视频监控+图像处理演示教学.pptx

图像处理在智能视频监控系统中的应用;1.智能视频监控系统概述 2.基于matlab下的视频操作处理 3.实例分析及算法介绍;传统监控系统存在的问题;智能视频监控系统;自动报警功能是智能视频监控系统的关键部分，它关系到整个系统的信息化水平和准确率。示例： ;智能视频监控系统的应用场合;智能视频监控系统的组成;软件环境;基于matlab下的视频操作处理;/1、图像的读取和显示;实例分析及算法介绍; 银行 ATM 数字监控系统 ;?一、图像截取??? 系统通过多路视频采集器将监控现场信息采集到控制中心，然后定时截取位图图像，用做后续目标检测和分析的原始图像。位图由像素组成，特别适合图像处理。若每路图像的帧数为25帧/s，则基本可以达到实时监控的效果。 ;2. 图像增强 对于数字视频监控系统来说， 引起图像失真的主要原因有监控环境中的噪声、 编码过程中产生的块效应等。针对这些原因采取有效措施， 可以通过图像处理的方法改善图像的质量。如通过增强对比度的办法来看清图像的细节； 运用平滑技术减少块效应对图像清晰度的影响； 使用微分运算突出边界或其他变化部分等。 ;2.1 图像锐化 在图像识别中， 需要有边缘鲜明的图像， 即图像锐化。图像中的边缘像素都是亮度变化较大的地方。 图像锐化中最常用的方法是梯度运算。梯度运算法包括 Roberts 算子,Sobel算子和 Prewitt 算子等。Sobel 算子对噪声十分敏感,Roberts 算子的鲁棒性比较好。由于监控系统图像中掺杂着大量的噪声， 因此用 Roberts 算子的图像锐化方法。 ;2.2 邻域平均法 平滑滤波对图像的低频分量进行增强,同时可以削弱图像的高频分量，因此一般用于消除图像中的 随机噪声 ，从而起到图像平滑的作用。 图像邻域平均法的平滑效果与所用的邻域像素个数有关,像素越多，则图像的模糊程度越大。邻域 平均法包括:简单平均法,阈值平均法和邻域加权平均法等 。 ;3. 背景更新??? 目标检测的前提是前景帧图像（如图2）与背景帧图像（如图1）做差。所谓背景帧图像，通常是由监控现场中固定的设备组成（如图1）。背景更新技术就是为了得到最新??背景帧图像。目前，背景更新算法有很多，这里选用简单且效果不错的Adaptive Median Filter （AMF）算法。 AMF算法的基本思想是，若新输入的图像帧的像素值比预估计的背景图像中的对应位置的像素值要大，则估计背景图像的像素值加1；反之，如果比对应位置的像素值要小，则减1.;4. 运动目标检测 安全监控是数字视频监控的重要任务， 运动目标检测能及时发现异常运动目标， 报警提醒监控人员，是实现安全监控的重要手段之一。运动目标检测的准确与否对后续步骤中的跟踪和识别会产生重要的影响。 ;4.2 背景差分法 背景差分法是采用图像序列中的当前帧和背景参考模型比较来检测运动物体的一种方法,其性能依赖于所使用的背景建模技术。 　在基于背景差分方法的运动目标检测中，背景图像的建模和模拟的准确程度，直接影响到检测的效果。不论任何运动目标检测算法，都要尽可能的满足任何图像场景的处理要求，但是由于场景的复杂性、不可预知性、以及各种环境干扰和噪声的存在，如光照的突然变化、实际背景图像中有些物体的波动、摄像机的抖动、运动物体进出场景对原场景的影响等，使得背景的建模和模拟变得比较困难。 　　背景差分法检测运动目标速度快，检测准确，易于实现，其关键是背景图像的获取。在实际应用中，静止背景是不易直接获得的，同时，由于背景图像的动态变化，需要通过视频序列的帧间信息来估计和恢复背景，即背景重建，所以要选择性的更新背景。;4.3 光流法 光流法(optical flow)序列的光流场实现运动目标检测的一种方法。由于运动对像通常与背景有不一致的运动，因此可以从分析对象的运动特征入手来分割视频图像。基于光流场运动分割的算法是先估计视频图像的运动场，然后根据运动场的运动特征进行视频运动目标分割。 ;4.4 三种算法的比较 帧间差分法对动态变化环境中的运动目标检测有较强的自适应性，提取运动目标的关键在于准确的定位目标和噪声之间的差别，从而准确的提取分割阈值； 背景减法算法简单易于实现，在背景已知的情况下，能够提供最完全的特征数据，并能完整地检测出运动目标，但是由于图像采集过程中的误差、背景中光线的变化以及环境中其他干扰因素,使得简单的背景减法效果受到影响； 光流法支持摄像机运动，可以得到完整的运动信息，能够很好的从背景中检测到相关前景目标，甚至是运动目标的一部分