檢測交通視頻中運動目標的程序設計

專業(yè)綜合實踐任務書學生姓名:________專業(yè)班級:指導教師:工作單位:信息工程學院題目:檢測交通視頻中運動目標的程序設計初始條件:提供實驗室機房及其matlab軟件；數(shù)字圖像處理的根本理論學習。要求完成的主要任務:(包括課程設計工作量及其技術要求,以及說明書撰寫等具體要求):〔1〕學習運動目標檢測的原理及方法，并利用matlab設計程序完成以下功能；〔2〕讀取交通視頻文件；〔3〕運用一種背景建模方法，提取背景圖像；〔4〕讀取一幀有運動目標的圖像，利用背景差分法，得到差分區(qū)域；〔5〕對差分區(qū)域進行數(shù)學形態(tài)學處理，得到完整的運動目標區(qū)域，并顯示運動目標檢測結果圖；〔6〕對檢測的結果進行分析比擬；〔7〕要求閱讀相關參考文獻不少于5篇；〔8〕根據(jù)課程設計有關標準，按時、獨立完成課程設計說明書。時間安排:(1)布置課程設計任務，查閱資料，確定方案1.5天；(2)進行編程設計、調試2天；(3)完成課程設計報告書、辯論1.5天；指導教師簽名:年月日系主任(或責任教師)簽名:年月日目錄TOC\o"1-3"\h\u摘要11.概述22.設計原理32.1背景提取與更新算法32.1.1手動背景法42.1.2統(tǒng)計中值法42.1.3算術平均法42.1.4Surendra算法52.2背景差分法運動目標檢測62.3形態(tài)學濾波72.4總體方案設定92.4.1算術平均法與Surendra算法相結合的背景建模92.4.2總體程序框圖103.軟件編程實現(xiàn)114.結果及分析135.心得體會17參考文獻18摘要運動目標檢測是圖像處理與計算機視覺的一個小分支，在理論和實踐上都有重大意義，長久以來一直被國內外學者所關注。在實際中，視頻監(jiān)控利用攝像機對某一特定區(qū)域進行監(jiān)視，引入運動監(jiān)測非常有必要。它可以減輕人的負擔，并且提高了可靠性。概括起來運動監(jiān)測主要包括三個內容：運動目標檢測，方向判斷和圖像跟蹤。運動目標檢測是整個監(jiān)測過程的根底，運動目標的提取準確與否，直接關系到后續(xù)高級過程的完成質量。本文主要內容為對監(jiān)控視頻進行背景建模和背影差分的方法進行運動目標檢測。關鍵字：數(shù)字圖像處理MATLAB運動目標檢測背影差分法形態(tài)學處理1.概述運動目標檢測在機器人、視頻監(jiān)控、交通道路檢測、軍事戰(zhàn)爭、模擬現(xiàn)實等眾多的領域都有極其重要的應用和良好的開展前景。近年來運動目標檢測的研究方法在計算機方面一直都處于熱門性研究話題，國內外等眾多的學者在運動目標檢測等方面進行了不懈的努力。運動目標檢測在國外，早在二十世紀美國有關部門就運動目標檢測進行了監(jiān)控系統(tǒng)工程的研究，其主要的目的是實現(xiàn)在一定的環(huán)境下對運動目標的檢測，該系統(tǒng)采取了幀差分法的檢測方法。此外世界知名的計算機公司如IBM以及Microsoft等也紛紛進行了監(jiān)控系統(tǒng)研究的實驗，他們研究出來的智能監(jiān)控系統(tǒng)極大的推進了視頻監(jiān)控的研究，并使得智能監(jiān)控系統(tǒng)能夠應用于現(xiàn)實實際的需要，推進力社會現(xiàn)代化的進程。中國科學院是國內所有研究運動目標檢測的機構中的引領者，而北京自動化研究所在運動目標檢測方面那么是做出了較大的奉獻，交通場景的監(jiān)控和行為模式識別是重點研究方向，在檢測系統(tǒng)中有著重要的地位。為了適應社會開展的需要，于2002年第一次成功舉辦了全國智能視覺監(jiān)控會議，本文主要描述運動目標檢測的根本原理，和運用背影差分法檢測運動目標的具體實現(xiàn)方法和比擬背景建模的幾種不同方法，然后選擇設計一種適宜的方法實現(xiàn)背景建模，最后用視頻模擬了交通監(jiān)控的過程給出實驗結果和分析。2.設計原理對于向地面物體背景較為復雜的背景的運動目標檢測，難以用閾值方法進行目標的區(qū)分，可采用幀間差分法、背影差分法、光流發(fā)等運動分割方法進行檢測。幀間差分法直接比擬兩幀圖像對應像素點的灰度值，得到運動目標；背景差分法假定圖像背景是固定不變的，將每一幀圖像的灰度減去背景的灰度圖像得到的運動物體的灰度圖像，而在此之前需要建立一個背景圖像，背景圖像的好壞直接決定了檢測的效果，因此建立一個適宜的背景圖像至關重要?？紤]到監(jiān)控視頻一般是固定的，背景除了光影和其他微小變化外不會有大面積的背景改變，故本文采用背影差分法，運用背景建模的方法及實現(xiàn)運動目標的檢測。2.1背景提取與更新算法在進行運動目標檢測時，一個很重要的步驟就是區(qū)分出運動目標和背景范圍，常見的一種情況是攝像機處于靜止狀態(tài)并且焦距也是固定的。此時，圖像中的背景區(qū)域固定不動。在這種情況下，運動目標識別無論是使用背景差法，還是使用背景差法結合幀間差法，質量良好的背景的建立顯得及其重要。另外，當涉及到背景的使用時，一旦背景發(fā)生一些變化時，如背景中頻繁地出現(xiàn)運動物體，或者光照發(fā)生變化、樹葉等小物體的晃動等等，使得不能準確地提取背景作為參考圖像，從而不能正確地分割出視頻序列中的運動物體。為了克服上述問題，國內外眾多研究人員提出了背景建立和自適應的背景模型，實現(xiàn)了背景模型的實時更新，能夠比擬準確地識別出運動目標。在能夠滿足實時性和實用性要求的前提下，討論并研究以下幾種算法。2.1.1手動背景法手動背景法需要人觀察到沒有前景物體時啟動該幀圖像，作為背景圖像。這種背景提取方法增加了人力和物力的需求，而且在很多情況下很難在沒有前景的情況下獲得背景圖像，比方高速公路的車輛監(jiān)測系統(tǒng)、小區(qū)的門禁系統(tǒng)等等。這種方法不能實現(xiàn)自適應背景更新的功能，需要使用其他方法修正由于光線，亮度等的變化帶來的背景誤差。2.1.2統(tǒng)計中值法考慮到運動物體較少的情況下，連續(xù)多幀圖像中背景的像素值占主要局部，這樣在一段時間內變化緩慢，取中值便可以認為是背景圖像。統(tǒng)計中值算法從統(tǒng)計學的角度統(tǒng)計單個像素點Ai(x,y),(i=1,2,…N)在連續(xù)幀圖像中的亮度值Bi。在一段時間內對視頻序列圖像的亮度值(或者色彩信息)Bi進行排序，然后取中值Mi(x,y)作為背景。該算法存在的問題在于：圖像幀的像素點大多以數(shù)萬，數(shù)十萬的數(shù)量級出現(xiàn)，而用于取中值的圖像幀數(shù)量N也應該比擬大。對如此大的數(shù)組進行排序取出中值，實現(xiàn)時計算量較大，處理較慢。同時需要占用大量的內存單元用于存儲數(shù)據(jù)。2.1.3算術平均法采用算術平均法提取背景圖像，可以總結為在特定的時間段內對像素點的亮度和色彩信息取平均值，用均值作為背景圖像對應像素點數(shù)值。在讀入一段視頻時，對某一像素點進行觀察，會發(fā)現(xiàn)在沒有前景的運動目標通過時，該點的灰度值保持穩(wěn)定，變化很小,只有當前景的運動目標通過時，該點的灰度才會發(fā)生劇烈的變化。這樣就可以連續(xù)讀入N幀圖像，對圖像各點的灰度或色彩信息進行統(tǒng)計的方法，使得變化劇烈的像素點變得平緩，取其平均值作為背景圖像像素點的值。這樣也可以濾除背景圖像中的突變噪聲點。其統(tǒng)計公式如下：〔2-1〕公式中式中：B(x,y)表示背景圖像，Ii(x,y)表示第i幀序列圖像，N表示平均幀數(shù)。在實際場景中，一段時間內，同一區(qū)域很少有可能總是存在運動物體。而通過平均法得到的背景就會消除亮暗分布不均勻的情況。由上述仿真實驗證明，算術平均法的特點是模型簡單，計算方便，可以較好的得到背景圖像。但是在仿真過程中，也發(fā)現(xiàn)了該方法的一些問題。其中最明顯的是，該算法得到背景圖像需要獲取的圖像幀較大。受運動物體數(shù)量的影響，隨著平均幀數(shù)的增加，得到的背景圖像的質量越好。由于是求取序列圖像的算術平均值，如果N值太小，背景圖像中的運動物體不容易被濾除，很容易在背景圖像中留下“影子”。而且在運動物體很多，軌跡很固定的情況下，也需要加大N的數(shù)值，以使得平均值更加接近與真實的背景圖像。在這種情況下，背景的建立就需要較長的時間。本算法也有一定自適應更新功能。隨著時間的推移，在背景提取后獲取的圖像幀也可以作為新的信息量，與背景圖像進行統(tǒng)計平均或加權平均，實現(xiàn)背景的自適應更新。因此這種方法也使用于實時背景更新算法。2.1.4Surendra算法Surendra背景更新算法能夠自適應地獲取背景圖像，該算法提取背景的思想是對差值圖像的亮度值進行判斷，如亮度大于閾值，背景圖像對應位置的像素點保持不變，否那么利用當前幀對背景圖像進行替換更新。通俗的來說就是亮度變化不大時，我們認為是背景變化，因此該區(qū)域更新背景，亮度變化較大時，我們認為是運動目標，此區(qū)域不參加背景更新。其算法可以分成以下幾個步驟：(1)將第1幀圖像I1作為背景B1。(2)選取閾值T，迭代次數(shù)m=1，最大迭代次數(shù)MAXSTEP。(3)求當前幀的幀差分圖像1|Ii－Ii-1|＞T0|Ii－Ii-1|≤TDi=(2-2)0|Ii－Ii-1|≤T(4)由二值圖像Di更新背景圖像BiBi-1(x,y)Di=1BI=(2-3)αIi(x,y)+(1-α)Ii-1(x,y)Di=0式中Bi(x,y)，Di(x,y)為背景圖像和差分二值圖像在(x,y)的灰度值，Ii(x,y)為輸入的第i幀圖像，α為更新速度。(5)迭代次數(shù)m=m+1，進行第(3)步的運算。當?shù)螖?shù)m=MAXSTEP時結束迭代，此時Bi(x,y)可當作背景圖像。在仿真研究中發(fā)現(xiàn),MAXSTEP很大程度地決定了背景建立時的速度，α那么決定背景更新的速度。這種背景建模和更新的方法，能夠很好地解決物體長時間停留對背景的影響，因為背景的更新會將它逐步地作為背景像素點更新到背景中。但是由于它的根本處理方式是幀間差分，使得它不能將色彩、亮度相似的，大面積的運動物體完整的檢測出來。這種情況下，運動物體的某些局部將作為背景區(qū)域更新到背景中。2.2背景差分法運動目標檢測背景差分算法的實質是：實時輸入的場景圖像與背景圖像進行差分，可以較準確的分割出運動目標。但是背景差分算法也有其天然的缺陷，隨著時間的推移，場景的光線、樹葉的遮擋、或者運動物體滯留都會很大程度的破壞已經建立好的背景圖像。為了解決這些問題，最好的方法便是使用背景建模和背景更新算法來彌補。前面已經討論過相關問題，因此，本文假設背景處于理想情況下進行背景差分算法的研究。設(x,y)是二維數(shù)字圖像的平面坐標，基于背景減法的二值化數(shù)學描述為：Di(x,y)=|Ii(x,y)－Bi(x,y)|(2-4)1,Di>T1,Di>TMi(x,y)＝Mi(x,y)＝0000,Di≤TIi(x,y)表示圖像序列中當前幀的灰度圖像，Bi(x,y)表示當前幀背景的灰度圖像,Mi(x,y)表示相減后的二值化結果，T表示對應的相減后灰度圖像的閾值。2.3形態(tài)學濾波由于刮風、氣流等原因，背景中局部物體小幅度晃動；光線的變化等不確定因素，會使得視頻圖像產生大量噪聲，當差值圖像二值化后，仍然有很多無用的噪聲斑點，因此，需要采用數(shù)學形態(tài)學方法，對分割后的二值圖像進行形態(tài)學濾波。數(shù)學形態(tài)學的主要用途是獲取物體拓撲和結構信息。它通過物體和機構元素相互作用的某些運算，得到物體更本質的形態(tài)。其根本思想是：利用一個成為結構元素的“探針”收集圖像信息。這種基于探測的思想與人的視覺特點有類似之處：總是關注一些感興趣的物體或者結構，并有意識地尋找圖像中的這些結構。數(shù)字形態(tài)學在本文所涉及到的圖像處理中，主要作用包括利用形態(tài)學的根本運算，對圖像進行觀察和處理，從而到達改善圖像質量的目的。形態(tài)學的根本運算包括：腐蝕(Erosion)、膨脹(Dilation)、開(Opening)和閉(Closing)運算。用這些算子及其組合來進行圖像形狀和結構的分析及處理，包括圖像分割、特征提取、邊界檢測、圖像濾波、圖像增強與恢復等方面的工作。形態(tài)學一般以二值圖像為處理對象，但也可以用在某些灰度圖像的應用中。(1)結構元素結構元素被形象的稱為刷子或探針，是膨脹和腐蝕操作中最根本的組成局部。它用于測試輸入圖像，通常比待處理圖像小得多。本文使用3×3的結構元素，經開運算處理后，可提取出移動物體。二維結構元素由一個數(shù)值為0或1矩陣組成。結構元素的原點指定了圖像中需要處理的像素范圍，結構元素數(shù)值為1的點決定結構元素的領域像素在腐蝕或膨脹操作是需要參與計算。(2)腐蝕和膨脹腐蝕和膨脹是許多形態(tài)學算法的根底。腐蝕操作會去掉物體的邊緣點，細小物體所有的點都會被認為是邊緣點，因此會整個被刪去。再做膨脹時，留下來的大物體會變回原來的大小，而被刪除的小物體那么永遠消失了。膨脹操作會使物體的邊界向外擴張，如果物體內部存在小空洞的話，經過膨脹操作這些洞將被補上，因而不再是邊界了。再進行腐蝕操作時，外部邊界將變回原來的樣子，而這些內部空洞那么永遠消失了。通常設Ｘ為圖像矩陣，Ｂ為結構元素矩陣，數(shù)學形態(tài)學運算時，用Ｂ對Ｘ進行操作。實際上，結構元素本身也是一個圖像矩陣。這里對每個結構元素矩陣B指定一個原點origin。X被B腐蝕的定義為：(2-6)這個公式說明，使用B對X進行腐蝕是所有B中包含于A中的點的集合用x移。X被B膨脹的定義為：(2-7)這個公式表示用B膨脹X的過程是，相對B做關于中心像素的映射，在將其映射平移x，這里X與B映像的交集不為空集。2.4總體方案設定鑒于背景差分算法也有其天然的缺陷，即如果背景固定，隨著時間的推移，場景的光線、樹葉的遮擋、或者運動物體滯留都會很大程度的破壞已經建立好的背景圖像。這里可以不考慮某一種單一的背景建模方法，我們嘗試用多種背景建模方法結合的方式來互相彌補各種方法的缺乏。2.4.1算術平均法與Surendra算法相結合的背景建模為了解決這些問題，最好的方法便是使用背景建模和背景更新算法來彌補。我們使用算術平均法與Surendra算法相結合的改良的背景建模，此模型初始就可以有一個較好的背景模型，由于運用了Surendra算法更新背景，使這個背景模型對場景的光線、樹葉的遮擋、或者運動物體滯留都會很好的適應作用。其算法步驟為：先由算術平均法給出一個初始的背景，然后用Surendra算法實時的更新背景圖像。2.4.2總體程序框圖圖2.1總體程序框圖3.軟件編程實現(xiàn)clearclcnStar=1;nNUM=30;%%%%60幀算數(shù)平均作為初始背景%%%%%%%%%%%im=im2double(imread('m1.bmp'));fork=2:1:60im=im+im2double(imread(['m',int2str(k),'.bmp']));endim=im/60;figure(1),imshow(im,[]);title('初始背景圖');im=rgb2gray(im);im=double(im.*255);Background=im;%初始背景%%%%%%%%%%%%Surendra算法背景更新過程%%%%%%%%%%%%%fork=nStar+1:1:nNUMCurrentImage=double(rgb2gray(imread(['m',int2str(k),'.bmp'])));%當前幀figure(2),imshow(CurrentImage,[]);title('當前幀圖像');BW=zeros(size(CurrentImage));[m,n]=size(CurrentImage);fori=1:mforj=1:nifabs((CurrentImage(i,j))-(Background(i,j)))>10%適當閾值BW(i,j)=1;elseBW(i,j)=0;endend;end;alpha=0.3;%背景更新的速度CurrentBack=Background.*BW+(alpha.*CurrentImage+(1-alpha).*Background).*(1-BW);%相對背景有較大變化的區(qū)域不更新，無明顯變化的區(qū)域更新到背景中去Background=CurrentBack;%執(zhí)行背景更新%%%%%%%背影差分檢測運動目標%%%%%%%%%%%%[m,n]=size(CurrentImage);fori=1:mforj=1:nifabs((CurrentImage(i,j))-(Background(i,j)))>30%檢測閾值BW(i,j)=1;elseBW(i,j)=0;endend;end;figure(3),imshow(BW),title('差分后的二值化圖像');%%%%%%%%%形態(tài)學處理二值圖像%%%%%%%%%%%%%%%SE=strel('square',3);BWCutero=imerode(BW,SE);%腐蝕figure(4),imshow(BWCutero),title('腐蝕后的圖像');BWCuterodil=bwmorph(BW,'dilate',3);%膨脹figure(5),imshow(BWCuterodil),title('膨脹后的圖像');%%%%%%%%運動目標標記%%%%%%%%%%5[L,nm]=bwlabel(BWCuterodil,8);%找出圖像中的八連通區(qū)域，視為車輛所在的區(qū)域fori=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');%對車輛用矩形標記pause(0.005);endend4.結果及分析運行程序程序，前60幀算數(shù)均值得到的初始背景圖圖4-1初始背景第91幀后背景更新的背景圖圖4-2更新后的背景圖第91幀圖圖4-3第91幀圖差分二值化后的圖圖4-4差