生陰影的目標(biāo)具有相同的運(yùn)動特征，因此陰影常常被錯誤地檢測成前景。這樣就會產(chǎn)生與陰影有關(guān)的一系列問題，如陰影會造成運(yùn)動目標(biāo)形狀的變化、目標(biāo)的合并、甚至目標(biāo)丟失，這些問題的存在會對后續(xù)的目標(biāo)跟蹤、識別、分類產(chǎn)生很大的負(fù)面影響。因此，近年來陰影檢測和陰影的去除成為智能視頻監(jiān)控技術(shù)中研究的一個(gè)熱點(diǎn)和重點(diǎn)。去除伴隨運(yùn)動目標(biāo)的

21、陰影，進(jìn)一步提高運(yùn)動目標(biāo)檢測的準(zhǔn)確性是非常重要的。目標(biāo)檢測算法本身并不能識別陰影和運(yùn)動目標(biāo)以及消除陰影，雖然目前陰影檢測算法的準(zhǔn)確性相對較高，但還是存在著一定的缺陷，因此在現(xiàn)有陰影檢測算法的基礎(chǔ)上，提出一種定量和定性評估更高的陰影檢測算法是非常必要的，消除陰影的影響也更有利于后續(xù)的目標(biāo)跟蹤、分類和識別3。1.4 課題主要研究工作及工作安排本文主要研究運(yùn)動目標(biāo)檢測中的陰影去除，然而陰影的檢測與去除通常與運(yùn)動檢測聯(lián)系在一起，因此本文先將對目前比較經(jīng)典的三種運(yùn)動目標(biāo)檢測算法進(jìn)行深入分析，通過對運(yùn)動目標(biāo)檢測中這三種算法的比較，最終確立一種適用性比較強(qiáng)的基于混合高斯背景模型的背景差方法。然后針對前景檢測

22、中存在的陰影，研究在混合高斯背景模型之上的陰影檢測算法。具體地講，本文的主要研究內(nèi)容包括以下幾個(gè)方面：(1) 運(yùn)動目標(biāo)檢測算法的研究在深入分析現(xiàn)有的檢測算法基礎(chǔ)上，提出一種改進(jìn)的混合高斯背景模型的目標(biāo)檢測算法，能較好地解決場景中的光線、天氣等環(huán)境的變化，以及存在動態(tài)背景的情況。(2) 陰影檢測與去除算法的研究針對前景檢測中的陰影，在理解陰影產(chǎn)生機(jī)理以及分析了現(xiàn)有陰影檢測算法的基礎(chǔ)上，提出一種基于RGB顏色空間的陰影檢測算法。本文各章內(nèi)容安排如下：第一章緒論，對當(dāng)前視頻監(jiān)控系統(tǒng)的發(fā)展進(jìn)行總結(jié)，然后詳細(xì)分析了智能視頻監(jiān)控系統(tǒng)中的關(guān)鍵技術(shù)，最后介紹了本文的研究內(nèi)容及論文組織。第二章基礎(chǔ)理論，介紹了與

23、本課題相關(guān)的顏色模型、數(shù)學(xué)形態(tài)學(xué)算子等基礎(chǔ)知識。第三章運(yùn)動目標(biāo)的檢測，簡單地對目前運(yùn)動目標(biāo)檢測的集中經(jīng)典算法進(jìn)行分析，在對幾種方法進(jìn)行比對的基礎(chǔ)上，確定一種較好的運(yùn)動目標(biāo)檢測方法，即基于混合高斯背景模型的運(yùn)動目標(biāo)檢測方法。第四章陰影的去除，首先對陰影產(chǎn)生的機(jī)理原因及影響進(jìn)行了分析，然后對目標(biāo)陰影檢測算法進(jìn)行了概括、總結(jié)和分類，在混合高斯背景模型基礎(chǔ)上，針對前景中的陰影提出一種基于RGB顏色空間的陰影檢測算法。最終通過MATLAB軟件進(jìn)行實(shí)驗(yàn)，證明了該算法的實(shí)用性。第五章總結(jié)與展望，全面總結(jié)了本文主要研究內(nèi)容的成果，并指出了在現(xiàn)有系統(tǒng)的基礎(chǔ)上對未來新技術(shù)的展望。第二章 基礎(chǔ)理論2.1 引言在復(fù)雜

24、的背景環(huán)境中，天氣和光線等的變化、陰影、燈光及隨機(jī)噪聲等都會影響采集到的圖像的特征。在目標(biāo)檢測和陰影去除的過程中，肯定會有一些像素點(diǎn)被誤認(rèn)為目標(biāo)點(diǎn)或?qū)⒛繕?biāo)點(diǎn)檢測成陰影點(diǎn)。為了能夠準(zhǔn)確地提取運(yùn)動目標(biāo)，需要對提取出的目標(biāo)進(jìn)行一系列地處理。本章主要介紹本文在目標(biāo)檢測、陰影檢測及去除等方面所涉及到的顏色空間，特別是RGB顏色空間，還有在圖像處理技術(shù)中經(jīng)常用到的數(shù)學(xué)形態(tài)學(xué)濾波等方面的一些基礎(chǔ)知識。2.2 顏色模型顏色是人的視覺器官對外來的光刺激而產(chǎn)生的主觀感受。在光學(xué)和物理學(xué)中，可見光就是一種電磁波，對應(yīng)于電磁頻譜中狹窄的頻率波段?？梢姽獠ǘ沃械拿恳活l率對于一種單獨(dú)的顏色，而頻率和波長的乘積等于光速，由

25、于波長比頻率在某種程度上容易處理，因此常用波長來指定光譜顏色，通常的紅、橙、黃、綠、藍(lán)和紫等顏色的波長在400nm到700nm之間。當(dāng)一束光的各種波長的能量大致相等時(shí)，我們稱其為白光；否則，稱其為彩色光。若一束光中，只包含一種波長的能量，其它波長都為零時(shí)，稱其為單色光。除了波長可以決定光的顏色以外，可見光還有一些其他的視覺特征，即亮度和純度。亮度是指感受到的光的明度或顏色的強(qiáng)度，而純度是指可見光的顏色的濃淡。因此顏色的三個(gè)特性分別是：主波長、亮度和純度。顏色模型（也稱為彩色模型）的用途是在某些標(biāo)準(zhǔn)下用通?？山邮艿姆绞胶喕噬?guī)范。本質(zhì)上，顏色空間是坐標(biāo)系統(tǒng)和子空間的規(guī)范。2.2.1 顏色模型的

26、分類人眼對于顏色的觀察和處理是一種生理和心理現(xiàn)象，因而對于色彩的許多結(jié)論都是建立在實(shí)驗(yàn)基礎(chǔ)之上，因此也出現(xiàn)了多種不同的方法來描述顏色，而不同的描述方法對應(yīng)于不同的顏色空間。顏色空間是人們?yōu)榱藢︻伾M(jìn)行正確合理的應(yīng)用、測定、描述和評價(jià)而建立的模型。因研究和應(yīng)用的不同從而建立了很多不同的顏色模型，每個(gè)顏色模型都各有特點(diǎn)?，F(xiàn)今存在的顏色空間有很多種，包括RGB，CMY，CMYK，HSL，HSV，CIE XYZ，CIE Lue，CIE Lab和LCH，YUV，YIQ，YcbCr，RGB，YpbPr，Xerox Corporation YES，Kodak Photo CD YCC等顏色空間。這些顏色空間

27、已經(jīng)在各行各業(yè)中得到了廣泛的應(yīng)用。目前常用的顏色模型可分為兩類4：一類面向諸如彩色顯示器或打印機(jī)之類的硬件設(shè)備，另一類面向以彩色處理為目的的應(yīng)用，如動畫中的彩色圖形。面向硬件設(shè)備的最常用彩色模型是RGB顏色模型，而面向彩色處理的最常用的模型是HSV顏色模型。2.2.2 RGB顏色模型我們的眼睛通過三種可見光對視網(wǎng)膜的刺激來感受顏色。這些光在波長為630nm（紅）、530nm（綠）和450nm（藍(lán)）時(shí)的刺激達(dá)到高峰。通過對各種刺激強(qiáng)度的比較，我們感受到光的顏色。這種視覺理論就是使用紅、綠、藍(lán)三種基色來顯示彩色的基礎(chǔ)，稱之為RGB顏色模型，它是最常用的顏色模型。RGB顏色模型基于笛卡兒坐標(biāo)系統(tǒng)，3

28、個(gè)軸分別為R、G、B分量，如圖1.1。通過紅、綠、藍(lán)三種基色可以混合得到大多數(shù)的顏色。坐標(biāo)原點(diǎn)（0,0,0）代表黑色，而坐標(biāo)點(diǎn)（1,1,1）代表白色，對角線從黑到白代表的是灰度。在坐標(biāo)軸上的頂點(diǎn)代表三個(gè)基色，而余下的頂點(diǎn)則代表第一個(gè)基色的補(bǔ)色。為了方便表示，將立方體歸一化為單位立方體，這樣所有的R、G、B三分量的值都在0,1中。根據(jù)這個(gè)模型，每幅彩色圖包括3個(gè)獨(dú)立的基色平面，或者說可分解到3個(gè)平面上。反過來，如果一幅圖像可以被表示為3個(gè)平面，則使用RGB顏色模型比較方便。RGB顏色模型的顏色數(shù)量可達(dá)到224種。圖1.1 RGB顏色模型示意圖RGB顏色模型大多是面向硬件設(shè)備的（如CRT顯示器），

29、其物理意義明確但缺乏直觀感。主要用于非發(fā)射式顯示，比如彩色打印機(jī)，繪畫儀等。2.2.3 HSV顏色模型從心理學(xué)和視覺的角度出發(fā)，顏色有如下三個(gè)特性：色調(diào)（Hue）、飽和度（Saturation）和亮度（Value）。HSV是一種對應(yīng)于畫家的配色模型，是面向用戶的，能較好反應(yīng)人對顏色的感知和鑒別。在HSV模型中，色調(diào)（H）是當(dāng)人眼看到一種或多種波長的光時(shí)所產(chǎn)生的彩色感覺，是一種顏色區(qū)別于其它顏色的因素，它反映顏色的種類，是決定顏色的基本特性，如我們平時(shí)所說的綠色、藍(lán)色就是指色調(diào)。飽和度（S）指的是顏色的純度，即摻入白光的程度，或者說是指顏色的深淺程度，對于同一色調(diào)的彩色光，飽和度越高，顏色就越鮮

30、明。通常我們把色調(diào)和飽和度通稱為色度。亮度（V）是光作用于人眼時(shí)所引起的明亮程度的感覺，它與被觀察物體的發(fā)光強(qiáng)度有關(guān)。上述RGB彩色模型與人眼更強(qiáng)地感受紅、綠、藍(lán)三基色的事實(shí)相符合，但是它不能很好地適應(yīng)實(shí)際上人對顏色的解釋。當(dāng)人觀察一個(gè)彩色物體時(shí)，更習(xí)慣用色調(diào)、飽和度和亮度來描述它。基于色調(diào)（H）、飽和度（S）和亮度（V）的彩色模型稱為HSV顏色模型。一方面，該模型可在彩色圖像中消除亮度分量的影響從而獲得色調(diào)和飽和度的彩色信息，因此它比其他彩色模型更利于開發(fā)基于彩色描述的圖像處理方法；另一方面，HSV彩色模型能夠使人更自然、更直觀地解釋和感受顏色。HSV模型的三維表示從RGB立方體演變而來，對

31、應(yīng)于圓柱坐標(biāo)系中的一個(gè)圓錐形子集，其中的每一種顏色和它的補(bǔ)色相差180，所有的顏色均定義在六棱錐（圖1.2）中。在六棱錐中，飽和度沿水平軸測量，而亮度值沿通過六棱錐中心的垂直軸測量。圖1.2 HSV顏色模型示意圖色調(diào)（H）描述一種顏色放在色譜的什么位置。例如，紅色、黃色、藍(lán)色或綠色。如同在一個(gè)彩虹中，開始和末尾的顏色都是紅色。色調(diào)用與水平軸之間的角度來表示，范圍從0到360。六邊形的頂點(diǎn)以60為間隔。黃色位于60處，綠色在120處，而青色在180處，與紅色相對，相補(bǔ)的顏色之間互成180。飽和度（S）指顏色的純度和濃度的大小。飽和值從0到1變化，純度是指添加了多少白色到顏色中。低的值提供一個(gè)中性

32、、陰暗的顏色，而高的值提供一個(gè)強(qiáng)烈的、純的顏色。在此模型中它表示所選色彩的純度與該色彩的最大純度（S=1）的比率。當(dāng)S=1時(shí)，此時(shí)的得到最純的顏色，并不是白色。當(dāng)S=0.5時(shí)所選色彩的純度為二分之一。當(dāng)S=0時(shí)，只有灰度。亮度（V）的值從六邊形頂點(diǎn)的0變化到頂部的1，頂點(diǎn)值為0，表示黑色。在六邊形頂部的顏色強(qiáng)度最大。當(dāng)V=1，S=1時(shí)，即純色彩，而并不是白色，白色為V=1且S=0的點(diǎn)。HSV對多數(shù)用戶來說是一個(gè)較直觀的模型。從指定一種純彩色開始，即指定色調(diào)（H）且讓V=S=1，我們可以通過加入白色或黑色到純色彩中來描述所要的顏色。增加黑色即減小V而S保持不變。如果要得到深藍(lán)色，則V=0.4，S

33、=1且H=240。同樣，將白色加入所選的色彩中時(shí)，則參數(shù)S減小而V保持不變。淺藍(lán)色就可以用S=0.3，V=1且H=240來設(shè)定。添加一些黑色和白色，則需要同時(shí)減小V和S。HSV顏色空間能夠清晰地將顏色分為色度和亮度，而陰影不會改變背景的色度，故常用此顏色空間來進(jìn)行陰影檢測。2.3 數(shù)學(xué)形態(tài)學(xué)數(shù)學(xué)形態(tài)學(xué)（Mathematical Morphology，簡稱形態(tài)學(xué)）是研究數(shù)字圖像形態(tài)結(jié)構(gòu)特征的理論，它通過對目標(biāo)圖像的形態(tài)變換實(shí)現(xiàn)結(jié)構(gòu)分析和特征提取。數(shù)學(xué)形態(tài)學(xué)以嚴(yán)格的數(shù)學(xué)理論和集合理論為基礎(chǔ)，著重于研究圖像的集合結(jié)構(gòu)，形態(tài)學(xué)對圖像的處理基于結(jié)構(gòu)元素（structure element）的概念，而且結(jié)

34、構(gòu)元素的選擇和圖像的某種特有信息有密切的關(guān)系，所以構(gòu)造不同的結(jié)構(gòu)元素可提供不同的圖像分析和處理方法，數(shù)學(xué)形態(tài)學(xué)中的集合表示圖像中的特定信息。數(shù)學(xué)形態(tài)學(xué)最初做為分析幾何形狀和結(jié)構(gòu)的數(shù)學(xué)方法，后來用它從圖像中提取有利于表達(dá)和描述區(qū)域形狀的圖像分量，如邊界、骨架和凸殼等，稱為分析圖像幾何特征的工具。現(xiàn)在，數(shù)學(xué)形態(tài)學(xué)可以用來解決抑制噪聲、特征提取、邊緣檢測、圖像分割、形態(tài)識別、紋理分析、圖像恢復(fù)與重建、圖像壓縮等圖像處理的問題。2.3.1 基本思想數(shù)學(xué)形態(tài)學(xué)的基本思想是用具有一定形態(tài)的結(jié)構(gòu)元素去度量和提取圖像中對應(yīng)形狀以達(dá)到對圖像分析和識別的目的。數(shù)學(xué)形態(tài)學(xué)的數(shù)學(xué)基礎(chǔ)和所用語言是集合論。數(shù)學(xué)形態(tài)學(xué)的應(yīng)

35、用可以簡化圖像數(shù)據(jù)，保持它們基本的形狀特性，并除去不相干的結(jié)構(gòu)5。數(shù)學(xué)形態(tài)學(xué)運(yùn)算主要用于如下幾個(gè)目的6：(1) 圖像預(yù)處理（去噪聲、簡化形狀）；(2) 增強(qiáng)物體結(jié)構(gòu)（抽取骨骼、細(xì)化、粗化、凸包、物體標(biāo)記）；(3) 從背景中分割物體；(4) 物體量化描述（面積、周長、投影、Euler-Poincare特征）。2.3.2 基本運(yùn)算數(shù)學(xué)形態(tài)學(xué)的基本運(yùn)算方式是指導(dǎo)數(shù)學(xué)形態(tài)學(xué)進(jìn)行運(yùn)算處理的基本方法，由一組形態(tài)學(xué)的代數(shù)運(yùn)算子組成的，它的基本運(yùn)算主要有4個(gè)：膨脹、腐蝕、開閉運(yùn)算和輪廓提取?；緢D像形態(tài)結(jié)構(gòu)運(yùn)算有膨脹與腐蝕。設(shè)A為圖像集合，B為結(jié)構(gòu)元素，數(shù)學(xué)形態(tài)學(xué)運(yùn)算是用B對A進(jìn)行操作。結(jié)構(gòu)元素本身也是一個(gè)圖

36、像集合，對每個(gè)結(jié)構(gòu)元素，指定一個(gè)原點(diǎn)，它是結(jié)構(gòu)元素參與形態(tài)學(xué)運(yùn)算的參考點(diǎn)。在形態(tài)學(xué)中，結(jié)構(gòu)元素是最重要和最基本的概念。結(jié)構(gòu)元素在形態(tài)變換中的作用相當(dāng)于信號處理的“濾波窗口”。(1) 膨脹膨脹有幾種不同的定義形式，通常其運(yùn)算符用表示，比如：A用B來膨脹寫作，最直觀的定義形式如下： （2.1）其中表示為集合B的映射。上式表明用B膨脹A的過程：先對B做關(guān)于原點(diǎn)的映射，再將其映像平移x，這里A與B映像的交集不為空集。即是B來膨脹A得到的集合是的位移與A至少有1個(gè)非零元素相交時(shí)B的原點(diǎn)位置的集合。膨脹運(yùn)算在數(shù)學(xué)形態(tài)學(xué)中的作用是修復(fù)原屬于一個(gè)整體的分開的若干個(gè)像素點(diǎn)集合，即把圖像周圍的背景點(diǎn)合并到物體中。

37、如果兩個(gè)物體之間距離比較近，那么膨脹運(yùn)算可能會使這兩個(gè)物體連通在一起，它可以用來填補(bǔ)物體中的空洞。例如，一個(gè)物體顯示在二值圖像上可能受到噪聲等干擾，使得物體本身像素值為1的點(diǎn)相互分散又靠得很近，那么膨脹運(yùn)算可能會使這些像素點(diǎn)連通在一起，最終獲得完整的物體。膨脹的結(jié)構(gòu)單元B可以根據(jù)需要進(jìn)行定義。(2) 腐蝕在數(shù)學(xué)形態(tài)學(xué)實(shí)際應(yīng)用過程中，腐蝕的運(yùn)算符用來表示。比如：A用B來腐蝕，就寫作。其概念常定義為： （2.2）上式表明對每一個(gè)像素，以該像素點(diǎn)為原點(diǎn)的腐蝕結(jié)構(gòu)B完全屬于A，則該像素屬于腐蝕結(jié)果的像素集合。即是用B來腐蝕A得到的集合是B完全包括在A中時(shí)B的原點(diǎn)位置的集合。腐蝕是一種消除所有邊界點(diǎn)，使

38、邊界向內(nèi)部收縮的過程，可以用來消除小且無意義的物體。(3) 開閉運(yùn)算開閉運(yùn)算是膨脹和腐蝕兩種基本操作按不同順序的組合。先腐蝕后膨脹的過程為開運(yùn)算，先膨脹后腐蝕的過程為閉運(yùn)算。集合A被結(jié)構(gòu)元素B做開運(yùn)算，記為AB。換句話說，A被B開運(yùn)算就是A被B腐蝕后的結(jié)果再被B膨脹。其定義為： （2.3）開運(yùn)算一般具有消除細(xì)小的突出、削弱狹窄的部分、在纖細(xì)點(diǎn)處分離物體、平滑圖像輪廓時(shí)又不明顯改變其面積的作用。集合A被結(jié)構(gòu)元素B作閉運(yùn)算，記為AB。即A被B作閉運(yùn)算就是A被B膨脹后的結(jié)果再被B腐蝕。其定義為： （2.4）閉運(yùn)算也是平滑圖像的輪廓，但與開運(yùn)算相反，它具有填充物體內(nèi)細(xì)小空洞、連接鄰近物體、在不明顯改變

39、物體面積的情況下平滑其邊界的作用。開運(yùn)算和閉運(yùn)算具有等冪性，即重復(fù)一次與多次沒有區(qū)別。通常，由于噪聲的影響，圖像在閾值化后所得到的邊界往往是很不平滑的，物體區(qū)域具有一些噪聲孔，背景區(qū)域上散布著一些小的噪聲物體，連續(xù)的開運(yùn)算和閉運(yùn)算可以有效的改善這種情況。(4) 輪廓提取物體的輪廓就是邊界點(diǎn)組成的集合，使用腐蝕操作處理后，物體所有邊界點(diǎn)就消除了。設(shè)圖像集合的邊界為edge (A)，先用一個(gè)結(jié)構(gòu)元素B腐蝕A，再求取腐蝕結(jié)果和A差集就可得到edge (A)，則輪廓提取通過下式得到： （2.5）第三章 運(yùn)動目標(biāo)的檢測3.1 引言運(yùn)動目標(biāo)檢測（Moving-Objectives Detecting, M

40、OD）是指將圖像序列中發(fā)生變化的區(qū)域從背景中分割出來。MOD的基本任務(wù)是判斷圖像序列中是否存在運(yùn)動目標(biāo)，并確定運(yùn)動目標(biāo)的位置。MOD處于整個(gè)視頻監(jiān)視系統(tǒng)的最底層，是各種后續(xù)高級應(yīng)用如目標(biāo)跟蹤、目標(biāo)分類、目標(biāo)行為識別和理解等的基礎(chǔ)。因此MOD成為視頻監(jiān)控系統(tǒng)研究中最重要的課題，也是陰影去除算法研究的基礎(chǔ)。3.2 運(yùn)動目標(biāo)檢測算法概述運(yùn)動目標(biāo)檢測是整個(gè)智能視頻監(jiān)控系統(tǒng)的第一部分，其目的是將運(yùn)動目標(biāo)(如車輛，行人等)從圖像中提取出來，檢測效果的好壞直接關(guān)系到后續(xù)步驟，而且也關(guān)系到整個(gè)系統(tǒng)的優(yōu)劣和實(shí)用性。運(yùn)動目標(biāo)的檢測常常受到光線變化、背景變化以及其它背景運(yùn)動物體等因素的影響，因此選用一種穩(wěn)定并可靠的

41、檢測方法尤為重要。目前常用的運(yùn)動檢測方法有光流法、相鄰幀差法、背景差分法。3.2.1 光流法光流是空間運(yùn)動物體在觀測成像面上的像素運(yùn)動的瞬時(shí)速度。光流的研究是利用圖像序列中的像素強(qiáng)度數(shù)據(jù)的時(shí)域變化和相關(guān)性來確定各自像素位置的“運(yùn)動”，即研究圖像灰度在時(shí)間上的變化與景象中物體結(jié)構(gòu)及其運(yùn)動的關(guān)系。一般情況下，光流由相機(jī)運(yùn)動、場景中目標(biāo)運(yùn)動或兩者的共同運(yùn)動產(chǎn)生。對于視頻監(jiān)控系統(tǒng)來說，所用的圖像基本都是攝像機(jī)靜止?fàn)顟B(tài)下攝取得，所以對有實(shí)時(shí)性和準(zhǔn)確性要求的系統(tǒng)來說，純粹使用光流法來檢測運(yùn)動目標(biāo)不太實(shí)際。更多的是利用光流法與其它方法綜合之后來實(shí)現(xiàn)對運(yùn)動目標(biāo)檢測。3.2.2 相鄰幀差法相鄰幀差法即圖像序列差

42、分法，它利用兩幀圖像亮度差的絕對值來分析視頻和圖像序列的運(yùn)動特性，確定圖像序列中是否有物體運(yùn)動。這是一種直接簡單的運(yùn)動檢測方法。其基本思想：如果一幅圖像的某一位置物體發(fā)生變化，那么對應(yīng)位置的灰度也將發(fā)生變化；而物體沒有發(fā)生變化的部分，其灰度則不發(fā)生變化或變化很小。因此該方法只需比較圖像序列中相鄰兩幅圖像的對應(yīng)像素灰度的差別。相鄰幀差法的優(yōu)點(diǎn)就是相鄰兩幀的時(shí)間間隔很短，用前一幀圖像作為后一幀圖像的背景模型具備較好的實(shí)時(shí)性，而且其背景不積累、更新速度快、算法計(jì)算量小。其缺點(diǎn)是閾值選擇相當(dāng)關(guān)鍵，閾值過低，則不足以抑制背景噪聲，容易將其誤檢測為運(yùn)動目標(biāo)；閾值過高，則容易漏檢，將有用的運(yùn)動信息忽略掉了。

43、另外，當(dāng)運(yùn)動目標(biāo)面積較大，顏色一致時(shí)，容易在目標(biāo)內(nèi)部產(chǎn)生空洞，無法完整地提取運(yùn)動目標(biāo)。因此，相鄰幀差法不能完全提取所有相關(guān)的特征像素點(diǎn)，得到的檢測結(jié)果不夠精確，在運(yùn)動目標(biāo)內(nèi)部產(chǎn)生的空洞不利于進(jìn)一步的目標(biāo)跟蹤等。3.2.3 背景差法背景差法相對于相鄰幀差法和光流法來說簡單且易于實(shí)現(xiàn)，是一種有效的運(yùn)動目標(biāo)檢測算法，是固定攝像機(jī)對固定場景進(jìn)行視頻監(jiān)控時(shí)檢測運(yùn)動目標(biāo)最常用的方法。它的本質(zhì)思想是利用當(dāng)前圖像與背景圖像進(jìn)行比較，選擇區(qū)別較大的像素區(qū)域作為運(yùn)動目標(biāo)；而區(qū)別較小的像素區(qū)域則被認(rèn)為是背景區(qū)域。背景差法必須要有背景圖像，并且背景圖像要隨著光照和外部環(huán)境的變化而實(shí)時(shí)更新，因此背景差法關(guān)鍵是背景建模及

44、其更新。傳統(tǒng)的背景差算法包括二大步驟：(1) 確定背景模型，并建立背景圖像。最簡單的背景模型是時(shí)間平均圖像。在背景圖像的初始化算法中，求取一段較長的時(shí)間段內(nèi)，視頻序列圖像每一像素的平均色彩值，作為初始的背景估計(jì)圖像。(2) 在像素模式下，用當(dāng)前圖像減去已知背景圖像來得到差分圖像。如果定義圖像序列為I(x，y，i)，其中x，y代表空間坐標(biāo)，i表示幀數(shù)，i=(1.N)，N為視頻序列總數(shù)。背景圖像為B(x，y)，則差分圖像可以表示為 （3.1）(3) 對差分圖像做二值化處理,得到運(yùn)動區(qū)域： （3.2）其中，p為差分圖像中的任何一點(diǎn)，T為閾值。如果M(xp，yp，i)=1，則表示象素點(diǎn)p在第i幀屬于運(yùn)

45、動區(qū)域(前景區(qū)域)；如果M(xp，yp，i)=0，則表示象素點(diǎn)p在第i幀屬于背景區(qū)域。這種固定背景算法是假定背景在相當(dāng)長的一段時(shí)間內(nèi)是不會發(fā)生變化的，然后以此為基礎(chǔ)求解運(yùn)動區(qū)域。事實(shí)上，即使是室內(nèi)環(huán)境，也存在光線等各種變化所造成的干擾，所以固定背景的方法存在很大的局限性。通常的解決辦法是系統(tǒng)需要時(shí)常對背景重新初始化，以防止錯誤隨著時(shí)間不停地積累造成背景的失效。因此，作為固定背景，它只適用于變化較小的短期的跟蹤問題。3.3 基于RGB顏色空間的混合高斯模型在靜止攝像機(jī)條件下，運(yùn)動目標(biāo)檢測的關(guān)鍵是背景圖像的描述模型即背景模型，它是背景差方法分割前景目標(biāo)的基礎(chǔ)。背景模型分為單模態(tài)和多模態(tài)兩種。前者在

46、每個(gè)背景點(diǎn)上的顏色分布是比較集中的，可以用單個(gè)概率分布模型來描述（即只有一個(gè)模態(tài)）；后者的分布則比較分散的，需要多個(gè)分布模型來共同描述（即具有多個(gè)模態(tài)）。自然界中許多的景物和很多的人造物體，如水面的波紋、飄揚(yáng)的旗幟、搖擺的樹枝等，都呈現(xiàn)出多模態(tài)特性，可以利用混合高斯分布（正態(tài)分布）對背景建模，再進(jìn)行背景差提取運(yùn)動目標(biāo)。這種基于混合高斯模型算法（MoG算法）的運(yùn)動目標(biāo)檢測算法即繼承了大多背景差算法簡單易于實(shí)現(xiàn)的特點(diǎn)，同時(shí)對背景中每個(gè)像素建立統(tǒng)計(jì)模型，進(jìn)行學(xué)習(xí)和更新，完全可以克服多模態(tài)的問題，獲得比較準(zhǔn)確實(shí)時(shí)的背景，從而有效進(jìn)行運(yùn)動目標(biāo)前景的提取6。背景模型的建立如果背景是完全靜止的，背景圖像的每

47、個(gè)像素點(diǎn)，可以用一個(gè)高斯分布來描述。但背景場景往往不是絕對靜止的，例如由于樹枝的搖擺運(yùn)動，背景圖像上的某一像素點(diǎn)在某一時(shí)刻可能是樹葉，可能是樹枝，也可能是天空，每一種狀態(tài)的像素點(diǎn)顏色值都是不同的。所以，用一個(gè)高斯模型來描述背景并不能反映實(shí)際背景。因此，對每個(gè)像素點(diǎn)用多個(gè)高斯模型混合表示。設(shè)t時(shí)刻，圖像中像素點(diǎn)(i, j)的觀察值可寫為Xt，則可以認(rèn)為Xt是一個(gè)隨機(jī)過程，并且假設(shè)任意兩個(gè)像素點(diǎn)之間統(tǒng)計(jì)獨(dú)立，則X(i, j)的特征向量在RGB顏色空間為： （3.3）其中，t時(shí)刻，像素的近期彩色歷史可以由K個(gè)高斯分布模型的混合去模擬描述這個(gè)隨機(jī)過程。K值的選取一般由計(jì)算能力和內(nèi)存來決定，K值越大，模

48、型雖然能體現(xiàn)越復(fù)雜的場景，但同時(shí)計(jì)算量也將大幅增加，消耗更多的計(jì)算時(shí)間?？紤]到計(jì)算速度的快慢，一般情況下取35個(gè)。在當(dāng)前時(shí)刻t點(diǎn)(i, j)的概率分布可用下面的公式來表示： （3.4） （3.5）其中，ij,k,t是t時(shí)刻第k個(gè)混合高斯分布的權(quán)值，ij,k,t、ij,k,t分別為第k個(gè)高斯分布的均值和方差，是高斯概率密度函數(shù)。當(dāng)采用RGB顏色空間進(jìn)行建模時(shí)，認(rèn)為R、G、B三個(gè)通道的分量值是相互獨(dú)立且具有相同的方差，則ij,k,t、ij,k,t可寫成如下形式： （3.6） （3.7）各高斯分布按照優(yōu)先級高低排列，優(yōu)先級qk計(jì)算如下： （3.8） 背景模型的更新由于周圍環(huán)境的變化，如光照、風(fēng)強(qiáng)度等

49、，已經(jīng)建立好的背景模型可能不再適應(yīng)變化過之后的環(huán)境。為了增強(qiáng)背景模型的適應(yīng)性，需要根據(jù)實(shí)際的情況，對背景模型進(jìn)行實(shí)時(shí)地更新。背景模型的更新就是指不斷利用新的當(dāng)前時(shí)刻視頻圖像更新背景圖像，使背景實(shí)時(shí)準(zhǔn)確反應(yīng)真實(shí)的監(jiān)控場景。更新方法的思想是對于圖像給定點(diǎn)的最新值Xt，與K個(gè)高斯分布分別進(jìn)行匹配，如果有某個(gè)高斯分布k與它匹配，則用當(dāng)前值Xt去更新這個(gè)k的各項(xiàng)參數(shù)；如果沒有任何一項(xiàng)分布k與它匹配，就用一個(gè)代表當(dāng)前值Xt的新的分布去代替現(xiàn)有混合高斯分布中的一個(gè)分布項(xiàng)。(1) 如果Xt服從某個(gè)高斯分布，則用當(dāng)前值Xt去更新這個(gè)高斯分布k的均值、方差和權(quán)值k,t。匹配的方法是把高斯分布k按權(quán)值與方差之比/從

50、大到小排列，然后選擇Xt與均值j,t-1,k足夠接近的第一個(gè)高斯分布作為匹配的高斯分布，即Xt滿足下列判別式： （3.9）其中，一般情況下取為2.5，上式表示Xt服從第j個(gè)高斯分布(1jK)。然后按以下等式對該高斯分布k的均值、方差和權(quán)值k,t進(jìn)行更新： （3.10） （3.11） （3.12） （3.13）其中，為模型分布學(xué)習(xí)速率，01。對于匹配的模型Mk,j=1，其余的模型（不匹配的分布）為0。經(jīng)過更新后，權(quán)值的總和保持不變，仍然為1。1/為表示變化快慢的時(shí)間常數(shù)，越小，權(quán)值更新的越慢，時(shí)間常數(shù)越大；越大，權(quán)值更新的越快，時(shí)間常數(shù)越小，混合高斯模型中主高斯分布對背景適應(yīng)性越好，更有利于背景

51、模型的更新，但對于內(nèi)部顏色比較一致的運(yùn)動目標(biāo)，則目標(biāo)的運(yùn)動方向后半部分容易檢測為背景（因?yàn)榍鞍氩糠挚赡芤呀?jīng)更新為背景了），這樣就造成了目標(biāo)的漏檢。為調(diào)整當(dāng)前分布的學(xué)習(xí)速率，當(dāng)前值匹配分布的程度越好，越大，參數(shù)調(diào)整（學(xué)習(xí)）的越快，但太大的話也會引起前面目標(biāo)漏檢。(2) 如果在K個(gè)分布中沒有找到與當(dāng)前像素匹配的高斯分布，那么可能性最小的高斯分布將被新的高斯分布所替代。新的高斯分布的均值為當(dāng)前的像素值Xt，具有較大的方差和較小的權(quán)值。這種方法的一個(gè)顯著優(yōu)點(diǎn)：當(dāng)某些值被歸為到背景時(shí)，現(xiàn)存的背景模型并沒有被破壞，原來的背景顏色一直存在于混合模型中直到被新的背景顏色所取代。因此，當(dāng)一個(gè)物體剛剛靜止下來后一

52、段足夠長的時(shí)間內(nèi)使其被歸為到背景中就開始運(yùn)動，由于描述以前背景的分布仍然存在于混合模型中，只是可能性較低，這樣的話，以前的背景就會很快就能恢復(fù)回來。 運(yùn)動目標(biāo)的檢測與提取由于有噪聲的影響，背景圖像庫中某些圖像的有些像素點(diǎn)并不能真正地代表背景，用這類像素建立的高斯分布模型是應(yīng)該被去除。場景中像素值是屬于前景還是屬于背景可以通過分析混合高斯模型中相應(yīng)的權(quán)值和方差得出：一般來說，我們可以認(rèn)為運(yùn)動中物體的模型會保持較大的方差，靜止的時(shí)候會比較小。在每一時(shí)間里，選擇每一點(diǎn)的混合高斯模型中的一個(gè)或多個(gè)高斯分布作為背景模型，其它的則作為前景模型。用每一點(diǎn)的當(dāng)前值和此點(diǎn)混合模型中的背景模型進(jìn)行匹配，如果不匹配

53、，則作為前景。為了判定Xt是屬于前景像素還是背景像素，首先根據(jù)每個(gè)模型的/值來給模型排序，比值越大，表示具有較大的和較小的，因此排序越前的高斯分布，越能描述背景模型。所以，我們選擇排在前面的N個(gè)高斯代表背景模型，作為背景模型的估計(jì)，如下式： （3.14）其中，T為預(yù)先定義的閾值，它表示背景的分布權(quán)值的和在整體中所占的最小比例，一般根據(jù)經(jīng)驗(yàn)可取T=0.3。N是能達(dá)到這一比例的“最好”的高斯分布的數(shù)量，即前面N個(gè)最可能的分布。如果T值設(shè)置的比較小，那么背景就變成了單模的，就是個(gè)單個(gè)高斯分布的背景模型，用最可能的那個(gè)分布表示背景可以節(jié)省計(jì)算量。如果T值取的比較大，那么混合模型就可以容納重復(fù)運(yùn)動的背景

54、導(dǎo)致的多種背景顏色。MoG算法對多模態(tài)背景有良好的適應(yīng)能力，能夠準(zhǔn)確地判斷出高頻振動的背景，并且具有極強(qiáng)的魯棒性。該算法的特點(diǎn)是每個(gè)高斯分布不僅帶有權(quán)值，而且具有優(yōu)先級，像素點(diǎn)與某個(gè)高斯模型相匹配后，就將該匹配的高斯分布的參數(shù)進(jìn)行更新，權(quán)值進(jìn)行提高，而其它高斯分布的權(quán)值則相應(yīng)地降低，每次對參數(shù)與權(quán)值進(jìn)行更新之后，對每個(gè)高斯分布再重新計(jì)算優(yōu)先級和進(jìn)行排序。第四章 陰影的去除4.1 引言根據(jù)上一章所討論的背景模型的建立，可以通過背景差分法得到包含運(yùn)動區(qū)域的前景二值圖，該二值圖去除了當(dāng)前圖像中的背景像素，僅留下了變化像素。但在變化像素中，除了運(yùn)動目標(biāo)外還存在許多由各種干擾所引起的變化像素，這些可能會

55、使原本分離的目標(biāo)區(qū)域合并或引起目標(biāo)變形等。因此，為了正確提取運(yùn)動目標(biāo)區(qū)域，陰影和殘留噪聲等仍然需要去除，同時(shí)，可以利用數(shù)學(xué)形態(tài)學(xué)對原始圖像進(jìn)行重建。為此，本文引入了基于RGB顏色空間的陰影檢測和去除方法進(jìn)行運(yùn)動目標(biāo)陰影的檢測與去除；利用數(shù)學(xué)形態(tài)學(xué)方法來完成對目標(biāo)區(qū)域的修整與重建。4.2 陰影產(chǎn)生的機(jī)理陰影主要是因?yàn)閳鼍爸械膶ο蟊还庠床糠只蛉空趽醵a(chǎn)生的。陰影通常可分為投射陰影（Cast Shadow）和自身陰影（Self Shadow）兩類。自身陰影是由于物體本身沒有被光源直接照射到而形成的，屬于目標(biāo)本身的一部分，這部分陰影是不用從檢測結(jié)果中去除的。投射陰影是由于物體阻擋光線后在背景上形成的

56、部分，這就是要從結(jié)果中去掉的陰影。投射陰影中直射光線被完全阻擋的部分稱為本影（Umbra，又叫暗影）。直射光線被部分阻擋的部分叫做半本影（Penumbra，又叫半影）。物體運(yùn)動的暗影因顯著地異于背景而常常被錯誤地理解為運(yùn)動物體7。在實(shí)際應(yīng)用中進(jìn)行陰影檢測時(shí)，一般認(rèn)為陰影有如下特點(diǎn)：(1) 被陰影所覆蓋的像素點(diǎn)比原背景亮度低，不顯著改變所覆蓋的背景顏色和紋理；(2) 陰影總是與形成陰影的運(yùn)動目標(biāo)相關(guān)聯(lián)；(3) 被陰影所覆蓋的背景點(diǎn)色調(diào)會對藍(lán)色造成很大的影響；(4) 陰影形狀是目標(biāo)形狀在背景上的投影，但是形狀與運(yùn)動目標(biāo)的形狀基本不同，差距很大；(5) 陰影與產(chǎn)生陰影的目標(biāo)具有相同的運(yùn)動屬性。陰影區(qū)域可看作是半透明的區(qū)域，在陰影區(qū)域內(nèi)，由于照射光線被遮擋，陰影覆蓋區(qū)域的照度降低，對應(yīng)圖像的亮度降低，這樣陰影區(qū)域的亮度要比同一區(qū)域在無陰影時(shí)以及陰影的鄰近非陰影區(qū)域要暗一些。因此，被陰影覆蓋區(qū)域的圖像除在亮度上表現(xiàn)出明顯變化外，其色度并沒有呈