运动目标的检测方法研究

Xxx UNIVERSITY OF TECHNOLOGY

毕业论文题目运动目标的检测方法研究

学生姓名xxx

学号082xxxxx

专业班级通信工程（2）班

指导教师xxx

学院计算机与通信学院

答辩日期2012年6月

运动目标的检测方法研究

Study on detection method of moving target

摘要

运动目标的检测是视频处理过程中后续跟踪技术的基础，其检测结果的好坏直接关系到能否跟踪到运动目标及跟踪准确度问题。运动目标的检测就是从机器视觉系统获取的序列图像中把前景（运动）目标分割提取出来的过程。本文描述了机器视觉中运动目标检测的主要方法，介绍了其中背景减除法的几种典型算法的原理、特点，背景差分法的基本流程，主要包括四个步骤为：预处理，背景建模，目标检测，后处理。然后在matlab环境下运用背景减除算法完成了视频中运动目标的检测，并对检测结果图像进一步处理。

关键词：运动目标检测；背景建模；背景差分

Abstract

Moving target detection is the basis of the follow-up,the test results is directly related to the ability of track moving targets and tracking accuracy problems.Moving target detection is a process that segment and extract the foreground (moving) from a sequence image abstracted from machine vision systems.This paper describes the main method for moving object detection in machine vision,several of which background subtraction algorithms principle,characteristics.The basic process of background subtraction includes four steps:preprocessing,background modeling,target detection,and post-processing.Then using back-ground subtraction algorithm to complete the detection of moving objects in video in the Matlab environment and test results image for further processing.

Keywords: moving object detection; background modeling;background subtraction

目录

第1章绪论 ----------------------------------------------------------------------------- 错误！未定义书签。

1.1运动目标检测的目的 -------------------------------------------------------- 错误！未定义书签。

1.2运动目标检测的研究现状 -------------------------------------------------- 错误！未定义书签。

1.3 MATLAB 简介---------------------------------------------------------------- 错误！未定义书签。第2章运动目标检测的基本方法-------------------------------------------------- 错误！未定义书签。

2.1 帧差法 -------------------------------------------------------------------------- 错误！未定义书签。

2.2 光流法 -------------------------------------------------------------------------- 错误！未定义书签。

2.3背景减除法--------------------------------------------------------------------- 错误！未定义书签。第3章基于背景减除法的运动目标检测----------------------------------------- 错误！未定义书签。

3.1 几种图像预处理方法-------------------------------------------------------- 错误！未定义书签。

3.1.1 图像灰度化 ------------------------------------------------------------ 错误！未定义书签。

3.1.2图像去噪 ---------------------------------------------------------------- 错误！未定义书签。

3.1.3图像二值化 ------------------------------------------------------------- 错误！未定义书签。

3.2 背景减除法的基本原理----------------------------------------------------- 错误！未定义书签。

3.3基于背景减除的运动目标检测算法 -------------------------------------- 错误！未定义书签。

3.4典型的背景减除算法 -------------------------------------------------------- 错误！未定义书签。

3.4.1 W4模型 ----------------------------------------------------------------- 错误！未定义书签。

3.4.2均值滤波法 ------------------------------------------------------------- 错误！未定义书签。

3.4.3均值替换法 ------------------------------------------------------------- 错误！未定义书签。

3.4.4单高斯背景模型 ------------------------------------------------------- 错误！未定义书签。

3.4.5混合高斯背景模型 ---------------------------------------------------- 错误！未定义书签。

3.5本文选用的背景检测算法 -------------------------------------------------- 错误！未定义书签。

3.6 运动目标检测的流程图----------------------------------------------------- 错误！未定义书签。

3.7背景提取------------------------------------------------------------------------ 错误！未定义书签。

3.7.1背景模型的构建及更新---------------------------------------------- 错误！未定义书签。

3.7.2基于统计的背景模型 ------------------------------------------------- 错误！未定义书签。

3.7.3基于统计分块处理的背景更新方法------------------------------- 错误！未定义书签。

3.7.4目标提取与二值化 ---------------------------------------------------- 错误！未定义书签。

3.8阴影检测及消除方法 -------------------------------------------------------- 错误！未定义书签。

3.8.1阴影的形成特点 ------------------------------------------------------- 错误！未定义书签。

3.8.2基于HIS空间的阴影检测算法 ------------------------------------ 错误！未定义书签。

3.9形态学处理--------------------------------------------------------------------- 错误！未定义书签。

3.9.1膨胀和腐蚀 ------------------------------------------------------------- 错误！未定义书签。

3.9.2开运算和闭运算 ------------------------------------------------------- 错误！未定义书签。参考文献 --------------------------------------------------------------------------------- 错误！未定义书签。附录I 外文文献翻译 ------------------------------------------------------------------ 错误！未定义书签。附录II 程序清单 ----------------------------------------------------------------------- 错误！未定义书签。致谢---------------------------------------------------------------------------------------- 错误！未定义书签。

第1章绪论

1.1运动目标检测的目的

随着计算机视觉与视屏处理在各个领域的广泛应用，处于最基层的运动目标检测的研究愈加热门的话题。随着计算机硬件的快速发展，越来越多的摄像头遍布在各个公共场所。这些摄像头产生的数量巨大的原始视觉信息，不但需要大量的人力资源进行监视处理，并且，人工处理这些信息的工作枯燥乏味，监视人员往往无法长时间专心于这些信息的分析，容易遗漏重要信息。所以，与这些硬件设备相配合的自动视频监控的软件需求显得越来越突出，这也激发了人们对它的研究热情。

自动视频监控的内容主要包括运动目标检测，目标分类，目标跟踪和行为理解四个部分。其中，运动目标检测是从序列图像中将运动变化区域从背景图像中分割提取出来，以备后续步骤的使用；目标检测的目的就是准确地从通过运动检测得到的运动区域中提取出与目标相对应的团点；与目标检测相比，目标跟踪属于更高级的计算机视觉问题，它为下一步的行为理解提供充分的数据；而行为理解是通过分析目标的运动模型，来生成对目标的个体行为和交互行为的高级描述，并用自然语言将这种描述表达出来。通过这四个步骤，无需人工的干预，计算机便能自动监控摄像头所在的场景，使这些摄像头真正起到监控的作用。

运动目标检测作为整个视频监控的基础工作，它的效果好坏影响着整个监控系统的性能，只有实时、准确、可靠地将运动目标从背景中分离出来，才能保证后续步骤的准确性。然而，运动目标的检测不是一件容易的事，它仍是一个具有挑战性的课题。在检测运动目标时，不能仅仅简单考虑图像中像素变化(运动物体对应像素变化)，摄像头的抖动、天气情况、光线变化、阴影移动以及背景中的物体扰动等造成的像素变化都会给运动目标检测的实时性和可靠性带来影响。人们总希望一个好的视频目标检测和提取算法，能适用于监视各种环境，但实际应用中要解决这个问题是十分困难的，因为实际应用中不但要考虑到算法要尽量适应于多种环境，而且除非有专门的硬件支持，否则我们往往不得不在算法的复杂度、可靠性，以及实时性等方面折衷考虑。

1.2运动目标检测的研究现状

运动目标检测通常处于计算机图像、视频处理工作的底层，是各种后续高级处理或应用，如目标跟踪、目标分类、目标行为理解等的基础。它除了在视频监控、人体运动分析等视频图像处理系统中被广泛应用外，还被应用在工业、医学、军事、教育、商业、体育等领域中。

随着计算机硬件的快速发展，越来越多的摄像头遍布在各个公共场所。这些摄像头产生

的数量巨大的原始视觉信息，不但需要大量的人力资源进行监视处理，并且，人工处理这些信息的工作枯燥乏味，监视人员往往无法长时间专心于这些信息的分析，容易遗漏重要信息。因此，与这些硬件设备相配合的自动视频监控的软件需求显得越来越突出，视频监控已经成为目前计算机视觉研究领域的一个热点。视频监控的内容主要包括运动目标检测，目标分类，目标跟踪和行为理解四个部分。运动目标检测作为整个视频监控的基础工作，它的效果好坏影响着整个监控系统的性能，只有实时、准确、可靠地将运动目标从背景中分离出来，才能保证后续步骤的准确性。然而，运动目标的检测不是一件容易的事，它仍是一个具有挑战性的课题。在检测运动目标时，不能仅仅简单考虑图像中像素变化(运动物体对应像素变化)，摄像头的抖动、天气情况、光线变化、阴影移动以及背景中的物体扰动等造成的像素变化都会给运动目标检测的实时性和可靠性带来影响。人们总希望一个好的视频目标检测和提取算法，能适用于监视各种环境，但实际应用中要解决这个问题是十分困难的，因为实际应用中不但要考虑到算法要尽量适应于多种环境，而且除非有专门的硬件支持，否则我们往往不得不在算法的复杂度、可靠性，以及实时性等方面折衷考虑。

目前，研究人员已经开发了多种运动目标检测的方法，包括帧间差分法，光流法和背景减除算法。根据实际应用需求的不同，不同的检测算法都是在可靠性、实时性和准确性之间折衷得到的。其中，背景减除方法是目前运动目标检测中最常用的一种方法，它一般能够提供最完全的运动目标信息，但对于动态场景的变化特别敏感。背景减除法的困难之处在于为复杂场景寻找理想的背景模型，以及模型的建立、保持与更新。目前最常用的背景减除算法有很多种，如何根据不同的应用需求，选择合适的检测算法，并且对已有的检测算法进行改进，提高算法的性能，减少算法对应用背景的限制，已成为学者们研究的热点问题。

1.3 MATLAB 简介

MATLAB自1984年由美国MathWorks1公司推向市场以来，历经十几年的发展，现已成为国际公认的最优秀的科技应用软件。

MATLAB既是一种直观、高效的计算机语言,同时又是一个科学计算平台。它为数据分析和数据可视化、算法和应用程序开发提供了最核心的数学和高级图形工具。根据它提供的500多个数学和工程函数，工程技术人员和科学工作者可以在它的集成环境中交互或编程以完成各自的计算。

图像处理工具包是由一系列支持图像处理操作的函数组成的，所支持的图像处理操作有：几何操作、区域操作和块操作；线性滤波和滤波器设计；变换（DCT变换）；图像分析和增强；二值图像操作等。

图像处理工具包的函数，按功能可以分为以下几类：图像显示；图像文件输入与输出；几何操作；象素值和统计；图像分析与增强；图像滤波；线性二维滤波器设计；图像变换；领域和块操作；二值图像操作；颜色映射和颜色空间转换；图像类型和类型转换；工具包参数获取和设置等。由于图像操作很多，这里仅仅以图像的噪声消除和图像增强为例，来说明该工具包的基本使用方法。

MATLAB具有以下基本功能：

(1)数值计算功能。

(2)符号计算功能。

(3)图形处理及可视化功能。

(4)可视化建模以及动态仿真功能。

MATLAB是一种基于向量（数组）而不是标量的高级程序语言，矩阵运算和数组运算是它的一大特点，因而MATLAB从本质上就提供了对图像的支持。从图像的数字化进程我们知道，数字图像实际上就是一组有序的离散数据，使用MATLAB可以对这些离散数据形成的矩阵进行一次性的处理。较其他标量语言而言，这是非常有优势的一点。正是由于MATLAB具有多方面的强大功能，使MATLAB一路领先，成为数学类科技应用软件中的佼佼者。本课题研究即是以MATLA B为平台，应用傅立叶变换等数学理论，实现对机器视觉图像的系统化处理。

第2章 运动目标检测的基本方法 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。

2.1 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闭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。用公式表示：第k 帧和k+1帧图像),(),,(1y x y x f f k k +之间的变化用一个二值差分图像D （x,y ）表示，如式2-1：

???>-+others T

y x f y x f if y x D k k ,0),(),(,1),(1 （2-1）

其中T 为差分图像二值化阈值，二值图中0对应前后未变化的地方，1对应变化的地方。

图2-1帧差法流程图

2.2 光流法

视觉心理学认为人与被观察物体发生相对运动时，被观察物体表面带光学特征的部位的移动给人们提供了运动和结构的信息。当相机与场景目标间有相对运动时所观察到的亮度模式运动称之为光流(optical flow )，或者说物体带光学特征部位的移动投影到视网膜平面(也即图像平面)上就形成了光流。

光流场的计算一般分为四类：基于梯度的方法(Horn-Schunck 和Lucas-Kanade 算法都是基于梯度的算法)；基于匹配的方法；基于能量的方法；基于相位的方法。

基于梯度的方法利用图像灰度的梯度来计算光流，是研究最多的方法。基于梯度的方法根据运动前后图像灰度保持不变这个基本假设，导出光流约束方程。由于光流约束方程并不能唯一的确定光流，因此需要导入其他的约束。根据引入的约束不同，基于梯度的方法又可以分为全局约束方法和局部约束方法。全局约束的方法假定光流在整个图像范围内满足一定的约束条件；而局部约束的方法假定在给定点周围的一个小区域内，光流满足一定的约束条件。

基于匹配的方法，这类方法是将速度m v 定义为视差T dy dx d ),(=，使得两个时刻的图像区域的匹配最佳。为了找到最佳匹配，我们可以对定义在d 上的相似度量，如规一化的互相关系数，进行最大化，也可以对某一距离度量，如光强度差的平方和，进行最小化。 基于梯度的光流场算法介绍，梯度光流法又分为全局约束方法和局部约束方法。全局约束方法假定光流在整个图像范围内满足一定的约束条件，而局部约束的方法假定在给定点周围的一个小区域内，光流满足于一定的约束条件。下面先导出光流约束方程。然后给出一种比较典型的基于梯度的方法。光流约束方程2-5，2-6，2-7：

假定图像上点T y x m ),(=在时刻t 的灰度值为),,(t y x I ，经过时间间隔dt 后，对应点的灰度为),,(dt t dy y dx x I +++，当0→dt 时，可以认为两点的灰度不变，也就是式2-2：

),,(),,(t y x I dt t dy y dx x I =+++ (2-2)

如果图像灰度随,,x y t 缓慢变化，可以将式2-2左边泰勒级数展开：

ε+??+??+??+=+++dt t

I dy y I dx x I t y x I dt t dy y dx x I ),,(),,( (2-3) 其中ε代表二阶无穷小项。由于0dt →，忽略ε，可以得到式2-4：

0=??+??+??dt t

I dy y I dx x I (2-4) 令dt dx u =，dt dy v =代表,x y 方向上的光流，x I I x ??=，y

I I y ??=，t I I t ??=分别代表图像灰度相对于t y x ,,的偏导，式2-4可以写成：

0=++t y x I v I u I (2-5)

此2-5式即光流场的基本方程。写成向量形式，即2-6：

0=+?I ?t m I v (2-6) 其中),(y x I I =I ?是图像在点m 处的梯度，),(v u v m =是点m 的光流。上式称为光流约束方程，是所有基于梯度的光流计算方法的基础。

v

),(y x I I =I ?

约束条件

u

图2-2 基本等式所确定的约束线

考虑u 和v 组成的二维空间，那么式(5)定义了一条直线，所以满足约束方程的m v 都在该直线上，图2-2，该直线和图像梯度I ?垂直，因而仅仅能够解决沿梯度方向的分量，也就是等灰度轮廓的法线分量sn v n =，其中：(实际上，式(2-6)光流约束方程产生的是恒值亮度轮廓图像运动的法向分量sn v n =)

I

?I ?=I ?-=n I s t , （2-7）

光流约束方程包含u和v两个未知量，显然由一个方程并不能唯一确定，这就是孔径问题。为了解决孔径问题，必须找新的约束条件。

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。特征点光流法通过特征匹配求特征点处的流速，具有计算量小、快速灵活的特点，但稀疏的光流场很难精确地提取运动目标的形状。总的来说，光流法不需要预先知道场景的任何信息，就能够检测到运动对象，可处理背景运动的情况，但噪声、多光源、阴影和遮挡等因素会对光流场分布的计算结果造成严重影响;而且光流法计算复杂，很难实现实时处理。

2.3背景减除法

背景减除法是一种有效的运动对象检测算法，基本思想是利用背景的参数模型来近似背景图像的像素值，将当前帧与背景图像进行差分比较实现对运动区域的检测，其中区别较大的像素区域被认为是运动区域，而区别较小的像素区域被认为是背景区域。背景减除法必须要有背景图像，并且背景图像必须是随着光照或外部环境的变化而实时更新的，因此背景减除法的关键是背景建模及其更新。针对如何建立对于不同场景的动态变化均具有自适应性的背景模型，减少动态场景变化对运动分割的影响，研究人员已提出了许多背景建模算法，但总的来讲可以概括为非回归递推和回归递推两类。非回归背景建模算法是动态的利用从某一时刻开始到当前一段时间内存储的新近观测数据作为样本来进行背景建模。非回归背景建模方法有最简单的帧间差分、中值滤波方法、Toyama等利用缓存的样本像素来估计背景模型的线性滤波器、Elgal等提出的利用一段时间的历史数据来计算背景像素密度的非参数模型等。回归算法在背景估计中无需维持保存背景估计帧的缓冲区，它们是通过回归的方式基于输入的每一帧图像来更新某个时刻的背景模型。这类方法包括广泛应用的线性卡尔曼滤波法、Stauffe与Grimson提出的混合高斯模型等。本文重点论述背景减除法即背景帧差法的具体方法和应用。

第3章 基于背景减除法的运动目标检测

3.1 几种图像预处理方法

图像使用各种观测系统以不同形式和手段观测客观世界而获得的，图像是指用各种观测系统以不同形式和手段观测客观世界而获得的，可以直接或间接作用于入眼并进而产生视知觉的实体。是表达视觉信息的一种物理形式，一般图像采集的最终结果是某种能量的样本阵列，所以图像常用矩阵或数组来表示，每个元素的坐标代表场景点的位置而元素的值代表场景点的某个特征量。视频是指随时间变换一组数字图像序列，而且有时还包含相应的音频信息，是多媒体信息的重要组成部分。数字视频是数字图像在时域上的序列。视频序列中的每个图像称为帧，通常的视频文件是按每秒30~40帧的速率运动的。在大多数情况下，视频序列中的运动目标是人眼最为关注的部分事实上，视频图像的最大的特点是：它有丰富的原始数据、相邻近帧间的强相关性以及时域上的动态时变模式等在很大程度上使运动目标易于检测、分割和识别成为可能，与静态图像相比，图像序列及视频的最大优点就在于对运动信息的捕获。

3.1.1 图像灰度化

图像灰度化就是将彩色图像中的彩色信息剔除，只包含亮度信息。计算机中表示灰度图是把亮度值进行量化等分成0~255共256个级别，0最暗(全黑)，255最亮(全白)，而在RGB 模型中，如果R=G=B ，则颜色(R,G ,B)就表示灰度色。灰度化过程是使图像的RGB 分量取相等的值，图像由原来的三维特征降到灰度化后的一维特征必然丢失部分信息。常见的灰度化方法有最大值法口(R=G=B=max(R,G ,B))、平均值法(R=G=B=(R+ G+B)/3)、加权平均值法(B W G W R W B G R B G R ++===)等。可以看出不论采取哪种方法，其原有的颜色特征往往被改变或丢失，使得同一种二值化方法因为一幅彩色图像不同的化处理过程常常得到不同的结果。考虑到图像的合理性，本文选用下面的公式3-1、3-2进行灰度转换：

Gray=0.299R+0.587G+0.114B （3-1）

R=G=B=Gray （3-2）

其中Gray 表示图像中像素的灰度值，R 表示该像素的红色分量．G 表示绿色分量，B 表示蓝色分量；0．299，0587，0．114分别为前人实验和理论推导证明得出的最合理灰度图像的权值。图3-1为原始图像及对应的灰度图像。左图为原始图像，右图为其灰度图像。

图3-1彩色图像及灰度化后的图像

3.1.2图像去噪

图像去噪是视频处理的第一步，它是将输入的图像进行滤波去除噪声，增强图像，锐化。视频图像一般经过预处理后，使得感兴趣的区域可视化效果得到改善，有利于图像的进一步工作。所以，图像预处理虽然简单，但是较为重要，它关系到图像的下一步质量。

图像噪声，是图像在摄取时或是传输时所受到的随机干扰信号。这些干扰信号的抑制称为图像的噪声抑制。几乎所有的图像都或多或少地存在噪声，这将影响图像处理的效果。在视频图像处理中，图像传感器带来的噪声为主要噪声来源。经常出现的噪声有两种：椒盐噪声和高斯噪声(白噪声)。椒盐噪声是由图像传感器，传输信道，解码处理等产生的黑白相间的亮暗点噪声。椒盐噪声往往由图像切割引起。去除脉冲干扰级椒盐噪声最常用的算法是中值滤波。高嘶噪声是从频率上说的，是通常意义上的随机信号干扰，其噪声服从高斯分布。

图像中内在噪声的影响是不可忽略的，而原始帧由于各种原因，不可避免的会叠加噪声。因此，在图像处理之前，应该将其去除，以便得到良好的处理效果。滤波去噪的方法主要有两种：频域法和空域法。消除传感器噪声常用的方法有均值滤波、中值滤波、直方图滤波等各种空间域上的滤波。消除场景的瞬时环境噪声常用的是时间域的滤波，如三帧时间域的滤波。频域法的计算速度快，但是比较复杂，为了保证实时性，一般采用空域法。应当指出，任何方法在去除噪声的同时，都或多或少对图像的质量产生影响，使图像变得模糊。因此，必须在图像质量和去除噪声之间做出折衷。在滤波方法中，最常用的有均值滤波和中值滤波(medianfilter)两种。

1.均值滤波

均值滤波是用得最多的背景图像重构方法，它的基本思想是：先建立一个视频流滑窗用来缓存L帧视频图像，然后把缓存中所有视频图像同位置像素的平均值作为该处像素的背景值。

均值滤波也称为线性滤波，其采用的主要方法为邻域平均法，基本原理是用邻域的均值替代原图像中的各个像素值，即对待处理的当前像素点（X,Y ）选择一个模板窗口，该模板由当前像素近邻的若干像素组成，求取模板中所有像素的均值，再把该均值赋予当前像素点，作为处理后图像在该点上的灰度值，具体算法如下：

设f(x ，y)为给定的含有噪声的图像，经过邻域平均后的图像为g(x ，y)，即式3-3：

M y x N

y x f y x g ∈=∑),(,),(),( （3-3） 其中M 是所取邻域中各邻近像素的坐标，N 是邻域中包含的邻近像素的个数。邻域平均法的模板为式3-4： ????

? ???11111111191 （3-4） 中间的黑点表示一概像素为中心元素，技改像素是要进行处理的像素。在实际运用中，也可以根据不同的需要选择使用不同的模板尺寸，如3×3、5×5、7×7、9×9等。模板尺寸越大，噪声减小得越显著，但同时图像的对比度下降也越多。使用均值滤波进行图像平滑往往以大幅降低图像清晰度为代价，另外，均值滤波只能将杂点无限放大而是人眼不易察觉，但不能真实消除杂点，所以对于椒盐噪声，均值滤波的效果不大。

2.中值滤波

中值滤波是由Tukey 首先提出的一种基于排序统计理论，能有效抑制噪声的非线性信号处理技术。它也是一种邻域运算，类似于卷积，但是计算的不是加权求和，而是把数字图像或数字序列中一点的值用该点的一个邻域中各点值的中值代替，让周围像素灰度值的差比较大的像素改取与周围的像素值接近的值，从而可以消除孤立的噪声点。它能减弱或消除傅立叶空间的高频分量，但影响低频分量。因为高频分量对应图像中的区域边缘的灰度值具有较大较快变化的部分，该滤波可将这些分量滤除，使图像平滑。在一定的条件下，中值滤波可以克服线性滤波器如最小均方滤波、均值滤波所带来的图像细节模糊，而且对滤波脉冲干扰及图像扫描噪声非常有效，既能去除高频噪声，抑制脉冲干扰，又能很好的保持图像轮廓的清晰，由于在实际运算过程中不需要图像的统计特征，因此使用较方便。传统的中值滤波一般采用含有奇数个点的滑动窗口，用窗口中各点狄度值的中值来代替指定点的灰度值。对于奇数个元素，中值是指按大小排序后中间的数值；对于偶数个元素，中值是指排序后中间两个元素灰度值的平均值。中值滤波也是一种典型的低通滤波器，主要用来抑制脉冲噪声，它

能够彻底滤除尖波干扰噪声，同时又具有能较好地保护目标图像边缘的特点。 标准一维中值滤波器的定义为式3-5：

),,,,(1x x x x x y N K N K K K N K k

med +-+-= （3-5） 式中，med 表示取中值操作。中值滤波的滤波方法是对滑动滤波窗口2N+l 内的像素做人小排序，滤波结果的输出像素值规定为该序列的中值。例如取33?滑动窗口．中值为窗口内第5个最大的像素值。二维中值滤波的窗口形状和尺寸设计对滤波的效果影响较大，不同的图像内容和不同的应用要求，往往采用不同的形状和尺寸。常用的二维中值滤波窗口有线状、方形、圆形、十字形及圆环形等，窗口尺寸一般进为3，也可以根据滤波效果逐渐增人尺寸，直到获得满意的滤波效果。常用的滤波嚣为N N ?中值滤波器、十字形中值滤波器和N N ?最大值滤波器，其他类型的滤波器也可以根据此方法来类推。中值的计算在于对滑动窗口内像素的排序操作。要进行排序．就必须对序列中的数据像素做比较和交换，数据元素之间的比较次数是影响排序速度的一个晕要因素。传统的排序串行算法是基于冒泡排序法，若窗u 内像素为m 个，则每个窗口排序需要做m(m 一2)／2次像素的比较操作，时间复杂度为)(2m O 。此外，常规的滤波算法使窗口每移动一次，就要进行一次排序．这种做法实际上包含了大量重复比较的过程。若一幅图像的人小为N*N ，则整个计算需要)(22N m O 时间，当窗n 较大时计算量很大，较费时。

图3-2第355帧图像添加椒盐噪声后效果图

图3-3进行均值滤波后的图像

图3-4进行中值滤波后的图像

从图3-2、3-3、3-4可以看出，中值滤波在椒盐噪声处理方面的能力是均值平滑所不能比拟的。所以本系统采用中值滤波器对图像滤波去噪。

3.1.3图像二值化

图像分割是图像处理和计算机视觉中基本而关键的技术之一，其中的是将目标与背景分离，为后续的分类、识别和检索提供依据。图像分割方法通常包括阈值法、边缘检测法、区域跟踪法等。其中图像阈值分割是一种广泛使用的图像分割方法，它利用了图像中所要提取的目标与背景在灰度上的差异，把图像视为不同灰度级的两类区域目标和背景的组合，选取一个合适的阈值，以确定图像中的每一个像素点应该属于目标还是背景区域，从而产生相应的二值图像，得到所需要检测的目标。阈值分割不仅可以大量压缩数据，减小存贮容量，而且还能大大简化后期的分析和处理步骤。设定某一阈值T ，可以用T 将图像的数据分成两部分：大于T 的像素群和小于T 的像素群。设输入图像为),(y x f ，输出图像为),('y x f ，如式3-6,3-7:

???<≥=T y x f T y x f y x f ),(,0),(,1),('

（3-6） 或

???>≤=T y x f T y x f y x f ),(,0),(,1),('

（3-7） 上述就是图像的二值化处理原理，也就是阈值分割，其目的只为求一个阈值T ，并用T 将图像),(y x f 分成目标和背景两部分。在实际处理中，为了显示需要，一般用255表示背景，用0表示对象物。

图3-5 二值化处理图像 3.2 背景减除法的基本原理

背景消减法是目前基于视频检测算法中最常用的一种方法。背景消减法可以看作一种特殊的帧差法。它是一种利用当前帧图像与背景图像对应象素点的灰度差值来检测车辆的技术：如果当前图像的象素点和背景图像的象素点灰度值差别很大，就认为此象素点有车通过，相反，如果当前图像的象素点和背景图像的象素点火度值差别较小，在一定的阈值范围内，我们就认为此象素点为背景象素点。背景差法首先选取背景中的一幅或几幅图像的平均作为背景图像，然后把以后的序列图像当前帧和背景图像相减，进行背景消去。若所得到的像素数大于某一阈值，则判定被监视场景中有运动物体，从而得到运动目标。用公式3-8,3-9表示：

),(),(y x B y x F d k k -= （3-8）

???<≥=T

d if T d if d y x D k ,0,),( （3-9） 式中：k F 是背景帧差图，k B 是第k 帧时的背景的灰度图，i 表示帧数( i ∈1…N)，N 为序列总

帧数，T 为阈值。具体的算法流程图如图3-6所示：