基于帧间差分法的彩色视频背景提取

《基于帧间差分法的彩色视频背景提取》由会员分享，可在线阅读，更多相关《基于帧间差分法的彩色视频背景提取（45页珍藏版）》请在装配图网上搜索。

1、兰州理工大学毕业论文 LANZHOU UNIVERSITY OF TECHNOLOGY 毕业论文 题 目 基于帧间差分法的彩色视频背景提取 学生姓名 学 号 专业班级 通信工程一班 指导教师 学 院 计算机与通信工程 答辩日期 摘 要在智能交通系统（ITS）中，提取车辆状况的运行信息，运动目标的提取能够正确、实时地记录道路上车辆行驶情况，从而可以极大地提高排障效率，使道路迅速畅通。所以车辆的实时、有效检测在智能交通系统中很重要。帧间差分法是实现视频检测的方法之一，该方法采用基于像素级和帧级的多级自适应背景更新策略，能够克服光线缓慢变化和剧烈变化对背景的影响，并及时消除由于物体移入和移除产生的鬼

2、影。实验结果表明，利用帧间差分法提取的背景清晰可见。基本上能满足任务要求。在本文中，本人做了如下工作：查阅相关资料，了解论文所要求的工作，向指导老师请教，然后自己组织论文的整个框架，从编程到截图等整个工作，完成论文的要求。关键词：运动目标；帧间差分；背景提取；图形滤波；图像二值化 基于帧间差分法的彩色视频背景提取Based on inter-frame difference method to extract the background color video马晓洁(maxiaojie)09250136ABSTRACTIn the Intelligent Transportation Sys

3、tems (ITS), the extraction of vehicle condition the running information of, moving targets extraction of able to correctly, real-time ground recording road vehicles being driven on situation, thus you can greatly improve platoon obstacle efficiency, so that roads rapidly unimpeded. Therefore, real-t

4、ime vehicle, effective detection in intelligent transportation system is very important. Inter-frame difference method is one of the ways to achieve video detection, the method based on the pixel level and frame-level multi-stage adaptive background updating strategy to overcome the slow changes and

5、 dramatic changes in the light affects the background, and promptly eliminate the objects into and removing ghosting. Experimental results show that using inter-frame difference method to extract the background clearly visible. Can basically meet the mission requirements.In this article, I made the

6、following tasks: access to relevant information, understand the paper work required to ask the instructor, and then organize themselves entire framework papers, etc. from programming to capture the entire work to complete the thesis requirement.Keywords: Moving target; interframe difference; backgro

7、und extraction, graphics filtering, binarization.目录第1章 绪论1第二章 基于帧间差分法的背景提取算法研究42.1 简介42.2 二帧差法42.3 三帧差法5第三章 图像的预处理83.1 帧图像的提取83.2 图像的灰度化处理93.3 图像的滤波123.4 图像的双精度处理14第四章 背景的提取164.1 帧差法处理图像164.2 二值图像174.3 背景的提取20第五章 结论23参考文献24附录26致谢40第1章 绪论在当下社会，交通安全是每个人关注的问题，而在智能交通系统中，提取车辆状况的运行信息，进行运动车辆的有效检测，是车辆的行为分析和

8、进行识别的前提，在交通视频监控中利用检测得到的信息，是对目前路况的全面而准确地描述，然后根据统计算出的各路段的数据，如车流量、车型、车速、车流迷度、排队长度、占有率，还可以检测事故突发等。人们可以据此对交通运输进行整体规划，例如调整路口红绿灯开启时间等，从而减轻交通堵塞、改善交通环境、提高道路的利用率、降低交通事故频发率等。并且正确、实时地记录道路上车辆行驶情况，如违规超车、车辆相撞等等，对发生的交通事故能进行快速反应，从而可以极大地提高排障效率，使道路迅速畅通，并为处理交通事故提供了有利的证据。所以，车辆的实时、有效检测是智能交通系统的核心内容和关键技术。提取车辆状况的运行信息，进行运动车辆

9、的有效检测，是车辆的行为分析和进行识别的前提，在这样的研究背景下，本文的研究目的是在交通视频监控中利用检测得到的信息，对目前路况的全面而准确地描述，然后根据统计算出的各路段的数据，如车流量、车型、车速、车流密度、排队长度、占有率，还可以检测事故突发等。而实现视频检测的方法有很多种，但是，在多目标复杂场景中如何实现背景和前景的有效分割是个难题。背景图像的获取最简单的方法是在场景没有运动目标的情况下进行，但在实际应用中无法满足这种要求，所以需要在场景中存在运动目标的情况下获得背景图像。智能交通中的监视系统主要是对场景中的车辆进行检测、跟踪和行为分析，车辆检测基本上是以动态图像处理技术为基础的，即对

10、车辆移动时得到的连续图像进行分析1，由于是户外场景，下雨、下雪、刮风引起的树木摇动或者恶劣天气等会在画面上产生各种噪声，另外光照条件的不同也会导致图像发生变化，还有影子的影响，以及移动车辆的一部分被遮挡等因素，这些都使得目标的提取变得更加困难。针对目前公路交通视频监控系统研究方面存在的难题，本文在前人研究的基础上，以采集的视频图像序列为研究对象，对视频图像中的关键技术进行深入的研究，重点分析和讨论如何利用帧间差分在智能交通系统中，提取车辆状况的运行信息，进行运动车辆的有效检测，是车辆的行为分析和进行识别的前提，在交通视频监控中利用检测得到的信息，是对目前路况的全面而准确地描述，然后根据统计算出

11、的各路段的数据，如车流量、车型、车速、车流密度、排队长度、占有率，还可以检测事故突发等。人们可以据此对交通运输进行整体规划，例如调整路口红绿灯开启时间等，从而减轻交通堵塞、改善交通环境、提高道路的利用率、降低交通事故频发率等。本文的主要工作是利用帧间差分法对采集的一段彩色视频进行背景提取。其中帧间差分法就是将视频序列中的两帧图像相减，然后将图像平滑去噪，判断差分图像中每一个像素点的值，（当差分图像中一个像素点的值小于某已预先设定的阈值的时候，就是背景像素，当其他时则为前景）2。即根据像素值的变化来确定目标的位置。本文选择的是三帧差法。在本文中，主要做了以下工作：首先，提取彩色视频的每帧图像，然

12、后对彩色视频灰度化处理，又由于在三帧差法的处理过程中涉及到连续两帧图像的相减，所以要对灰度化处理的图像进行数据转换，紧接着是灰度图像的二值化处理，最后是背景的提取。本文在此基础上提出了一种基于帧间差分的自适应运动目标检测算法。算法利用直方图统计各像素点处最大概率灰度的方法提取出连续视频的背景图像；相邻帧利用帧差法得到运动区域图像；利用运动区域图像与背景图像差分的方法提取出运动目标。实验结果表明；该算法能在多个不确定性因素的序列视频中较好地提取背景图像，能及时响应实际场景变化。提高运动目标检测的质量。本次内容安排如下：在第二章中，是基于帧间差分法的算法研究，主要讲了二帧差和三帧差法的基本原理；在

13、第三章中，是图像的预处理，主要涉及了帧图像的提取、图像的灰度化、滤波处理、图像的数据转化等内容；在第四章中，主要是背景的提取，包括灰度图像的二值化、二帧差及三帧差和背景的提取。其流程图如下图所示：开始读取视频提取帧图像图像灰度化图像增强图像数据变换帧间差分法处理图像灰度图像二值化图 1.1 流程图提取背景图1.1 流程图图1.1是本文整个工作的流程图，里面包括了本人所有的工作。从图中可以看出，里面涵盖了数字图像处理中几乎所有的方法。第二章 基于帧间差分法的背景提取算法研究帧间差分法的基本原理是将视频序列中的两帧图像相减，然后将图像平滑去噪，判断差分图像中每一个像素点的值3，（当差分图像中一个像

14、素点的值小于某已预先设定的阈值的时候，就是背景像素，当其他时则为前景）。即根据像素值的变化来确定目标的位置。2.1 简介图像序列中的运动目标检测是一个重要且十分困难的研究领域，在实现运动视频理解主要关注于视频流中运动对象的识别和分析，滤除图像中与运动对象无关的信息。运动目标的正确检测将大大提高后续跟踪的准确性。目前常用的运动目标检测方法主要有两种4：第一种是帧差分法，帧差分法是基于时间序列图像上的差分图像实现运动目标的检测。第二种是背景差分法，背景差分法是基于图像序列和背景参考模型相减实现运动目标的检测。帧差分法是利用视频序列中连续的帧图像的差异进行目标检测和提取，是最为常用方法之一，其思想是

15、利用视频图像序列相邻帧中像素的变化进行目标检测，主要通过像素时间差分以及阈值二值化提取运动目标。帧差分法中的阈值处理相当关键，因为过低的阈值不能有效的抑制图像中的噪声，过高的阈值将抑制图像中有用的变化。运动变化域值的选择通常取决于场景光照和摄像机等外界具体环境条件。阈值选择可以分为全局阐值和局部阈值，通常在图像中不同光照区域引起的噪声也不相同，因此采用局部阈值能更好的抑制噪声。帧间差分法是一种通过对视频图像序列中相邻两帧作差分运算来获得运动目标轮廓的方法，它可以很好地适用于存在多个运动目标和摄像机移动的情况。当监控场景中出现异常物体运动时，帧与帧之间会出现较为明显的差别，两帧相减，得到两帧图像

16、亮度羞的绝对值，判断它是否大于阈值来分析视频或图像序列的运动特性，确定图像序列中有无物体运动。图像序列逐帧的差分，相当于对图像序列进行了时域卜的高通滤波。2.2 二帧差法通过帧差分法检测到的运动目标仍然存在噪点及漏洞等缺陷。所以需要将其进行相应的形态学处理，使其更准确。帧差分法又分为：相邻二帧差分法和三帧差分法，一个基本的相邻二帧差法的运算过程如图2.1所示5第一帧滤波处理_阈值处理形态学处理目标提取 滤波处理第二帧图2.1 相邻二帧差法流程图 相邻二帧差分法检测出来的运动目标并不是很准确，这主要是由于受目标的运动而产生的背景影响，为减小运动背景带来的影响，所以现在一般使用相邻三帧差分法来提取

17、运动目标。2.3 三帧差法随着数字电视和视频监控技术的不断发展，对图像6运动目标的有效检测、提取已成为关键技术，是进行目标跟踪、识别等后续处理的基础。处理速度和可靠性是运动目标检测需要解决的两个基本问题，也是衡量有关算法优劣的两项重要指标。现有的运动目标检测方法主要分为3类，包括帧间差分法、背景减除法以及光流分割法，三者各有优缺点7：（1）帧间差分法利用基于时间序列图像中相邻的两帧或三帧图像相减，得到差分图像，然后通过阈值选取得到运动目标的信息，这种方法计算简单，容易实现，但是一般难以获得运动目标的完整轮廓，易在目标内部产生“双影”及“空洞”现象，导致检测到的目标信息不准确。（2）背景减除法的

18、基本思想是首先构建一个背景，然后用当前帧图像和背景相减，根据差分图像检测运动目标。这种方法简单，易于实现，能够较好地提取出目标的特征数据，但对于外界环境的变化非常敏感，适用于背景已知的情况。如何找到高效实用的背景模型并对其进行更新是这种方法的研究重点。 （3）光流分割法利用运动目标随时间变化的矢量特征在图像序列中检测运动区域。在摄像机存在运动的情况下其性能较好，但算法复杂，运算量较大，需要专门的硬件支持，难于满足视频流实时处理的要求。 (2.1) (2.2)其中为三帧差分法图像第一帧，为第二帧，为第三帧，为三帧变化部分图像，经过选取适当的阈值T，就能区分前景与背景，分离出运动目标，即为中间帧运

19、动目标二值化值。像素差分法得到中间帧的运动目标。这样可以减小由于目标运动而产生的背景影响，得出更准确的运动目标。从图中可以看出由于减小了目标运动带来的背景影响，三帧差分法比相邻二帧差分法检测到的运动目标更加准确，更符合实际的目标。形态学处理第一帧阈值处理目标提取-*滤波处理滤波处理-第三帧滤波处理第二帧 图2.2 三帧差分法流程图图2.2为三帧差分法提取运动目标的流程图。其主要是利用连续三帧图像的像素差分法得到中间帧的运动目标。这样可以减小由于目标运动而产生的背景影响，得出更准确的运动目标。帧间差分法是传统运动同标检测方法中最直接、最简单的一种方法。首先，它将选定的背景图像储存起来，然后将序列

20、图像当前帧与背景图像做减法运算。由于运动物体和背景在灰度或色彩上存在差别，相减后所得结果中每像基于背景差分法和帧间差分法的视频活动检测素的值和一个预先设定的阈值相比较，如果这个像素的值大于设定的阈值，则判定被监控的场景中存在运动物体，从而得到运动的同标。背景图像差分法其原理和算法设计简单；可以根据实际情况确定阈值进行处理，所得结果直接反映了运动目标的位置、大小、形状等信息，能够得到比较精确的运动目标信息。但同时也存在受光线、天气等外界条件变化的影响较大；用背景图像差分法去处理目标由静止开始运动的情况，可能出现“鬼影”现象等缺点。在运用背景图像差分法时，应该重点考剧l、如何获得背景图像。背景图像

21、中要求不应该包含运动目标，但是在某些情况下却很难满足这一要求，这就要求用已有图像(其中包含运目标)去构造一个不包含运动目标的背景图像。2、如何处理动态背景和视频噪声。运用背景图像差分法，理想的情况就是背景完全不发生变化且没有噪声污染，可是实际中很少能达到这样的理想情况。其主要原因是，视频图像在获取的过程中都会掺入视频噪卢；在户外的情况，背景经常会受到光线和风等自然因素影响而发生变化。根据噪声的米源，可以采用不同的滤波器消除噪声，同时采用自适应动态背景更新的方法来减小动态背景对检测结果的影响。3、如何选取阈值。阈值的选取直接决定了检测结果的好坏，只有恰当的阈值才能正确地分割出运动目标所占的区域。

22、现在普遍采用根据经验来选取阈值的方法。在图像处理过程中,帧间差分是通过计算相邻两帧图像之间的差值来获得运动区域的，通过差值图像能快速的检测出相邻图像中运动目标所引起的运动范围，但是它提取的运动目标比实际的要大，往往出现“双影”现象，如图所示；另外，由于检测出来的物体是前后两帧相对变化的部分，无法检测到重叠部分，导致检测到的目标发生“空洞”现象。而三帧差分法是在帧间差分的基础上进行改进，将相邻的三帧图像作为一组进行再差分，能较好的检测出中间帧运动目标的形状轮廓。 第三章 图像的预处理对拍摄的图像，还要进行对原始图像的各种处理，先对图像进行灰度处理，处理之后，再进行滤波处理，增加图像的清晰度。这是

23、图像处理时必须的一步。将视频的数据读取之后，接下来是要提取视频的每一帧图像，只有将帧图像提取出来后，才能在众多的帧图像中选取连续的三帧图像，然后用帧间差分法提取背景图像了。图像预处理在整个图像处理过程中的位置及重要性，进行图像处理首先就要进行预处理。一般情况下，人们对获得的图像（原始图像）进行预处理无非是从两个方面：图像增强和图像复原。如果人们在图像处理过程中并不考虑图像的降质等相关原因，只是单独的将人们感兴趣的图像特征有选择的突出出来，并衰减其他不需要或者次要的特征，这类图像预处理方法所得到的图像并不需要和原来的图像接近，只是让人们更容易观察到自己感兴趣的地方，所以称这类预处理方法为图像增强

24、技术。而图像复原技术需要知道图像的降质缘由，根据图像降质的现眼知识，恢复并重构原来的图像。所以图像增强和图像复原的目的是不一样的，图像增强的目的是为了改善图像视觉效果，便于观察和分析人们所感兴趣的东西，而把那些不重要的地方给清除出去，不仅如此，图像增强还便于人工或者机器对图像的进一步处理。而图像复原不仅仅是对图像进行预处理还要恢复至原来的面貌，它需要建立模型依此为依据进行复原。两幅图像的加减运算：对图像进行加减运算，就是将图像对应的存储矩形点列上的灰度值进行加减运算。图像相加可以将一幅图像的内容加到另一幅图像上，可以实现二次曝光，也可以对同一个场景的多幅图像求平均值，这样可以降低噪声。图像相减

25、可以用于运动检测或去除图像中不需要的加性图案。3.1 帧图像的提取视频是由一幅幅图像组成的，而图像是由一帧一帧的像素组成的。程序的运行结果中，得出本视频总共有120帧图像，由此可得知图像每帧图像的信息，然后任取连续的三帧图像做差处理。本文取第42、43及44帧图像作为帧差法的处理对象。一幅图像由若干个像素点组成。每个像素点的明暗程度/亮度信息都可以用灰度级（0255）来表示。不同的明暗程度的若干个像素点就组成了一幅完整的图像。一张320*240的灰度图像，表示该图像有320行，每行有240个像素点。正如上面所说，视频是由一帧一帧的图像所组成，而图像是由若干个像素点组成。这次本文就是要提取三帧图

26、像，所以帧图像的提取是最重要的一步，利用程序提取图像，下面是从120帧图像中选取的三帧图像的显示，这三帧图像分别是第42帧、第43帧以及第44帧，它们都是由若干个像素点组成的图像。以下是这连续的三帧图像。图3.1 帧图像图3.1中左图为提取的第42帧图像，从图像的整体效果看，程序运行的结果图像比较清晰可见，图像背景是高速公路，背景包括公路及公路两旁的植被，从图中可以看出斑马线清晰可辨，由于视频图像不可避免的干扰，所以上图不可避免的出现一些瑕疵。中间图为第43帧图像，从图中可以看出，移动物体的位置移动，图中白色的车的车窗移动到了边框这儿，而第42帧是白色的图像的车边移动到边框这儿。黑色的车子也移

27、动了大半截。至于图像的清晰度，这幅图比第一幅图像清晰，后面的背景清晰可见，干扰不大。右图是第44帧图像，从图中可以看出，白色的车较前一副图中位置又发生了变化，可以看到，车前身的窗户都不见了，只留下车后身。同样的黑色的车子距离也发生了变化，只不过离镜头比较远，观察不明显。再看看此图的清晰度，此图和以上两幅图一样，都比较清晰。3.2 图像的灰度化处理图像的灰度化处理是本文必须的一步，也是第一步，只有先对图像灰度化处理后，才能接着进行其它的步骤，下面将对灰度化的基本原理和灰度化的方法进行简单的介绍，最后将本文的灰度化图像做简要的分析。 （3.1）其中函数T是灰度变换函数，它定义了输入图像灰度和输出图

28、像灰度之间的变换条件。所以如果灰度函数确定了，那么灰度变换就被完全确定。灰度变换的方法有很多种，比如图像灰度求反、灰度拉伸、灰度切分、灰度动态范围调整及灰度级修正等等。以上几种方法对图像的处理效果各不相同，但是它们处理过程中都必须用到点运算。点运算通常可以分为线性变换、分段线性变换以及非线性变换这三大类。matlab将灰度图像存储为一个数据矩阵8，该数据矩阵中的元素分别代表了各种图像中的像素，其值为各颜色的灰度值。矩阵中的元素可以是双精度的浮点数类型、8位或16位的无符号的整数类型。大多数情况下，灰度图像很少和颜色映射表放在一起保存。但是在显示灰度图像的时候，matlab还是在后台使用系统预定

29、义的默认的灰度颜色映射表。将彩色图像转化成为灰度图像的过程称为图像的灰度化处理。彩色图像中的每个像素的颜色有R、G、B三个分量决定，而每个分量有255种值可取，这样一个像素点可以有16多万（255*255*255）的颜色的变化范围。而灰度图像是R、G、B三个分量相同的一种特殊的彩色图像，其一个像素点的变化范围为255种，所以在数字图像处理中一般先将各种格式的图像转变成灰度图像以使后续的图像的计算量变得少一些。灰度图像的描述与彩色图像一样仍然反映了整幅图像的整体和局部的色度和亮度等级的分布和特征。图像的灰度化处理可用两种方法来实现。色可分为黑白色和彩色。黑白色指颜色中不包含任何的色彩成分，仅由黑

30、色和白色组成。在RGB颜色模型中，如果R=G=B，则颜色（R,G,B）表示一种黑白颜色；其中R=G=B的值叫做灰度值，所以黑白色又叫做灰度颜色。彩色和灰度之间可以互相转化，由彩色转化为灰度的过程叫做灰度化处理；由灰度化转为彩色的过程称为伪彩色处理。相应的，数字图像可分为灰度图像和彩色图像。通过灰度化处理和伪彩色处理，可以使伪彩色图像与灰度图像相互转化。灰度化就是使彩色的R，G，B分量值相等的过程。由于R，G，B的取值范围是0-255，所以灰度的级别只有256级，即灰度图像仅能表现256种颜色（灰度）。灰度化的处理方法主要有如下3种9：（1）最大值法：使R，G，B的值等于3值中最大的一个，即 (

31、3.2)最大值法会形成亮度很高的灰度图像。（2）平均值法：使R，G，B的值求出平均值，即 (3.3)平均值法会形成比较柔和的灰度图像。（3）加权平均值法：根据重要性或其他指标给R，G，B赋予不同的权值，并使R，G，B的值加权平均，即 (3.4)其中Wr，Wg，Wb分别为R，G，B的权值。Wr，Wg，Wb取不同的值，加权平均值法就形成不同的灰度图像。由于人眼对绿色的敏感度最高，红色次之，对蓝色最低，因此使W将得到比较合理的灰度图像。实验和理论推导证明，但，时，即当。 (3.5)时，能得到最合理的灰度图像。第一种方法使求出每个像素点的R、G、B三个分量的平均值，然后将这个平均值赋予给这个像素的三个

32、分量。 第二种方法是根据YUV的颜色空间中，Y的分量的物理意义是点的亮度，由该值反映亮度等级，根据RGB和YUV颜色空间的变化关系可建立亮度Y与R、G、B三个颜色分量的对应：，以这个亮度值表达图像的灰度值。 显示灰度图像时，先将彩色图像读取，此次本文处理的是一段视频。所以在处理时，先在matlab环境下读取视频，然后将视频中的每帧图像提取出来，对图像进行灰度化处理。在处理的过程中，要注意在读取视频时使用好函数，将图像保存成matlab能够处理的图像。下一步就是读取其中连续三帧的图像，对他们做滤波处理。所以灰度化处理是很重要的一步，因为滤波处理、灰度化处理等都是处理的是二维数据，而视频是三维的，

33、空间的，所以没有灰度化，无法进行下面的工作。本文采用方法(3)实现灰度转化，有比较好的效果，结果如图所示：图3.2 灰度图图3.2中左图是对第42帧原图像的灰度化结果，从图中可以看出图形是由黑色和白色组成，原来的彩色部分都由黑白两种颜色代替。与前面第一幅图相比较，最大的区别是图像的颜色差别和图像的清晰度两方面。经过灰度化处理的图像的清晰度明显的不如原图像清晰。这主要是因为在对图像的处理过程中，由于各种各样的干扰所造成的。观察中间的图可以看出跟上图的效果一样，彩色部分被黑白两色代替，清晰度也不好，原因同上图。右图为第44帧图像的灰度化图像，它与原图相比较，此图清晰度不如原图，同上两个灰度化图像相

34、比，它们之间的差别就是图像中两移动目标的位置变化。3.3 图像的滤波一般来说图像增强技术主要有两种方法：空间域和频率域法。空间域法则主要是直接在空间域内对图像进行运算处理，分为两个方面：点运算和邻域运算（局部运算）。其中点运算包括图像灰度变换、直方图修正、局部统计法等几种方法，邻域运算包括图像平滑和图像锐化等几个方面。频率域法则只在图像的某种变换域里对图像的变换值进行运算，比如我们对图像进行傅立叶变换，然后在变换域里对图像的频谱进行某种计算，最后把计算后的图像逆变换到空间域。频率域法通常分为高、低通滤波、频率带通和带阻滤波、同态滤波等等。当然以上分类是从图像预处理的方法上来分的，如果从处理目的

35、方面来说图像增强可以分为灰度调整、平滑减噪、图像锐化等，从处理策略分类上可以分为全局处理和局部处理两大方面，从处理对象上来分可以分为灰度图像处理和伪彩色图像处理。所以图像预处理中的图像增强技术分类极其复杂，这里只阐述下图像灰度化及灰度变换、图像平滑减噪及其中滤波方法之一的均值滤波等常用的预处理方法。图像是一种重要的信息源，通过图像处理可以帮助人们了解信息的内涵，然而在图像使用和传输过程中，不可避免会受到噪声的干扰，因此为了恢复原始图像，达到好的视觉效果，需要对图像进行滤波操作。根据噪声种类不同，可以采用不同的滤波方法，均值滤波是典型的线性滤波算法，能够有效滤波图像中的加性噪声，而中值滤波器是能

36、够有效滤除脉冲噪声的非线性滤波器，但传统中值滤波去脉冲噪声的性能受滤波窗口尺寸的影响较大，在抑制图像噪声和保护细节两方面存在矛盾。自适应中值滤波方法不仅可以有效滤波椒盐噪声，同时还可以有效地克服中值滤波器造成图像边缘模糊的缺点。在本文中，使用的是中值滤波。中值滤波是一种常用的非线性平滑滤波器9，其基本原理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来替换，其主要功能是让周围像素灰度值差别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，所以中值滤波对于滤除图像的椒盐噪声非常有效。常规中值滤波器对长拖尾概率分布的噪声能起到良好的平滑效果。不仅如此，它在消除噪声的

37、同时还具有保护边界信息的优点，对图像中的某些细节起到保护作用，因而在图像去噪处理中得到了比较广泛的应用。但是常规中值滤波去脉冲噪声的性能受滤波窗口尺寸的影响较大，而且它在抑制图像噪声和保护细节两方面存在一定的矛盾：取的滤波窗口越小，就可较好地保护图像中某些细节，但滤除噪声的能力会受到限制；反之，取的滤波窗口越大就可加强噪声抑制能力，但对细节的保护能力会减弱。这种矛盾在图像中噪声干扰较大时表现得尤为明显。根据经验：在脉冲噪声强度大于0.2时常规中值滤波的效果就显得不令人满意了。但是由于常规中值滤波器所使用的滤波窗口大小是固定不变的，所以我们在选择窗口大小和保护细节两方面只能做到二选一，这样矛盾始

38、终得不到解决。因此，单单采用常规中值滤波的方法在图像去噪应用中是远远不够的，这就需要寻求新的改进算法来解决这一矛盾。自适应中值滤波器的滤波方式和常规的中值滤波器一样，都使用一个矩形区域的窗口Sxy，不同的是在滤波过程中，自适应滤波器会根据一定的设定条件改变(即增加)滤波窗的大小，同时当判断滤波窗中心的像素是噪声时，该值用中值代替，否则不改变其当前像素值。这样用滤波器的输出来替代像素(x,y)处(即目前滤波窗中心的坐标)的值。自适应中值滤波器可以处理噪声概率更大的脉冲噪声，同时能够更好地保持图像细节，这是常规中值滤波器做不到的。下面我们分别用常规中值滤波和自适应中值滤波对被椒盐噪声污染的图像进行

39、滤波后的效果进行分析。中值滤波的特点11：（1）中值滤波对去除“椒盐”噪声可以起到很好的效果,因为椒盐噪声只在画面中的部分点上随机出现，所以根据中值滤波原理可知，通过数据排序的方法，将图像中未被噪声污染的点代替噪声点的值的概率比较大，因此噪声的抑制效果很好。（2）中值滤波与均值滤波相比，在去除图像椒盐噪声的同时还能够保持图像比较清晰的轮廓。（3）自适应中值滤波器与常规中值滤波相比，能够更好的处理图像的细节和边缘，使图像更加细腻，清晰，给人以良好的视觉冲击。本文用的是中值滤波处理，将经过灰度化处理的图片再进行滤波处理，除去干扰项，减少噪声，从而更好地进行彩色视频的背景提取。以下是用中值滤波处理后

40、的图像，正如上面所说的中值滤波在能够保持图像比较清晰的轮廓的同时，还可以能够更好的处理图像的细节，优化图像的边缘。图3.3 滤波图图3.3中第42帧图像的滤波后的图形中，使用中值滤波对图像进行除噪声处理，效果还可以，图像清晰可见。将图像中未被噪声污染的点代替噪声点的值的概率比较大,因此噪声的抑制效果还可以。利用中值滤波对第43帧图像实行灰度化处理，同第42帧的灰度化处理。效果相同，能够较好的除掉干扰项，优化边缘轮廓，较好地处理图像。第44帧灰度化处理的结果同第42帧和43帧，这次可以清楚地看到两辆车在镜头里的位置发生了变化，它们身后的景物保持原来的位置没有发生任何变化。3.4 图像的双精度处理

41、在MATLAB中，数值一般都采用double型（64位）存储和运算。为了节省存储空间，MATLAB为图像提供了特殊的数据类型uint8（8位无符号整数），以此方式存储的图像称为8位型像。对于索引图像12，数据矩阵中的值指定该像素的颜色种类在色图矩阵中的行数。当数据矩阵中的值为0时，表示用色图矩阵中第一行表示的颜色绘制；当数据矩阵中的值为1时，表示用色图矩阵中的第二行表示的颜色绘制该像素，数据与色图矩阵中的行数总是相差1。所以，索引图像double型和uint8型在显示方法上没有什么不同，只是8位数据矩阵的值和颜色种类之间有一个偏差1。对于灰度图像，uint8表示范围0，255，double型表

42、示范围0，1。可见，double型和uint8型灰度图像不一样。反之，读取图像的函数根据文件中的图像种类作不同的处理。当文件中的图像为灰度图像时，函数把图像存入一个8位矩阵中，把色图矩阵转换为双精度矩阵，矩阵中每个元素值在0，1内；当为RGB图像时，函数把数据存入到一个8位RGB矩阵中。MATLAB中读入图像的数据类型是uint8，而在矩阵中使用的数据类型是double型。把图像数据类型转换为双精度浮点类型。如果输入图像是双精度浮点类型（double）的，返回的图像和源图像相同。如果源图像不是双精度浮点类型的，函数将返回和源图像相同但数据类型为double类型的图像（必要时对图像进行调整）。M

43、ATLAB中读入图像的数据类型是uint8，而在矩阵中使用的数据类型是double，因此把图像数组转换成double精度类型；如果不转换，在对uint8进行加减时会产生溢出。默认情况下，matlab将图象中的数据存储为double型，即64位浮点数；matlab还支持无符号整型（uint8和uint16）；uint型的优势在于节省空间，涉及运算时要转换成double型。因为图像数据在进行计算前要转化为double类型的13，这样可以保证图像数据运算的精度。很多矩阵的很多矩阵数据也都是double的，要想显示其，必须先转换为图像的标准数据格式。如果转换前的数据符合图像数据标准（比如如果是doub

44、le则要位于01之间，这个是由Matlab中的规定）。由上述可知，在使用三帧差法实现两个图像相减时，必须将图像转化为双精度型，即64位的浮点数，所以这也是必须的一步，下面是将图像进行浮点数转化后的图形。下图为将经过滤波处理的三帧图像浮点数仿真的结果图像，如下图所示：3.4 双精度图图3.4中左图为第42帧图像的浮点数图像，从图中可以看出经过数据转化后的图像，图像并没有任何大的变化，只是由于滤波处理的结果不太理想，导致上图也是不清晰，但是大体上的轮廓还是可以看见。讲第43帧图像滤波处理后再做数据转化处理，可以看出图像比原先的滤波图白了，公路上的白线比原先更加明显。同前两幅图像一样，第44帧图像的

45、浮点数图像也没有多大变化，图像也是并不清晰。这是由于在处理图像时或多或少都会有各种各样的干扰，以至于结果图跟源图像之间有差别。这种差别是在所难免的。第四章 背景的提取经过对图像的预处理后，接下来最关键的就是要对运动目标利用帧间差分法提取背景了，通过第一章对帧间差分法的基本介绍，以及二帧差和三帧差分法的相互比较，此次本文选用三帧差分法提取图像的背景，由于相邻二帧差分法检测出来的运动目标并不是很准确，这主要是由于受目标的运动而产生的背景影响，为减小运动背景带来的影响，所以使用相邻三帧差分法来提取运动目标。4.1 帧差法处理图像帧间差分法是利用在视频序列中连续的帧图像的差异进行运动目标的检测和提取，

46、是现在最为常用方法之一，其基本思想是利用视频图像序列相邻两帧中像素的变化来进行目标检测的，主要是通过像素时间差分以及阈值二值化提取来运动目标的。在这里，要注意的是帧间差分法中的阈值处理相当关键，因为过低的阈值不能有效的抑制图像中的噪声，而过高的阈值将抑制图像中有用的变化。一般情况下运动变化阈值的选择通常取决于场景光照和摄像机等外界具体环境条件。阈值选择可以分为全局阈值和局部阈值，通常在图像中不同光照区域引起的噪声也不相同，因此采用局部阈值能更好的抑制噪声。所以本文采用的是局部阈值法。运动目标较多时，时间平均法提取的背景存在模糊和拖影现象。为此，提出一种基于帧间差分的背景提取与更新算法。该算法采

47、用基于像素级和帧级的多级自适应背景更新策略，能够克服光线缓慢变化和剧烈变化对背景的影响，并及时消除由于物体移入和移除产生的鬼影。实验结果表明，该算法能快速有效地对背景进行更新，提取的背景图像效果较好在图像处理过程中，帧间差分是通过计算相邻两帧图像之间的差值来获得运动区域的， 通过差值图像能快速的检测出相邻图像中运动目标所引起的运动范围，但是它提取的运动目标比实际的要大，往往出现“双影”现象。另外，由于检测出来的物体是前后两帧相对变化的部分，无法检测到重叠部分，导致检测到的目标发生“空洞”现象。而三帧差分法是在帧间差分的基础上进行改进，将相邻的三帧图像作为一组进行再差分，能较好的检测出中间帧运动

48、目标的形状轮廓。从实验结果可以看出，利用帧间差分法检测的结果产生的“双影”及“空洞”现象较为明显；可以避免光照的影响，同时消除“双影”以及“空洞”现象，获得更准确、完整的检测结果。以下是帧间差分法处理的图像：下图为前两帧差分仿真后的结果，是将第43帧与42帧做差之后的结果，从图中可以看出两帧图像做差以后的结果图像很模糊，直接就是黑漆漆的一片。如下图所示：图4.1 前两帧差图图4.1中左图是将第42帧与43帧图像帧差所得的结果，两图像中对应的像素相减，所得的结果是原先不动的背景被减掉了，也就是说背景没了，剩下的就是原先移动的两辆车子相减的结果，在图中可以看到，整个背景是黑色的，图中只有模糊的两辆

49、车子。由于第42帧与第43帧中两辆车子前后差距不大，所以大部分图像也被减掉了，剩下的就是上图中的图形。究其原因，是因为两图中中背景图像的像素相同，所以两幅图相减后背景部分的像素就是零了。而两幅图中运动目标的像素不相等，所以两幅图像相减后还显示着未被减掉的图像。右图是将第44帧与43帧图像中个像素对应做差处理，如上图所示，他们做差后只剩下车子，这说明背景已经被减掉了。剩下的是前景图像。4.2 二值图像二值图像就是指只有两个灰度级的图像，二值图像具有存储空间小，处理速度快，可以方便地对图像进行布尔逻辑运算等特点13。更重要的是，在二值图像的基础上，还可以进一步对图像处理，获得该图像的一些几何特征或

50、者其他更多特征。图像的二值化处理就是讲图像上的点的灰度置为0或255，也就是讲整个图像呈现出明显的黑白效果。即将256个亮度等级的灰度图像通过适当的阀值选取而获得仍然可以反映图像整体和局部特征的二值化图像。在数字图像处理中，二值图像占有非常重要的地位，特别是在实用的图像处理中，以二值图像处理实现而构成的系统是很多的，要进行二值图像的处理与分析，首先要把灰度图像二值化，得到二值化图像，这样子有利于再对图像做进一步处理时，图像的集合性质只与像素值为0或255的点的位置有关，不再涉及像素的多级值，使处理变得简单，而且数据的处理和压缩量小。为了得到理想的二值图像，一般采用封闭、连通的边界定义不交叠的区

51、域。所有灰度大于或等于阀值的像素被判定为属于特定物体，其灰度值为255表示，否则这些像素点被排除在物体区域以外，灰度值为0，表示背景或者例外的物体区域。如果某特定物体在内部有均匀一致的灰度值，并且其处在一个具有其他等级灰度值的均匀背景下，使用阀值法就可以得到比较的分割效果。如果物体同背景的差别表现不在灰度值上（比如纹理不同），可以将这个差别特征转换为灰度的差别，然后利用阀值选取技术来分割该图像。动态调节阀值实现图像的二值化可动态观察其分割图像的具体结果。图像的预处理在进行图像二值化操作前要对图像进行预处理，包括彩色图像灰化和增强。由于选取阈值需要参照直方图，因此在图像进行处理后，我们再获取图像

52、的直方图以帮助选取阈值。图像二值化是图像数据预处理的重要技术，如果二值化过程中阈值选取不当会损失原图像的许多有用信息。图像二值化处理的方法包括全局阈值法、局部阈值法。这里简单的介绍一下全局阈值法和局部阈值法14。全局阈值法算法简单，对于目标和背景明显分离、直方图分布呈双峰的图像效果良好，但对于由于光照不均匀、噪声干扰较大等原因使直方图分布不呈双峰的图像，二值化效果明显变差。全局阈值方法依然存在一些不足，主要表现在：若目标与背景之间灰度差不明显，可能出现大块黑色区域，甚至丢失整幅图像的信息；仅利用一维灰度直方图分布，没有结合图像的空间相关信息，处理效果不好；当图像中有断裂现象或者背景有一定噪声时

53、，无法得到预期效果。局部阈值法是用像素灰度值和此像素邻域的局部灰度特性来确定该像素的阈值的，当照明不均匀，有突发噪声，或者背景灰度变化较大时，局部阈值确定技术必须根据像素的坐标位置关系自动确定不同阈值，实施动态的自适应二值化处理。局部阈值选取一般将图像划分为若干子图像，在每个子图像区域上使用整体阈值法，从而可以构成是整幅图像的局部阈值法（根据每个子图像确定相应的阈值，具体的阈值确定方法同全局阈值的确定类似）。用这种方法分割后的图像在不同的子图像的边界处有灰度的不连续分布，因此必须采用平滑技术来消除灰度的不连续性。局部阈值法把灰度阈值选取为随像素位置变化而变化的函数，它是一种动态选择阈值的自适应

54、方法。局部阈值法一般用于识别干扰比较严重、品质较差的图像，相对整体阈值方法有更广泛的应用，但也存在缺点和问题，如实现速度慢、不能保证图像连通性以及容易出现伪装现象等。确定阈值T读入图像是否与T相等YN 是否大于TYN物 体背 景图4-7 灰度阈值分割流程图 确定阈值T读入图像是否与T相等NN是否YY背景物体图4.2 灰度阈值分割流程图综合以上两个阈值法的优缺点，比较所得，本文采用局部阈值法。以下是帧差图的灰度化的二值化图，是将两帧差图中大于阈值的像素点设为一，本文是基于局部阈值对图像二值化的，由于局部阈值法实现速度慢、而且不能保证图像连通性以及容易出现伪装现象等。但是它在一般情况下用于识别干扰

55、比较严重且品质比较差的图像，以下是前帧图像与后帧图像灰度化图的二值化图形，如下图所示：图4.3 二值化图一图4.3中左图为第42帧和第43帧图像相减后的灰度图像的二值化图像，从图中可以看出，两辆车比上图中车子和背景更加的明显。此图既保留了原始图像的主要特征，又使信息量得到了极大的压缩。所以两辆车较此前的更清晰。后面的图是将第44帧图像和第43帧图像的帧差以后，对它们做二值化的一处理，在图中可以看出二值化处理使得此图较前面的帧差图更加的清晰，是由于二值化将原图压缩的缘故，使得压缩后的图像比原图含有更多的信息。图4.4为二值化的零仿真后的结果，是将帧差后的结果再做二值化的零处理。即找出图中像素值小

56、于指定的阈值的点组成的图像。如下图所示：图4.4 二值化图零图4.4为前两帧差的灰度化图像的二值化处理的结果图，从图中可以看出，图像中有很多白色的点，这反映了局部阈值的阈值设定的不是很理想，究其原因，一是局部阈值是由人为设定的，然后经过不断地变化范围，经过多次的试验之后，从中选择比较理想的结果的值，所以不能保证图像的连通性。但是比原图含有更多的信息点，较原图清晰可见。后面的图是后两帧差图的灰度图像的二值化图，从图中也可以看出，效果跟前面的图一样，较之前图白点少了很多。4.3 背景的提取视频中背景的提取是最后一步，也是本文的最终目的。上面是将连续的三幅图像进行两两帧差，这只是三帧差分法的一部分，

57、下面将要处理三帧差分法得到的图像做进一步的处理，从而将背景提取出来。三帧差只是对运动目标的跟踪监测，将前景与背景分离出来。如何获得背景图像。背景图像中要求不应该包含运动目标，但是在某些情况下却很难满足这一要求，这就要求用已有图像(其中包含运动目标)去构造一个不包含运动目标的背景图像。如何处理动态背景和视频噪声。运用背景图像差分法，理想的情况就是背景完全不发生变化且没有噪声污染，可是实际中很少能达到图这样的理想情况。其主要原因是，视频图像在获取的过程中都会掺入视频噪声；在户外的情况，背景经常会受到光线和风等自然因素影响而发生变化。根据噪声的来源，可以采用不同的滤波器消除噪声，同时采用自适应动态背

58、景更新的方法来减小动态背景对检测结果的影响。帧间差分法是一种通过对视频图像序列中，相邻两帧作差运算来获得运动目标轮廓的方法，它可以很好地适用于存在多个运动目标和摄像机移动的情况。当监控场景中出现异常物体运动时，帧与帧之间会出现较为明显的差别，两帧相减，得到两帧图像亮度差的绝对值，判断它是否大于阈值来分析视频或图像序列的运动特性，确定图像序列中有无物体运动。图像序列逐帧的差分，相当于对图像序列进行了时域的高通滤波。本文利用帧间差分法，其优点是15：算法实现简单，程序设计复杂度低；对光线等场景变化不太敏感，能够适应各种动态环境，稳定性较好。其缺点是：不能提取出对象的完整区域，只能提取出边界；同时依

59、赖于选择的帧间时间间隔。对快速运动的物体，需要选择较小的时间间隔，如果选择不合适，当物体在前后两帧中没有重叠时，会被检测为两个分开的物体：而对慢速运动的物体，应该选择较大的时间差，如果时间选择不适当，当物体在前后两帧中几乎完全重叠时，则检测不到物体。下面是将经过二值化处理的帧差图相乘以后的结果，这是三帧差分法的结果图，如下图所示：图4.5 三帧差图图4.5为前两帧差结果与后两帧差相成的结果图，是三帧差法最终的图像，从图中可以看出，相乘以后，图像中的白点基本上没有了，图像平滑无白点。下图是将原43帧图像进行数据转化后与三帧差法处理的结果图数据转化以后相减的结果。如下图所示：图4.6 背景图图4.

60、6是对运动目标进行分割后，在原图(将第43帧图像作为原始图像)中将运动目标剔除，从而得到背景图像。由于三帧差图中黑色的部分是背景图，白色的部分是运动目标。其中，黑色部分的像素值都为零，而运动目标处的像素值相差不大，所以相减之后，可以将运动目标减掉。从上图可以看出，结果不是很理想。第五章 结论本文要求用帧间差分法实现彩色视频图像背景的提取。帧间差分法是将视频序列中的两帧图像相减，然后将图像平滑去噪，判断差分图像中每一个像素点的值，当差分图像中一个像素点的值小于某已预先设定的阈值的时候，就是背景像素，当其他时则为前景。先对提取的帧图像做各种预处理，其中包括图像的灰度化，图像的滤波，以及图像的数据转

61、化。紧接着利用帧间差分法分离运动目标和背景，最后一步就是提取背景。在整个过程中，因为帧间差分法要选取连续的三帧图像，所以首先是对帧图像的提取。从处理的结果来看，帧图像的提取效果较好。紧接着是图像的灰度化处理，这是将彩色视频二维化必须的一步，从效果来看也还不错，有好的源代码，就有好的结果。因为原图像中不可避免的会有干扰，所以图像的滤波也是必要的一步。在帧间差分法中，两帧图像要做差处理，所以图像必须要转化为浮点数型。图像的预处理之后，就要利用帧间差分法实现运动目标与背景的分割，其中涉及到灰度图像的二值化处理及二帧差法、三帧差法。最后提取的背景不是很理想。接下来，将要向理想的结果方向发展。参考文献1

62、 袁伟才,许向民. 一种有效的动态背景提取及更新方法J. 计算机工程与应用，2010,46（4）：192-194.2 陈勇,肖刚,陈久军等. 基于模糊推理背景分割的目标检测方法J. 计算机工程，2010,36（11）： 190-191,194.3 王静,保文星. 一种基于差分算法的视频运动目标检测技术J. 计算机应用与软件件，2009，26（12）： 26-30.4 李文举，梁德群，王新年. 质量退化的车牌字符分割方法J. 计算机辅助设计与图形学学报，2004， 16（5）：697-700.5 张军平,王珏. 主曲线研究综述J. 计算机学报,2003,26(2):129-146.6 王亮,胡卫明,谭铁牛. 人运动的视觉分析综述J. 计算机学报，2002,25（3）:225-237.7 石杏喜,赵春霞. 基于概率的移动机器人SLAM算法框架J. 计算机工程2010,36(2):31-328 王建卫. 彩色图像的中值滤波算法的改进与应用J. 哈尔滨商业大学大学报：自然科学版,2006,2 （4）:67-69.9 侯志强,韩崇昭. 基于像素灰度归类的背景重构算法J. 软件学报,2005,16(9)：