静止背景下的移动目标视觉监控系统设计.docx
《静止背景下的移动目标视觉监控系统设计.docx》由会员分享，可在线阅读，更多相关《静止背景下的移动目标视觉监控系统设计.docx（31页珍藏版）》请在冰点文库上搜索。
静止背景下的
移动目标视觉监控系统设计
静止背景下的移动目标视觉监控系统设计
摘要
静止背景下的移动目标视觉监控系统设计是基于数字图像处理的一种对视频的监测技术。
随着当今科技领域的不断发展壮阔，移动的目标监测放眼当下也是非常热门的研究领域，但又和每个人的生活息息相关，家用智能摄像头、公司监控系统、工业、农业、医学、交通等领域。
本次设计基于MATLAB语言，运用数字图像处理和视频处理相关知识，针对视频处理中常出现的图像噪声、监测移动目标模糊、提取图像帧等问题，采用图像降噪、帧差法等方法，实现静止背景下对移动目标的监测系统设计。
关键词：
数字图像处理 移动目标监测 噪声去噪 图像分割
MovingTargetVisualSurveillanceSystemDesign
BasedOnStaticBackground
Abstract
Thisobjectwhosenameisthedesignofmovingtargetvisionmonitoringsysteminstaticbackgroundisakindofvideomonitoringbasedondigitalimageprocessing.Withthecontinuousdevelopmentoftoday'sscienceandtechnologyfield,mobiletargetdetectionisaveryhotresearchfield,butitiscloselyrelatedtoeveryone'slife,suchashomesmartcamera,companysurveillancesystem,industry,agriculture,medicine,transportationandotherfields.Itisveryimportanttodetectmovingobjectsbycomparingadjacentframessoastofindthetargettobedetected.Itisnecessarytoeliminatetheinterferenceofsomemovingobjectsforcorrectvideodetection.
ThisdesignisbasedonMATLABlanguage,theuseofdigitalimageprocessingandvideoprocessingrelatedknowledge,inviewofthevideoprocessingoftenoccursintheimagenoisemonitoringmovingtargetfuzzyextractionimageframe,imagenoisereductionframedifferencemethodandothermethods,toachievethestaticbackgroundofthemovingtargetmonitoringsystemdesign.
Keywords：
DigitalimageprocessingMovingtargetdetectionThenoiseandThenoisereductionImageedgedetection
1 前言
1.1 发展现状
现如今，随着科技飞速进步发展，计算机及其相关领域不断兴起发展，数字信息化也高速发展应用于各行各业中。
由于当下数字图像处理技术这门学科不断被大众所熟知，并且越来越多的学者对这项技术进行研究创新，该技术现已成为一门发展前景较好的学科，被广受关注，并且很多领域都应用到了该项技术，比如航空技术、医学行业、工业检测、人工智能、军事领域、艺术行业等。
对于视频检测来说，地域与运动目标的监测和控制是图像分析的重要研究领域之一。
在背景是静止的状态下，通过对移动目标的监测和识别来提醒监测人员监测的异动，利用捕捉到的图像并跟踪运动目标在信息全球化、科技共享的今天，视频监测这一项技术已经可以应用在人们的日常生活中。
1.2 研究背景
对于静止状态下的移动目标监测，主要就是实时图像监测，其中最主要的应用技术就是数字图像处理和目标监测跟踪。
图像处理最早应用在20世纪20年代初，当时数字图像处理首次面世应用，由于当时从伦敦到纽约之间海底电缆发送图片质量一般、耗时比较久，于是数字图像处理便被应用于此来改善图片的传输时间和视觉效果；到了50年代，数字图像便逐渐走入大众的视野中；1964年，美国喷气式推进实验室用计算机对“徘徊者七号”太空飞船返回的大批月亮照片进行处理，图片质量改进的效果显著；在20世纪60年代末数字图像处理具备了比较完整的体系,形成了一门新兴的学科，20世纪70年代，数字图像处理技术领域飞速发展，与之同时图像处理的理论和方法也逐步成熟，越来越多的行业都使用到了图像处理的相关知识，计算机、思维科学迅速发展起来[1]。
在当时，已经有很多发达国家投入了大量的人力物力来研究这个刚崛起的领域。
在这个时期，数字图像已经提升了一个研究层面，当时的主要目的是对景象的识别和计算视觉研究，但数字图像处理已经可以从二维进阶到三维层面来进行解释。
相较于数字图像处理，实时图像处理在国际上也拥有了很悠久的历史，国际上实时图像处理最早源自20世纪于50年代，国内则是起步于20世纪80年代末期，1989年浙江大学用中小规模集成 电路实现了模块化的实时图像处理系统，1993年用LOGIC公司研制出了改进型系统，该系统可以对图像中指定的几十个三维目标进行识别[2]。
但因为当时国内科技水平相对落后，国内处理图像的技术理论没有非常成熟，对于相应的图像处理系统不能很好地及时处理复杂多变的图像。
而现如今，我国的科技实力日益强大，这项技术也在全球走在前列，也逐渐融入人们的日常生活。
1.3.1研究内容
本次设计主要研究的是对于移动目标的监测，主要是根据实时监控到的图像，运用数字图像处理和目标跟踪理论等知识，实现在静止背景下对移动目标的监测，主要的研究内容包括：
1.针对监控到的彩色图像转换成灰度图，以便后续对图像的处理操作。
2.对获取到的帧图像可能会出现的质量问题，对图像进行降噪处理。
3.为了获取到移动目标，对视频进行处理，获取到前后两帧图像并进行对，从而获取到监测目标。
4.在上述的基础上做了一些改进：
对于在监控系统中监测移动目标，设置布防区域和目标占比，从而可以避免监控不必要的目标，使监控系统更有针对性。
本次课题的主要研究目的是对于监测移动目标的获取，目标获取就是当监测到有目标出现时，把监测到的目标从视频帧图像中分割提取出来，为下一步的布防提供有效的数据。
因此，一个视频监控系统的好坏与目标检测和图像分割的算法有着密切的关联，
一个好的视觉监控系统的设计应该能适用于各种环境的监测。
通常一个好的视频监测目标监测和提取的系统算法应该有以下的几种特性：
1.适应于各种监测环境状态，不论是室内还是室外，阴天还是晴天，都能很好的分割出背景与前景、对监测目标进行提取。
2.能够处理在大面积区域中不规则运动物体的识别，以及在视频中目标不断叠加的情况下对目标的监测识别。
3.系统能够适应背景中各位微小的波动干扰，比如摇晃的树叶，水纹的波动等。
4.系统初始化问题，在某些监控场景中，如果只有背景没有运动物体，可能会监测失误。
5.系统在提取某些监测物体时，如果物体的灰度值集中在某个较小的范围内，物体内部的像素点可能会被忽略。
6.系统对目标丢失的解决，当某个运动目标长期停留在图像中可能会造成的现象。
7.对监测到的运动目标，其阴影可能也会影响监测结果。
本文的结构安排如下：
第一章：
实时目标监测与数字图像处理的发展现状及其背景，讨论本文的研究内容及其可能存在的问题。
第二章：
图像处理的基础知识，彩色图与灰度图的转换和图像二值化。
第三章：
常见的几种噪声和本设计所用的图像降噪类型及其对比。
第四章：
图像分割技术，获取到移动目标并进行目标提取和背景置黑，并进行图像形态学优化。
第五章：
布防设计，根据移动目标与整幅图像的比例关系设置是否警告等内容。
2数字图像基础
2.1图像的取样和量化
无论是在日常生活中，还是科研技术，使用和接收到的图像大都是模拟信。
在图像处理中，传感器接收到图像后再输出连续的电压波形，但对于计算机处理器只能处理数字信号，这时就需要把接收到的连续信号转化为数字信号。
为了形成一幅计算机可以处理的数字图像，把接收到连续的信号转换为数字形式，这一个过程就可以称之为取样和量化。
传感器接收到的一幅图像，如图2.1所示，如果要把这幅图像转换成数字信号，首先，对这幅连续的图像等间隔的在幅度上取样,这里要注意的是对于图像的取样是对图像的灰度级进行取样，该图像的灰度级，图2.2所示。
其次，再在时间上等间隔地对幅度进行取样，如图2.3所示，这时就得到了一组取样函数。
但对于要最后得到的图像来说，取样点的灰度值不是很统一，这时需要在纵向上对灰度级进行分级，最简单的就是8个灰度级，从0到7分别映射为从黑到白中间的灰度级变换。
完成以上步骤大体得到了一个离散的数字信号，但这时还需要对离散的灰度值进行量化，就是在图2.3的基础上，根据之前规定的灰度级级别对取样的灰度值赋值，赋值的大小是由取样的垂直接近程度。
如图2.4所示。
完成了以上三个步骤就基本完成了图像的取样和量化过程。
图2.1 原始图像 图2.2 图像一维灰度曲线
图2.3 图像取样 图2.4 量化后的灰度图
2.2图像灰度变换
图像的灰度变换是把对图像的变换定义为一个变换域，然后对输入图像进行变换，最后输出的图像是根据计算机修改的变换反变换得到的，输入与输出的图像是在空间域完成的。
简而言之就是把预变换的图像从空间域到变换域在回到空间域，如图2.5所示。
图2.5灰度转化流程
灰度变换的计算公式为：
（式2.1）
2.3灰度变换函数
2.3.1彩色图变为灰度图
在日常生活和实验中，所接收到的图像大多数都是彩色的，但如果想把一个彩色的图像想转换成灰度图就可以用rgb2gray这个函数，公式为：
（式2.2）
如图2.6所示，是本次设计中视频监控到的一帧的彩色图像，但如果要进行后续的图像处理就需要把图像转换为灰度图，使用式2.2就可以实现，如图2.7所示，为所得到的灰度图。
图2.6 原始图像 图2.7 灰度处理后的图像
2.3.2图像二值化
图像二值化主要是基于是根据某一特定的灰度值值来划分图像，也就是阈值的处理，如图2.8所示是一张图像的灰度直方图。
根据该直方图可以看出：
该图像灰度值明显划分为两个区域，可能是在灰度值较暗的地方存在某些灰度值较高的明亮物体，因此该图像的背景和图像的主体的灰度级就分为两种主要模式。
当需要从一幅图像的灰度值较暗的区域中提取出灰度值较高的某些部分就可以使用到阈值处理，确定一个阈值T来分割背景与主体。
图像中灰度级〉T的部分为主体；灰度级≦T的部分则为背景，如式2.3所示。
结果为a的像素就为图像主体，结果为b的像素为图像背景。
一般最后设a=1（白色）；b=1（黑色）。
图2.8灰度直方图
（式2.3）
当阈值T为一个常数适用于整幅图像时，上述方法就成为全局阈值处理。
对于一幅灰度直方图分布不均匀的图像来说，阈值T的选取是需要多次迭代变换，最终才能很好地分割出一幅图像的背景和主体。
通常，在图像处理中，优先考虑使用一个可以根据图像的灰度信息自动生成的灰度值对图像进行分割，并且能实时更新最优灰度值，具体过程如下：
1.初步计算，为图像选取一个合适划分图像灰度值的估计阈值T。
2.使用阈值T划分图像灰度级，此时会产生两组像素，所有大于T的像素的灰度值归为P1组；所有小于T的像素值归为P2组[3]。
3.分别计算两组P1和P2所有像素的灰度值的平均值m1和m2。
4.重新使用式2.4选取一个能分割图像灰度级的新阈值：
（式2.4）
5.重复上述的步骤2至步骤4，直到后续迭代中T的差小于一个预定义的值。
6.使用im2bw分割图像，如式2.5所示，其中den是一个整数（8比特图像，den就为255）：
（式2.5）
3.图像降噪
这一章介绍了图像传输时出现的几种噪声类型，并讲述了本次设计所用到的两种降噪方法：
均值滤波和中值滤波，并进行了两组对比，通过对比更直观的来了解两种滤波的优缺点。
在接收到一幅图像时，图像会由于某些不可抗拒的原因受到噪声的影响从而降低图像的质量。
噪声在一幅图像的灰度级可以理解为突变的部分，如果想去掉噪声就需要把灰度级突变的地方平滑一下，平滑的目的就是保留图像某些基本信息不被损坏的前提下, 尽可能地减少噪声对图像带来的负面影响, 提高视觉美观。
3.1噪声
图像处理中提到的噪声与日常生活中所接触到的噪声是不一样的。
数字图像处理中噪声的产生常常是因为在传输接收图像中，传感器自身的影响和外界环境的影响，或者传输图像时信道产生的一些干扰。
比如，在无线网络传输图像时，就可能会因为太阳光照或者大气环境的影响会影响图像的质量，使图像出现噪声污染[3][4][5]。
在图像处理中常见的噪声类型有：
1.椒盐噪声
椒盐噪声又称为脉冲噪声，是图像处理中经常遇到的一种噪声类型。
椒盐噪声具体表现为一种随机出现在图上上的白点或者黑点，可能是在灰度级较高的区域出现黑点，或者是在灰度级较低的区域出现暗点。
然而，导致椒盐噪声产生的原因可能是在图像传输过程中影像讯号受到强烈的干扰。
在数字图像处理中，信道脉冲的污染与图像信号的强度相比，脉冲的污染大多数情况下在图像中区域覆盖比较广泛，影响比较严重，椒盐噪声一般在图像中呈现为黑色或者白色的噪声点，灰度值为图像灰度级范围内的最大灰度值或者最小灰度值。
2.高斯噪声
高斯噪声又称为正态噪声，因为它的概率密度函数服从高斯分布[4]如式3.1所示：
（式3.1）
像起伏噪声、宇宙噪声、热噪声和散粒噪声等都是比较常见的高斯噪声[5]。
高斯噪声在数学形式来看是比较容易处理的，所以在通信信道测试和建模中，高斯噪声被用作加性白噪声来产生加性白噪声。
3.2 图像降噪
3.2.1 理论知识
在本次设计中，使用到了两种降噪模型：
1.均值滤波
均值滤波又可称为平滑滤波，是基于图像领域间的关系进行操作的。
均值滤波所使用到的滤波器是一种常见的线性滤波器，均值滤波器的模板是一个m*n的巨型窗口， 以中心点f（x,y）周围的m*n个像素点为一组，计算它们灰度值的算术均值（如式3.2所示），来代替原先f（x,y）该点处的灰度值：
（式3.2）
最常见的模板一般为3*3的模板，在这次设计中也是使用的3*3的模板，则滤波器的系数为1/9，但对于均值滤波而言。
2.中值滤波
相较于均值滤波，中值滤波使用到的滤波器是一种非线性滤波器[6]。
该滤波器把模板内像素的灰度值从低到高或者从高到低重新进行排序，然后取用中间值来代替原始的灰度值，即：
（式3.3）
中值滤波的结果与模板包含的像素数目有关，当数目为奇数个时，选取中间的灰度值来代替原先的灰度值；当个数为偶数个时，选取中间两个灰度值的平均值来代替原先的灰度值。
降噪处理的意义：
在后续的图像处理中，会使用到图像分割，其中会用到阈值处理，而一幅图像中的噪声会随机分布在图像所有位置，噪声的灰度值也是随机分布的。
如果没有进行降噪处理，那么，在进行下一步的图像分割中，噪声会把根据图像阈值进行图像灰度级分割这一简单的问题变成非常棘手的问题，因为噪声的随机性，使得阈值分割会误判噪声为图像背景或者主体，此时，处理后的图像还是会有噪声的污染，并且不能完全的分割出图像背景与主体。
所以，在进行后续步骤之前，先要进行降噪处理。
3.2.2 图像降噪实现
考虑到噪声会对图像产生一些不好的影响，所以在提取监测目标之前首先对图像进行降噪处理，本次设计用到了均值滤波与中值滤波两种降噪方法。
首先对监控视频所获取到的帧图像进行灰度转换如图3.1所示。
为了能明显地区分两种降噪处理方式的优缺点，分别进行两组对比：
第一组：
首先把椒盐噪声这种随机分布的孤立噪声点添加进原始灰度图中，如图3.2所示；然后对灰度图降噪处理，使用均值滤波降噪，如图3.3所示；使用中值滤波降噪，如图3.4所示；同时对比两幅图像，判别两种方法的优缺点：
图3.1 原始灰度图像 图3.2加噪后的图像
图3.3均值处理后图像 图3.4中值处理后图像
第二组对比：
分别用均值滤波和中值滤波对原灰度图降噪处理，结果如图3.2、图3.3所示：
图3.1原始灰度图像
图3.5均值处理后图像 图3.6中值处理后图像
结果分析：
根据第一组对比，在原图像上加入了椒盐噪声，使得图像随机分布着一些孤立的黑点白点，经过均值滤波和中值滤波对比可以看出：
对于椒盐噪声而言，均值滤波虽然能在保留图像原始信息的基础上去除一些噪声的污染，改善图像的质量，但它的降噪效果不好，图像中还是存在一些肉眼可见的噪声污染；而中值滤波则能很好的降噪能力则更完善一点，不仅保留了原始图像的基本信息，在肉眼观察范围内几乎没有噪声的污染情况，降噪效果较好。
通过两组对比发现：
均值滤波器的主要表现就是去除图像中的不要紧的细节，均值滤波在平滑脉冲的噪声效果非常显著，但它的主要缺点是无法完全去掉噪声，只能在一定程度上减弱噪声的影响，同时也会模糊掉图像一些比较重要的细节部分，虽然不是噪声，但由于该处灰度值与周围灰度值差异较大，就会被模糊掉，因此造成图像中某些重要细节的缺失，不能真正的去除噪声点。
滤波模板的邻域越大，在去噪能力增强的同时模糊程度越严重[7]。
相较于均值滤波，就中值滤波而言，中值滤波对噪声的削弱能力则比较强，可以消除图像中存在的一些单独存在的噪声点，也可以很好地对图像进行灰度平滑处理，对于某些随机噪声也可以很好地进行降噪处理，采用中值滤波降噪的好处是程序算法简便，处理时间较短，并且不会改变图像的基本信息，中值噪声是将图像中没有被噪声影响的像素点取代了被影响的像素点,所以可以很好削减噪声的影响,同时保持图像物体的边缘不被模糊。
但中值滤波对图像的原始信息中存在很多尖锐突变的灰度值的情况不能很好地适应，如果采用中值滤波的处理上述情况的图像很容易在滤波的同时把图像中的重要细节也过滤掉。
中值滤波是图像处理中的一个常用步骤，它对于斑点噪声和椒盐噪声来说尤其有用，保存边缘的特性使它在不希望出现边缘模糊的场合也很有用[8]。
但具体观察第二组的对比发现，对于本次视频图像而言，均值滤波与中值滤波在肉眼观察范围内并无明显的区别，但考虑到中值滤波相较于均值滤波能够更好地对噪声进行处理，并且能较好地保存图像的原始信息，因此在进行后续的图像分割步骤前，使用到中值滤波对图像进行降噪处理。
4图像分割
这一章主要是对于目标提取的介绍和仿真实现。
目标提取的实质就是图像分割，把监测目标与背景分割开，因为本次设计背景是静止的，所以只用考虑对视频监控中移动物体的检测。
还介绍了对于视频这种连续的图像如果要截取监测的移动目标用到的方法：
帧差法与背景帧差法，并进行了对比分析两者的优缺点。
4.1 理论知识
图像分割是把图像细化分为多个区域，主要就是将图像划分为构成它的主体与背景，分割的精确程度与目标任务有关，在实际情况中，当所需要的物体区域已经被监测到就可以停止分割。
但图像分割对于一些结构复杂的图像的提取是比较困难的，分割的精度决定了计算分析以及后续主体获取的最终成败。
所以，在进行图像分割前首先进行图像降噪处理是非常必要的。
图像的不连续性和相似性是图像分割的两个基本性质。
对于不连续的灰度，图像分割就是把灰度值与周围灰度值差值较大的部分提取出来，比如物体的轮廓，阈值处理就是用到了这种方法；对于图像灰度值相近，主要的办法就是实现规定一些分割标准，然后根据规定的标准分割图像。
图像分割技术在实际应用中也常用到，比如在产品生产中，利用这项技术可以识别出有无缺少的零件，在电路生产中可以检测出有无电线遗漏等。
利用图像分割不需要精确识别每项元件物体，只需要检测出有无遗漏缺少的地方便可。
对于图像分割处理，可以利用图像灰度值的不连续性与相似性，这是基于图像灰度值的突变和预定义的规则来进行分割。
图像分割的基本思路为基于阈值处理，把一幅图像的主体与背景区分开来。
若假设一幅图像的大小为P，然后对图像进行分割，即把P分成若干个子区域，这个过程需要满足以下几个要求：
1.分割是完全的，图像的每个像素都必须在分割区域中，即（i=1）[9]。
2.划分的某个区域具有连通性，在内全部的像素点之间存在一条通路可以连接，i=1，2，3...， n。
3.划分的区域是相对独立的，即，。
4.一个区域的所有像素都必须满足某个属性，比如都必须小于某个特定的值，或者都在某个边界之外等，即，i=1，2，3...，n。
5.基于第四条，任何两个相邻的区域对于某个属性是不同的，比如两个区域、像素的灰度值不能相同，或者两个区域不能都在某个边界之内，即
像最基本的阈值处理就是划分的区域内的灰度值都大于（或者小于）确定的阈值，并且每个区域内的像素灰度值与另一个区域都不同。
4.1.1 帧差法
本次设计用到获取移动目标的方法是帧差法。
帧差法在处理由连续的帧图像组成的视频是非常实用的。
帧差法顾名思义就是帧与帧之间的差距，利用视频连续两帧的前后差异来进行移动目标的监测与获取，因为背景是静止的，所以前后两帧不同的地方就是视频中的移动物体。
帧差法的公式如式4.1所示，大体过程如下图4.1所示：
（式4.1）
图4.1帧差法流程图
帧差法的基本思路就是：
首先，获取视频前后两帧图像和，然后用公式4.1计算两帧之间的差别，得到差分后的图像。
然后，对得到的差分图像进行二值化（如式4.2所示）处理得到新的图像。
最后，对得到的新图像进行连通性分析，判断目标的边缘，得到要监测的目标。
（式4.2）
4.1.2 背景差分法
基于背景差分的图像分割相比较于帧差法，背景差分法的算法比较简单，运行速度也比较快，如今在图像处理中得到了广泛地应用。
背景差分法用过前景与背景的减运算，进行目标提取。
该算法主要包括背景模型的建立、背景差分、背景模型更新，首先对视频监控构造一个背景模型[10]。
使用式4.3和式4.4计算系统获取到当前的一帧图像与背景图像进行对应像素点灰度值得差分运算，然后对差分后的图像进行二值化，并且对二值化的图像进行连通性分析。
当某一连通区域的像素值大于某一阈值，则就认为监测目标出现，并且认为这个连通的区域就为提取出的目标图像[11]。
背景帧差法的流程如图4.2所示：
（式4.3）
（式4.4）
图4.2 背景差分流程图
背景差分法就是使用背景模型中的背景图像与系统截取到的当前帧做减法运算，因此称为背景差分法，最终提取到监测目标的准确程度与背景模型的建立密切相关。
若在运算时没有及时地对背景模型中的图像实时更新，后续背景的变化则会导致对移动目标的监测产生比较严重的失误，比如一天中太阳光线的变换在一定时间段内可能会超出监测范围，此时这部分的背景就会被误判为图像的前景运动物体。
因此，在使用背景差分法进行图像分割时，背景模型建立的精确度是非常有必要的，以便可以适应于外界环境的变换。
背景差分法背景模型的更新是背景差分法的关键之处，更新方法也是算法的核心要素。
因此。
可以让运行平均背景模型采用逐帧更新，这个方法广泛应用于计算机进行图像处理中，因为
升级会员 