运动物体捕捉算法分析.docVIP

视频处理算法 背景提取的算法 原理框图 背景提取原理图 背景提取与更新算法 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。 Surendra 算法 Surendra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通过当前帧帧差图像找到物体的运动区域，对运动区域内的背景保持不变，而非运动区域的背景用当前帧进行替换更新，这样经过一段时间就可以提取出背景图像。 在仿真研究中发现，maxSteps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。 动目标检测算法 帧间差分运动检测 基于帧间差分的运动检测即帧差法，它根据相邻帧或隔帧图像间亮度变化的大 小来检测运动目标。这种算法虽然能实现实时处理且对光线变化不敏感，不过其分割出的运动目标容易出现拉伸、空洞的现象；而且当前景运动很慢且时间间隔选择不合适时， 容易出现根本检测不到物体的情况。 帧间差分运动检测 背景差分运动检测 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。 实验结果表明：背景差分算法也可以有效地检测出运动目标。由于背景建模算法的引入，使得背景对噪声有一定的抑制作用，在差分图像中“雪花”。较帧间差分算法有所减少。同时，使用背景差分算法检测出的运动物体轮廓，比帧间差分法的检测结果更清晰。因此，在背景建模与背景更新处于比较理想的状态下，背景差分算法得到的差分结果略好于帧间差分的结果。 背景差分运动检测 阈值的选取（如果调用MATLAB函数实现灰度图转二值图，则不用考虑） 选取灰度图转二值图的域值。 最大类间方差法 假设差分图像的灰度级范围为0,1,2, …… , N，灰度级i的像素点个数为，则差分图像的像素点总数为M，灰度级i出现的概率为， , 若阈值把差分图像的像素点分为={0,1,... }与={N,N-1,... -1}两类（分别代表背景与前景），则,的概率及均值分别为： 最大类间方差法的效果有一定的提高。在运动物体较大时，最大类间方差法通过计算提高所选取的阈值大小，滤除噪声干扰。对比公式不难看出，在运算速度上，最大类间方差法有可能实现实时性操作。因此，对该数据源选用最大类间方差法更好。 目标提取——游程连通性算法 连通性分析是指按一定的规则寻找一幅图像中所有的连通单元，并赋予同一单元唯一的标记。通常，对二值化处理后提取的运动区域作连通性分析来确定其中运动目标的个数、位置、大小等情况。 对一幅二值图像从左到右、从上到下进行逐行逐点一次性扫描就可以确定该图像中连通区域的数目和每个连通区域的大小（像素点数目）。 对每个确定的连通区域可通过其大小进一步判断该区域是噪声还是前景目标，这是因为目标位置上点分布比较密集，基本连成一片，而噪声位置上点分布则比较分散，出现大面积噪声的可能性不大。 与形态学滤波相比，连通性分析在滤除噪声的同时最大程度的保证了已提取目标的完整性，通过对二值图像进行标记实现了初步的识别，从而更有利于后续的特征提取、目标匹配等跟踪处理。 像素标记算法 在待处理的图像中，我们需要对每个目标做几何形状参数的提取与分析，因此需要在图像中选定目标区域，即实现对感兴趣目标区域的标定，一种切实可行的方法是对目标区域进行标号处理。目标区域标号处理的基本思想是：对二值图像中任一灰度值等于目标值的像素点(i，j)，检测其左、上两邻域像素点，若这两点的值都为背景值，则该像素点(i，j)是新的目标区域的起点，赋予新标号；若两点已有一点赋了标号，则以该标号赋予点(i，j)；若这两点都已赋标号，但不相等，就以较小的标号赋予点(i，j)，并令这两邻点的标号相等。最后，重新整理标号使同一目标区域的像素具有相同的标号值，并使图像中目标区域的标号从 0 开始按递增 1 排列。经过这种处理就能把各个连接成分进行分离，从而可以研究它们的形状特征。