基于帧间差分算法的运动目标检测方法研究

（二）灰度化
灰度图像是一种特殊的彩色图像，其中R，G，B三基色的色彩分量全部相等。图像中的每个像素的数值则是由1个字节，即8位数据显示的。彩色图像经过灰度处理形成灰度图像，这一过渡调节过程即为灰度化处理。由于彩色图像中具有大量的像素值，且这些数值之中都包含有R,G,B三个基色分量，而每个分量的取值有255种，基于此每个像素点则含有255*255*255种取值范围[2]。而灰度图像是一种特殊的彩色图像，因为这种图像R,G,B三个分量相等这一属性。因此在目标检测过程中，为降低图像运算的复杂度，减少信息处理量，普遍地的做法是需要先将大量格式不一的图像统一转化为灰度图像，使得图像的计算量大大缩减，这样操作之后，虽然灰度图像与彩色图像色彩不同，但两者都可以就图像的特征信息精准反映。图像灰度化处理可用四种方法来实现：
一、绪论
视觉是人类感受周围复杂环境变化最直接有效的手段之一。随着计算机和电子技术的普及，诸如视频和图像的各种数字视觉数据急剧增加。面对日益增多的视觉数据，光靠人眼是辨别不过来的。这时我们就需要用计算机视觉的方式来自动识别。由此同时我们就需要在此基础上提出相应的目标检测技术，这种目标检测就是在物体运动的同时同步检测运动目标，这是实时检材中检测手段，可以将其目标检测信息提取出来。
几十年来专家学者坚持不懈刻苦钻研，目标检测方面收获了丰硕的成果，截止目前，关于该研究较为权威的期刊杂志包括 PAML ,IVC；召开的相关会议有ECCV；也有在这方面颇有建树的个人研究比如说；Gibson提出的光流法，以后的学者在他的基础上实施并且进一步完善了该方法；Jain等人踩在前人研究的基石，提出了帧差法，并且实施了具体论证实验，对此方法加以强化佐证；高凯良针对于运动车辆的锁定研究了相应的检测方法；吴君钦主张适用的移动目标检测算法涉及邻近五帧差值算法与背景结合消除算法，上述算法能较好适用于静态背景下的目标检测。以上介绍了很多种有关目标检测技术的算法，然而没有任何一种算法适用于所有情况下的运动目标检测。因此，运动目标检测的关键在于：如何根据现有的相关理论知识，结合具体场景的特点，寻找合适的方法，从而满足实际应用的需求。
1.腐蚀
A为原始图像，B为结构元素，A被B腐蚀的过程如图。阴影部分包含在A的范围之内且比A小，看起来A像是被剥掉了一层[3]。Matlab中可以使用自带imerode函数对图像腐蚀，用法如下：
bw1=imread(‘…’);
se=strel(‘line’,10,90);
二、目标检测理论基础
（一）目标检测概述
目标检测需要的一般操作是：（1）检测当前图像中是否具备待测目标。（2）关于待测目标的具体位置应该明确。一个好的目标检测算法的需要解决实时性和可靠性两个基本问题。目标检测方法大概可以分为两大类,即对已知运动目标的检测和对未知运动目标的检测。对已知运动目标来说主要应用于对检材样本的分析方面，对未知运动目标来说主要运用于视频监控方面的检测等。行业中最为普遍使用的方法包括相邻帧差法，背景消除法，mean-shift法[1]。
方法一：固定阈值
设置阈值T并逐个扫描图像的像素值，像素值为0则将意味着数值小于T，像素值设置为255则意味着其数值大于或等于T。阈值T是一种动态区域选择，不同图像阈值的选择需要定量分析；
方法二：像素平均值
计算图像像素的平均值K，将K设置为阈值对图像分割；
方法三：灰度直方图
首先绘制图像灰度直方图，然后统计像素值找到图像的两个最高峰，最后确定两个峰值之间的最低峰谷值作为阈值。
(1)最大值法：
(2)平均值法：
(3)加权平均法：
Matlab中可以使用自带rgb2gray函数对目标边缘检测，用法如下：
I=rgb2gray(img);
其中img为RGB图像；I为灰度化后的图像。
（三）二值化
二值图像，按名字来理解只有两个值，0和1， 0表示背景，而1表示前景。图像二值化的原理是：先设置适当的阈值将灰度图像划定为目标跟背景两部分。阈值的划定标准则要求要在最大限度的保存数据信息的同时，将背景和噪声干扰限制到最小范围。图像灰度级的变化并不会影响整体图像的特征信息。因此，在目标检测中，为便于存储以及提高运算速度，我们常常将灰度图像转化为二值图像。图像二值化可用三种方法来实现：
（2）通过不同大小的结构元素来进行开启运算，得到的效果也会不同；
（3）Matlab中使用imopen函数对图像进行开启操作。
4. 闭合
闭合就是对图像先进行膨胀操作然后再对图像进行腐蚀操作[5]，它有以下特点：
（1）闭合运算可以用来封闭小裂缝;
（2）通过不同大小的结构元素来进行闭合运算，得到的滤波效果也会不同；
Matlab中对图像进行二值化处理操作借助 im2bw函数，用法如下：
BW=im2bw（I，level）；
其中I为灰度图像；BW为二值图像；参数level是一个介于0-1之间的参数，也就是图像分割的阈值，默认情况下，它的取值为0.5。
（四）形态学处理
噪声作为一种影响因素，会导致被实施二值化操作后的图像出现许多异常突出的小区域和小缝隙，形态学观点的引入恰好克服了这一麻烦。它借助腐蚀、膨胀、开启、闭合等基本运算手段，实现了开运算提取运动目标，腐蚀运算消除异常突出的区域，膨胀运算充斥填实缝隙。
bw1=imread(‘…’);
se=strel(‘line’,10,90);
bw2=imdilate(bw,se);
其中bw1为二值图像；se为生成的结构元素；bw2为膨胀后的图像。
3. 开启
开启就是对图像先进行腐蚀操作然后再对图像进行膨胀操作[4]，它有以下特点：
（１）开启运算可以用来消除孤立的小点；
bw2=imerode(bw,se);
其中bw1为二值图像；se为生成的结构元素；bw2为腐蚀后的图像。
2. 膨胀
A为原始图像，B为结构元素，A被B膨胀的过程如图1所示：
A被B膨胀的结果为图中阴影部分。阴影部分包括A的所有范围且比A大，看起来A像是膨胀了一圈。Matlab中可以使用自带imdilate函数对图像腐蚀，用法如下：