基于背景差分法的行人检测研究汇编.docx

基于背景差分法的行人检测研究汇编.docx

《基于背景差分法的行人检测研究汇编.docx》由会员分享，可在线阅读，更多相关《基于背景差分法的行人检测研究汇编.docx（30页珍藏版）》请在冰点文库上搜索。

基于背景差分法的行人检测研究汇编

毕业设计（论文）

题目基于背景差分法的

行人检测研究

专业计算机科学与技术

班级

学生

指导教师

2016年

摘要

现阶段许许多多的监控类系统的运作进行方式依然需要很多相关工作人员不断地监视和分析视频内的场景，不仅没有休息时间，而且工作量特别大，实时性信息和监控实时性两者矛盾越来越明显。

这便是研究本课题的意义，本论文阐述了本课题的研究现状、实现它所涉及到的背景建模方法、特征提取方法和背景更新等。

此课题研究的内容是基于背景差分法行人的视频监控系统：

在不需要人为进行干预的前提下，利用视频分析和机器学习等的一些方法，通过针对于截取到的图像进行实时的场景以及目标物做出有可行性的分析，将摄像机截取到的视频图像的帧通过自动化的检测分析处理，进而达到对动态的场景中目标的行以及其和位置进行确定的目的，然后进行跟踪检测，并且对于检测到的目标的行为进行分析、语义的描述以及理解，实现模仿与人类相似的生物视觉和分析的功能。

但由于很多的方法还是不够成熟和稳健，因此有必要做大量的研究以提高在较为复杂的环境中检测运动目标的成熟度和准确率，进而提高实用化的效果。

此程序是以MATLAB进行实现，开始利用了混合高斯模型从当前复杂的背景图像序列中构建背景模型，此时首先需要使用方差、均值以及权值来进行计算建模所需要的数据，如马兹距离等，在此过程中，方差尽量大一些，权值尽量小一些，这样有利于获得高斯模型；然后据此模型采用联通区域轮廓特征进行提取行人特征。

在以上过程中以加权更新的方法构建实时的模型更新机制，从而规避了背景被污染。

关键字：

混合高斯，联通区域，特征提取，加权更新

ABSTRACT

Topresentmanymonitoringofsuchsystemsworksstillneedalotofrelatedstaffcontinuallymonitoringandanalysisinthevideoscene,notonlynotimetorest,andparticularlylargeworkload,real-timeinformationandreal-timemonitoringisthecontradictionismoreandmoreobvious.Thisisweattentivelystudiesthesignificanceofthistopic,thispaperexpoundsthistopicresearchpresentsituation,implementitinvolvedbackgroundmodelingmethod,thefeatureextractionmethodandbackground,etc.

Mystudyisthecontentofthevideomonitoringsystembasedonbackgrounddifferencemethodpedestrians:

onthepremiseofwithouttheneedforhumanintervention,usingsomemethodsofvideoanalysisandmachinelearningandsoon,throughtotheimageonthereal-timescenemakeafeasibilityanalysis,andtargetofthecameratocapturethevideoimageframethroughtheanalysisofthetestautomationprocessing,thusachievethegoalofthedynamicscenelineaswellasitspurpose,andlocationtodetermineandtrackdetection,andtoanalysisthebehaviorofthedetectedtarget,thesemanticdescriptionandunderstanding,imitationissimilartohumanbiologicalvisionandtheanalysisofthefunction.Butasaresultofalotofmethodsarenotenoughmatureandsteady,soitisnecessaryforustodoalotofresearchinordertoimprovethemovingtargetdetectionincomplexenvironmentofmaturityandaccuracy,andimprovetheeffectofpracticalapplication.

Thisprogrambasedonmatlabimplementation,beganusingthegaussianmixturemodelfromthecurrentcomplexbackgroundimagesequencestoconstructbackgroundmodel,firstyouneedtouseatthistime,themeanandvarianceweightstocalculateneededformodelingdata,suchashorse,distanceetc.,intheprocess,thevarianceasfaraspossibleafewbigger,weightsoflessasfaraspossible,thatisconducivetogaingaussianmodel;ThenaccordingtothismodelUSEStheunicomareacontourfeaturesextractedtopedestrians.Intheprocessoftheabovewithweightedupdatemethodtobuildmodelofreal-timeupdatemechanism,soastoavoidthecontaminationinthebackground.

Keywords:

mixedgaussian，connectedregions,featureextraction,weightedupdate

目录

第一章绪论1

1.1选题背景及研究意义1

1.1.1选题背景1

1.1.2研究意义2

1.1.3在智能视频监控领域的应用3

1.2国内外研究现状及发展趋势4

1.2.1国外研究现状4

1.2.2国内研究现状5

1.3论文主要工作5

1.3.1主要工作5

第二章开发平台与背景差分法6

2.1MATLAB平台6

2.1.1MATLAB6

2.2背景差分法7

第三章常用特征提取与更新方法简介11

3.1特征提取11

3.2更新方法14

第四章程序实现之背景建模16

4.1概述16

4.2高斯建模方法16

4.2.1单高斯建模方法17

4.2.2混合高斯建模方法18

第五章实验结果与结果分析23

5.1环境配置23

5.2程序运行截图24

5.2.1程序界面24

5.2.2加载视频图24

5.2.4设置检测区域25

5.3结果实验分析27

第六章总结与展望27

6.1总结与展望27

毕设总结29

致谢30

参考文献31

第1章绪论

1.1选题背景及研究意义

1.1.1选题背景

取得外部信息的方法百分之八十以上都是基于视觉图像信息，由于视频图像信息拥有特别的空间以及结构特性，经常使得它在人类进行各种活动的过程中需要的信息中拥有着不可被替代的重要地位。

[1]，比如计算机和电子显微镜以及超声波等。

总而言之，数字图像处理技术涉及于各个领域。

在二十世纪二十年代从英国的首府伦敦到纽约利用海底电缆使用数字压缩的技术传输了第一幅数字照片，产生了数字图像处理技术。

在之后很久的一段时间，在遥控感应等方面的管饭应用，图像处理技术渐渐的受到广大的关注以及逐渐开始发展。

第三代计算机生长起来后，数字图像处理技术得到了快速的成长并且广泛应用与很多的领域。

数字图像处理技术大放异彩是在CT发明以及在医疗上的应用和获得了“科技世界王冠级”的诺贝尔奖。

现今数字图像处理技术己然成为计算机科学、医学、工程学、信息科学、物理、化学、生物学乃至统计学等的领域中研究的工具。

数字图像处理技术在紧接着信息高速公路、数字地球等观点的提出以及Internet的广泛应用中它的需求量出现线性增长状态，数字图像处理技术带给人们巨大的社会与经济收益以及无限的便捷，它无时无刻不在影响着每个人，数字图像处理技术拥有着不可限量的潜力，值得为它付出精力来挖掘它的光芒。

计算机视觉是一门从数字图像处理技术和模式识别捆绑发展起来的的科学，它是用来研究机器怎么样去“看”世界的科学，通俗的说便是通过种种成象的系统来模拟人们的视觉器官作为图像信息输入的手段，计算机程序代替人们大脑完成分析，处理以及解释的功能，让计算机可以像人一样用视觉观察世界，用大脑思考世界，从而渐渐自动地生成适应环境的能力。

现阶段计算机视觉已然广泛的应用于医疗治愈诊断、军事、监控检验、智能化生产、文档分析等领域。

在社会的不停的发展与进步的过程中科技也是飞速的发展，伴随着的便是交通运输、金融银行、仓储管理、电力供应以及军事安全等方面的安全隐患日益增大，需要不停的改进对安全的防范技术，也是由于这些，加速了视频监控系统的飞速发展，但是他也是把双刃剑，视觉信息文件出现膨胀的现象。

1.1.2研究意义

现阶段绝大多数的视频监控系统的工作模式仍然是工作职员不间断地监视分析场景内的活动、日夜值守、工作量杂冗，导致了视觉信息文件出现膨胀的现象和监控实时性两者矛盾日渐突出。

拥有智能的视频监控系统，不需要人为干预情况，直接利用机器视觉和视频分析的方法，通过截取到的图像信息，对实际存在的目标物体以及场景做出需要的特功能定的判断，对摄像机截取到的视频图像序列自动化的分析，进而达到对动态的场景中目标物体活动的定位、跟踪以及识别和对它的行为活动进行分析，理解以及语义的描述等的功能，最后达到模拟类似人类等生物器官如眼睛大脑等所具备的功能。

综上所述，在复杂环境下智能监控已然成计算机视觉领域值得深入研究的走在科技前端的研究方向之一。

此课题的研究意义就是为了深入研究基于背景差分法的行人检测。

本论文将通过对比各种特征提取方式的优势和不足以及对处理的结果进行各方面的综合的分析，最后探索研究更好的方法以及提出自己的意见。

1.1.3在智能视频监控领域的应用

当代的社会处在一个日新月异，状况千奇百怪的突发的状态，科技更加是走在处理问题的前沿，社会安全问题变得日益尖锐，从而显得视频监控的重要性愈发明显，与此同时，安全监控的难度也是愈发高，对视频监控的挑战也是越来越强。

随着社会大众对安全监控的要求提高以及硬件和网络设备性价比愈来愈高，随处可见的安全监控设备已经越来越普遍，规模也是越来越强大，耗费大量的人力来进行实时监控以及监控视频文件膨胀导致了根本就没有成为研发期望的事前监控警报的作用，最后竟沦为了在事情发生后的提取证据视频的设备“亡羊补牢为时已晚”，因此智能化已然成为研究必然的发展方向。

现阶段智能视频监控是各国政府以及学术研究人员均在密切地关注着监控系统技术的发展。

它就像一簇火苗，以迅雷不及掩耳之势成为了计算机领域中近几年新兴起的一个应用方向。

安全视频智能监控就是利用图像处理技术与计算机视觉结合的一门新型技术，通过对截取到的视频信息进行自动化以及实时的分析来对动态场景中的目标物体进行定位、识别以及跟踪技术，然后在此基础上进行分析和判断截取到的视频中运动目标的行为，一旦出现异常的问题，就提前进行报警处理。

之后再通过处理视频监控系统的方法使得提高视频监控系统的智能化水平，换一种说法就是说，在电子完全智能化的作用下，不需要进行人为的干预，将计算机进行模拟人体器官如眼睛以及大脑的功能，用分析，追踪对预先设计好的目标物体的方法，对它的行为动作进行解释以及做出相应的设计好的处理与反映。

使用另一种描述方法将计算机程序对目标物体的行为用另一种可以便于理解的语句描述出来，使得人类不用浪费精力便可以轻松掌握控制人类所担心的安全问题采用这种技术，也就是说它可以模拟人来做人类做不了或者是浪费精力的事情，降低人们的工作量。

而本课题涉及的背景差分法就是可以达到智能的安全视频监控的方法之一。

1.2国内外研究现状及发展趋势

一切的发展都是基于人们的需求而发展来的，而视频监控这一技术随着社会的发展渐渐的融入了人们的生活，但是随这科技的发展，智能的视频监控应景而生，它拥有宽广的使用前景，由此人们对它的研究也是渐渐深入。

1.2.1国外研究现状

近年来国外出现了大量的卓著的相关于视频监控的研究文献如：

一科技出名的美国便有一个系统：

它可以进行多人的追踪以及对人体进行分割和定位，分割之后将人与物体分割一进行检测人有无带着物品，与此同时，检测人与物体的互动也可以进行简单的检测，在室外的环境下检测人的行为更是不再话下，这个系统便是源自于美国马里兰大学（UniversityofMaryland）所研究的实时监控系统；佛罗里达中央大学（（UniversityofCentralFlorida）研发的可以识别特别事件以及描述动态物体的行为的KNIGHT智能监控系统就是使用了机器视觉技术来检测监视区域目标的变化来实现的；而在一九九七年由美国国防高级研究项目署（DARPA,DefenseAdvancedResearchProjectsAgency）主管成立的主要有卡内基梅隆大学（CMU,CarnegieMellonUniversity）以及麻省理工学院（MIT,MassachusettsInstituteofTechnology）等的美国的十几家高等研究院校进行研究的大型视频监控项目，此项目的成果已然实现了在道路上对行人和车辆等的目标物进行分析、研究与追踪，实现的方法便是对视频监控技术的深入研究；在之后英国的雷丁大学（UniversityofReading）开发了VIEWS车辆交通监控原型系统，此系统就开始进行交互识别的琢磨以及基于行人与车辆的定位和追踪研究。

随后，许多的大型企业也逐步将视觉检测识别技术投入使用中，如IBM等。

1.2.2国内研究现状

我国的绝大多数科技类院校也投入了极大的精力在相关的研究上，首当其冲的就是自动化识别模式国家重点实验室视觉监控小组所属的中国科技研究院研究设计的可以实现实时的追踪检测行人车辆并且外部变化干扰如光照、树干阴影等的情况下已然健壮的交通监控原型系统（Vstar,VisualSurveillanceStar）；较为出名的对本课题有相关研究的还有西安电子科技大学电子工程学院模式识别与智能控制研究所、上海交通大学航空航天信息与控制研究所、桂林电子科技大学图像所等研究机构、华中科技大学图像识别与人工智能研究所等。

1.3论文主要工作

本课题主要是从特征提取以及构建背景模型两方面进行实现。

在实现基于背景差分法的行人检测的特征提取方面，程序是选用了联通区域轮廓特征提取的技术来实现的。

在实现基于背景差分法的行人检测的构建背景模型方面，在本课题的实现和论文中则是选用了混合高斯方式，本方法使用的是利用正态分布曲线精确地量化事物，它把各个完整的事物分解程几个或几十个甚至更多的正态分布曲线形成的模型。

通过将目标的背景图像建立高斯模型来实现的。

而在此过程中出现的灰度直方图则代表的是目标图像灰度的值出现的频率。

智能的监控作用检测的是中心的位置，然而背景目标对于运动目标物体的检测过程中对目标的操作非常紧要，这也是为何需要建模灰度直方图一般是双峰和多峰的，一般情况下，多峰是像医学类图像一样比较复杂的图像，就是将多峰理解为许多个正态分布曲线叠加而成的，那么这样就比较容易处理图像的分割问题了；双峰是指目标图像的背景和目标区域在灰度方面有一些差异，而在其它方面也差异颇大。

那么它的一个峰对应背景的灰度，另一个峰则对应于目标的灰度。

第2章

开发平台与背景差分法

2.1MATLAB平台

MATLAB出自于美国MathWork公司研发的数学软件，它的基本数据单元是矩阵，它被用于它的指令表达式与数学、工程中常用的形式极其相似，因此相比较于C/C++等的编程类语言来说要简单很多，而且由于它吸收了很多软件的优点，如Maple等使得它拥有强大的数学处理能力，类似于难度较大的数值与符号计算的功能让操作者可以从计算的痛苦中解脱出来。

此外，简单的界面设计方法和直接拖动控件的方式是初学者更快掌握的点，而且它的控件非常丰富而且简单实用；由于它拥有非常完善的处理图形的作用让MATLAB的变成变得可视化；下面简单的介绍一下MATLAB的特性强处理能力与图形处理。

1、强处理能力

MATLAB拥有丰富的数学方面运算的函数，既包含快速傅立叶变换、微分方程及偏微分方程的组的求解、稀疏矩阵运算、多维数组操作、工程中的优化问题、数据的统计分析复数的各种运算、建模动态仿真、符号运算、三角函数和其他初等数学运算、矩阵运算和线性方程组的求解等的复杂函数，也包括特征向量、矩阵等的初级函数这些函数都能非常容易的达到使用者需要的功能。

它被运用于600多个工程中，每一个函数内置所用到的算法基本上属于科研界的最新、最成熟的研究成果，这些算法是解决了容错处理以及功能的处理优化的，它是一个包含大量计算算法的集合。

如果在同等的情形下，MATLAB相较于C、FORTRAIN,对于使用者而言，它的编程量与计算量会少很多。

2、图形处理

MATLAB可用于科学计算和工程绘图。

基于在旧版本的基础上讨论，他制图功能就非常强大，此功能的制图可以是表达式作图、图象处理、二维、动画、可视化的。

它可以将矩阵以及向量通能够打印和标记注释的图形表示出来，这一点就归功于它的对于数据的可视化功能。

相较于旧版本，新的版本就显得强大的多，它在数据的可视化方面对于制图它不再只是拘泥于二维三维，在四维方面也有了此方面的功能，在其他方面它也有了提高，例如对于光照以及色度，MATLAB同样表现了出色的处理能力。

与此同时，它也增加了很多功能型函数以及在显示界面的设计上也有了极大的提高。

2.2背景差分法

背景差分法就是基于运动的目标物体的检测方法之一，它就是通过对实时得到的背景图像对应像素值与当前帧图像像素值做减法处理，此时会有两种情况，第一种是得到的结果会小于某一确定的数值，此时确定这一个像素点属于场景背景；第二种是得到的结果会大于某一确定的数值，此时确定这一个像素点属于目标背景，然后将该确定值分割后进行二值化处理获得所需要的目标物体的具体信息，如它的形态、位置等。

视频图像预处理的作用即是将开始输入的视频图像的信息翻译成在后处理的阶段用到的格式。

此时第一步基本都是进行去噪处理，减少干扰信息，就像在天气晴好的情况下光照、树荫等。

之后就需要关注所要处理的数据的格式转换，此时降低视频图像的尺寸就迫在眉睫了。

相比较于以前灰度图像处理的频率，彩色图像处理渐渐的出现在社会大众生活中，此时场景背景就会变得难以处理，但是目标背景就会更加容易提取。

然而在后处理的时间就是在处理预处理翻译好的场景背景。

背景差分法的基本的处理的过程如图2-1：

图2-1视频图像的处理过程

背景差分法在建模的基础上，通过对实时得到的背景图像对应像素值与当前帧图像像素值做比较处理来检测运动的目标物体的方法之一。

由此可见，背景的建模是至关重要的步骤之一，系统对它的精确度要求很高，那么面临的挑战就是场景背景它是变化多端的并且属于不可预测事件，它会有很多干扰，就像道路旁的树荫、天气变化导致的变化雨雪，阳光，嘈杂的叫卖声，施工的声音以及硬件障碍，就需要要不断的改进来处理诸如此类的问题，因为所有的检测算法的基本准则是要适用于越多的场景背景越好。

背景差分法的缺点就是对于外界变化的抗干扰能力差。

而它的优点就是在背景图像提取过程中，面对难以获得静态不动的背景，在这里选择利用动态背景的动态的变化，进行背景的实时更新，利用输入的视频图像的图片帧信息以及背景的恢复以达到背景图像的提取，非常容易实现且准确率高。

2.2.1混合高斯模型

混合高斯模型利用正态分布曲线精确地量化事物，它把各个完整的事物分解程几个或几十个甚至更多的正态分布曲线形成的模型。

它是使用方差以及均值来确定的，一旦使用不同的学习模式，那么模型的收敛性、稳定性以及精确性就会不同。

通过将目标的背景图像建立高斯模型来实现的。

而在此过程中出现的灰度直方图则代表的是目标图像灰度的值出现的频率。

它是利用三到五个高斯模型来表示视频图像的每一个像素点的特征，就需要在最新帧的视频图像信息之后继续更新模型，使用当前图像里面的各个像素点和混合高斯模型进行比较，如果匹配成功，那么这一像素点即为背景点，反之如果不成功，即为前景点。

2.2.1.1单高斯分布模型

单高斯分布模型它就是将视频图像里面的每个像素点的灰度值假设为一个个的随机的过程，与此同时，将该点的像素灰度值出现的频率看作呈现高斯分布，用数学形式表示为式（2.1）：

式（2.1）

2.2.1.2多高斯分布模型

多高斯分布模型就是进行混合运用来模拟复杂场景的多模态，它是利用任意一个高斯分布就可以模拟一个背景的场景的原理，用几个叠加的高斯分布来模拟一个视频背景图像的像素点来建模。

2.2.2中值法背景建模

中值法背景建模：

首先，确定一个时间段，在此期间，提取一段连续的视频图像序列，然后将选取的这一段图形序列所对的像素灰度值的大小进行排列（从小到大），最后就需要提取排列后的序列的中值当作是背景图像的像素灰度值。

2.2.3均值法背景建模

均值法背景建模算法与中值法背景建模很相似，首先，确定一个时间段，在此期间，提取一段连续的视频图像序列，然后将选取的这一段图形序列所对的像素灰度值的累加后求均值，最后需要提取该均值当作是背景图像的像素灰度值。

它的优点是运算速度很快，缺点是它对外部的变化大的视频是不适用的。

2.2.4卡尔曼滤波器模型

卡尔曼滤波器模型的基本思想是在Kalman滤波理论的基础上利用时域递归低通滤波的原理检测变化迟缓的背景场景，将远景图像默认为噪声，在持续更新背景场景以及保持稳定的背景的基础上，消除来自于外部的干扰声音。

2.2.5高级背景模型

高级背景建模获取到的是每个像素或一组像素的时间序列模型。

第3章

常用特征提取与更新方法简介

3.1特征提取

特征提取即是把视频图像上的每一个像素点划分成各自属于的集合，每一个集合可以是连续的区域，也可以是连续的线，更可以是独立的点集。

换一种说法就是将模式的检测值变化来提取该模式的特征，简单的来说就是使用影像的分析以及变换来提取特征。

它是结合图像处理技术和计算机视觉的观点