静止背景运动目标识别
静止背景下的移动目标视觉监控
静止背景下的移动目标视觉监控作者：高小清吴健珍来源：《科教导刊》2014年第35期摘要视觉监控是研究用机器代替人对监控视频进行处理并发现其中存在的异常情况的新兴学科。
本文所提出的视觉监控系统采用三帧差分法和边缘检测法相结合来检测移动目标，通过对视频帧进行边缘提取，再用三帧差分法对图像进行处理得到前景目标的连续移动帧；采用基于变换域的跟踪方法对视频中的目标进行跟踪并可定位显示人脸。
关键词视觉监控移动目标跟踪人脸识别中图分类号：TP391 文献标识码：A0 引言随着数字化、网络化的不断发展，人们的安全防范意识的不断提高，视频监控系统已深入到人们的日常生活。
传统的视频监控系统是通过工作人员对监控视频的观看和分析来发现其中的危险信息，这就导致了信息获取的不及时，从而无法及时地发现危险以采取进一步的防范措施，导致财产或人身的安全遭受严重损失。
此外，由于人的生理原因，会造成对监控视频的监视疏漏，基于此，视觉监控不断发展，视觉监控实现了由机器来对所获得的视频进行处理，从而可以代替人来发现视频序列中的潜在的危险，不仅可以做到全天候地进行监视处理，还能避免因人为的因素造成的漏报误报。
计算机视觉发展到今天，还没有出现哪种万能的检测和跟踪算法对所有的情况都适用。
因此，在实际应用中，对复杂的移动目标进行检测和跟踪都具有相当的难度。
本文主要研究基于静止背景的视频序列的移动目标监控，主要包括视频图像的预处理，移动目标的检测、分割、识别、跟踪、人脸识别。
本文的视觉监控系统流程图见图1。
首先获取视频序列并对其进行预处理，再进行目标区域的检测和目标识别，这些是视觉监控的低级和中级处理部分，人脸识别和跟踪显示为视觉监控的高级部分。
图1 视觉监控系统工作流程1 视频图像预处理在实际应用中，由于监控场景中光照、噪声等方面的影响，使我们所获得的图像质量不高，这就需要通过图像预处理技术来对视频图像进行相应的处理，达到抑制噪声、改善图像质量的目的。
视频检测和运动目标跟踪方法总结
视频检测和运动目标跟踪方法总结目前常用的视频检测方法可分为如下几类：光流法，时域差分法，背景消减法，边缘检测法，运动矢量检测法[2]。
一、光流法光流法[1]是一种以灰度梯度基本不变或亮度恒定的约束假设为基础对运动目标进行检测的有效方法。
光流是指图像中灰度模式运动的速度，它是景物中可见的三维速度矢量在成像平面上的投影，表示了景物表面点在图像中位置的瞬时变化，一般情况下，可以认为光流和运动场没有太大区别，因此就可以根据图像运动来估计相对运动。
优点：光流不仅携带了运动目标的运动信息，而且还携带了有关景物三维结构的丰富信息，它能够检测独立运动的对象，不需要预先知道场景的任何信息，并且能够适用于静止背景和运动背景两种环境。
缺点：当目标与背景图像的对比度太小，或图像存在噪音时，单纯地从图像灰度强度出发来探测目标的光流场方法将会导致很高的虚警率。
且计算复杂耗时，需要特殊的硬件支持。
二、时域差分法时域差分法分为帧差法和改进的三帧双差分法。
1.帧差法帧差法[8]是在图像序列中的相邻帧采用基于像素点的时间差分, 然后阈值化来提取出运动区域。
视频流的场景具有连续性，在环境亮度变化不大的情况下，图像中若没有物体运动，帧差值会很小；反之若有物体运动则会引起显著的差值。
优点：时域相邻帧差法算法简单，易于实现，对背景或者光线的缓慢变化不太敏感，具有较强的适应性，能够快速有效地从背景中检测出运动目标。
缺点：它不能完全提取运动目标所有相关像素点，在运动实体内部不容易产生空洞现象。
而且在运动方向上被拉伸，包含了当前帧中由于运动引起的背景显露部分，这样提取的目标信息并不准确。
2.三帧双差分法三帧双差分法与相邻帧差法基本思想类似，但检测运动目标的判决条件上有所不同。
三帧双差分较两帧差分提取的运动目标位置更为准确。
三、背景消减法背景消减法[4]是将当前帧与背景帧相减，用阈值T判断得到当前时刻图像中偏离背景模型值较大的点，若差值大于T则认为是前景点（目标）；反之，认为是背景点，从而完整的分割出目标物体。
静止背景下的多目标追踪(附matlab程序)
静止背景下的多目标追踪随着计算机技术以及智能汽车行业的发展，多目标的检测与追踪的实用性与研究价值逐渐提高。
在计算机视觉的三层结构中，目标跟踪属于中间层，是其他高层任务，例如动作识别以及行为分析等的基础。
其主要应用可包括视频监控，检测异常行为人机交互，对复杂场景中目标交互的识别与处理，以及虚拟现实及医学图像。
目标跟踪又包括单目标跟踪和多目标跟踪。
单目标跟踪可以通过目标的表观建模或者运动建模，以处理光照、形变、遮挡等问题，而多目标跟踪问题则更加复杂，除了单目标跟踪回遇到的问题外，还需要目标间的关联匹配。
另外在多目标跟踪任务中经常会碰到 目标的频繁遮挡、轨迹开始终止时刻未知、目标太小、表观相似、目标间交互、低帧率等等问题。
静止背景下的多目标追踪可分为两步来实现，第一步是在视频文件的每帧中检测出移动的目标，第二步是将检测到的目标与跟踪轨迹实时匹配。
在本次实验中，利用混合高斯模型进行背景减除，使用形态学操作消除噪声，通过卡尔曼滤波预测目标位置，最后利用匈牙利算法进行匹配，实现静止背景下的多目标追踪。
1 实验原理1.1 混合高斯模型单高斯模型是利用高维高斯分布概率来进行模式分类：11()exp[(x )(x )]2T x N C μσμ-=--- 其中μ用训练样本均值代替，σ用样本方差代替，X 为d 维的样本向量。
通过高斯概率公式就可以得出类别C 属于正（负）样本的概率。
而混合高斯模型就是数据从多个高斯分布中产生，每个GMM 由k 个单高斯分布线性叠加而成。
相当于对各个高斯分布进行加权，权系数越大，那么这个数据属于这个高斯分布的可能性越大。
(x)(k)*p(x |k)P p =∑利用混合高斯模型(GMM)可以进行背景减除，将前后景分离，得到移动的目标。
对每个像素点建立由k 个单高斯模型线性叠加而成的模型，在这些混合高斯背景模型中，认为像素之间的颜色信息互不相关，对各像素点的处理都是相互独立的。
单个像素点在t 时刻服从混合高斯分布概率密度函数：,,,1(x )(x ,,)kt i t t i t i t i p w ημτ==∑其中k 为分布模式总数，,,(x ,,)t i t i t ημτ为t 时刻第i 个高斯分布，,i t μ为其均值，,i t τ为其协方差矩阵。
浅谈运动目标检测的基本方法
、
能获取完整 的运 动 目标区域 ，只能提取 出运 动 目标的大致边 界和位置 ，无法 检测 出两帧 间的重 叠区域，容易产生 目标 内 部 的空洞现象。 上面是用相邻两帧做差分来检测 目标 ，叫做二帧差分法 ， 为 了克服二帧差分法存在的不足，介绍一种它的改进算法一三 帧差分法 。三帧差分法是通过对相邻 的三帧 图像的处理来检测 目标，它的计算方法是分别计算前两帧图像和后两帧 图像的差 值 图像并对得到的两个差分 图像做二值化处理，然后将两个二 值 图像进行与运算 ，从而得到运动 目标的图像。三帧差分法的 检测结果包含了当前帧运动 目标 的边界点 ，因此轮廓信息 比二 帧差分法得到的运动 目标更为准确，避免 了二帧差分法在检测 中的空洞现象，是一种稳定性高 ，易实现 的检测方法。 三 、 光 流法 在运动 目标检测 的方法 中，光流法是具有代表 性的方法 ， 它 计算的是运动 目标 的光 流特 性，光流是物体表面 上的每个 像 素点所产生 的像素运动 的瞬时速度场 ，它主要研 究图像灰 度 在 每 一 时刻 的变 化 及 其 物 体 动态 行 为 的信 息 。 光流法 的基本 思想：假设视频序列 图像 中的每一个像素 点有一个速度矢量 ，也就 是光流矢量 ，它是 图像 平面上 的灰 度 瞬间变化率 ，若光 流矢 量是连续变化 的，说 明图像中没有 运 动 目标 ；若光流矢 量的变化不是连续 的，说 明运 动 目标所 形成的矢量和背景 的矢量不 同，即图像 中存在运动 目标 。 光流法 的优 点是能够将独立运动 的 目标检 测 出来 ；缺 点 是计算量大 ，对 电脑 的硬件要求较高 ，受光照变 化等外界条 件的干扰 ，计算 的准 确性会受到影响 。光流 的计算方法有基 于梯度 的方法 、基 于频域的方法和基于 匹配的方法 。在一些 环境变化较大 的场 景中可将三种计算方法 中的两种或三种一 起使用，提 高检测 的准确性 。
基于机器视觉的工业机器人分拣技术研究
基于机器视觉的工业机器人分拣技术研究机器人分拣技术一直受到业内人士的广泛关注。
为探讨该技术的特性，文章基于机器视觉搭建一个工业机器人分拣技术平台，并将其做而已实验系统，着重探讨了机器人在相机静止-目标自静止，相机静止-目标运动两种情况下的分拣技术特点，得出相关结论，供同行参考借鉴。
标签：机器视觉；工业机器人；分拣技术；分析和研究对机器人工作进行分析，发现搬运、分拣是所有工作的基础，无论机器人应用于哪一行业，都会涉及到搬运和分拣工作。
考虑到机器人的搬运、分拣工作实现基础是机器视觉，而机器视觉又分为两种情况，即相机静止-目标静止，相机静止-目标运动，一旦机器视觉定位不当，分拣工作就会受到影响，甚至于无法完成。
为此，文章在机器视觉基础上搭建一个在机器人分拣实验系统，对机器人工作中应用到的分拣技术作详细论述。
1 国内关于机器人分拣系统的研究尽管我国已经研发研制出了多种类、多造型的机器人，但整体研究工作目前还处于初级阶段，所以真正意义上的国产视觉机器人尚未研发出，更多的是在国外研究基础上进行改进、二次开发。
关于视觉机器人分拣系统，国内研究人士提出了几种可行的算法，如连通域矩特征提取法；贝叶斯估计跟踪算法；目标识别法等等。
这些算法都能在一定程度上对机器人分拣动作进行辅助，确保机器人分拣动作的顺利完成，防止错抓。
2 基于机器视觉下的机器人分拣系统构建为了探讨机器人分拣技术的特点，文章现以MOTOMAN-UP6机器人为例，基于机器人视觉构建一个机器人分拣系统，并对该系统在相机静止-目标静止，相机静止-目标运动两种情况下的运行情况做详细论述。
2.1 机器人分拣系统的构成实验中所构建的机器人分拣系统由四个部分构成，分别为相机标定、图像处理、模式识别以及机器人控制，四个部分缺一不可。
相机标定的作用是为系统建立一个图像坐标系与机器人坐标系，并以此来研究二者之间的关系；图像处理的作用是对相机拍摄到的外界图像进行预处理，提取图像中的某些特征，并根据这些特征来确定出联通成分的中心坐标；模式识别需以图像作基础，对图像及图像中的联通成分进行识别、分类；机器人控制是最后步骤，控制的实现方法是在计算机和机器人之间建立一个连接通信，利用计算机程序来对机器人动作进行控制。
图像单个运动目标识别与跟踪的一种解决方案
2009，45（25）1引言在应用视觉研究领域中，对运动目标的识别和跟踪是一个非常重要的课题。
通常情况下，在序列图像中对运动目标进行识别和跟踪是建立在对图像的分割和匹配的基础上的。
然而，不同的分割和匹配算法将导致对运动目标识别和跟踪的精确度和鲁棒性方面产生较大的差异。
最常见的图像分割方法一般需要人工设置分割的阈值[1-2]，而且对于较为复杂的图像，还必须设置多个不同的阈值。
并且随着图像的变化，需要设置不同的阙值来实验得到最好的性能。
分水岭是一种适用范围较广的图像分割算法，能获得封闭的和位置准确的目标轮廓[1]，它的不足之处在于过分割，即图像被分割成过多的小区域而使感兴趣目标物淹没其中。
尽管已有很多文献[3-6]提出了缓解过分割的方法。
但分水岭变换后，区域数目很多，合并过程运算量极大，而且仍然存在较严重的过分割问题[3-4]，或者这些算法都有一定的应用局限性，不能很好地适应运动目标的提取特征[5-6]。
该文的基本思想是对单帧图像的所选区域利用数学形态学的方法进行分割，将目标和背景分成若干个区域，利用运动目标特征通过合并过分割区域，解决过渡分割问题。
并在此基础上，通过对连续多帧图像的分析，将目标从背景中提取出来，解决了文献[7]中对运动摄像头提取效果较好，但对固定摄像机提取计算量较大的问题，也对一些文献如[8]中的提取运动目标性能局限于固定摄像机做了补充。
最后对提取出的目标通过匹配进行跟踪。
2图像分割处理常见的图像分割方法都需要人工设置分割的阈值，而且对于较为复杂的图像，还必须设置多个不同的阈值。
随着图像的变化，阈值也需要不断地调整，且要想达到较好的分割效果，还需要不断地尝试以找到最佳效果。
这样既极大地限制了对弱目图像单个运动目标识别与跟踪的一种解决方案陈云亮1，2，杜琳2，谢长生1，蔡之华2CHEN Yun-liang1，2，DU Lin2，XIE Chang-sheng1，CAI Zhi-hua21.武汉光电国家实验室华中科技大学计算机学院，武汉4300742.中国地质大学计算机科学与技术系，武汉4300741.Wuhan National Laboratory for Optoelectronics，Huazhong University of Science and Technology，Wuhan430074，Chinaputer Science Department，China University of Geosciences，Wuhan430074，ChinaE-mail：cyl_king@CHEN Yun-liang，DU Lin，XIE Chang-sheng，et al.Approach to recognize and track single moving object in image puter Engineering and Applications，2009，45（25）：15-17.Abstract：This paper proposes an approach to recognize and track single moving object in image sequences.In the part of image segmentation，a method based on watershed segmentation in mathematical morphology is proposed，which could solve the over-segmentation problem，and achieve image segmentation intelligently，without any threshold value set manually.In the part of object capture，a method to capture single moving object automatically in image sequences is proposed，which could be used with both immovable camera and movable one.In the part of object tracking，a mask of the template is set to match the region，and is also adjusted in the process of tracking，which could lead to highly robust tracking.Key words：image processing；watershed segmentation；moving object recognizing；moving object capture摘要：就图像单个运动目标识别和跟踪问题提出了一种解决方案。
视频序列中的运动目标识别与轨迹提取方法研究
视频序列中的运动目标识别与轨迹提取方法研究近年来，随着摄像技术的不断发展和智能化的需求，视频序列中的运动目标识别与轨迹提取方法受到广泛关注。
这项研究意义重大，可以应用于视频监控、交通管理、智能驾驶等领域。
视频序列中的运动目标识别是指通过对连续的视频帧进行处理，从中提取出运动的目标物体。
目标物体可以是人、车辆、动物等，具体的识别方式包括颜色、纹理和形状等特征。
常见的识别方法有背景差分、光流估计和深度学习等。
背景差分是一种常见的运动目标检测方法。
该方法假设背景是静止的，并通过对当前帧与背景模型进行差分，来判断目标物体的出现。
这种方法简单高效，广泛应用于视频监控领域。
然而，当场景中存在光照变化或背景不稳定时，该方法的准确性会下降。
光流估计是通过观察相邻帧之间像素的位移来确定目标是否在移动。
这种方法基于运动物体与背景之间的像素强度变化，并使用特定的算法进行运算。
光流估计方法准确度较高，但对算法的复杂度要求较高，计算开销较大。
近年来，深度学习在运动目标识别领域取得了巨大突破。
通过深度卷积神经网络（CNN）等技术，可以自动学习目标物体的特征，并进行分类和识别。
深度学习方法具有较高的准确性和鲁棒性，但需要大规模的数据集和强大的计算资源来进行训练和推断。
除了运动目标识别，轨迹提取也是视频序列分析中的重要环节。
轨迹提取是指对运动目标在视频中的运动轨迹进行跟踪和提取。
常见的轨迹提取方法有基于贪婪算法和基于检测跟踪的方法。
基于贪婪算法的轨迹提取方法通过匹配相邻帧中的目标物体位置，找到物体的运动轨迹。
该方法简单直观，但在目标物体存在遮挡或跳跃等情况时，容易产生错误的匹配。
基于检测跟踪的轨迹提取方法首先通过目标检测算法识别出目标物体，然后使用跟踪算法追踪物体的运动。
该方法对于目标物体的遮挡和运动幅度变化具有较好的鲁棒性，但对于复杂场景中的多目标跟踪仍存在一定挑战。
综上所述，视频序列中的运动目标识别与轨迹提取方法是一个重要且前沿的研究领域。
背景差分法
背景差分法又称背景减法，背景差分法的原理是将当前帧与背景图像进行差分来得到运动目标区域，这种方法较帧差法能更好的识别和提取运动目标，是目前运动分割中最常用的一种方法。
但是需要构建一幅背景图像，这幅背景图像必须不含运动目标，并且应该能不断的更新来适应当前背景的变化，构建背景图像的方法有很多，比较常用的有基于单个高斯模型的背景构建，基于混合高斯模型的背景构建，基于中值滤波器的背景构造，基于卡尔曼滤波器的背景构造，基于核函数密度估计的背景模型构造。
背景差分法法是静止背景下运动目标识别和分割的另一种思路。
如不考虑噪音n(x ，y ，t)的影响，视频帧图像I(x ，y ，t)可以看作是由背景图像b(x ，y ，t)和运动目标m(x ，y ，t)组成：(,,)(,,)(,,)I x y t b x y t m x y t =+ （4-14）由式(4-14)可得运动目标m(x ，y ，t)：(,,)(,,)(,,)m x y t I x y t b x y t =- （4-15）而在实际中，由于噪音的影响，式(4-15)不能得到真正的运动目标，而是由运动目标区域和噪音组成的差分图像d(x ，y ，t)，即：(,,)(,,)(,,)(,,)d x y t I x y t b x y t n x y t =-+ （4-16）得到运动目标需要依据某一判断原则进一步处理，最常用的方法为阈值分割的方法：(,,)(,,)(,,)0(,,)I x y t d x y t T m x y t d x y t T ≥⎧=⎨<⎩ （4-17）式中T 为一阈值，图4-1为背景差分法的流程图：图4-1 背景差分法的流程图背景差分法较帧差法更能准确地提取运动目标，帧差法如果不与其他方法进行结合只能提取运动变化区域(包括真正的运动目标、被覆盖和显露的背景)而不能直接提取运动目标。
然而，当我们运用背景减法时还要考虑很多问题：（1）要得到背景图像b(x ，y ，t)，最简单的方法就是将第一帧没有运动目标的图像帧作为背景图像。
浅述静止背景情况下运动目标检测和计算
浅述静止背景情况下运动目标检测和计算1 前言在视频图像中被监视的场景图像变化情况称为运动目标的检测。
由于阴影、目标与背景的差别很大且二者又运动一致，运动目标的分割和提取常见干扰为：目标合并，目标外形改变，目标消失。
目前，背景图像静止不动的情况，究其原理主要分为三类:光流的计算方法、帧间差分方法、背景的消减方法。
帧间差分方法主要特点是：相邻的帧差时间的间隔比较短，场景光线的变化时该方法不太敏感。
背景消减法主要特点是：此方法与帧间差分法比较在静止的背景模型下，在目标运动区域内可获得完整而又精确的描述，较精确的目标图像可以被提取出来。
传统方法在特性方面存在不完善的地方，传统算法中阴影的纹理、颜色、空间属性在需要分析的区域中会造成的颜色的形变。
本文给出未知摄像位置和场景特征的阴影检测的算法，通过校正纹理和颜色的补偿来获得运动的阴影和物体。
2 运动目标分析2.1 背景模型在背景是静止并且光照条件不变的情况下，此背景点的像素值是相对比较稳定的。
统计一段时间内序列为n幅图像每一像素点颜色值的期望和方差为像素点。
和组成图像为初始背景模型。
如静止场景内发生了光照强度改变，或静止物体开始移动,图像上物体静止的像素点被认为前景点，跟踪目标时产生的错误累加起来，需用序列视频的方法提供信息对初始模型的参数进行更新。
为不断更新背景图像的参数分布，引用参数更新率（常数）。
设和为时刻t点i的期望和方差，为时刻t+1采集点i的颜色值，t+1时，背景模型为。
2.2 阴影模型在可见光点光源和散射源照射下的情况下，假设任意一点的彩色光强值为x，则，E为照明条件下函数，€%d为波长参数，€%j为反射系数，为为点光源的强度，Ca为散射源的强度，L为光源的方向，N为表面的法向量，是半影系数转变成为没有阴影的系数。
帧Fk阴影的描述通过照明变化进行，在RGB空间形成的对角形矩阵的模型：，和为背景Bk和帧Fk阴影像素RGB 值。
颜色比率，，都小于1，为相关联的变量，场景出现不同是在不同的时刻情况下，在短时间内可以近似认为不变量。
背景差分法
背景差分法又称背景减法，背景差分法的原理是将当前帧与背景图像进行差分来得到运动目标区域，这种方法较帧差法能更好的识别和提取运动目标，是目前运动分割中最常用的一种方法。
但是需要构建一幅背景图像，这幅背景图像必须不含运动目标，并且应该能不断的更新来适应当前背景的变化，构建背景图像的方法有很多，比较常用的有基于单个高斯模型的背景构建，基于混合高斯模型的背景构建，基于中值滤波器的背景构造，基于卡尔曼滤波器的背景构造，基于核函数密度估计的背景模型构造。
背景差分法法是静止背景下运动目标识别和分割的另一种思路。
如不考虑噪音n(x ，y ，t)的影响，视频帧图像I(x ，y ，t)可以看作是由背景图像b(x ，y ，t)和运动目标m(x ，y ，t)组成：(,,)(,,)(,,)I x y t b x y t m x y t =+ （4-14）由式(4-14)可得运动目标m(x ，y ，t)：(,,)(,,)(,,)m x y t I x y t b x y t =- （4-15）而在实际中，由于噪音的影响，式(4-15)不能得到真正的运动目标，而是由运动目标区域和噪音组成的差分图像d(x ，y ，t)，即：(,,)(,,)(,,)(,,)d x y t I x y t b x y t n x y t =-+ （4-16）得到运动目标需要依据某一判断原则进一步处理，最常用的方法为阈值分割的方法：(,,)(,,)(,,)0(,,)I x y t d x y t T m x y t d x y t T ≥⎧=⎨<⎩ （4-17）式中T 为一阈值，图4-1为背景差分法的流程图：图4-1 背景差分法的流程图背景差分法较帧差法更能准确地提取运动目标，帧差法如果不与其他方法进行结合只能提取运动变化区域(包括真正的运动目标、被覆盖和显露的背景)而不能直接提取运动目标。
然而，当我们运用背景减法时还要考虑很多问题：（1）要得到背景图像b(x，y，t)，最简单的方法就是将第一帧没有运动目标的图像帧作为背景图像。
运动目标检测方法
帧差法、光流法、背景减除法运动目标检测是指在序列图像中检测出变化区域并将运动目标从背景图像中提取出来。
通常情况下，目标分类、跟踪和行为理解等后处理过程仅仅考虑图像中对应于运动目标的像素区域，因此运动目标的正确检测与分割对于后期处理非常重要然而，由于场景的动态变化，如天气、光照、阴影及杂乱背景干扰等的影响，使得运动目标的检测与分割变得相当困难。
根据摄像头是否保持静止，运动检测分为静态背景和运动背景两类。
大多数视频监控系统是摄像头固定的，因此静态背景下运动目标检测算法受到广泛关注，常用的方法有帧差法、光流法、背景减除法等。
(l)帧差法帧差法是最为常用的运动目标检测和分割方法之一，基本原理就是在图像序列相邻两帧或三帧间采用基于像素的时间差分通过阈值化来提取出图像中的运动区域。
首先，将相邻帧图像对应像素值相减得到差分图像，然后对差分图像二值化，在环境亮度变化不大的情况下，如果对应像素值变化小于事先确定的阈值时，可以认为此处为背景像素:如果图像区域的像素值变化很大，可以认为这是由于图像中运动物体引起的，将这些区域标记为前景像素，利用标记的像素区域可以确定运动目标在图像中的位置。
由于相邻两帧间的时间间隔非常短，用前一帧图像作为当前帧的背景模型具有较好的实时性，其背景不积累，且更新速度快、算法简单、计算量小。
算法的不足在于对环境噪声较为敏感，阈值的选择相当关键，选择过低不足以抑制图像中的噪声，过高则忽略了图像中有用的变化。
对于比较大的、颜色一致的运动目标，有可能在目标内部产生空洞，无法完整地提取运动目标。
(2)光流法光流法的主要任务就是计算光流场，即在适当的平滑性约束条件下，根据图像序列的时空梯度估算运动场，通过分析运动场的变化对运动目标和场景进行检测与分割。
通常有基于全局光流场和特征点光流场两种方法。
最经典的全局光流场计算方法是L-K(Lueas&Kanada)法和H-S(Hom&Schunck)法，得到全局光流场后通过比较运动目标与背景之间的运动差异对运动目标进行光流分割，缺点是计算量大。
步态识别综述_田光见
N为该区域内所有像素总数 N=∑ I ( x ,y ) 该区域的协 方差矩阵为
a c c b = 1 ∑I ( x ,y ) · Nx , y
[ 20] 态的分类识别 。 C h i r a zB e n A b d e l k a d e r 分别提 供了一 种基于
步态图像自相似 性的非参数化 的方法和 一种基 于步态 的周期 和跨距的参数化 的方法进行 基于步 态识别 的身份认 证 。 文献 [ 4, 5] 构造了所谓的 Z e r n i k e 速度矩作为 步态的 特征进 行步态 识别 。 文献 [ 14] 采用多台摄像机同时对人走路的步态的侧面 图像与人的正面 脸像 , 将步态识别与人脸识别结合起来进行身 份认证 。 通过对上面 文献的简单概述 , 我们可以了解到基于步态识 别的远距离身份 认证系统所涉及到的几项关键技术包括 : 视频 处理 、图像处理 、模式 识别 。 步态 识别主 要是针 对含有 人的运 动图像序列进行分析处 理 , 通常包 括运动 分割与分 类 , 特征提 取与描述 , 步态识别几个过程 。 下面针对步态识别过程中的各 种方法和算法进 行分类概述 。
[ 3] 态识别 。 L e e 采用七个椭圆表达人的侧面二值化图像的身体
的不同部分 , 每一个椭圆用质心等四个特征表示加上整个身体 图像的 质心的高 度一共 29 个特征表 示整个人 体侧面图像 , 通
[ 17 ] 过模板匹配方 法进 行步 态识 别 。 J . L i t t l e 和 J . B o y d 利 用步
S u r v e y o f G a i t R e c o g n i t i o n
智能安防视频监控的设计
智能安防视频监控的设计摘要：智能安防视频监控就是要用视频采集和图像处理的方法，通过对实时监控进行自动地、实时分析来检测在监控范围之内是否有运动物体的出现。
文章主要研究了智能监控的基本理论和关键技术，重点研究了静止背景下运动目标的检测。
基于运动信息，使用连续帧间差分法检测运动目标目标，试验结果表明，该算法有计算简单，运算快速与稳定的特点。
关键词：运动目标检测；帧差差分；安防监控中图分类号：ts736+.2 文献标识码：a 文章编号：一、视频监控的应用与意义（一）视频监控应用现代社会是一个人口密集、高度复杂的社会，面临的突发事件和异常事件越来越多，其监控的难度与重要性也越来越突出。
随着全球对安防监控的需求日益增加，前端设备和网络设备价格的迅速下滑，人们不断建立起规模越来越大的视频监控系统。
近年来，视频监控在各行各业得到广泛的应用，生活中有小区安全控，电讯行业有机站监控，银行系统有柜员机监控，林业部门有火情监控，交通方面有违章和流量监控等等。
从功能上讲，视频监控可用于安全防范、信息获取和指挥调度等方面。
（二）视频监控的意义建设社会治安智能视觉监控分析处理系统，加强监控信息的综合利用，是促进城市治安防控体系可持续发展、建设平安城市和和谐社会的重要举措。
研究智能安防视频监控是非常必要的，对我国经济的发展、和谐社会的建设都有着积极的作用。
二、常用的运动检测方法运动物体的视频监控主要是针对包含运动图像序列进行分析处理，包括运动检测、目标分类、目标跟踪及行为理解与描述几个过程，其中，运动检测、目标分类、目标跟踪属于视觉中的低级和中级处理部分，而行为理解和描述则属于高级处理，涉及到计算机视觉、模式识别和人工智能领域的许多核心课题，是一个具有挑战性的问题。
其基本任务是从摄像机摄取的视频图像序列中恢复人体或车辆等运动目标的结构参数，并对其行为进行识别和判断。
目前，检测运动目标的方法主要有：光流法、连续帧差分法和背景差分法。
融合时空信息的运动目标检测算法
提 出一种融合时 间和空 间信息 的运动 目标检 测算法 。 该算法通过增 量式主 成分分析提取空间上图像的背景信息 ， 结合三 帧差分法 所提取 的
时域信息进行融合决策 以提取运 动 目 。 标 实验结果表 明， 该算法能够在 动态 场景中有效提取运动 目标 ， 且检测结果优于混合高 斯模型 算法。 关健词 ：智能视频 ；运动 目标检测 ；时空信 息；增量式主 成分分析 ；三帧差分法
（ ｈ ０ ｔｆ ｏ ｍ， ｈ ｅ ｏ ｄＡ ｔ ｌｒ ｎ ｉ ｅ ｒ ｇＣ ｌ ｇ ， ’ｎ７ ０ ２ ， ｈ ｎ ） Ｔ ｅ５ ２Ｓ ａ Ｒ ｏ Ｔ ｅＳ ｃ ｎ ｒ ｌ ｙＥ ｇ ｎ ｅｉ ｏｌ ｅ Ｘｉ １ ０ ｒ ｃ］Ｍｏ ｉｇｏ ｊｃ ｅｅｔ ｎｉｔｅｂ ｓ ｃ ｎ ｌｇ ｆｎｅｌ ｅｔ ｉｅ ｒｅｌ ｎ ｅＴ ｅ ａｋ ｒｕｄｏ ｅｅｉｍｏ ｅ ｄｏ ｅ ｉｅ ｉ Ａｂ ｔａ ｔ ｖｎ ｂｅｔ ｔｃｉ ａｉｔ ｈ ｏｏ ｙｏ ｔｌｇｎ ｄｏｓ ｖ ｉａｃ ． ｈ ｃ ｇｏ ｎ ｆｃｎ ｄ ｌ ｎｅ ｒ ｐｘｌｎ ｄ ｏ ｓｈ ｃｅ ｉ ｉ ｖ ｕ ｌ ｂ ｓ ｓ ｅ ｖｙ
ｆ ａ ｅ ｄ ｆｅ ｅ ｃ ｒ ｍ ｉ ｒ ｎ ｅｍ ｅ ｏ ｈ ｔ ｄ
ＤＯＩ １ ． ６ ／ｉ ｎ１０ —４ ８２ １．８０ ６ ： ０３ ９ｊｓ ． ０３ ２ ． １１ ． ９ ．ｓ ０ ０ ５
１ 概述
运 动 目标检测技术是智能 视频监控技术 的基础 ，其提取
样 本背景 图像 的均值 和这些特征 系数重建当前背景 帧。该方
ｉｆ ｒ ａ ｏ ｘ ａ ｔｄｂ ｃ ｅ ｎ ａ Ｐ ｉｃｐ ｏ ｏ ｅ ｔ ａ ｓ （ Ｃ ． ｃｓ ｎｉ ｍａ ｅ ｙｃ ｍｂｎ ｔ ｎｗｉ ｒｅｆａ ｉ ｅ ｅ ｃ ｔｏ ｎ ｏ ｔ ｎｉ ｅ ｔ ｃｅ ｙｉ ｒｍｅ ｔ ｒ ｉａ Ｃ ｍｐ ｎ ｎ ｌ ｉ Ｐ Ａ） Ｄｅ ｉｉ ｄ ｏ ｉａｉ ｔ ｔ ｅ ｍｅｄｆ ｒｎ ｅｍｅｈ ｄ ｍ ｉ ｓ ｒ ｎ ｌ ｎ ｌ Ａｎ ｙ ｓ ｏ ｓ ｂ ｏ ｈ ｈ ｌ
静止背景下运动检测的像素线阵分割算法在视频监控中的应用
蘸塑、整凰静止背景下运动检测的像素线阵分割算法在视频监控中的应用李祥福亓夫军(中国海洋大学信息科学与工程学院，山东青岛266071)数字视频监控是集合图像处理，计算机技术，数学科学计算和分析等等诸多学科于一身的新技术，而数字图像处理是其关键核心部分。
当代，智能视频监控渐渐取代传统的有人职守监控方式，广泛应用在军事，交通，通讯，民用设施等领域。
而运动检测是智能监控实现的关键环节，目前差值法是图像变化检测的最主要算法，即将前后关键桢的图像进行全部像素的R G B值提取而后进行逐个相减计算，并取绝对值，而后进行相加。
将得到的结果和预先设置的阈值进行比较。
如果大于阈值，即认为图像发生变化。
这种传统的差值法对图像变化识别度高，而且可以计算出每一处的详细变化，但是该算法应用于数字视频监控时却存在很多问题，例如计算量过大。
以普通600x800像素的监控画面图像而言，每进行一次前后两个关键帧的变化检测时，需要进行3x600x800=1440000次相减运算，同时还要进行1440000次相加运算。
当对监控画面连续性要求比较高的时候，帧率调高，相邻两帧之间的时间差缩短，如果计算量过大，会导致判断延时，无法和视频同步，进而导致系统工作出现异常甚至死机。
针对这一问题，本文受到传统遮断式光路传感报警器系统的启发，提出了一大大简化但很实用的基于图像分割的线阵像素算法。
1遮断式光路传感报警系统和画面矩形线阵分割智能监控的目标之一在于当安防区域出现外来入侵运动物体时，能够识别出变化并且报警。
传统的遮断式光路传感报警系统便利用了激光光束和光敏传感器实现这一功能。
1．1遮断式光路传感报警系统图示1传觥谴断式垲吲专感报警系统(引自美围电影锚猡寸轻附镑)如图示1所示，左一中以平面网状结构分布的激光光束充满了安防空间；右边两张图示均为不法分子试图绕过光束而不触短光路进行入侵。
该系统由激光光束发射器和对应出现的光路接受器组成，当外部运动物体碰触到光线时，光路被速断，接收器无法感知光路便触发报警。
基于HSV颜色空间静止背景中运动目标的检测算法
始 帧 中的 Ｈ 分 量 对 运 动 区域 进 行 筛选 ， 而得 到 特 定 运 动 目标被 点 亮 的 前 景 帧 。 实 验 结 果表 明 ， 算 法 能 够 有 效 地 从 该
实 现 在静 止 背 景 、 多运 动 目标 共 存 的 视 频 中检 测 出特 定 颜 色的 运 动 目标 。
ｏ ｊｃ ｓｓ ｌｃｅ ． ｅｅ ｐ ｒ ｎ ａ ｅ ｕｔ ｈ ｗ ｈ ｔｔ ｅａｇ ｒｔ ｍ ａ ｃ ｉｖ ｈ ｐ ｃａ ｏｏ ｖｎ ｂｅ ｔｄ ｔｃｉｎ ｉ ｂｅ ｔｗａ ｅｅ ｔｄ Ｔｈ ｘ ｅｉ ｔｌｒｓ ｌ ｓ ｏ ｔａ ｈ ｌｏ ｉ ｍｅ ｓ ｈ ｃｎ ａ ｈｅ ｅｔ ｅ ｓ ｅ ｉｌｃ ｌｒｍｏ ｉｇｏ ｊｃ ｅｅｔ ｎ ｏ
ｔ ｅ ｒ ｓ ｎ ａ ｈ ｒ ｗ ｒ ｍｅ ｉ ｉ ｅ ｅ ｕ ｎ ｅ ．ｈ ｎ ｉ ｅ ｔ ｂ ｉｈ ｄ ｂ ｃ ｇ ｏ ｎ ｒ ｍ ｅｂ ｓ ｄ ｏ ｅ Ｏ ｒ ｐ ｅ ｅ ｔｅ ｃ ａ ｆ ａ ｎ ｖ ｄ ｏ ｓ ｑ ｅ ｃ ｓ ｔ ｅ ｓ ａ ｌ ｅ ａ ｋ ｒ ｕ ｄ ｆａ ａ ｅ ｎ ｓ Ｈ— ａ ａ ｔ ｅ ｂ ｃ ｇ ｏ ｎ ｄ ｌ ｔ ｓ ｄ ｐ ｉ ａ ｋ ｒ ｕ ｄ ｍｏ ｅ ｖ
关键 词 ： 颜 色空 间 ； 背景 差分 法 ； 运 动 目标 检 测 中 图分 类 号 ：Ｔ ３ １ ４ Ｐ ９．１ 文献标识码 ： Ａ
Ｍ ｏ ｉｇ Ｏｂｅ ｔ ｔｃｉｎ Ｂ ｓ ｄ ｏ Ｖ ｌｒＳ ａ ｅａ ｄ Ｆ ｘ ｄ Ｓ ｅ ｅ ｖｎ ｊｃ ｅ ｔ ａ ｅ ｎ ＨＳ Ｃｏｏ ｐ ｃ ｎ ｉｅ ｃ ｎ Ｄｅ ｏ
静止背景下基于图割的运动目标检测算法
ｍｉ ｄ ｒ ｓ ｌ ｉ ｇ ｉ ｅ ｙ ｔ ｅ ｍａ － ｌｗ ｎ ｃ ｔ ａ ｇ ｒｔｍ． ｘ ｅ ｍｅ ｔｌ ｒ ｓ ｌ ｈ ｗ ｔ ｅ ｇ ｅ ｔｒ ａ ｃ ｒ ｃ ｎ ｔ ｎ ｅ ｏ ｕ ｔ ｅ ｓ ｚ ｅｕｔ ｓ ａｎ ｄ ｂ ｈ ｘ ｆ ｅ ｏ ｍｉ － ｕ ｓ ｌｏ ｈ Ｅ ｐ ｒ ｎ ａ ｅ ｕ ｔ ｓ ｏ ｈ ｒ ａ ｅ ｃ ｕ ａ ｙ ａ ｄ ｓｒ ｇ ｒ ｒ ｂ ｓｎ ｓ ｉ ｉ ｓ ｏ
关 键词 ： 动 目标 检 测 ； 运 背景 差 ； 图割 ； 网络 流
ＤＯＩ１ ． ７￣ｉｎ１０ — ３ １ ０ ８３ ． ５ 文章编号 ：０ ２ ８ ３ （０ ８ ３ — １６ ０ 文献标识码 ： 中图分类号 ：Ｐ ９ ：０３ ８ ．ｓ．０２ ８ ３ ． ０ ． ０ ７ ｓ ２ ２５ １０ — ３ １２ ０ ）２ ０ ８ — ３ Ａ Ｔ ３１
ｔ ｎ ｆｔ ｄｔ ｎｌｂｃｇｏ ｎ ｕ ｔ ｃｉ ｌ ｒｈ ｈ ｔｔｅ ｏｊｃ ｅｇ ｓｃａｓ ，ｏｅ ａｄ ｎｉ ｘｓ ｉ ｅ ｒ ｕ ， ｏｅ ｉ ｓｏ ｒ ｉｏａ ａｋｒｕ ｄ ｓｂｒ ｔ ｎ ａ ｏ ｔｍ ｔａ ｈ ｂｅｔ ｄｅ ｉ ｏｒ ｈｌ ｎ ｏｓ ｅｉ ｎ ｔ ｅ ｌ ａ ｎ ｖｌ ｏ ａ ｉ ａ ｏ ｇｉ ｅ ｓ ｅ ｔ ｈ ｓｔ
１６ ２０ ，４ ３ ） ８ ０ ８４ （２
Ｃ ｍ ｕｅ ， ｏ ｐ ｔ Ｅ 聊ｅ ｒ
ａｄ Ａ ｐｉ ｔ ｎ ｎ ｐ ｌ ａｏｓ计算机 工程与应用 ｃｉ
静止背景下基于 图割 的运 动 目标检测算法
徐秋 平 ２郭 ， 敏１ Ｘ ｉ－ ｉｇ Ｇ Ｏ Ｍｉ Ｕ Ｑｕ ｐｎ ， Ｕ ｎ
ｇｎ ｅ ｉｇ ａ ｄ Ａｐ ｌ ａｉｎ 。０ ８ ４ （ ２ ：８ － ８ ． ｉｅ ｒ ｎ ｐｉ ｔ ｓ ２ ０ 。４ ３ ） １ ６ １ ８ ｎ ｃ ｏ
背景差分法讲解学习
背景差分法背景差分法又称背景减法，背景差分法的原理是将当前帧与背景图像进行差分来得到运动目标区域，这种方法较帧差法能更好的识别和提取运动目标，是目前运动分割中最常用的一种方法。
但是需要构建一幅背景图像，这幅背景图像必须不含运动目标，并且应该能不断的更新来适应当前背景的变化，构建背景图像的方法有很多，比较常用的有基于单个高斯模型的背景构建，基于混合高斯模型的背景构建，基于中值滤波器的背景构造，基于卡尔曼滤波器的背景构造，基于核函数密度估计的背景模型构造。
背景差分法法是静止背景下运动目标识别和分割的另一种思路。
如不考虑噪音n(x ，y ，t)的影响，视频帧图像I(x ，y ，t)可以看作是由背景图像b(x ，y ，t)和运动目标m(x ，y ，t)组成：(,,)(,,)(,,)I x y t b x y t m x y t =+ （4-14）由式(4-14)可得运动目标m(x ，y ，t)：(,,)(,,)(,,)m x y t I x y t b x y t =- （4-15）而在实际中，由于噪音的影响，式(4-15)不能得到真正的运动目标，而是由运动目标区域和噪音组成的差分图像d(x ，y ，t)，即：(,,)(,,)(,,)(,,)d x y t I x y t b x y t n x y t =-+ （4-16）得到运动目标需要依据某一判断原则进一步处理，最常用的方法为阈值分割的方法：(,,)(,,)(,,)0(,,)I x y t d x y t T m x y t d x y t T ≥⎧=⎨<⎩ （4-17） 式中T 为一阈值，图4-1为背景差分法的流程图：图4-1 背景差分法的流程图背景差分法较帧差法更能准确地提取运动目标，帧差法如果不与其他方法进行结合只能提取运动变化区域(包括真正的运动目标、被覆盖和显露的背景)而不能直接提取运动目标。
然而，当我们运用背景减法时还要考虑很多问题：（1）要得到背景图像b(x ，y ，t)，最简单的方法就是将第一帧没有运动目标的图像帧作为背景图像。
基于mean-shift算法的目标跟踪技术的研究
毕业论文（设计）题目基于mean-shift算法的目标跟踪技术的研究院系专业电子信息工程学生姓名学号指导教师职称_________________二O 一二年五月十日目录摘要 (2)第一章绪论 (3)1.1 课题研究背景及意义 (3)1.2 运动目标跟踪的国内外研究现状 (4)1.3 课题研究的主要内容及章节安排 (6)第2章 Mean Shift理论 (7)2.1 引言 (7)2.2 密度估计概述 (8)2.3 参数密度估计 (8)2.4 无参密度估计 (8)2.4.1 无参密度估计的常用方法 (8)2.4.2 核密度估计原理 (9)2.4.3 核函数的选取 (9)2.5 Mean Shift理论 (10)2.5.1 多维空间下核密度估计理论 (10)2.5.2 密度梯度估计和 Mean Shift 向量 (12)2.5.3 Mean Shift 算法的收敛性 (14)第3章 Mean Shift目标跟踪算法 (16)3.1 引言 (16)3.2 Mean Shift算法的步骤 (17)3.2.1 目标模型描述 (17)3.2.2 候选模型描述 (17)3.2.3 目标相似性度量 (18)3.2.4 目标定位 (18)3.3 算法的具体实现 (20)3.4 目标尺度的自适应更新 (22)3.5 实验结果分析 (22)3.6 本章小结 (22)参考文献 (23)结论 (23)致谢 (23)基于mean-shift算法的目标跟踪技术的研究摘要：基于视频的运动目标跟踪是计算机视觉研究领域的一项必不可少的关键技术。
Mean Shift算法是众多优秀的运动目标跟踪算法之一。
本文的主要研究内容为Mean Shift理论和传统的Mean Shift目标跟踪算法，Mean Shift算法采用核颜色直方图作为描述目标的模型，核函数的单峰性使得该算法对目标的部分遮挡或目标变形具有较好的鲁棒性，并且具有较好的实时性。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
Moving Object Detection in Stationary Scene摘要：随着计算机技术的不断提高，智能视频监控技术得到了很好的发展, 过去依靠人力监控视频中出现的人或汽车等既浪费人力物力，又不够准确，很容易发生遗漏，而智能监控就不存在这种问题，只需在程序中设定报警条件即可，能够准确地达到实时监控的目的。
现在智能视频监控逐渐应用于城市道路、小区、银行等重要场所及对场景中的异常事件或人的异常行为的监控中, 应用前景广泛，正在逐步取代靠人力来观察视频信息。
智能视频监控相比过去常用的靠人来监测的最重要的不同就是识别出需要监控的对象，通常是运动目标的提取。
在本文中利用matlab视频处理功能，通过matlab程序来获取视频，使用背景减差法来检测出运动目标提取静止背景中的运动目标，并将结果显示出来，以进行进一步的分析处理。
关键字：视频监控；目标提取；静止背景；matlab；目标识别；背景减差法基于视频的运动目标主要提取方法目标检测是计算机视觉的一个重要组成部分，在军事及工业等领域有着重要的应用前景。
运动目标的检测方法主要有光流法，差值法。
光流法的计算量很大，实时性和应用性较差。
而图像差值法比较简单，实时性较好，是目前应用最广泛，最成功的运动目标检测的方法。
图像差值法可分为两类，一类是用序列图像的每一帧与一个固定的静止的参考帧做图像差分，但自然场景不是静止不变的，因而必须不断的更新背景。
另一类是用序列图像的两帧进行差分，这种方法无法检测出两帧图像中重合的部分，只能检测出目标的一部分信息。
在绝大多数视频监控图像应用中，每一个像素都可以用一个或多个高斯模型近似，因此，高斯背景模型是绝大多数目标检测方法常用的基本模型。
许多学者对基于高斯混合背景模型的背景消除法作了改进并取得了较好的效果。
Stauffer 等人提出了采用自适应混合高斯模型，作为背景统计模型的算法；Power 等人详细的讨论了混合高斯模型，并对模型中的参数选择及更新提出了很好的建议。
Monnet 等人在文献[3]中对摆动的树叶，水纹的波动等动态纹理干扰作了深入研究，提出了在线的自动聚类模型来获得并预测场景中的这些变化以减少干扰。
然而，由于光照条件的影响，大多数图像都存在阴影，阴影的存在干扰了目标的检测，使检测到的目标与真实的目标形状相差很大，这对后续处理如目标识别、行为判断等会产生很大的影响。
混合高斯模型无法消除阴影的干扰，因此找到阴影消除的方法变得非常重要。
近年来，提出了很多阴影消除方法，毛晓波提出了基于最大色度差分的阴影检测方法，A. Leone提出了基于纹理分析的阴影消除方法，通过分析纹理信息获取前景目标并消除阴影，取得了较好的效果。
运动目标检测常用的方法一般分为两大类，一种是基于特征的方法，另一种是基于灰度的方法。
基于特征的方法是依据图像的特征来检测运动目标，它多用于目标较大、特征容易提取的场合。
基于灰度的方法一般是依据图像中灰度的变化来检测运动目标。
目前基于视频的检测方法主要有: 基于帧间差分的方法、基于光流场的方法、基于背景差的方法等。
帧间差分法是基于运动图像序列中相邻两帧图像间具有强相关性而提出的检测方法, 具有很强的自适应性。
但如果物体内部灰度分布均匀这种方法会造成目标重叠部分形成较大空洞，严重时造成目标分割不连通，从而检测不到目标。
光流场法是基于对光流的估算进行检测分割的方法。
光流中既包括被观察物体的运动信息, 也包括有关的结构信息。
光流场的不连续性可以用来将图像分割成对应于不同运动物体的区域。
但多数光流法的计算复杂、耗时, 难以满足实时监测的要求。
背景差法是运动检测中最常用的一种方法它将输入图像与背景图像进行比较，直接根据灰度的变化等统计信息的变化来分割运动目标。
差分法一般计算量小实用价值大。
缺点是受光线、天气等外界条件的影响较大。
NYN Y图1 程序流程图1.背景建模在进行运动检测时，常见的一种情况是摄像机处于静止状态，并且镜头的焦距是固定的，此时，图像中的背景区域固定不动在摄像头固定，也就是在静止背景条件下，背景差分是常用的运动目标检测方法，其基本思想是将当前图像与背景图像相减，若像素差值大于某一阀值，则判断此像素为运动目标上的点，通常的背景差分方法对光线、天气等光照条件的变化非常敏感，运动目标的阴影也常常被检测为运动目标的一部分，这将影响检测结果的准确性。
使用背景差法很重要的一步是背景建模，要估计出一个不带有运动目标的背景模型，通过计算当前图像帧和该背景模型的差别来确定运动目标的位置。
目前普遍采用的方法是对图像帧中每一个点，用一个统计模型来描述其亮度(颜色)的概率分布，在实际中使用最多的就是正态概率分布即高斯分布。
高斯分布分为单高斯分布和多高斯分布，其区别如下：(1)单高斯分布[1]单高斯分布的背景建模是一种静态的区分背景与前景的办法，假定取到n帧图像像素平均值是P，亮度平均值是I，每个图像点的颜色用一个高斯分布近似：η（x,μn，）(1) x：第n帧图片灰度值μn:第n帧时背景图片均值Σn ：第n帧背景图片协方差，当某点观察颜色值与背景分布相差过大(闽值界定)时认为是前景点，否则为背景点。
μ=*(2)σ=*(3)通过公式（2）和公式（3），得到均方差后，由得到的值设置一个阈值来区分前景和背景。
(2)多高斯模型[1]在多高斯分布背景模型中，每个图像点的颜色用多个高斯分布近似。
设用来描述每个点颜色分布的高斯分布共有K个，用权值最大的若干高斯分布表示背景。
但是它计算量大，难以满足实时要求，在多数场合下，与单个高斯分布的背景模型相比性能并没有显著提高，所以受硬件条件的限制，多高斯模型很少在实际应用中使用，而本例在视频背景亮度短时变化不大的情况下，使用单高斯分布背景模型即可满足任务要求。
输入一段avi格式的视频，转换成数据格式并读取,画出视频的最后一帧的原图：avi = aviread('video.avi');video = {avi.cdata};%读入视频信息for a = 1:length(video)imagesc(video{a});subplot(221)axis image offdrawnow;end;图2 原视频的最后一帧通过读取图像这一步，读到视频所有的信息，并数值化，有视频监控中用摄像头输入实时的外部的信息，并通过这一步处理，为后续的程序做准备。
2.目标分割分割是从背景中将目标分离出来的过程，它是所有后续过程，例如形状分析、目标识别，目标跟踪等的前提工作，只有很好地完成目标分割，后续工作才有可能做好。
目标分割主要包括以下几个步骤：(1)背景消减其基本思想是将当前帧图像与事先存储或者实时得到的背景图像相减，若差分图像中象素值大干某一阈值，则判此象素点属于运动目标区域，否则，就判此象素点属于背景区域[2]。
背景消减的结果，前景点的灰度值都取值为0，背景点灰度值取值为255。
背景消减是目前运动检测中的主流方法，它是用含有运动目标的当前图像与背景图像的差分来检测运动区域的一种技术，其基本思想是，首先，用事先存储或实时得到的背景图像序列为每个象素进行统计建模，得到背景模型B k,将当前含有运动目标的图像帧f k和背景模型相减，如公式（4）所示[3]。
其次，将计算结果在一定阈值T限制下进行二值化，如公式（5）所示，判断出当前图像中出现的偏离背景模型值较大的那些象素，就是出现的运动目标的像素，Rx是含有目标的二值化图像。
由于运动物体和背景在灰度或色彩上存在差别，相减、阈值操作后得到的结果直接给出了目标的位置、大小、形状，从而得到较完整的目标信息。
D k(x,y)=| f k(x,y)- B k(x,y)| (4)R k(x,y)=(5)经过处理后，当D k的值大于某一阈值的时候为背景点，其他值时为前景点，这样就能通过一个二值图像分离出前景和背景，并提取出前景，从而达到运动目标检测的目的。
基于平均法曲噪声的背景获得视频图像序列中，目标以运动状态存在于视场中，对于视场内每一个像素，归属于背景的概率极大，经过对输入图像序列的若干帧平均即可得到与实际背景图像近似的初始背景，同时也达到了虑除噪声、消除摄像机抖动的目的。
设g(x,y)是含有噪声的目标图像，n(x,y)为不包含噪声的初始目标图像，x、y为图像上的点在时域上的坐标，则有：g(x,y)=f(x,y)+n(x,y) （6）取n幅内容相同但是含有不同噪声的图像，将它们跌加起来，然后作平均计算，如下式(7)所示:g(x,y)=*(7)由公式（7）可见，n增加则像素值的方差就减小，这说明平均的结果使噪声造成的偏差变小。
当作平均处理的噪声图像数目增加时，其统计平均值就接近初始的没有噪声的图像。
3.运动目标检测与提取运动目标提取的效果直接关系到算法实现，在背景图像提取完成之后，利用图像的梯度不受亮度和量化噪声影响的特点，对背景和当前帧进行梯度差，就可以更准确在检测到运动目标，并可部分消除阴影及噪声的影响。
梯度差突出了运动目标的轮廓, 但容易使目标内部产生空洞, 因此梯度差后还要对图像做适当的区域填充。
先将提取的视频转换为灰度视频信息，灰度图像只含亮度信息，将彩色图像转化成灰度图像的过程称为灰度化处理，灰度图像的描述与彩色图像一样，也能反映整幅图像的整体和局部的色度和亮度。
图像的二值化就是将图像上的点的灰度设置成0或255，也就是把目标和背景分成最亮和最暗两种极端，这样事个图像就不再涉及到像素的多级值，处理会变得简单许多，而且在运动目标检测中，目的就是提取活动的人或物，这样的二值图像已经足够。
%视频信息的数值化处理，连接成一个单列的向量if ischar(video)avi = aviread(video);pixels = double(cat(4,avi(1:2:end).cdata))/255;%clear avielsepixels = double(cat(4,video{1:2:end}))/255;clear videoend%转换成灰度值nFrames = size(pixels,4);for f = 1:nFramespixel(:,:,f) = (rgb2gray(pixels(:,:,:,f)));subplot(222)end图3 第一帧的灰度图像经过处理后，从背景中提取出运动图像，得到视频的灰度图像，这是截取的第一帧灰度值图像。
rows=240;cols=320;nrames=f;for l = 2:nramesd(:,:,l)=(abs(pixel(:,:,l)-pixel(:,:,l-1)));k=d(:,:,l);bw(:,:,l) = im2bw(k, .2);%二值处理bw1=bwlabel(bw(:,:,l));%等于0的是背景，提取大于2的是前景imshow(bw(:,:,l))subplot(223)end图4 最后一帧的值图像灰度值经过二值处理得到的二值图像，二值图像把运动目标设置成0的最大值，背景为255，二值图像数据量较小，容易处理，并且区分更加明显。