结合小波域去噪和运动估计的监控场景分析分析-analysis and analysis of monitoring scenes combining wavelet domain denoising and motion estimation.docxVIP

第一章绪论§1-1课题的研究背景及意义随着社会的发展和科技的进步，人们接受的信息也越来越多样化，由原来单一的媒体形式，变成了集语音、图像、文本于一体的多媒体信息。据统计，人类在所获取的信息中，70%来源于视觉系统[1]。而视频监控以其直观、方便、信息内容丰富等特点，不仅在社会和工作中具有广泛的应用前景，而且，在我们的生活中已经无处不见，在国防、交通、安防等领域也正发挥重要的作用。视频监控是应用摄像机、计算机、网络等技术，对银行、商场，十字路口等重要场所进行监视、录像，远程实时监控现场情况、检测异常和历史录像查询的安防系统。对固定的监控场景，如银行金库、库房门口等，长时间监控累计的数据是很大的，视频图像的存放、检索也需要很大的成本，如何减少视频存储的数据量，节省存储空间是一个需要研究的方向。监控视频由于天气的变化、光照条件的变化，摄像机传感器类型等原因经常含有一定程度的噪声。视频序列中的噪声往往幅度较大，这些噪声的存在不仅使得视频质量下降，影响人们的主观感受，而且增大了传输带宽和数据存储空间，对视频的后处理带来不便。因此对视频图像进行去噪处理，改善视频图像的质量在整个视频系统中起着很重要的作用。视频信号是人类接受信息的一种最主要的媒体，人类的视觉既能看见运动又能看见静止的物体，但是人们往往只对运动的物体感兴趣。因为大量有意义的信息都包括在运动中。运动检测的目的是从序列图像中将变化区域从背景图像中提取出来。运动区域的有效分割对于目标分类、跟踪和行为理解等后期处理非常重要，因为后续处理过程仅仅考虑图像中对应于运动区域的像素。运动目标是日常生活中常见的，如行人、车辆以及自然界中其他运动物体等[2]。怎样将运动目标从相对固定的背景中准确地分割出来对后续处理尤为重要。对固定的监控场景，如银行金库、库房门口等，摄像机长时间监控累计产生的数据量是很大的，视频图像的存放、检索也需要很大的成本，需要的传输带宽也很宽，一路高清晰度数据信号，不压缩需要1Gbit/s的带宽[2]。而且，监控的场景是比较固定的，视频序列间具有很强的时间相关性，时间冗余度很高。如何尽可能地压缩监控场景下的数据冗余，节省存储空间是一个值得研究的方向。运动估计是减少视频序列间时间冗余的有效方法，目前已经成为计算机视觉研究领域里的最热门研究课题之一。因此，论文研究监控场景中基于小波域的去噪和运动估计问题，具有很大的现实意义和应用价值。§1-2课题研究现状本节分三部分介绍本课题的研究现状，包括视频图像去噪技术、计算机视觉方向的运动目标检测，以及运动估计技术。1-2-1视频图像去噪技术视频信号在其采集、记录、传输、数字化等过程中会不可避免地受到噪声的污染。长期以来,人们根据图像的特点、噪声的统计特征和频谱分布的规律,提出和发展了不同的去噪方法[3]。传统的低通滤波方法将高频成分滤除，虽能达到去噪目的，但破坏了图像细节。由于小波变换中的变尺度特性对确定信号具有一种“集中”的能力,小波图像去噪方法已成为去噪的一个重要分支和主要研究方向，利用小波分析理论，可以构造出一种既能降低图像噪声，又能保持图像细节信息的方法。基于小波的图像去噪技术主要经历了以下几个阶段:（1）小波变换模极大值法，它根据有用信号和噪声的小波变换在奇异点的模极大值的不同特性去除噪声，但是该方法计算速度非常慢而且有时不稳定。（2）小波图像阈值萎缩法，它对含噪图像做正交小波变换,然后对其系数进行阈值处理，然后做小波反变换得到去噪后图像。1992和1995年,Donoho[4]等提出非线性小波变换阈值去噪法,JamesSWalker[5]提出自适应树小波萎缩法,去噪效果相当好。1995年,Coifman和Donoho[6,7]在阈值法的基础上提出了平移不变量小波去噪法,对阈值法做了改进。（3）多小波去噪法。1994年Geronimo,Hardin及Massopus构造了著名的GHM多小波,它既保持了单小波所具有的良好的时域与频域的局部化特性,又克服了单小波的缺陷。（4）基于小波系数模型的去噪法，它将小波与贝叶斯、隐式马尔可夫、多尺度随机过程等模型结合起来,可获得满意的去噪效果。（5）脊波、曲波去噪法[8]。这些去噪方法各具特点，在实际应用中应根据需要选择合适的去噪方法。1-2-2运动检测技术固定场景视频监控系统是一例特殊的视频监控系统，它采用固定式的摄像头，监控现场背景相对稳定，因而可以将监控视频画面分割为相对稳定的视频背景和变化剧烈的视频前景。对于序列图像中运动目标的检测与统计的算法，根据运动目标所形成的图像序列可分为两种:一种是适用于静止背景下的运动目标检测与分割算法；一种是适用于运动背景下的运动目标检测与分割算法。具体来说，有三种方法[9,10]:光流场法、帧差法和背景减法。光流场法，基于光流的变化检测采用了运动目标随