基于混合高斯建模方法的運動目標(biāo)檢測方法研究與實現(xiàn)畢業(yè)論文

1、摘 要運動目標(biāo)檢測是計算機(jī)視覺研究領(lǐng)域的基礎(chǔ)，它是從圖像序列中去除靜止的背景區(qū)域，將運動區(qū)域的前景檢測并提取出來，如何有效地把感興趣的目標(biāo)如人、物等前景目標(biāo)從復(fù)雜場景中分割出來，并對目標(biāo)行為做出相應(yīng)的檢測，是計算機(jī)視覺研究的熱點和難點。本文對視頻圖像讀取、圖像灰度化等處理過程做了簡單的闡述，并分別對均值濾波、中值濾波和高斯濾波這三種不同的濾波方法進(jìn)行比較，分析各種方法的優(yōu)缺點，同時提出使用高斯濾波方法。最后利用搭建在Visual C+6. 0上的OpenCV軟件進(jìn)行設(shè)計，使用混合高斯背景的建模方法實現(xiàn)對運動目標(biāo)的檢測。在背景的各種建模方法中，混合高斯背景模型以其簡便、靈活、高效的特點成為該領(lǐng)域

2、的經(jīng)典方法，能夠很好消除背景的微小擾動對運動目標(biāo)檢測所產(chǎn)生的影響，比較準(zhǔn)確地檢測出復(fù)雜環(huán)境下的運動目標(biāo)，具有較好的魯棒性和實時性。 關(guān)鍵詞: 運動目標(biāo)檢測；OpenCV；混合高斯背景模型ABSTRACTMoving target detection is the foundation of computer vision research field, which is still to remove the background from an image sequence region, the prospect of a motion area detected and extracte

3、d, how effectively the target of interest, such as human, material and other foreground objects from a complex scene carved out, and make the appropriate test target behavior, is hot and difficult computer vision research.In this paper, the video image reading, image processing such as Gray did a br

4、ief explanation, and respectively, mean filter, median filter and Gaussian filter three different methods to compare the advantages and disadvantages of each method, At the same time proposed to use a Gaussian filter. Finally, build in Visual C + 6. OpenCV software 0 of design, using a mixed Gaussia

5、n background modeling methods to achieve the detection of moving targets.In the background of the various modeling methods, Gaussian mixture background model with its simple, flexible and efficient characteristics of a classical method in the field, can be a good influence to eliminate background sm

6、all perturbations generated by the moving target detection, more accurate moving objects detected in complex environments, robust and real-time.Key Words: Moving Object Detection; OpenCV; The background model目 錄TOC o 1-3 h u HYPERLINK l _Toc5521 1 緒論 PAGEREF _Toc5521 1 HYPERLINK l _Toc10687 研究背景和意義

7、PAGEREF _Toc10687 1 HYPERLINK l _Toc28151 1.2 國內(nèi)外研究現(xiàn)狀與發(fā)展趨勢 PAGEREF _Toc28151 1 HYPERLINK l _Toc23355 國內(nèi)外研究現(xiàn)狀 PAGEREF _Toc23355 1 HYPERLINK l _Toc28954 1.2.2 研究的熱點 PAGEREF _Toc28954 3 HYPERLINK l _Toc13354 1.3 研究內(nèi)容 PAGEREF _Toc13354 4 HYPERLINK l _Toc17379 1.4 本章小結(jié) PAGEREF _Toc17379 4 HYPERLINK l _To

8、c5422 2 視頻圖像檢測預(yù)處理 PAGEREF _Toc5422 5 HYPERLINK l _Toc15965 2.1 視頻讀取 PAGEREF _Toc15965 5 HYPERLINK l _Toc20555 2.2 圖像灰度化 PAGEREF _Toc20555 6 HYPERLINK l _Toc1023 PAGEREF _Toc1023 7 HYPERLINK l _Toc13982 2.4.1 中值去噪 PAGEREF _Toc13982 8 HYPERLINK l _Toc22276 2.4.2 均值去噪 PAGEREF _Toc22276 9 HYPERLINK l _T

9、oc10424 2.4.3 高斯去噪 PAGEREF _Toc10424 10 HYPERLINK l _Toc18392 2.5本章小結(jié) PAGEREF _Toc18392 11 HYPERLINK l _Toc26352 3 運動目標(biāo)檢測算法研究 PAGEREF _Toc26352 12 HYPERLINK l _Toc10409 3.1 幾種常見的運動目標(biāo)檢測方法的介紹 PAGEREF _Toc10409 12 HYPERLINK l _Toc2348 3.1.1 光流法 PAGEREF _Toc2348 12 HYPERLINK l _Toc11915 3.1.2 背景減除法 PAGE

10、REF _Toc11915 13 HYPERLINK l _Toc31971 3.1.3 幀間差分法 PAGEREF _Toc31971 13 HYPERLINK l _Toc18216 3.2 基于自適應(yīng)高斯背景模型的目標(biāo)檢測 PAGEREF _Toc18216 14 HYPERLINK l _Toc21113 3.2.1 單高斯背景模型 PAGEREF _Toc21113 15 HYPERLINK l _Toc21206 3.2.2 混合高斯背景模型 PAGEREF _Toc21206 15 HYPERLINK l _Toc2242 小結(jié) PAGEREF _Toc2242 15 HYPER

11、LINK l _Toc10276 4 基于混合高斯背景建模方法的運動目標(biāo)檢測 PAGEREF _Toc10276 17 HYPERLINK l _Toc5119 4.1 OpenCV介紹 PAGEREF _Toc5119 17 HYPERLINK l _Toc2584 PAGEREF _Toc2584 18 HYPERLINK l _Toc29634 4.3 形態(tài)學(xué)運算 PAGEREF _Toc29634 18 HYPERLINK l _Toc10264 4.3.1 圖像腐蝕 PAGEREF _Toc10264 19 HYPERLINK l _Toc30596 4.3.2 圖像膨脹 PAGER

12、EF _Toc30596 19 HYPERLINK l _Toc17057 4.3.3 開運算和閉運算 PAGEREF _Toc17057 19 HYPERLINK l _Toc31003 4.3.4 形態(tài)學(xué)運算的部分代碼 PAGEREF _Toc31003 20 HYPERLINK l _Toc621 4.3.5 形態(tài)學(xué)處理的效果圖 PAGEREF _Toc621 20 HYPERLINK l _Toc17313 4.4 混合高斯背景建模的流程圖 PAGEREF _Toc17313 21 HYPERLINK l _Toc32313 4.5 利用混合高斯模型進(jìn)行背景建模 PAGEREF _To

13、c32313 22 HYPERLINK l _Toc21192 4.5.1 混合高斯背景模型的建立及初始化 PAGEREF _Toc21192 22 HYPERLINK l _Toc2887 4.5.2 背景模型的更新 PAGEREF _Toc2887 24 HYPERLINK l _Toc13752 4.6 運行結(jié)果效果圖 PAGEREF _Toc13752 26 HYPERLINK l _Toc5959 4.7 本章小結(jié) PAGEREF _Toc5959 27 HYPERLINK l _Toc31205 5 總結(jié)與展望 PAGEREF _Toc31205 29 HYPERLINK l _T

14、oc32346 5.1 總結(jié) PAGEREF _Toc32346 29 HYPERLINK l _Toc25980 5.2 展望 PAGEREF _Toc25980 29 HYPERLINK l _Toc9794 致 謝 PAGEREF _Toc9794 31 HYPERLINK l _Toc18012 參考文獻(xiàn) PAGEREF _Toc18012 32 1 緒 論 研究背景和意義計算機(jī)視覺的研究是從二十世紀(jì)五十年代開始，起初的主要研究目的是通過檢測圖像中的物體并獲取這些物體間的關(guān)系來進(jìn)行對圖像的理解。然而從二十世紀(jì)七十年代起，目標(biāo)分割、邊緣檢測等問題的研究啟發(fā)了學(xué)者們對解決視覺問題的有效方法

15、的探索，后來隨著人類知識的不斷積累，以及計算機(jī)視覺理論和算法研究的日益發(fā)展，加上現(xiàn)階段計算機(jī)軟硬件的日趨成熟和普及，人們利用計算機(jī)技術(shù)來幫助人類感知和認(rèn)識世界的需求也在與日俱增。這使得人類獲取外界的各種信息很大一部分是通過視覺信息途徑得到的。視覺信息包括靜態(tài)圖像信息和圖像序列信息(視頻信息)，靜態(tài)圖像信息由于它在時間上是靜止的，使得所能包含的信息量僅限在一幀圖片以內(nèi)，從而無法表現(xiàn)出信息在時間上的相關(guān)性，與此相反，視頻信息具有在空間和時間上的聯(lián)系和相關(guān)性，能夠?qū)⒑芏嗳祟惛信d趣的信息包含在里面，尤其是視頻信號中的運動部分，更是將視頻信號中的主要信息包含在里面，從而視頻信息成為了視頻信號處理的關(guān)鍵對

16、象。隨著研究的不斷深入和拓展，視頻圖像信號在信息處理和計算機(jī)視覺中扮演著越來越重要的角色。隨著運動目標(biāo)檢測研究的不斷深入，以及 HYPERLINK :/baike.haosou /doc/1312255-1387355.html t :/baike.haosou /doc/_blank 計算機(jī)技術(shù)的發(fā)展和計算機(jī)視覺原理的廣泛應(yīng)用，利用計算機(jī)圖像處理技術(shù)對目標(biāo)進(jìn)行實時跟蹤研究越來越熱門，對目標(biāo)進(jìn)行動態(tài)實時跟蹤定位在智能化交通系統(tǒng)、 HYPERLINK :/baike.haosou /doc/2608213-2753992.html t :/baike.haosou /doc/_blank 智能監(jiān)

17、控系統(tǒng)、軍事目標(biāo)檢測及醫(yī)學(xué)導(dǎo)航手術(shù)中手術(shù)器械定位等方面具有廣泛的應(yīng)用價值?；旌细咚贡尘澳Ｐ鸵云浜啽?、靈活、高效的特點成為該領(lǐng)域的經(jīng)典方法，能夠很好消除背景的微小擾動對運動目標(biāo)檢測所產(chǎn)生的影響，通過使用混合高斯背景的建模方法能夠比較準(zhǔn)確地檢測出復(fù)雜環(huán)境下的運動目標(biāo)，具有較好的魯棒性和實時性，對未來計算機(jī)視覺技術(shù)的發(fā)展具有重要的意義。1.2 國內(nèi)外研究現(xiàn)狀與發(fā)展趨勢 國內(nèi)外研究現(xiàn)狀視頻檢測技術(shù)在目前世界上的應(yīng)用非常廣泛，其中應(yīng)用最為廣泛的地區(qū)是日本，如日本的VICS系統(tǒng)相當(dāng)完畢和成熟，其次美國、歐洲等地區(qū)也普遍應(yīng)用。在中國，北京、上海、廣東等地也已廣泛使用。經(jīng)過幾十年的發(fā)展歷程，國外的視頻檢測技術(shù)

18、研究己經(jīng)趨于成熟，主要集中于一些較發(fā)達(dá)的國家。運動目標(biāo)檢測技術(shù)是智能視頻監(jiān)控系統(tǒng)中最為關(guān)鍵的步驟,它是將運動區(qū)域的前景從復(fù)雜場景中分割出來，并對目標(biāo)行為做出相應(yīng)的檢測，運動區(qū)域的正確分割，對以后的運動目標(biāo)的跟蹤和行為理解等后期處理起到了至關(guān)重要的作用。通常，根據(jù)目標(biāo)與攝像機(jī)的相對關(guān)系可分為兩種情況：靜態(tài)背景下的運動目標(biāo)檢測和動態(tài)背景下的運動目標(biāo)檢測。靜態(tài)背景下的運動目標(biāo)檢測是指攝像機(jī)在整個監(jiān)控的過程中處于靜止?fàn)顟B(tài)，只存在著被監(jiān)控物體在視場內(nèi)的運動；而動態(tài)背景下運動目標(biāo)的檢測是指攝像機(jī)在整個監(jiān)控過程中發(fā)生了移動(如平動、旋轉(zhuǎn)或多自由度運動)，同時被監(jiān)控的物體在整個視場內(nèi)也存在著運動的情況。 目前

19、，傳統(tǒng)的靜態(tài)背景下運動目標(biāo)檢測算法可分為以下幾類。(1)背景減除法背景減除法1是目前運動目標(biāo)檢測中最為常用的方法，它是利用當(dāng)前圖像與背景圖像進(jìn)行差分來檢測運動目標(biāo)。這種方法的優(yōu)點是能夠?qū)⑦\動區(qū)域描述的完整并且精確，但是它的不足之處在于對光照和場景中的擾動會比較敏感。背景減除法的難點在于如何尋找其理想的背景模型，以及如何進(jìn)行對背景模型的更新。其中最為簡單的背景模型是時間平均圖像。為了抑制動態(tài)場景的變化對運動目標(biāo)檢測所產(chǎn)生的影響，許多研究人員都致力于研究更好的背景模型，已達(dá)到更好的顯示效果。Haritaoglu等2 它是利用最小、最大的強(qiáng)度值和最大時間差分值來為場景中的每個像素進(jìn)行統(tǒng)計建模，并且對

20、背景模型進(jìn)行周期性地更新。此外，特征背景法也是較為常見的背景建模方法，還有圖像變換同現(xiàn)法等。像素級的混合高斯模型能隨動態(tài)場景的變化而自適應(yīng)地變化，可以用來描述多峰的背景，同時也廣泛應(yīng)用于運動目標(biāo)領(lǐng)域的檢測。Stauffer和Grimson3提出了自適應(yīng)的混合高斯模型，通過對視頻圖像中每一幀的每個像素進(jìn)行高斯建模，在利用在線估計進(jìn)行模型參數(shù)更新的方法，從而有效地克服了背景的擾動，光照變化等對前景目標(biāo)檢測所帶來的影響。除此之外，研究人員對混合高斯模型進(jìn)行不斷深入的學(xué)習(xí)，他們不斷地改進(jìn)混合高斯模型的算法，將其應(yīng)用在智能視頻監(jiān)控各個方面，希望系統(tǒng)能夠有較高的實時性，然而在對其處理圖像序列時，無論是運動

21、目標(biāo)的檢測和跟蹤，還是分類都是逐幀對圖像序列進(jìn)行處理的，計算量非常龐大，并且不能滿足系統(tǒng)的實時性要求，因此要提高系統(tǒng)的實時性，就需要研究如何減少背景建模算法的計算量。(2)幀間差分法幀間差分法是目前最簡單的運動目標(biāo)檢測方法，它主要是利用了連續(xù)圖像序列中相鄰的兩幀或三幀圖像之間的相關(guān)性，然后對連續(xù)圖像序列中相鄰的幀進(jìn)行相減來進(jìn)行目標(biāo)檢測的方法，通過較小時間間隔來檢測的圖像變化部分，最后對圖像進(jìn)行閾值化處理來找出運動區(qū)域。幀間差分法具有算法簡單, 運算量小等優(yōu)點, 但是根據(jù)目標(biāo)的運算速度，選擇合適的差分時間間隔是檢測圖像序列的關(guān)鍵, 如果選擇得差分時間間隔不合適, 會造成較大誤差。Lipton等4

22、通過利用兩幀差分的方法從實際的視頻圖像中檢測出運動目標(biāo)，進(jìn)而對目標(biāo)進(jìn)行分類與跟蹤。Collins等5開發(fā)的是一種將三幀差分與自適應(yīng)背景減除相結(jié)合的混合算法，它能夠快速地從整幅圖像中分割出前景圖像。幀間差分法對動態(tài)環(huán)境有著較強(qiáng)的適應(yīng)性，它的缺點是不能從中提取所有相關(guān)的特征像素點，在運動目標(biāo)內(nèi)部易產(chǎn)生空洞，從而得出不完整的目標(biāo)信息。(3)光流法 光流是空間運動物體在觀測成像面上的像素運動的瞬時速度6。光流法的研究是根據(jù)圖像序列中的像素強(qiáng)度數(shù)據(jù)的時域變化和相關(guān)性，從而確定各自像素位置的“運動”情況，它主要研究內(nèi)容的的是，圖像序列的灰度在時間上的變化與景象中物體結(jié)構(gòu)及其運動之間的關(guān)系。一般情況下，光流

23、的產(chǎn)生是由相機(jī)運動、場景中目標(biāo)運動或兩者的共同運動導(dǎo)致的。光流法檢測運動目標(biāo)的基本原理是：給圖像序列中的每一個像素點賦予一個速度矢量，使其形成了一個圖像的運動場，在運動的一個特定時刻，通過投影關(guān)系得到圖像上的點與三維物體上的點的一一對應(yīng)，在根據(jù)各個像素點的速度矢量特征對圖像序列進(jìn)行動態(tài)分析。如果圖像中沒有運動物體，則光流矢量在整個圖像區(qū)域是連續(xù)變化的。當(dāng)圖像中有運動物體時，目標(biāo)和圖像背景就會存在相對的運動，這時運動物體所形成的速度矢量和鄰域背景速度矢量會產(chǎn)生不同，從而能夠檢測出運動目標(biāo)及其所在的位置。利用光流法進(jìn)行運動物體檢測的缺點在于大多數(shù)光流法計算耗時，實時性和實用性都較差。但是光流法能夠

24、攜帶運動物體的運動信息和有關(guān)景物三維結(jié)構(gòu)的優(yōu)點，它能夠在不知道任何場景信息的情況下，檢測出運動對象。但是由于被檢測物體與攝像機(jī)之間存在著復(fù)雜的相對運動，而動態(tài)的運動目標(biāo)的檢測算法比靜態(tài)的運動目標(biāo)的檢測算法情況要復(fù)雜很多，目前動態(tài)背景的運動目標(biāo)檢測算法中，常用的算法有匹配塊法、光流估計法、圖像匹配法以及全局運動估計法等。但這些方法存在一個共性的問題就是計算量非常大，而且運動目標(biāo)容易受到噪聲和局部光照條件的影響，而如何利用視頻監(jiān)控場景中的圖像序列自身的特點對我們算法的研究起著至關(guān)重要的作用。(4)塊匹配法塊匹配算法是將圖像序列中的相鄰兩幀圖像分割為子塊，在通過對子塊的匹配來進(jìn)行運動估值7。在塊匹配

25、的算法中, 圖像序列被分割為若干個子塊, 并將子塊中的所有像素的運動矢量被認(rèn)為是相同的, 假設(shè)圖像場景中沒有大的遮擋物，而且復(fù)雜的運動可以被近似地分解為一組平移運動之和，所以塊匹配算法可以假定為圖像中的運動物體是由做平移運動的剛體組成而得到的。這樣就會使塊匹配算法變得簡單快速, 同時也保證了較高的精度。1.2.2 研究的熱點1. 環(huán)境的微小擾動和光照變化對運動目標(biāo)帶來形狀變化，使得實時識別和檢測非常困難，如何選擇和提取具有不變性的特征有提高待。2. 如何選取合適的高斯背景模型與之像素點進(jìn)行匹配，以及陰影圖像對運動目標(biāo)檢測所帶來的干擾需進(jìn)一步提高。3. 系統(tǒng)算法在進(jìn)行運動目標(biāo)檢測時，使用的是混合

26、高斯建模方法，其運算量比較大，如果對于大量的數(shù)據(jù)進(jìn)行計算時，由于計算的過程比較耗時從而會影響效果的實時性；1.3 研究內(nèi)容簡要介紹了計算機(jī)視覺，了解運動目標(biāo)檢測的國內(nèi)外發(fā)展現(xiàn)狀，并對目前運動目標(biāo)檢測的常用方法的簡單介紹，最后分析現(xiàn)階段對運動目標(biāo)檢測研究的熱點問題。 第二章是對視頻圖像進(jìn)行預(yù)處理。其中包括讀取視頻，圖像去噪，圖像灰度化等，對比不同處理方法的優(yōu)缺點，最后選定運用高斯去噪的方法處理圖像。第三章對運動目標(biāo)檢測做出簡單闡述，并分析當(dāng)前常用的幾種運動目標(biāo)檢測的方法，其中包括背景減除法、光流法、幀間差分法以及塊匹配法，并結(jié)合各種方法的優(yōu)缺點及研究目的，最后選擇利用混合高斯分布背景建模進(jìn)行前景

27、檢測。 第四章首先介紹了OpenCV在Visual C+6. 0下的環(huán)境搭建，然后介紹對視頻圖像中幀圖像的處理，接著闡述了混合高斯背景建模方法的運動目標(biāo)檢測的流程圖，接下來詳細(xì)介紹混合高斯建模的初始化和背景模型的更新，以及實現(xiàn)建模方法的部分代碼，最后通過程序的運行，對運動目標(biāo)檢測的顯示進(jìn)行分析。第五章總結(jié)與展望。本文所做的工作做出總結(jié)，并對該領(lǐng)域的未來作出了展望。1.4 本章小結(jié)本章主要介紹了計算機(jī)視覺研究的背景，以及研究計算機(jī)視覺對運動目標(biāo)檢測過程的意義，接著闡述了目前國內(nèi)外研究的現(xiàn)狀與發(fā)展趨勢，并簡單的介紹了目前運動目標(biāo)檢測的常用方法，如背景減除法、幀間差分法、光流法和塊匹配法，然后對目前

28、運動目標(biāo)檢測所出現(xiàn)的一些熱點問題做了簡單敘述，最后對本論文各章節(jié)需要研究的內(nèi)容進(jìn)行簡要的概述。2 視頻圖像檢測預(yù)處理視頻是指隨著時間發(fā)生變化的一組數(shù)字圖像序列，有時還包含有相應(yīng)的音頻信息。數(shù)字視頻是先用攝像機(jī)之類的視頻捕捉設(shè)備，將外界影像的顏色和亮度信息轉(zhuǎn)變?yōu)殡娦盘?，再記錄?HYPERLINK :/baike.baidu /subview/1084566/1084566.htm t :/baike.baidu /view/_blank 儲存介質(zhì)當(dāng)中，它也是數(shù)字圖像在時域上的序列，視頻序列中的每個圖像稱為幀。而現(xiàn)在的視頻文件較多是通過彩色攝像機(jī)進(jìn)行采集的，而在視頻文件的采集、傳輸和記錄的過程中

29、，經(jīng)常會受到各種噪聲的干擾，其中包括外界光照、陰影的影響，也包括攝像頭成像誤差、系統(tǒng)電路失真等引起的噪聲。而在現(xiàn)實中的圖像序列一般都是噪聲圖像，因此在對圖像進(jìn)行處理的過程中，在對圖像的邊緣檢測、圖像分割、特征提取、模式識別等處理之前，應(yīng)該選用適當(dāng)?shù)乃惴ㄈコ龍D像中的噪聲干擾，這對圖像序列的檢測至關(guān)重要，因此視頻圖像的去噪是一個非常重要的預(yù)處理步驟。對于一個良好的圖像處理系統(tǒng)，不論是計算機(jī)進(jìn)行的數(shù)字處理還是用模擬處理，都是把減少最前一級的去除噪聲作為主攻目標(biāo)。在我們對視頻圖像的檢測之前，為了能更好達(dá)到預(yù)期的結(jié)果，避免噪聲等因素對視頻圖像檢測效果的影響，首先應(yīng)該對視頻圖像的進(jìn)行預(yù)處理，本章主要介紹了

30、對視頻的讀取，圖像灰度化，以及幾種常用的去噪方法，并綜合分析每種方法的優(yōu)缺點，最后確定使用高斯濾波進(jìn)行圖像去噪。2.1 視頻讀取本課題是基于OpenCV的運動環(huán)境下進(jìn)行編譯，其識別的視頻格式為avi。OpenCV從外部捕獲圖像有兩種方式，一種是從攝像頭中獲取，另一種是通過對視頻的解碼得到圖像。這兩種獲取圖像的方式都必須從第一幀開始一幀一幀的按順序獲取，因此每獲取一幀圖像后都要保存其相應(yīng)的狀態(tài)和參數(shù)8。如果從視頻文件中獲取，需要保存視頻文件的文件名和相應(yīng)的文件名類型，以及下一次獲取所需要解碼哪一幀等。這些信息都保存在CvCapture中，而每獲取一幀后，這些信息都將被更新，獲取下一幀需要將新的信

31、息傳給獲取信息所傳遞的接口。CvCapture 是一個結(jié)構(gòu)體，它是用來保存圖像捕獲所需要的信息。通過設(shè)置視頻文件的路徑，然后在設(shè)置窗口大小，并且可以控制窗口的位置和大小。cvQueryFrame從攝像頭或者文件中抓取并返回這一幀。返回的圖像不可以被用戶釋放或者修改。cvQueryFrame的參數(shù)為CvCapture結(jié)構(gòu)體的指針。它的作用是用來將下一幀視頻文件載入內(nèi)存，返回一個對應(yīng)當(dāng)前幀的指針。與cvNamedWindow不同是，cvQueryFrame使用已經(jīng)在cvCapture結(jié)構(gòu)中分配好的內(nèi)存，而cvNamedWindow為圖像分配內(nèi)存空間。而在釋放內(nèi)存的時候，就沒有必要通過cvRelea

32、seImage對這個返回的圖像指針進(jìn)行釋放，當(dāng)CvCapture結(jié)構(gòu)被釋放后，每一幀圖像所對應(yīng)的內(nèi)存空間即會被釋放。部分代碼如下/打開視頻文件 /if(argc = 2) if( !(pCapture = cvCaptureFromFile(SampleVideo.avi) fprintf(stderr, Can not open video file %s/n, argv1); return -2; IplImage* pFrame = NULL; IplImage* pFrImg = NULL; IplImage* pBkImg = NULL; CvCapture* pCapture =

33、NULL; /聲明視頻捕捉器，用于捕獲視頻 int nFrmNum = 0; cvNamedWindow(video, 1); /窗口設(shè)置cvNamedWindow(background,1); cvNamedWindow(foreground,1); CvGaussBGModel* bg_model=NULL; IplImage *img_erode;IplImage *img_dilate;while(pFrame = cvQueryFrame( pCapture ) /從攝像頭或文件中讀取并返回一幀 . 2.2 圖像灰度化 圖像灰度化就是對彩色圖像中的彩色信息進(jìn)行處理，將其變?yōu)榛叶葓D像，

34、只包含亮度信息。在計算機(jī)中對圖像灰度圖表示是對其圖像的亮度值進(jìn)行量化，將其等分成0-255共256個級別，0最暗(全黑)，255最亮(全白)，而在RGB模型中，如果R=G=B，則顏色(R,G,B)就表示灰度色。要對圖像進(jìn)行灰度化，就需要使圖像的RGB的三個分量取相等的值，則圖像就會由原來的三維特征降到灰度化后的一維特征，在此過程中圖像必然會丟失部分的信息。常見的灰度化處理方法有平均值法、最大值法口、加權(quán)平均值法等。而不論采取哪種灰度化處理方法，都會將其原有的顏色特征改變或丟失，這樣就使得同一種二值化方法因為不同的灰度化處理過程得到不同的結(jié)果，其中R表示該像素的紅色分量，G表示綠色分量，B表示藍(lán)

35、色分量。在OpenCV函數(shù)庫中，圖像的灰度化可以通過cvCvtColor(pBkImg,pFrImg， CV_BGR2GRAY) 函數(shù)實現(xiàn)，參數(shù)CV_BGR2GRAY是RGB到GRAY, cvCvtColor(.)是OpenCV里的顏色空間轉(zhuǎn)換函數(shù)，可以實現(xiàn)RGB顏色向HSV,HSI等顏色空間的轉(zhuǎn)換，也可以轉(zhuǎn)換為灰度圖像。效果圖如圖2-1所示 圖(a)為原始圖，圖(b)為灰度化后的圖像。（a）原始圖 (b) 灰度化后的圖像圖2-1 圖像灰度化圖像去噪是視頻圖像處理過程中的重要部分，它是將輸入的圖像進(jìn)行濾波去除噪聲，增強(qiáng)圖像，銳化。視頻圖像一般經(jīng)過預(yù)處理、灰度處理之后，再加上對圖像的濾波去噪，將

36、會改善感興趣區(qū)域的可視化效果，從而對視頻圖像的檢測起到重要的作用。因此，在對圖像進(jìn)行預(yù)處理時，要謹(jǐn)慎的對待，它關(guān)系到圖像的下一步質(zhì)量，不容輕視。圖像噪聲是指圖像在攝取時或是傳輸時所受到的隨機(jī)干擾信號，而這些隨機(jī)干擾信號的抑制稱為圖像的噪聲抑制9。一般的圖像序列都是有噪聲存在的，而這些噪聲將影響圖像處理的效果。圖像傳感器帶來的噪聲在視頻圖像處理中為主要噪聲源。噪聲的出現(xiàn)有兩種：椒鹽噪聲和高斯噪聲(白噪聲)。椒鹽噪聲主要是由圖像傳感器，傳輸信道，解碼處理等產(chǎn)生的黑白相間的亮暗點噪聲，往往由圖像切割引起。中值濾波是去除脈沖干擾級椒鹽噪聲最常用的算法。高嘶噪聲是從頻率上說的隨機(jī)信號干擾，其噪聲服從高斯

37、分布。圖像中內(nèi)在噪聲也可能對圖像的檢測產(chǎn)生影響，而原始幀由于其他原因不可避免的會疊加噪聲。因此，在對圖像處理之前應(yīng)該將其去除，以便得到良好的處理效果。濾波去噪的方法主要有兩種方法，頻域法和空域法。頻域法的計算速度快，但是比較復(fù)雜，為了保證實時性，一般采用空域法。對場景中瞬時環(huán)境噪聲的消除常用的是時間域的濾波，如三幀時間域的濾波。傳感器噪聲的消除方法有中值濾波、均值濾波、直方圖濾波等空間域上的濾波。而任何去除噪聲的方法都或多或少對圖像的質(zhì)量產(chǎn)生影響，使圖像變得模糊。因此，必須在圖像質(zhì)量和去除噪聲之間做出折衷。在濾波方法中，最常用的有中值濾波(median filter)、均值濾波和高斯濾波三種。

38、2.4.1 中值去噪中值濾波是由Tukey提出的，它是一種基于排序統(tǒng)計的理論，能夠有效的抑制噪聲的非線性信號處理技術(shù)。它也是一種類似于卷積的鄰域運算，但是在計算過程中并不是加權(quán)求和，而是把數(shù)字圖像或數(shù)字序列中一個像素點的值用該點的一個鄰域中各點值的中值代替，這樣會使周圍像素灰度值差別比較大的像素改取為與周圍的像素值比較接近的值，這樣能使周圍的值更接近真實值，從而就能消除孤立的噪聲點。由于高頻分量對應(yīng)圖像中的區(qū)域邊緣的灰度值具有較大較快變化的部分，使用中值去噪能減弱或消除傅立葉空間的高頻分量，該濾波可將這些分量濾除，使圖像變得更加平滑，但是同時也會影響低頻分量10。 在一定的條件下，中值濾波對濾

39、波脈沖干擾及圖像掃描噪聲非常有效，它可以克服線性濾波器如最小均方濾波、均值濾波給圖像帶來的細(xì)節(jié)模糊，通過中值濾波不僅能去除高頻噪聲，抑制脈沖干擾，而且還可以保持圖像清晰的輪廓，由于在實際運算過程中并不需要統(tǒng)計圖像的特征，因此使用中值濾波操作較為方便。 傳統(tǒng)的中值濾波一般采用含有奇數(shù)個點的滑動窗口中各點狄度值的中值來代替指定點的灰度值。偶數(shù)個元素的中值是將數(shù)值按大小排列后，取其中間兩個元素灰度值稍微平均值；奇數(shù)個元素的中值是按大小排序后而得到中間的數(shù)值。中值濾波是一種用來抑制脈沖噪聲的典型低通濾波器，它能夠徹底濾除尖波干擾噪聲，并且又具有較好地保護(hù)目標(biāo)圖像邊緣的特點。標(biāo)準(zhǔn)一維中值濾波器的定義為

40、（2-1）式中，med表示取中值操作。中值濾波的濾波方法是將像素按照滑動濾波窗口2N+l做大小排序，濾波后輸出像素值為該序列的中值。例如取3X3滑動窗口中值為窗口內(nèi)第5個最大的像素值。但是二維中值濾波的窗口形狀和尺寸設(shè)計會對濾波的效果產(chǎn)生較大的影響，在針對不同的圖像內(nèi)容和不同的應(yīng)用要求，使用二維中值時往往采用不同的形狀和尺寸， 通常的濾波窗口有線狀、方形、圓形、十字形及圓環(huán)形等，窗口尺寸一般設(shè)置為3，也可以根據(jù)濾波效果適當(dāng)?shù)恼{(diào)整窗口的尺寸，從而得到較好的濾波效果。 中值的計算是對滑動窗口內(nèi)像素的排序操作，這就需要對序列中的數(shù)據(jù)像素做比較和交換，數(shù)據(jù)不同的排列順序以及元素之間的比較次數(shù)都會對排序

41、速度帶來影響。傳統(tǒng)的排序算法是用冒泡排序法，這種濾波算法使窗口每移動一次，就要進(jìn)行一次排序。在排序的過程中進(jìn)行了大量重復(fù)的比較，當(dāng)窗口較大時計算量很大，計算需要的時間將會變得更長，這樣就會浪費大量的時間。2.4.2 均值去噪 均值濾波也被稱為線性濾波，它所運用的方法為鄰域平均法，其基本原理是用鄰域的均值替代原圖像中的各個像素值，通過對處理的當(dāng)前像素點(X,Y)選擇一個模板窗口，而模板的選取是由當(dāng)前像素近鄰的若干像素所組成，在對模板求取所有像素的均值，再把所求的均值賦給當(dāng)前的像素點，作為處理后圖像在該點上的灰度值，具體算法如下： 設(shè)f(x，y)為給定的含有噪聲的圖像，經(jīng)過鄰域平均法處理后得到的圖

42、像為g(x，y)，則為 （2-2）其中M是對所取鄰域圖像中各鄰近像素的坐標(biāo)，N是鄰域中包含的鄰近像素的個數(shù)。則鄰域平均法的模板為，中間的元素表示以該像素為中心的中心元素，即該像素就是要進(jìn)行預(yù)處理的像素。但是在實際運用中，可根據(jù)不同的需要選擇不同的模板尺寸，如33、55、77、99等，模板尺寸選取會對圖像的去噪的效果產(chǎn)生較大的影響，模板的尺寸選取的越大，噪聲減小就越顯著，但是不足之處就是圖像的對比度下降就越多。在使用均值濾波對進(jìn)行圖像進(jìn)行平滑往往會降低圖像清晰度。另外，均值濾波只是將雜點無限放大，使人眼不易察覺，但不能從本質(zhì)上消除雜點，因此均值濾波只能處理要求不高的圖像，對椒鹽噪聲的去除，使用均

43、值濾波得到的圖像處理效果并不理想。2.4.3 高斯去噪高斯濾波是一種適用于消除HYPERLINK :/baike.so /doc/1820989.html高斯噪聲的線性HYPERLINK :/baike.so /doc/1830269.html平滑濾波，在對圖像處理的的過程中，大多數(shù)去噪方法為高斯去噪。高斯濾波通過對整幅圖像進(jìn)行加權(quán)平均，其中圖像中每一個HYPERLINK :/baike.so /doc/789361.html像素點的值，都由其本身和鄰域內(nèi)的其他像素值經(jīng)過加權(quán)平均后得到。具體操作是：通過用一個HYPERLINK :/baike.so /doc/1053237.html模板（或稱

44、卷積、掩模）對圖像中的每一個像素進(jìn)行掃描，在用模板確定的鄰域內(nèi)像素，對其進(jìn)行加權(quán)平均得到灰度值，在用得到的灰度值去替代模板HYPERLINK :/baike.so /doc/5333464.html中心像素點的值。例如在對一幀圖像進(jìn)行處理時，拿圖像的八連通區(qū)域來說，就是讓中間點的像素值等于八連通區(qū)的像素值的均值，通過這樣的方式達(dá)到圖像的平滑效果。通過HYPERLINK :/baike.so /doc/5721241.html傅立葉變換的HYPERLINK :/baike.so /doc/6189994.html高斯函數(shù)仍是高斯函數(shù)，因此高斯函數(shù)頻域做乘積來實現(xiàn)高斯濾波，在頻域上經(jīng)過平滑處理可得

45、到一個HYPERLINK :/baike.so /doc/6455534.html低通濾波器11。HYPERLINK :/baike.so /doc/6604290.html均值濾波在對信號進(jìn)行處理時，通過對局部平均，用其平均值來代表該像素點的HYPERLINK :/baike.so /doc/2752769.html灰度值。矩形濾波器(Averaging Box Filter)是通過計算和轉(zhuǎn)化，對二維矢量的每一個分量進(jìn)行獨立的平滑處理，得到一幅單位HYPERLINK :/baike.so /doc/690433.html矢量圖。這樣的話，對于512512的矢量圖就會被劃分成一個個88的小區(qū)域

46、，再通過統(tǒng)計每一個小區(qū)域內(nèi)的主要方向，在將統(tǒng)計出來最多的方向作為區(qū)域的主方向。這樣就能夠得到了一個新的6464的矢量圖。高斯濾波器是根據(jù)高斯函數(shù)的形狀來選擇權(quán)值的線性HYPERLINK :/baike.so /doc/2176750.html平滑濾波器12，它廣泛應(yīng)用于對圖像去噪處理，它對去除服從HYPERLINK :/baike.so /doc/5016783.html正態(tài)分布的噪聲很好的效果。從高斯濾波這些性質(zhì)可以得出，高斯平滑濾波器是一種即適用HYPERLINK :/baike.so /doc/4050060.html空間域也適用頻率域的低通濾波器，并且在實際應(yīng)用中有較好的處理效果。 (

47、1) 高斯函數(shù)是HYPERLINK :/baike.so /doc/5105188.html單值函數(shù)，高斯濾波通過對像素鄰域圖像進(jìn)行加權(quán)平均，其中圖像中每一個HYPERLINK :/baike.so /doc/789361.html像素點的值，都由其本身和鄰域內(nèi)的其他像素值經(jīng)過加權(quán)平均后得到。再用得到加權(quán)均值來代替該點的像素值，由于圖像具有邊緣特征，通過平滑運算對離算子中心很遠(yuǎn)的像素點的作用非常小，對圖像的失真度影響較小，這樣得到的每一鄰域像素點權(quán)值就會隨該點與中心點的距離而單調(diào)增減。 (2) 二維高斯函數(shù)通過旋轉(zhuǎn)仍然具有對稱性，這就意味著通過高斯平滑濾波器在后續(xù)HYPERLINK :/bai

48、ke.so /doc/1322251.html邊緣檢測中不會偏向任一方向，這樣就會使通過濾波器對各個方向上的圖像進(jìn)行平滑處理的程度是相同的。而對于一幅圖像來說，圖像的邊緣方向事先是不知道的，因此，在濾波前一個方向上比另一方向上需要進(jìn)行平滑處理的多少是不能確定的。 (3) 高斯函數(shù)具有可分離性，通過較大尺寸的高斯濾波器可以對圖像進(jìn)行有效的分離。在對二維高斯函數(shù)進(jìn)行卷積時，首先要將圖像與一維高斯函數(shù)進(jìn)行卷積，然后將卷積得到結(jié)果與方向垂直的且相同的一維高斯函數(shù)進(jìn)行卷積。因此，通過二維高斯函數(shù)進(jìn)行卷積的計算量會隨著濾波模板的寬度成線性增長，而不是成平方增長。(4) 通過對高斯函數(shù)進(jìn)行傅立葉變換，可以得

49、到單瓣的頻譜。這一性質(zhì)可以得到通過HYPERLINK :/baike.so /doc/5721241.html傅立葉變換的HYPERLINK :/baike.so /doc/6189994.html高斯函數(shù)仍是高斯函數(shù)，而在對圖像進(jìn)行處理的過程中，圖像常常被HYPERLINK :/baike.so /doc/796583.html高頻信號的噪聲所污染(噪聲和HYPERLINK :/baike.so /doc/5327172.html細(xì)紋理)，而所希望得到的圖像特征（如邊緣）不能很好地顯示出來，其中既包含低頻分量，又包含有HYPERLINK :/baike.so /doc/370990.html

50、高頻分量。通過利用高斯函數(shù)傅立葉變換的單瓣性對圖像進(jìn)行平滑處理，得到的圖像處理信息不會被不需要的高頻信號所污染，同時還保留了大部分所需信號。2.5本章小結(jié)本章主要是對視頻圖像的預(yù)處理過程進(jìn)行簡要的介紹，首先是對視頻圖像讀取、圖像灰度化等處理過程做了簡單的闡述，然后對視頻圖像去噪方法做了說明，如均值濾波、中值濾波和高斯濾波，并分別對這三種不同的濾波方法進(jìn)行比較，分析各種方法的優(yōu)缺點，同時提出使用高斯濾波方法，為下文的視頻圖像的前景檢測中準(zhǔn)確的提取運動目標(biāo)做出鋪墊。3 運動目標(biāo)檢測算法研究 運動目標(biāo)檢測是計算機(jī)視覺研究領(lǐng)域的基礎(chǔ)，它是利用數(shù)字信號處理方法從圖像序列中去除圖像的背景區(qū)域，將運動區(qū)域的

51、前景檢測并提取出來，而目前運動目標(biāo)形成的圖像序列分為兩種：一種是靜止背景，一種是變化背景。靜止背景通常發(fā)生在攝像機(jī)處于相對靜止的狀態(tài)，從而產(chǎn)生背景靜止的運動圖像序列；由于背景圖像發(fā)生動態(tài)變化，如噪聲、光照、陰影、全局運動等影響，這使得目標(biāo)和攝像機(jī)都發(fā)生運動，從而產(chǎn)生的是背景變化的運動圖像序列，導(dǎo)致運動目標(biāo)在圖像上的變化和背景本身的變化混淆在一起，對前景目標(biāo)的檢測帶來極大的困擾。3.1 幾種常見的運動目標(biāo)檢測方法的介紹 常用的目標(biāo)檢測的方法有光流法、幀間差分法、背景減除法等。每種運動目標(biāo)的檢測方法都是針對某種特定的場合，每種方法自身都具有優(yōu)缺點，都有許多需要改進(jìn)的地方，接下來分別對光流法、背景減

52、除法和幀間差分法作出具體的分析。3.1.1 光流法 光流是空間運動物體在觀測成像面上的像素運動的瞬時速度，光流場是一種二維(2D)瞬時速度場，光流法的研究是根據(jù)圖像序列中的像素強(qiáng)度的時域變化和相關(guān)性，從而確定各自像素位置的“運動”情況。設(shè)圖像像素，時刻t的亮度為。令的速度為，如果點的亮度保持不變，在較短的時間間隔內(nèi)，則有 （3-1） 如果亮度隨的變化，對上述公式進(jìn)行泰勒展開，則有 （3-2） 其中代表是大于等于2的高階項，在消去并且忽略，可得 （3-3） 其中，它表示的是圖像在的梯度。此方程叫做光流約束方程。光流法能夠攜帶運動物體的運動信息和有關(guān)景物三維結(jié)構(gòu)的優(yōu)點，它能夠在不知道任何場景信息的

53、情況下，檢測出運動對象。同時它也可以用于對運動目標(biāo)進(jìn)行跟蹤，但是由于被檢測物體與攝像機(jī)之間存在著復(fù)雜的相對運動，而動態(tài)的運動目標(biāo)的檢測算法比靜態(tài)的運動目標(biāo)的檢測算法情況要復(fù)雜很多。在對圖像進(jìn)行分割時，光流法還需要利用灰度、顏色、邊緣等空域特性以此來提高分割精度；同時光流法使用的是迭代算法，計算復(fù)雜并且耗時，抗噪性能差，實時性和精度低，很難應(yīng)用于全幀視頻流的實時處理。3.1.2 背景減除法 背景減除法它是利用當(dāng)前圖像與背景圖像進(jìn)行差分來檢測運動目標(biāo)。通過和閾值相比較，如果像素值大于閾值，則該像素為前景圖像，否則，該像素點為背景圖像。這種方法的優(yōu)點是能夠?qū)⑦\動區(qū)域描述的完整并且精確，但是它的不足之

54、處在于對光照和場景中的擾動會比較敏感。背景減除法的難點在于如何尋找其理想的背景模型，以及如何進(jìn)行對背景模型的更新。背景減除法對視頻圖像的處理流程圖如下圖3-1所示。背景更新視頻圖像序列 背景圖像Bx當(dāng)前目標(biāo)閾值化處理差分圖像RxDx當(dāng)前圖像 圖3-1 背景減除法原理圖 如圖3-1所示，可以看出背景減除法的原理很簡單，但是在提取圖像序列中感興趣的目標(biāo)是背景減除法的構(gòu)建和模型更新的關(guān)鍵所在，與灌流法相比，背景減除法對不同場景具有較強(qiáng)的適應(yīng)性，但是由于模型的缺陷所帶來的對運動目標(biāo)檢測結(jié)果造成的影響，依然沒有得到有效的解決。3.1.3 幀間差分法 幀間差分法是基于運動圖像序列中，根據(jù)相鄰兩幀圖像間具有

55、強(qiáng)相關(guān)性而提出的檢測算法。這種檢測算法對光照變化敏感度不高，適用于動態(tài)變化的環(huán)境和實時性要求較高的應(yīng)用環(huán)境13。算法原理圖如3-2所示。圖3-2 幀間差分法原理圖如圖3-2所示，如果把第k-1幀的視頻圖像作為參考圖像，并計算出當(dāng)前幀和的差值，得到差分并進(jìn)行二值化后的圖像Mask，當(dāng)和差值小于閾值Th時，則該像素點所確定圖像為背景圖像，取Mask的值為0，若為前景圖像，取Mask的值為1。則有 （3-4）運用幀間差分法進(jìn)行對運動目標(biāo)的檢測，算法實現(xiàn)較為簡單，程序的復(fù)雜度比較低，用于實時性檢測，但是由于在實際應(yīng)用中，運動目標(biāo)的前一幀在被遮擋的背景部分會在當(dāng)前幀的檢測中顯露出來，而這部分的背景圖像被

56、看作為當(dāng)前幀的前景目標(biāo)，另一方面，幀間差分法所檢測的運動目標(biāo)區(qū)域的大少與目標(biāo)運動的速度有關(guān)，在目標(biāo)運動緩慢時，檢測到的運動目標(biāo)區(qū)域比較小，甚至有可能無法檢測到運動目標(biāo)。因此，在使用幀間差分法進(jìn)行對目標(biāo)檢測的過程中，應(yīng)該采用連續(xù)的三幀差分法來代替兩幀差分法，這樣就能是所檢測的運動目標(biāo)更加的清晰。3.2 基于自適應(yīng)高斯背景模型的目標(biāo)檢測自適應(yīng)背景模型算法通過建立背景模型，然后用當(dāng)前圖像與背景模型進(jìn)行差分，在對差分后的結(jié)果和閾值進(jìn)行比較，將絕對值大于預(yù)知的區(qū)域作為前景區(qū)域。而背景按照自身的特性劃分為單模態(tài)背景模型和多模態(tài)背景模型14。單模態(tài)背景模型由于在背景像素上的顏色分布比較集中，可以通過單分布概

57、率模型來進(jìn)行描述；多模態(tài)背景模型由于背景像素上的顏色分布比較分散，則通過使用多分布概率模型來描述。在許多實際應(yīng)用，如飄揚(yáng)的旗幟、搖擺的樹枝、監(jiān)視器屏幕、水面的波紋等，他們的像素值呈現(xiàn)的是多模態(tài)特性，場景背景像素的顏色分布可以使用高斯分布來描述。下面分別討論這兩種情況下的背景模型。3.2.1 單高斯背景模型 單高斯分布15背景模型，它所適用的條件是光照不變且背景靜止，而在此情況下背景點的像素值是相對穩(wěn)定的。設(shè)圖像的當(dāng)前顏色值為，t表示時間。在對背景圖像進(jìn)行算法的估計時，通過在較長的一段時間內(nèi)，計算視頻序列圖像中每一個像素值的均值和方差，則得到的背景估計圖像可以看作為是由和組成的初始高斯分布的圖像

58、。其中 （3-5） （3-6）3.2.2 混合高斯背景模型 由于光照的變化和背景圖像的運動，以及環(huán)境存在著一些微小的擾動，如水面上波光的不斷閃動和場景中樹枝的不?；蝿拥?，使得同一位置的像素值發(fā)生了改變，而單高斯背景模型又無法準(zhǔn)確地模擬背景圖像的變化；另一方面，像素值較快的變化，且像素值的變化不是由一個相對穩(wěn)定的單峰分布向另外一個單峰分布的過渡，因此它給背景建模帶來了一定的困難。由于背景像素值在一段時間內(nèi)是多峰分布的，通過借助單高斯背景模型的思想，利用多個單高斯背景模型的集合模擬場景中像素值的變化情況，再用后驗概率對每一個像素值進(jìn)行分類，即可得到用混合高斯模型的方法來對背景圖像的描述。 本課題采

59、用混合高斯背景建模方法的主要研究思路是，在基于OpenCV的庫函數(shù)的下導(dǎo)入一段視頻格式為avi的視頻圖像，建立混合高斯背景模型并進(jìn)行初始化，然后對視頻序列進(jìn)行逐幀讀取，并對圖像進(jìn)行灰度處理和二值化處理，以及對幀圖像進(jìn)行去噪處理， 隨著幀數(shù)的不斷更新，實時對背景，前景進(jìn)行更新，以適應(yīng)光線的變化和場景本身的變化，對檢測結(jié)果進(jìn)行形態(tài)學(xué)處理，使其圖像的邊緣更加精確得當(dāng)，同時消除噪聲和背景擾動對圖像的檢測所帶來的影響。小結(jié)本章先介紹了運動目標(biāo)檢測的幾種常見算法，如幀間差分法、光流法、背景減除法，并分別介紹各種方法的原理及特點，并分析各種檢測算法的使用范圍以及算法的優(yōu)缺點，引出基于自適應(yīng)混合高斯背景模型的

60、運動目標(biāo)檢測算法，其次，通過對單高斯模型和混合高斯建模方法分析與比較，選出混合高斯背景的建模方法，最后闡述了混合高斯背景建模方法的主要研究思路。4 基于混合高斯背景建模方法的運動目標(biāo)檢測 在上一章中主要介紹常見的幾種運動目標(biāo)檢測的方法，其中包括光流法、幀間差分法和背景減除法，通過對這三種方法的分析，他們各自有自己獨特算法優(yōu)點，但是它們的適用范圍是有限的，它們有一個共性的缺點，就是它們只能適用于背景圖像靜止或相對靜止的條件下的目標(biāo)檢測，但是在現(xiàn)實情況下，光照的變化和背景圖像的運動，以及環(huán)境存在著一些微小的擾動，如水面上波光的不斷閃動和場景中樹枝的不?；蝿拥龋沟猛晃恢玫南袼刂蛋l(fā)生了改變，而單高