基于pc监控平台的多运动目标检测.docVIP

毕业设计(论文)开题报告 题 目： 基于pc监控平台的多运动目标检测 学 院： 电气信息学院 专 业： 自动化 学生姓名： 陈景诚 学 号： 201101020225 指导老师： 万琴 2015年月日 将大场景内多目标的跟踪检测和视频分析功能集成在一个独立的系统中，通过对前端摄像头采集的视频信息进行智能化分析，自动对异常行为和事件进行数据采集分类并联动报警，同时后台可以实时看到分析数据和视频录像，在事后可以通过事件检索进行视频提取和取证。,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。 实现方法 在进行运动目标检测时，一个很重要的步骤就是区分出运动目标和背景范围， 常见的一种情况是摄像机处于静止状态并且焦距也是固定的。此时，图像中的背景区域固定不动。在这种情况下，运动目标识别无论是使用背景差法，还是使用背景差法结合帧间差法，质量良好的背景的建立显得及其重要。另外，当涉及到背景的使用时，一旦背景发生一些变化时，如背景中频繁地出现运动物体，或者光照发生变化、树叶等小物体的晃动等等，使得不能准确地提取背景作为参考图像， 从而不能正确地分割出视频序列中的运动物体。为了克服上述问题，国内外众多研究人员提出了背景建立和自适应的背景模型，实现了背景模型的实时更新，能够比较准确地识别出运动目标。在能够满足实时性和实用性要求的前提下， 讨论并研究下列几种算法： （1）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。 （2）统计中值法： 考虑到运动物体较少的情况下，连续多帧图像中背景的像素值占主要部分，这样在一段时间内变化缓慢，取中值便可以认为是背景图像。统计中值算法从统计学的角度统计单个像素点Ai(x,y),(i=1,2,…N)连续帧图像中的亮度值Bi。在一段时间内对视频序列图像的亮度值(或者色彩信息)?Bi进行排序，然后取中值Mi(x,y)作为背景。该算法存在的问题在于：图像帧的像素点大多以数万，数十万的数量级出现，而用于取中值的图像帧数量N也应该比较大。对如此大的数组进行排序取出中值， 实现时计算量较大，处理较慢。同时需要占用大量的内存单元用于存储数据。 （3）算术平均法： 提取背景图像时可以总结为在特定的时间段内对像素点的亮度和色彩信息取平均值，用均值作为背景图像对应像素点数值。在读入一段视频时，对某一像素点进行观察，会发现在没有前景的运动目标通过时， 该点的灰度值保持稳定，变化很小,只有当前景的运动目标通过时，该点的灰度才会发生剧烈的变化。这样就可以连续读入N帧图像，对图像各点的灰度或色彩信息进行统计的方法，使得变化剧烈的像素点变得平缓，取其平均值作为背景图像像素点的值。这样也可以滤除背景 图像中的突变噪声点。其统计公式如下： N B(x,y)?1/N?Ii(x,y) I=1 公式中式中：B?(x,?y)表示背景图像，Ii(x,y)表示第i帧序列图像，N表示平均帧数。在实际场景中，一段时间内，同一区域很少有可能总是存在运动物体。而通过平均法得到的背景就会消除亮暗分布不均匀的情况。 目前，大多数的运动目标检测的方法或是基于图像序列中时间信息的，或是基于 图像序列中空间信息的。常见的方法有如下3种：? 光流法:当目标运动时，图像上对应目标的亮度信息（光流）也相 应 的运动。 这样，根据时间上相邻的几帧图像可以计算出各像素点运动的大小和方向，从而利用运动场来区分背景和运动目标。其主要优点在于能检测出独立的运动目标，而不需预知场景的任何信息，对变化的复杂背景情况有较好的适应。但其缺点也很明显，由于要依赖光流估计的