智能视频监控中运动目标检测技术研究.pdf

《智能视频监控中运动目标检测技术研究.pdf》由会员分享，可在线阅读，更多相关《智能视频监控中运动目标检测技术研究.pdf（67页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、武汉理工大学硕士学位论文智能视频监控中运动目标检测技术研究姓名：陈勇申请学位级别：硕士专业：通信与信息系统指导教师：郭金旭20071101摘要计算机智能视频监控是计算机视觉领域一个新兴的应用方向和备受关注的前言课题，是计算机科学、机器视觉、图像工程、模式识别、人工智能等多学科高科技的结晶。运动物体视觉分析作为智能监控中的一项核心技术，它包括运动物体检测与提取、物体分类、事件检测、行为识别和分析等，而运动物体检测与提取又是其中的基础和关键。在运动物体检测与提取中，阴影的存在会导致物体的错误分类或者使不同物体相互融合，为后续的高级处理带来错误的结果，导致不能够很好的跟踪物体以及对物体的行为进行理解

2、和描述。本文在总结和分析了国内外相关研究的基础上，分别在前景区域检测与提取、运动物体的阴影检测与去除及目标跟踪技术三个方面作了一定的研究：1)在前景区域检测与提取中，讨论各种常用的背景提取方法原理时，着重分析了混合高斯背景建模方法，指出减背景技术中存在分割阈值难以合理选取的不足。选用混合高斯前景建模的方法来实现运动目标检测，从而避开分割阈值难以选取这一难题。为了防止漏检，本文改进了混合前景建模方法，增加了判断为前景点的条件并与原有条件采用“或”策略，所以也产生了部分假前景，但经过精心的后处理，获得的前景图不仅好于处理前，而且也明显优于混合高斯背景建模再采用减背景技术获得的前景图。2)在阴影检测

3、与去除方面，首先介绍了本文阴影检测中用到的相关理论基础，包括形态学处理、光流计算和运动目标阴影的特性，然后分析了H S V 颜色空间去阴影方法不能有效消除微弱阴影和虚影的原因。针对H S V 法的不足，本文提出了一种在H S V 法的基础上应用光流法来提高阴影检测精度的方法，实验结果证明了该方法的有效性和实时性。3)在运动目标跟踪方面，讨论了C a m s h i f t 跟踪算法的原理，分析了初始窗口的大小对于概率分布图的影响。在利用相关文献提出的加权直方图改善概率分布图的同时，为了彻底消除非运动区域亦具有概率分布值的影响，本文提出了一种利用二值化前景图进一步修正概率分布图的改进C a m

4、s h i f t 算法。关键词：智能视频监控，运动目标检测，阴影检测，C a m s h i f t 跟踪A b s t r a c tC o m p u t e ri n t e n i g e n tv i d e os u r v e i l l a n c es y s t e m(c i v s s)i so n eo fn e wa r i s i n gh i g h-t e c ha p p l i c a t i o nf i e l d s I ts p a n sm a n ys u b j e c t si n c l u d i n gc o m p u t e r

5、s c i e n c e m a c h i n ev i s i o n,i m a g ee n g i n e e r i n g,p a t t e r na n a l y s i s，a r t i f i c i a li n t e l l i g e n c e，e l e A st h ec o r et e c h n o l o g yi nt h ei n t e l l i g e n c es u r v e i l l a n c e，m o v i n go b j e c t sa n a l y s i sb a s e do nv i d e oc o

6、 n s i s t so ft h em o v i n go b j e c t sd e t e c t i o na n dr e t r i e v a l，t h eo b j e c tc l a s s i f i c a t i o n，i n c i d e n td e t e c t i o n,a c t i o ni d e n t i f i c a t i o na n da n a l y s i s,a n ds oo n T h ed e t e c t i o na n dr e t r i e v a lo fm o v i n go b j e c

7、t si st h ef o u n d a t i o na n dk e yo fi t I nt h ed e t e c t i o na n dr e t r i e v a lo ft h em o v i n go b j e c t s，t h ep r e s e n c eo fs h a d o w si na ni m a g ec a l ll e a dt om i s c l a s s i f yt h eo b j e c t so rm e r g et h ed i f f e r e n to b j e c t s，a n db r i n gt h

8、ew r o n gr e s u l t sf o rt h ef o l l o w i n ga d v a n c e dp r o c e s s，s oi tc a n tt r a c kt h eo b j e c ta c c u r a t e l ya n dg i v et h ec o r r e c tu n d e r s t a n d i n ga n dd e s c r i p t i o no ft h eo b j e c t s B a s e dO l lt h es u m m a r ya n da n a l y s i so ft h er

9、 e l e v a n tr e s e a r c hw o r k sh o m ea n da b r o a d，t h i sp a p e rm a k e sr e s e a r c ho i lh o wt od e t e c ta n dr e t r i e v et h ef o r e g r o u n d，h o wt oe l i m i n a t et h es h a d o wr e g i o ni nt h em o v i n go b j e c t sd e t e c t i o na n dt h eo b j e c tt r a c

10、 k i n gt e c h n o l o g y T h em a i nr e s e a r c hC o n t e x t sa n dr e s u l t sa r ea sf o l l o w s：1)I np a r to fd e t e c t i n ga n dr e t r i e v i n gt h ef o r e g r o u n d,t h i sp a p e ra n a l y s i ss e v e r a lg e n e r i cb a c k g r o u n dm o d e l i n gm e t h o d s，e s

11、p e c i a l l yf o rt h em i x t u r eG a u s s i a nm o d e li nd e t a i l T h e ni ti n d i c a t e st h ed i s a d v a n t a g et h a tt h eb a c k g r o u n ds u b t r a c t i o nt e c h n o l o g yi sd i f f i c u l tt oc h o i c et h es e g m e n t a lt h r e s h o l dv a l u e T h em i x t u

12、 r eG a u s s i a nf o r e g r o u n dm o d e li sp r o p o s e df o rd e t e c t i n gm o v i n go b j e c ta n ds oa v o i d st h ed i f f i c u l t y I no r d e rt oa v o i dd e t e c t i n gt h el a c k i n gf o r e g r o u n d，i ti m p r o v e st h em i x t u r eG a u s s i a nf o r e g r o u n

13、 dm o d e lt h a ta d d e dt h ed e t e r m i n i n gc o n d i t i o nf o rf o r e g r o u n da n d“o r w i t ht h eo r i g i n a lc o n d i t i o n S ot h e r ei ss o m ef a l s ef o r e g r o u n d B u ta f t e rt h ed e l i c a t eb e h i n d p r o c e s s i n gt h eo b t a i n e df o r e g r o u

14、 n di sn o to n l yb e t t e rt h a ni m p r o v e db e f o r eb u ta l s oo b v i o u s l yb e t t e rt h a nt h eb a c k g r o u n ds u b t r a c t i o nu s i n gm i x t u r eG a u s s i a nm o d e l 2)I np a r to fr e m o v i n gt h eo b j e c t ss h a d o w,t h ep a p e rf i r s t l ya n a l y s

15、 i st h er e l e v a n tt e c h n o l o g i e sf o rs h a d o wr e m o v i n gi n c l u d i n gm o r p h o l o g i c a lp r o c e s s i n g,o p t i c a lf l o wnc a l c u l a t i o na n dm o v i n go b j e c ts h a d o wc h a r a c t e r i s t i c T h e ni ta n a l y s i st h ef e a s o nf o rt h a

16、tt h eH S Vc o l o rs p a c ec a n tr e m o v et h eg h o s ta n dt h es l i g h ts h a d o w A i m i n ga tt h ed i s a d v a n t a g e，a l li m p r o v e dH S Vc o l o rm e t h o db a s e do p t i c a lf l o wi sp r o p o s e df o rg e t t i n ga c c u r a t ef o r e g r o u n d T h ee x p e r i m

17、 e n t sp r o v et h em e t h o d Sg o o da s p e c t sa n dR e a l t i m ea d v a n t a g e 3)I np a r to fo b j e c tt r a c k i n g,t h i sp a p e rd i s c u s s e st h ep r i n c i p l eo fC a m s h i f tt r a c k i n gm e t h o da n dt h er e l a t i o n s h i pb e t w e e nt h ei n i t i a l i

18、 z i n gw i n d o ws i z ea n dp r o b a b i l i t yd i s t r i b u t i o ni m a g e C o m b i n i n gt h ec a l c u l a t i n gp r o b a b i l i t yd i s t r i b u t i o ni m a g eu s i n gt h ew e i g h t e dh i s t o g r a mp r o p o s e db yo t h e rl i t e r a t u r e，o b j e c td e t e c t i o

19、 nr e s u l tf u r t h e ra m e n d st h ep r o b a b i l i t yd i s t r i b u t i o ni m a g ei no r d e rt oe l i m i n a t et h a tt h en o n-m o v e m e n to fr e g i o na l s oh a v ep r o b a b i l i t yv a l u e K e y w o r d s：I n t e l l i g e n tv i d e os u r v e i l l a n c e,m o v i n g

20、o b j c c d e t e c t i o n,s h a d o wd e t e t i o n,C a m s h i f lt r a c k i n g 1 1 1独创性声明本人声明所晕交的论文是本人在导师指导下进行的研究工作及取得的研究成果。尽我所知，除了文中特别加以标注和致谢的地方外，论文中不包含基他人已经发表或撰写过的研究成果，也不包含为获得武汉理工大学或其它教育机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示了谢意。躲扯眺关于论文使用授权的说明芈一，(保密的论文在解密后应遵守此规定)繇阻僦轹俨眺社武汉理工大学硕七

21、学位论文第1 章绪论1 1 课题研究的背景和意义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。由于人工监控本身固有的不足，人力越来越难以胜任分析和理解采集到的数量惊人的视频数据。为此，世界各国政府和学者已开始密切关注新一代的监控技术智能视频监控技术。视频监控技术在2 0 世纪6 0 年代出现，到目前，美国、欧洲和日本等发达国家已发展到第二代自动化视频监控技术，正迅速向第三代全数字智能视频监控技术发展。从监控技术的发展来看，大致可分为三个阶段：人力现场监控、人力视频监控和智能视频监控。所谓人力现场监控，即安排专人在现场对场景监控，人力

22、现场监控的应用可以追溯到原始社会，一直延续至今。所谓人力视频监控，即用摄像机对场景拍摄，视频信号被采集到中央控制部门并被显示到监视器上，由人对视频图像进行分析，得出恰当的判断。视频监控又分为两种，一种是早期采用的模拟视频监控，一种是现在广泛采用的数字视频监控，这种监控技术引入了大量的计算机技术来协助人采集和管理所有视频信息，监控系统的性能得到了有效的提高。目前，市场上已经有比较成熟的数字视频监控系统出现。我国的视频监控系统发展水平比较低，大多数系统采用的是第一代模拟视频监控技术，图像数据的采集、传输、显示和存储大多是基于模拟信号，有的系统中用到了一些数字化和自动化技术，但大多数系统还是采用人工

23、观察监视器画面，发现和跟踪目标及异常事件模拟视频监控技术存在一些不容忽视的问题。随着监视区域的扩大和摄像机安装数目的增多，必须雇佣大量的人员来观察监视器的输出图像；同时，由于该工作的枯燥乏味，使得工作人员极易疲劳而忽略重要信息，或者产生错误的判断，经常发生漏警或误警等情况，从而极大地降低了系统的可靠性和可信度。目前的视频图像数据往往仅作为事后的证据而失去了其主动实时的特点，无法在异常行为和事件发生前或过程中，或者当有可疑人员在监视区域中活动时，及时警示工作人员采取应急措施。第武汉理工人学硕士学位论文三代全数字智能视频监控技术以其自动检测和跟踪各种目标、发现异常行为和事件的智能化能力，有望很好地

24、解决此类问题。全数字智能视频监控技术和以往的监控技术有本质的区别，其主要特征是采用计算机视觉的方法，在几乎不需要人为干预的情况下，通过对摄像机拍录的图像序列进行自动分析来对动态场景中的目标进行定位、跟踪和识别，并在此基础上分析和判断目标的行为，从而做到既能完成同常管理又能在异常情况发生的时候及时做出反应。更形象地说，智能视频监控系统能够看看被监控场景中目标物体的行为；能够想想目标物体的行为意味着什么；能够说把想的结果用自然语言的形式表达出来。因此智能视频监控系统取代了监控任务中人的大部分工作，是新一代的具有高度智能的监控技术。智能视频监控技术具有广泛的应用前景，可以应用于交通场景，如十字路1

25、3、高速公路、停车场、飞机场等监控，军事场景监控，国家重要安全部门，如军事基地、银行等监控，敏感的公共场合，如天安门广场、火车站，等等。智能视频监控技术已经显示了巨大的市场价值，以智能交通系统为例，据P h i l i pS a y e g 和P h i l i pC h a r l e s预测，到2 0 1 0 年，中国和南亚五国的智能交通系统市场潜力估计在3 8 亿美元左右。特别是美国9 1 1 恐怖袭击事件以后，各国都高度重视这样一个问题，即如何对国家重要安全部门和敏感的公共场合进行全天候、自动的、实时的监控，而智能视频系统就是解决这一问题的有效手段。目前，运动物体的检测与提取以及目标物

26、体的跟踪在视频监控、人机交互、娱乐动画、多媒体、通讯以及军事等领域都有着极为广泛的应用背景。在电视电影技术的特效制作中，可以利用物体分割的技术将目标图像和它的各种参数(如光照条件背景中、阴影等)从当前的背景中提取出来，然后放在另一个具有相似条件的这样可以得到一个难于拍摄或者不能拍摄的画面。这种方法可以称为背景交换(M a n i n g)1 q。同时，物体检测与跟踪技术也可以广泛的应用在交通环境中，例如对车辆进行速度检测，监视某一路段的车流，对车辆进行准确的定位，这样可以提高车牌识别、车辆识别的精度。在入机交互环境下，目标物体的跟踪可以得到人的基本运动信息，为人的行为识别(包括表情、手势等)做

27、好准备工作，这也直接影响到识别的难度和精度。物体检测、分割和跟踪在监控系统中也有广泛的应用，包括在智能大厦中应用的监控系统，首先捕获场景中的移动物体，然后对物体进行行为识别，这样可以提高大厦或者场景的安全系数，又可以节省人力物力。在军事上，可以将物体跟踪技术用于雷达中，2武汉理【大学硕士学位论文以监视空中的一些不明物体，并及时的报警。在以上这些应用中，如果需要对物体进行长期的监视，可以通过软件的跟踪算法来驱动硬件系统，让摄像头始终跟踪目标物体，在捕获的视频中始终让目标物体处于画面的中心。1 2 研究现状智能视频监控是在真实环境中对入和车辆等物体迸行实时的观测，并给出对他们活动的行为描述，是视频

28、监控技术的智能化发展。近年来，随着传感器、计算机软件与硬件、信号处理和通信等视频监控所需的技术和设备的发展，使得视频监控的广泛应用和迅猛发展拥有了坚实的物质基础。各国也纷纷将其列入重要的议事日程，国外对视频监控技术的研究和开发可谓是如火如茶。许多关于视频监控的大规模的研究项目已经在美国、欧洲和日本等国家或地区展开，同时，它也成为许多国际学术会议关注的重要主题。美国的D A R P A(D e f e n s eA d v a n c e dR e s e a r c hP r o j e c t sA g e n c y)资助了几个专家组进行V S A M(V i d e oS u r v e

29、 i l l a n c ea n dM o n i t o r i n g)项目的研究1 3 J，该项目的目标是拟发展一种自动的视频解译技术，实现单人对复杂区域如战场或其他的一些重要场所内的入员行动的监视，该系统利用三帧时域差分法实现运动目标的检测，采用自适应模板匹配的方法实现对运动物体的跟踪，使用颜色和形状进行物体的分类和识别。H a r i t a o g l u 等人1 4 ，开发的W 4 是一个融合形状分析和跟踪技术的视频监控系统，它利用背景减除的方法实现了运动物体的检测，并通过创建人体外形模型来实现在有遮挡的户外环境中，对多个人体目标的跟踪。视频监控技术在交通监视管理中，同样也有着

30、重要的应用和发展，如美国的喷气动力实验室(J e tP r o p u l s i o nL a b o r a t o r y)就资助了五个关于大范围交通检测技术的研究项目：A u t o s c o p e，C M SM o b i l i z e r,M a s t e rT r a 历cV i s i o n，A u t o c o l o r 和R o a d W a t c h，其中前三个项目成果业已应用予实用的商业系统中。这些系统中大部分都是利用图像区域的像素强度或颜色的变化来实现物体检测，利用区域的块特征或颜色特征来实现物体的跟踪。美国的A R D A 机构(A d v a n

31、 c e dR e s e a r c h D e v e l o p m e n tA c t i v i t y,A R D A)在2 0 0 3 年秋开始主持一项高级研究计划、C E(V i d e oA n a l y s i sa n dC o n t e n tE x t r a c t i o n)，旨在通过物体检测、识别和跟踪，以达到检测，识别和理解物体行为的目的I S 。由欧洲F r a m e w o r kV 负责的一个视频监控的核心项目A d v i s o r d e n g也是为了研究和开发类似的智能监控系统。3武汉理I=大学硕士学位论文由S t e v eJ M

32、a y b a n k 和中科院自动化所所长谭铁牛组织的I E E E 视频监控专题讨论会连续三年分别在印度(1 9 9 8)、美国(1 9 9 9)和爱尔兰(2 0 0 0)成功举办，收录了大量智能视频监控领域内的最新研究成果；2 0 0 1 年，I E E E 在加拿大的温哥华举行了关于视频事件的检测与识别的专题国际会议：2 0 0 3 年，I E E E 又在美国的迈阿密举办了主题为“A d v a n c e dV i d e oa n dS i g n a lB a s e dS u r v e i l l a n c e”的国际会议。在2 0 0 0 年7 月和8 月，(I E E

33、 EJ o u r n a l o f C o m p u t e r V i s i o n)出版了两期视频监控的专刊；同年8 月，(I E E ET r a n s a c t i o n so nP a t t e r nA n a l y s i sa n dM a c h i n eI n t e l l i g e n c e 也出版了相同内容的专刊。P A I M I 也相继在2 0 0 0 年6 月和2 0 0 0 年8 月出版了关于视频监控的专刊；(C o m p u t e r V i s i o n a n d I m a g e U n d e r s t a n d

34、i n g)在2 0 0 1 年3 月出版了一期关于人体运动的视觉分析专刊；同年1 0 月，(P r o c e e d i n g so ft h em E E)也出版了一期有关第三代监视技术的专刊。(I m a g ea n dV i s i o nC o m p u t i n g 杂志在2 0 0 2 年1 0 月出版了一期关于理解视觉行为的专刊。在这些会议上和专业期刊中，运动目标检测与跟踪、行为理解等都是热点问题。?为了促进我国视频监控的研究和发展，中国科学院自动化研究所的模式识别国家重点实验室于2 0 0 2 年在北京成功的举办了“第一届全国智能视频监控会议”。2 0 0 3 年底

35、又在北京举办了“第二届全国智能视频监控会议”。自动化学报在2 0 0 3 年5 月出版了一期动态场景的视频监控专刊。全国许多大学和科研机构也都竞相展开对视频监控的研究。中国科学院自动化研究所模式识别国家重点实验室谭铁牛研究员从2 0 世纪9 0 年代初就开始研究基于三维模型的智能视频监控系统，领导视频监控小组，针对系统中若干关键性问题，进行了深入的研究和探讨，提出了自己的见解和主张，取得了一系列的研究成果，在国际计算机视觉领域权威期刊如U C V 和重要国际会议如I C C V 上发表论文数十篇，在I E E ES M C 上作了有关视频监控的特邀报告。他们还总结了英国雷丁大学的V I E W

36、 S 车辆交通监控原型系统的研究经验，在以往的理论研究的基础上，自行设计了一个拥有完全自主版权的交通监控原型系统V S t a rV i s u a lS u r v e i l l a n c e S t 盯，并在P CW i n d o w s 2 0 0 0 平台上用V i s u a lC+6 0 语言初步实现了这个系统。从硬件组成上看，整个V S t a r 系统由计算机、数字摄像机、音箱和交通场景模拟平台组成。当车辆在交通场景中运动时，摄像机将拍录下来的视频序列送进计算机；定位和跟踪程序自动分析这些视频序列，识别车型并跟踪车辆在场景中的运动；跟踪结果被送至行为分析和语义解释程序，对

37、车辆的行为进行分4武汉理【大学硕十学位论文析并给出语义解释；如果需要的话，语义解释结果迸一步被送进语音合成程序，得到语音提示或警告。比如，当车辆逆向行驶或闯入草地时，系统给出准确的语音警告。目前该系统能够在台P I 一8 6 6P C 机上实时地跟踪车辆，对光线变化、无关结构的干扰斑马线、边界遮挡等都具有很强的鲁棒性。该系统对视频监控理论算法和系统实现的研究奠定了重要基础。1 8 本文的主要研究内容智能监控技术的研究在实际应用中越来越重要，作为智能监控的一个重要方面，运动物体的视觉分析问题受到国内外学者的广泛关注。运动物体的视觉分析系统一般遵从下述的四个处理过程：1)运动物体的检测与提取；2)

38、运动物体的分类；3)目标物体的跟踪；4)目标物体的行为理解与描述【6 l。运动物体的检测与提取以及目标物体的跟踪作为运动物体的视觉分析中的两项核心技术以及底层问题 7 1，它们是后续各种高级处理，如物体分类及行为识别、事件检测、行为分析、视频图像的压缩编码和语义索引等高层次的视频处理和应用理解的基础，也是视频监控技术自动化和实时应用的关键，同时，它们也是当前图像技术研究应用的热点和焦点(8】。一般情况下，在物体的检测与提取过程中，场景中都会有光照，物体由于光照的操作而产生阴影，阴影的存在会导致物体的错误分类或者使不同的物体相互融合，给后续高级处理带来了错误的结果，导致不能够很好的跟踪物体以及对

39、物体的行为进行理解和描述。因此，在运动物体的检测与提取过程中，必须去除阴影。本文在总结和分析了国内外相关研究工作的基础上，针对运动物体检测与提取以及阴影检测与去除两个方面做了一定的工作，同时也对C a m s h i f t 跟踪算法作了详细的探讨和一定的改进。1 4 本文的组织结构本文共分六章，第一章为绪论，主要介绍了研究背景与研究意义，以及智能视频监控技术的研究现状。第二章为相关理论介绍，主要介绍了运动目标检测与跟踪过程中经常用到若干图像处理技术，包括彩色到灰度图像的转化、直方图原理、阙值化处理以及边缘检测算法等。第三、四和五章是本文研究的重5武汉理_ 大学硕士学位论文点。其中，第三章为复

40、杂场景中运动目标检测技术，主要介绍了如何在有背景扰动的情况下对运动目标进行检测与提取，提出了用混合高斯前景建模避开减背景技术中分割闽值难以选取的问题，最后给出了实验结果和分析。第四章是运动目标阴影检测方法与研究，介绍了本文提出的利用光流法来进一步提高H S V 颜色空间去阴影精确性的具体流程及相关技术，并在不同的环境下作了验证。第五章介绍了C a m s h i f l 跟踪原理，同时提出了利用运动且标检测来改善概率分布图。最后一部分是结论，对全文进行总结，并对下一步工作进行了展望。6武汉理工大学硕十学位论文第2 章目标检测过程中的相关图像处理技术2 1 彩色和灰度图像转换由于人眼对于彩色图像

41、细节的分辨能力与黑白图像相比要低得多，一般在进行图像处理之前先将彩色图像转换成灰度图像，这样在处理时只需对单通道的图像处理，可以提高运动目标检测与跟踪的速度。根据R、G、B 颜色分量和Y u V 色彩系统中亮度信号Y 之间的关系可以计算出亮度Y，它们之间的关系为1 9 1；Y 一0 2 9 9 R+0 5 8 7 G+0 1 1 4 B(2 1)根据式(2 1)可以将彩色图像变换为灰度图像，图2 1 给出了彩色图像转化成灰度图像的具体例子。(a)三通道彩色图(b)单通道狄度阔图2-1 彩色和灰度的转换2 2 灰度直方图灰度直方图是数字图像处理中一个最简单、龉有力的工具，它描述了一幅图像的灰度级

42、内容。数字图像的直方图是灰度值的离散函数，它表示数字图像中每一灰度与其出现概率问的统计关系。对于一幅数字图像厂G，y)，其像素总数为，用表示第k 个灰度值对应的灰度，行。表示具有灰度的像素的个数。用横坐标表示像素的灰度级，纵坐标表示该灰度出现的频率(即像素的个数)，则直方图可以定义为；7武汉理T 大学硕士学位论文P 以)一等式中，尸也)表示灰度出现的相对频数。图2-2 中(a)给出了一幅原始灰度图像，(2 2)(b)给出了(a)的直方图形式。(a)原始图像(b)直方图，图2 2 数字图像及直方图然而，仅用直方图不能够完整地描述出幅图像。一幅图像对应一个直方图，而一个直方图却可以对应多幅图像，也

43、就是说图像和直方图之间并非一一对应关系。图2-3 给出了多幅不同的图像内容具有相同直方图的实例。图2 3 具有相同直方图的实例8武汉理I：大学硕七学位论文直方图包含了丰富的图像信息，它是图像最基本的统计特性，应用范围非常广泛。直方图是图像处理中一种十分重要的图像分析工具，根据直方图可以直观看出整幅图像的灰度分布、平均亮度和明暗对比度等情况，并可由此得出进一步处理的重要依据。通过直方图均衡化、规定化等直方图修正技术可以使图像的灰度间距拉开或者是灰度分布均匀，从而增大反差，使图像细节清晰，达到图像增强的目的。另外，在迸行图像分割时，通过对直方图的分析，有助于确定图像阈值化处理时应该选取的阙值。2

44、3 阈值化处理图像分割是运动目标检测与识别中经常采用的方法，它是依据图像的灰度、颜色或几何特征将图像划分成若干个互不相交的小区域的过程，这些小区域通常是指在某种意义下具有某种共同属性的像素的集合。常用的图像分割方法是把图像灰度分为不同的等级，然后用设置灰度门限(阙值)的方法确定有意义的区域或分割物体的边界。图像的二值化处理就是一种较常用的阈值化处理方法，即选择一个阈值，将图像转化成黑自二值图像，用于图像分割与边缘跟踪等预处理。图像阈值化处理的一般变换函数表达式为：，f O，y)T，)，J 12 5 jf(x)(2-3),yTL，式中，r 为分割阈值。丁可以人为选取，也可以根据自适应方法求出。图

45、像的阈值化处理是一种非线性运算，它将图像中灰度值小于阈值f 的像素的灰度值置为0，反之则置为2 5 5。在处理过程中，如果选用不同的阈值，处理的结果会有很大的差异。图2 4 中(a)(d)给出了选用不同的阈值对原始图像进行二值化处理的结果。实验结果表明，朗值选择是否恰当直接关系到分割的结果。分割阈值的正确选取非常重要，直接影响到分割的精度，以及图像描述、分析、理解、识别的正确性。对于那些目标区域和背景区域的灰度有明显差别的图像，若直方图具有典型的双峰一谷特性，借助直方图就可方便地分割出目标和背景，此时阈值选中谷底处的灰度值。但是，在大多数情况下，物体和背景的对比度在图像中不是各处一样的，这时很

46、难用一个统一的阈值进行分割。实际处理时，需要按照具体问题将图像分成若干子区域分别选择阈值，或者动9武汉理r 大学硕十学位论文态地根据一定的邻域范围选择每点处的阙值，进行图像分割。2 4 边缘检测图2 4 不同阈值对阈值化结果的影响图像边缘往往是由图像中景物的物理特性发生变化而引起的，如物体的成像亮度(阴影等)、几何特性(方向和深度等)以及反射系数，它广泛存在于物体与背景之间、物体与物体之间和区域与区域之间【。图像边缘和图像内容的物理特性之间存在着直接的联系，因此图像边缘包含了图像的大部分信息。在这里，边缘指的是图像灰度发生空间突变或者在梯度方向上发生突变的像素的集合。图像边缘是图像的基本特征之

47、一，它蕴涵了图像丰富的内在信息(如方向、阶跃性质与形状等)，是计算机视觉、模式识别等的基础，广泛应用于图像分割、图像分类、图像配准和模式识别中。因此，边缘检测是图像处理的一个重要环节。然而，由于实际景物图像的边缘往往具有模糊性，加上噪声干扰的影响，而且边缘和噪声都属于高频信号，很难用频带做取舍，因此不容易检测到理想1 0武汉理工火学硕十学位论文的边缘。传统的图像边缘检测方法大多从图像的高频分量中提取边缘信息，微分运算是边缘检测与提取的主要手段。下面对一些传统的边缘检测算子进行简要的介绍【1 1 1 2】：2 4 1 常用边缘检测算子(1)R o b e,s 边缘检测算子任意一对相互垂直方向上的

48、差分可以看成求梯度的近似方法，R o b e r t s 边缘检测算子利用该原理，采用对角线方向相邻两像素之差代替梯度，它是一种局部差分寻找边缘的算子梯度幅值由下式给出：R(i，j、-f I+。-1，o，)一，(f+1，J+1 l+f，(f+1，)一，(f，+1)I、z-o r R o b e,s 边缘检测算子采用对角线方向相邻两像素之差进行梯度幅值检测，它检测水平、垂直方向边缘的性能要好于斜线方向边缘，并且检测定位精度比较高，但是对噪声敏感。?(2)S o b e l 边缘检测算子一l一2-1O00l21一lOl-2O2一lOl图2-5 S o b e l 边缘算子图2-5 所示的两个卷积核

49、形成了S o b e l 边缘检测算子，图像中的每个点都用这两个核作卷积，一个核对通常的垂直边缘响应最大，而另一个对水平边缘响应最大。两个卷积的最大值作为该点的输出，运算结果是一幅边缘幅度图像。S o b e l 边缘检测算子不但可以产生较好的边缘效果，而且对噪声具有平滑作用，减小了对噪声的敏感性。但是，S o b e l 边缘检测算子也检测出了一些伪边缘，使得边缘比较粗，降低了定位精度。(3)P r e w i t t 边缘检测算子图2-6 所示的两个卷积核形成P r e w i t t 边缘算子，与S o b e l 算子一样，图像中的每个点都用这两个核进行卷积，取最大值作为输出。P r

50、e w i t t 边缘算子也l l武汉理【入学硕士学位论文产生边缘幅度图像。-1-1-100011110一l101101图2-6P r e w i t t 边缘检测算子P r e w i t t 边缘检测算子同样对噪声具有平滑作用。但是，与S o b e l 边缘检测算子一样，它检测的边缘比较粗，定位精度比较低。(4)高斯拉普拉斯算子(L O G)为了克服一阶微分边缘算子的缺点，研究者相继提出了与边缘方向无关的二阶微分边缘算子。但是，由于图像边缘和噪声都是频域中的高频分量，二阶导数算予比一阶导数算子更容易收到噪声的影响，因此需要在微分运算之前采取适当的平滑滤波。为此，在边缘检测之前，利用高斯