实验室智能监控系统设计本科毕业论文

《实验室智能监控系统设计本科毕业论文》由会员分享，可在线阅读，更多相关《实验室智能监控系统设计本科毕业论文（34页珍藏版）》请在装配图网上搜索。

1、 浙江科技学院本科毕业设计（论文）本科毕业设计论文实验室智能监控系统设计第一章 绪论1.1 引言随着计算机技术、通信技术、图象处理技术的不断发展，视觉监控系统已经逐渐成为一种重要的安全防范手段。运动目标检测与跟踪是视觉监控的主要组成部分。视觉监控通过运动检测得到图像中的运动信息，提取图像中的运动目标，然后对目标运动轨迹进行跟踪。视频监控是信息融合系统研究的一个重要课题，由于其在军事和民用领域已经展现出有效与广阔的理论和应用前景，而备受国内外学者和众多实际工程领域专家的高度关注。随着安全敏感场合(如银行、机场等) 对智能监控系统的需求,非接触式远距离的身份识别技术近来倍受关注。例如, 美国DAR

2、PA 2000 年重大项目- - - - HID 计划,它的任务就是开发多模态视觉监控技术以实现远距离情况下人的检测、分类和识别, 从而增强免受恐怖袭击的自动保护能力，这也大大促使多目标跟踪和检测的工作也得到国内外的广泛关注和研究。随着科学的发展,视频监控系统也得到越来越广泛的应用。 智能视频监控系统用摄像机获取图像并且用计算机对获取的图像进行处理获取运动目标。 当有异常情况发生时,发出预警提醒监控人员,同时启动录像功能,对异常现场进行录制保存。 这样既节省人力又能构节省大量的存储空间。 运动检测也就越来越成为智能监视系统的核心。在运动检测中运用的关键技术有图像数据读取、图像的中值滤波、图像灰

3、度化、图像梯度的获取、图像特征区域的确定、两幅图像的匹配、图像二值化、图像细化、图像去离散点的操作、物体的区域定位、物体中心点的取得，最后再从图片中得到物体运动轨迹2。本运动检测系统是为了实现对一系列图片中运动物体的跟踪而设计的，它通过对一系列图片的处理，提取出图片背景，识别出运动物体，进而对运动物体进行跟踪，得到物体运动的轨迹。本文主要阐述了什么是数字图像处理、数字图像处理的基本要求、数字图像处理的实践及开发工具的特点、功能、开发周期等问题。以及采用VC+作为开发工具，以Windows作为图像处理实施操作的运行平台，制作了数字图像运动检测系统1。近年来，由于计算机技术的迅猛发展，使得图像处理

4、得以广泛应用于众多科学与工程领域。几个新的技术发展趋势将进一步刺激此领域的发展：包括由低价位微处理器支持的并行处理技术；用于图像数字化的低成本的电荷耦合器件（CCD）；用于大容量、低成本存储阵列的新的存储技术；以及低成本、高分辨率的彩色显示系统。另一个推动力来自稳定涌现出的新的应用。首先，视觉是人类最重要的感知手段，图像又是视觉的基础。因此数字图像成为心理学、生物学、计算机科学等诸多方面的学者研究视觉感知的有效工具。其次，数字图像处理在军事、遥感、工业图像处理等大型应用中也有不断增长的需要。基于Windows和MFC编程上的运动检测，是为了实现对一系列图片中运动物体的跟踪而设计的，通过对一系列

5、图片的处理，提取出图片背景，识别出运动物体，进而对运动物体进行跟踪，得到物体运动的轨迹。应用关键技术有图像数据读取、图像的中值滤波、图像灰度化、图像梯度的获取、图像特征区域的确定、两幅图像的匹配、图像二值化、图像细化、图像去离散点的操作、物体的区域定位、物体中心点的取得等。其中有些是图像处理中经常用到的一些处理方法，有些是为了运动检测特别采用的方法。运动判定的软件流程主要由3个软件模块组成：背景提取模块、物体定位模块和物体运动轨迹判定模块。其中背景提取模块完成从几张图片中提取出当前整个背景的功能。物体定位模块是在背景提取的基础上，实现运动物体在图片中大致位置的确定。运动轨迹判定则是在物体定位的

6、基础上得到物体运动路线，并把它显示出来。运动检测技术既可以单独使用，比如对电影中截取的一系列图片进行分析，得到某个运动物体的运行路线，也可以作为一个监视系统的软件核心，应用到办公室、走廊等地的监视系统中。正因为图像有着如此多的应用，如此与我们的工作和生活方式息息相关，所以本设计旨在应用数字图像处理技术，以VC+作为开发工具，以Windows作为图像处理实施操作的运行平台，从而进一步加深对数字图像处理这一技术的运用，并且进一步推广这项技术。由于本系统可以单独使用，所以可以作为一个监控系统的软件核心，应用到银行、宾馆、超市以及珠宝行中，其监控范围可以小到办公室乃至走廊中。还可以对电影中截取的一系列

7、图片进行分析，得到想要的物体的运动轨迹。随着计算机技术的迅猛发展，图像处理与我们的工作和生活方式息息相关，这门边缘技术将得到更为广泛的应用。1.2视频监控的概述1.2.1视频监控的发展史:视频监控的发展史:视频监控系统的发展大致经历了3个阶段:在20世纪90年代初以前,主要是以模拟设备为主的闭路电视监控系统,称为第一代模拟监控系统。20世纪90年代中期,随着计算机处理能力的提高和视频技术的发展,人们利用计算机的高速数据处理能力进行视频的采集和处理,利用显示器的高分辨率实现图像的多画面显示,从而大大提高了图像质量。这种基于PC的多媒体主控台系统称为第二代数字化本地视频监控系统。20世纪90年代末

8、,随着网络带宽、计算机处理能力和存储容量的快速提高,以及各种实用视频处理技术的出现,视频监控步入了全数字化的网络时代,称为第三代远程视频监控系统。第三代视频监控系统以网络为依托,以数字视频的压缩、传输、存储和播放为核心,以智能实用的图像分析为特色。该实验系统采用的就是全数字化的第三代远程视频监控系统。1.2.2视频监控的组成部分:视频监控主要由三部分组成：如(图1-1)所示,其系统由前端图像采集压缩部分、网络传输部分和后端控制处理部分组成。 图1-2-1:视频监控主要组成部分(1) 前端图像采集压缩部分:含摄像机、视频服务器、PC式DVR或嵌入式DVR。摄像机一般由镜头、图像传感器、A/D转换

9、器、控制器、网络服务器、外部报警、控制接口等组成。内置高效率的压缩芯片,对采集到的信号进行数字化压缩,传送到WEB服务器上。它与一般摄像机区别在于,具备了通过网络实现远程监控、存储、分析等功能,动态驱动监控成为可能。视频服务器是音视频数据编码、网络传输处理的设备。它可以使模拟摄像机轻松入网,弥合了模拟与数字监控之间不可兼容、不可逾越的鸿沟。网络DVR是集网络监视、远程存储、本地录像事件处理为一体的以监控为主导功能的设备。细分包括动/静态IP访问、远程音/视频实时观看、远程主机控制、访问权限控制、远程刻录像回放和备份等,目前,嵌入式DVR已成为应用主流。(2) 网络传输部分:主要是各种电信数据传

10、输设备,如ADSL、局域网、DDN专线2M口或10M口等。(3) 后端控制和处理部分:主要是管理平台软件、控制服务器、存储服务器、视频转发服务器等。而整个系统的主要功能及一些增值服务是由管理平台软件来实现的,所以软件的功能至关重要。尤其像平安城市建设这样的大工程,动辄上千个点,甚至上万个点,跨地域大容量联网视频监控系统对后台软件支撑平台提出了更高的要求。如何实现可运营、可维护、可管理的大容量分级管理系统成为当前最具挑战性的问题。1.2.3视频监控的效果: 实时清晰可以提供全天候不间断的实时音视频传递;支持大量用户同时访问监控热点;提供单画面和多画面音视频;满足基于互联网或者专线的随时随地进行监

11、控查看、录像回放等。 按需布控、方便灵活有网络的地方就可以布控。它可以依托无处不在的电信网络,通过有线/无线、光纤/铜缆等多种接入方式,实现监控点的设置。可以根据实际需要增加、调整布控点的数量及位置。还可以根据需要增加功能模块,满足应用需求。 图1-2-2：视频监控的模式 安全可靠系统动态感知设备工作状态,实时判断降低故障检测环节和时间;通过软、硬件多重密码权限认证,杜绝非授权者访问;安全稳定的操作系统,减少程序后门;平台基于LINUX操作系统,支持大容量用户的商用数据库开发,保证大量用户的可靠访问连接。 整合资源:基于TCP/IP网络构建,依托Intenet、VPN及用户原有网络传输,降低组

12、网成本;用户原有模拟或数字监控前端采集设备可以继续使用,避免资源浪费;网络视频监控系统平台软件统一升级,保持先进性、可靠性和稳定性,节约维护成本。1.3视频监控的研究现状1.3.1视频监控的发展现状 经历过“911”恐怖袭击事件后,安全问题被各国政府提上重要日程。近几年,随着各国社会对安防的重视,视频监控业务取得了长足的发展。尤其是我国在党中央高度重视和谐社会建设的大好环境下,视频监控迎来了千载难逢的发展机遇,发展更为迅猛, 目前我国的视频监控市场已经规模启动,这项业务的发展前景不可估量。(1) 行业用户市场快速扩张2008年北京奥运会举办在即,2010年上海世博会也相距不远,赛事经济、贸易的

13、热潮促使国家相继出台了“平安城市”、“3111工程”等国家级项目,并对银行、文化博览、娱乐场所提出安全防范法规,城市网络视频监控系统将以公安系统为核心,各级公安系统与受其监督管理的单位、机构之间将形成一套完整的视频监控网络。这些都为下一步产业市场打开了无限的想象空间和商机。“平安城市”是20062007年电子政务建设中的重点业务系统,在“平安城市”的建设中,其核心是城市报警与监控系统,城市报警与监控系统建设也是社会治安防控体系的重要组成部分。公安部2004年在全国范围内确定了22个城市作为首批科技强警示范城市。2005年确定中西部地区的15个城市和江苏、浙江、山东、广东四省的23个城市作为第二

14、批示范城市。2007至2008年,则为第三批示范城市建设的时期,预计到2008年,科技强警示范城市将达到180个。“平安城市”的建设促进了视频监控市场的迅速增长,预计到2008年,全国约有200万个监控摄像头用于城市监控与报警系统。(2) 个人用户市场巨大潜能亟待开发目前国外视频监控业务主要应用在公共领域、行业用户和个人用户。在公共场所,国外设置了众多监控设备,以加强对公共领域安全的控制能力。另外,在交通、银行、大型连锁超市、居民住宅等领域都已经得到了广泛应用。在美、英等国,个人使用视频监控主要是应用于住宅的安全防范和财产的监控。从国外的视频监控市场可以看出,个人用户同样是视频监控的重要客户,

15、而我国的视频监控业务主要还集中在行业用户上,在个人用户方面有很大的发展潜力。专家分析,目前我国个人用户市场的视频监控业务还不成熟,还处在培育阶段。由于长期历史观念以及国内治安状况的影响,我国居民还没有普遍形成使用安全防范系统保护自己的观念,致使我国的安防产业一直没有形成规模,产业链没有完全形成。当然,我们不能忽视一个重要的因素是安防系统对家庭用户来说价格仍然昂贵。随着终端系统价格的下降以及运营商对市场的培育加大,用户会更主动地应用家庭监控业务。目前,我国宽带用户数已经达到了6559万户,增长迅猛,哪怕提高几个百分点的渗透率,运营商的视频监控业务收入也会相当可观。未来,视频监控业务在个人用户市场

16、的潜力将不会逊色于行业用户市场。 图1-3-1 全球眼 图1-3-2 新视界1.3.2视频监控常见的故障分析:(1) 在监视器的画面上出现一条黑杠或白杠,并且向上或向下慢慢移动在分析这类故障现象时,首先要分清是电源的问题还是地环路的问题,一种简易的方法是,在控制主机上,就近只接一台电源没有问题的摄像机的输出信号,如果在监视器上没有出现上述的干扰现象,则说明控制主机无问题;接下来可用一台便携式监视器就近接在前端摄像机的视频输出端,并逐个检查每台摄像机,如有问题,则进行处理,如没有问题,则可判断,干扰是同地环路等其它原因造成的(2) 监视器上出现木纹状的干扰这种干扰的出现,轻微时不会淹没正常困难,

17、而严重时图像就无法观看了(甚至破坏同步).这种故障现象产生的原因较多,也较复杂,大致有如下几种原因:视频传输线的质量不好,特别是屏蔽性能差,视频线的线电阻过大,造成信号产生较大衰减也是加重故障的原因,若确定是电缆质量问题,最好的办法是将质量不好的电缆全部换掉,换成符合要求的电缆,这是彻底解决问题的办法由于供电系统的电源不”洁净”而引起的.这里所指的电源不”洁净”,是指在正常的电源上叠加有干扰信号,尤其在广播发射台这样的电磁环境下,这种情况经常出现,该情况的解决方法比较简单,只要对整个系统采用净化电源或在在线式UPS供电就基本上可使问题得到解决由于视频电缆线的芯线与屏蔽网短路,断路造成的故障.(

18、3) 其它故障 数字硬盘录像机故障:检测不到硬盘.首先检查是否为硬盘故障,该硬盘是否损坏,再检查硬盘路线,IDE数据线,电源线是否接好.录像时录像指示灯一会亮一会儿灭,检查外部视频输入,如果视频信号不标准,往往会产生该现象,在确认视频信号好的情况下,可能是由于硬盘读取速度太慢而引起,请更换当前工作硬盘遥控器无法控制主机,但前面板按键可以控制,此类故障是因为前面板上无法接收到遥控器信号,请更换前面板测试;也可能是遥控器电池电量不足,更换电池即可 操作键盘和光端机故障操作键盘失灵:这种现象在检查连线无问题时,基本上可确定为操作键盘”死机”造成的,键盘的操作使用说明上,一般都有解决”死机”的方法,例

19、如”整机复位”等方式,光端机无法正常工作:光端机故障可通过指示灯快速判断.一般检查供电电压是否正常;光缆线路是否完好;光纤跳线连接是否损坏;光纤跳线接头是否保持清洁,否则引入衰耗,影响光信号有效传输距离1.3.3视频监控的产业链发展视频监控市场的发展将为产业链上的企业带来重要的发展机遇。视频监控的产业链主要参与者包括芯片厂商、设备制造商、软件提供商、系统集成商、电信运营商以及终端用户。视频监控中用到的芯片主要包括用于摄像机中捕捉图像信息并进行光电转换的芯片，图像传感器，还有用于数字硬盘刻录机、视频服务器和网络视频摄像机中视频压缩的芯片。视频监控系统用到的设备主要有模拟摄像机、数字硬盘刻录机、视

20、频服务器、网络摄像机、监视器以及云台、线缆等。软件主要包括系统软件和视频管理软件等。系统集成商则提供完整的软硬件视频监控解决方案。2006年开始，电信运营商也进入视频监控领域。中国电信和中国网通分别推出了“全球眼”和“宽视界”的视频监控业务，主要面向中小企业客户。 图1-4:视频监控产业链1.3.4总体发展趋势可以预见到的是,在网络监控市场未来的发展过程中,模数结合、DVR、编解码器/IP网络摄像等产品形态在不同细分市场将长期共存,但视频监控全IP化乃至所有监控全IP化大势所趋,无法阻挡。采用标准、简洁的架构实现网络监控是所有厂商共同的目标。编解码器及IP网络摄像机和系统平台的结合完全可以取代

21、DVR加系统平台,是两种相互替代的技术路线,参照国际监控厂商的发展历程和IP应用发展规律,编解码器/IP网络摄像机及其系统平台将最终成为主流网络视频监控产品形态。应此,未来发展系列化的编解码器或IP网络摄像机产品,不断完善整个管理平台,不断整合网络、存储和其它视频智能方面的第三方增值软件,通过产品组合营销形成各种强竞争力的解决方案是网络监控的发展之道。 第二章 图像的处理2.1图像处理的技术所谓“图像处理”就是对一个物体的数字表示施加一系列的操作，以得到所期望的结果。处理的过程中能改变图片的样子使其更称心或更具吸引力，或者达到某种预定的目标。图像处理离不开计算机，因此又称计算机图像处理3。数字

22、图像处理有很多优点。主要有：1.精度高：不管是对4bit还是8bit和其他比特图像的处理，对计算机来说几乎是一样的。2.再现性好：不管是什么图像，它们均用数组或集合表示。3.通用性、灵活性高：不管是图像还是X线照片、红外热成像、超声波图像等不可见光成像，尽管这些图像成像体系中的设备规模和精度各不相同，但当把图像信号直接进行A/D变换，或记录成照片再数字化，对于计算机来说都能用二维数组表示，不管什么样的图像都可以用同样的方法进行处理，这就是计算机处理的通用性。本设计涉及的主要数字图像处理技术有以下内容：图像分析和特征提取：图像分析可看作是一个描述过程，主要研究用自动或半自动装置和系统，从图像中提

23、取有用的测度、数据或信息，生成非图像的描述或者表示。常常依靠某种知识来说明景物中物体与物体、物体与背景之间的关系。图像分析的内容分为特征提取、符号描述、目标检测、景物匹配和识别等几个部分。图像特征是指图像场中可用作标志的属性，其中有些是视觉直接感受到的自然特征，如区域的亮度、彩色、纹理或轮廓等等。有些是需要通过变换或测量才可得到的认为特征，如各种变换频谱、直方图、矩等。图像特征提取就是从图像中提取出某些可能涉及到高层语义信息的图像特征，以进行后续分析。图像匹配：简单的说就是根据图像的某些区域或者特征。在另一幅图像中找到对应的区域或者特征。具体实现方法为：先把两个图像的特征区域的中心点对齐，然后

24、根据两个中心点在各自图像中的偏差，来确定要比较的像素。接着处理那些要进行比较的像素，得到它们的差值的绝对值，观察它的大小，如果绝对值非常大，说明两幅图像的差异很大，就认为不能匹配，否则就认为匹配成功。图像分割：人能方便从一幅图像中找出感兴趣的物体或区域，而要让计算机做到这一点却需要给它以客观测度，使之按照、颜色或几何性质等把一些物体或区域加以分离，这称之为图像分割2。 2.2 图像处理的基本要求对于一个有效的通用图像处理系统来说应满足以下要求：1）硬件必须适合所要解决的问题。采用不恰当的空域采样和不恰当的灰度量化可能并不排除系统成功的可能性，但会使失败的原因难以确定。处理算法经常假定图像函数是

25、连续的。如采样和量化不能满足上述假定，系统的性能将受到显著的影响。因此不恰当的数据获取能力将会危机问题的成功解决。 2） 需要高质量的设备。如果系统噪声水平足以使图像退化，处理将很难成功。3） 图像分析需要高质量的图像数字化设备，图像处理则还需要高质量的图像显示设备。4） 当面向通用处理时，软件系统应允许用简单且逻辑性强的方式通过菜单选择进行处理和分析。输入/输出图像和库程序的方便和快速访问也是一个实际应用中的要求。5）图像处理库应保持起丰富性。如果现有的程序可用旧问题或新问题采取新的处理方法而不需要重编程序，则系统的能力会大大增强。6）程序库应具有可扩展性，可以方便地加入新的程序模块，从而使

26、系统能力不断增强。2.3 图像处理的举例2.3.1 图像数据读取首先要从一个BMP文件中读取图像信息，并把图像显示在视图区。BMP文件有两种显示方式，一种将BMP文件读成DIB格式（设备相关型的位图格式），当显示时，一种是直接将DIB显示，另一种是将DIB转化为DDB（设备无关型位图格式），再显示DDB。其中，DDB存在很严重的问题，DDB中没有保存位图的调色板，这就造成了一个使用的前提位图必须在同类设备中显示，并且此设备在位平面或彩色上与原设备有同样的彩色安排，否则色彩可能完全失真。但是，DIB就是BMP文件去掉BITMAPFILEHEADER（文件头），因此把BMP读入到DIB数据结构中再

27、显示十分方便。只要读入BITMAPINFO结构和图像数据即可。并且DIB的显示方法可以调用SetDIBitsToDevice函数。直接将DIB位图的图像输出到设备，用于显示DIB。因此在本系统中，直接将BMP显示为DIB位图形式。而且，在本系统中要读取的不止一幅图片，所以要设置不同图片(如背景，前景)的显示区域，同时还要注意及时释放无用的文件句柄，避免内存泄漏。图片数据读取有两种情况，第一种情况是在进行背景提取的时候读取图片，第二种情况是在进行运动物体判定的时候读取图片。得到每行象素所占用字节数的函数BytePerLine。得到像素点数据在整个数据区中偏移的函数Pixeloffset。图片颜色

28、数据读取的函数ReadDIBFile3。数据读入到内存后的显示界面如图2-3-1所示。 图2-3-1 图像的读取2.3.2 图像的中值滤波图像在拍摄、扫描或者传输过程中总会添加一些噪声，这样就影响了图像的质量，需要除去这些噪声提高图像的质量便于以后的图像处理，所以需要实现图像的平滑。中值滤波是一种局部平均去噪声的平滑操作。所谓局部平滑法就是一种直接在空域上进行平滑处理的技术。认为图像是由许多恒定的小块组成，相邻像素间存在很高的空间相关性，而噪声则是相对独立的。因此，可用像素邻域内的像素平均灰度值代替该像素原来的灰度值，实现图像平滑。那中值滤波它就是把跟当前处理的像素点相关的像素点的数值进行排序

29、，然后把中间数值赋给当前处理点。它对脉冲干扰和椒盐的抑制效果好。同时图像的平滑可采用多种滤波方法，比如低通滤波，高斯滤波等。值得一提的是，中指滤波实现的图像平滑不会破坏图像的边缘信息。这对要进行的边缘提取的操作是十分必要的4。中值滤波也是一种非线性的图像平滑方法，它对一个滑动窗口内的诸像素灰度值排序，用其中值代替窗口中心像素的原来灰度值。中心像素的灰度就是灰度最大的那个对于离散的脉冲信号，当其连续出现的次数小于窗口尺寸的一半时，将被抑制掉，否则将不受影响。所以，在进行中值滤波的时候要先使用尺寸较小的窗口在选用大的窗口。在本系统中，采用的是3*3的滤波模板。但是在其他相关应用中，可以根据需要设定

30、相应的滤波模板对图像进行平滑处理。中值滤波的实现函数是MedianFilterDIB，在数组中找到中间值的功能函数MedianSearch。2.3.3 图像灰度化图像灰度化的过程就是彩色图像转换为黑白图像的过程，因为灰度图像比彩色图像更加容易进行运算，所以经常要把彩色图像转换成灰度图像。这个转换没有确定的标准，一般来说，都是根据原来的图片中的RGB3个分量以及它们的权重来求取的。本系统中对3个分量是按照0.39、0.50、0.1的权重来分配的。四级灰度等级系统的亮度码 亮度码 帧缓冲器中储存值 显示灰度级 0.0 0（00） 黑 0.33 1（01） 暗灰 0.67 2（10） 亮灰 1.0

31、3（11） 白灰度化处理后的效果图如图2-3-2所示。 图2-3-2 图像的灰度化2.3.4图像二值化图像的二值化就是图像显示的时候只能看到两种颜色（经常是黑白两色），二值图像也就是只具有两个灰度级的图像，它是数字图像的一个重要子集。一个二值化图像（例如一个剪影或一个轮廓图）通常是由一个图像分割操作产生的。也就是图像的二值化，一般都是在实现了图像的灰度操作之后进行的。二值化的具体方法有很多，比较常用的是阀值判定法。给定一个数值，当灰度图像中像素点的亮度值小于这个数值时，把像素点设置成为黑色（可以是其他颜色），而当图像中像素点的亮度值大于这个数值时，把像素点设置成为白色（可以是其他颜色）。阀值的

32、选择有自动阀值选取法和手动阀值选取法。自动阀值选取法，是先对灰度图像进行扫描，根据得到图像中点的亮度情况，自动地设定一个阀值。比如说，想使图像中70%的点的颜色是黑色的，那么这个阀值就应该取整个图像中所有像素亮度值排序中的70%位置上的亮度值。手动阀值设定比较简单，就是人为的设定一个阀值，一般来说，它要求在设定之前对整个图像的亮度有大致地了解5。图4.10二值化后得 图2-3-3 图像的二值化2.3.4图像细化图像的细化是使粗的物体变细，同时保留了原来物体的轮廓特征。细化将一个曲线物体细化成为一条单像素宽的线，从而图形化地显示出其拓扑性质。图像的细化属于图形学的内容，它是骨架提取的一种方法，经

33、常用在轮廓里面。抽骨架也称为中轴变换或焚烧草地技术。中轴是所有与物体在两个或更多非邻域边界点处相切的圆心的轨迹。但抽骨架很少通过在物体内拟合圆来实现。图像细化的算法也很多，根据不同的情况，可以选择不同的细化方法。在本系统中，使用的是查表的细化算法，即8-邻域细化中有代表性的希尔迪奇方法。具体来说就事先设定一个二值化的表格，里面的数值表示该点能不能被细化掉，然后进行像素点周围的八方向扫描，查看八个方向上点的颜色情况，最后根据八个点的情况计算，得到一个索引值，利用这个索引值查看表格中的数值，最后确定当前像素是否应该被细化掉。原来图像的轮廓变细了6，细化后的图像效果如图4.13所示。2.4图像处理的

34、应用计算机图像处理和计算机、多媒体、智能机器人、专家系统等技术的发展紧密相关。今年来计算机识别、理解图像的技术发展很快，也就是图像处理的目的除了直接供人观看（如医学图像是为医生观看作诊断）外，还进行一步发展了与计算机视觉有关的应用，如邮件自动分检，车辆自动驾驶等。下面仅罗列了一些典型应用实例，而实际应用更广7。(1)在生物医学中的应用主要包括显微镜图像处理；DNA显示分析；红、白血球分析计数；虫卵及组织切片的分析；癌细胞识别；染色体分析；心血管数字减影及其他减影技术；内脏大小形状及异常检测；心脏活动的动态分析；热像、红外像分析；X光照片增强、冻结及伪彩色增强；超声图像成像、增强、冻结及伪彩色处

35、理等。(2)遥感航天中的应用军事侦察、定位、导航、指挥等应用；多谱卫星图像分析；地形、地图、国土普查；地质、矿藏勘探；森林资源探查、分类、防火；水利资源探查，洪水泛滥监测；海洋、渔业方面如温度、鱼群的监测、预报；农业方面如谷物估产、病虫害调查；自然灾害、环境污染的监测；气象、天气预报图的合成分析预报；天文、太空星体的探测及分析；交通、空中管理、铁路选线等。(3)军事公安领域中的应用巡航导弹地形识别；指纹自动识别；罪犯脸形的合成；侧视雷达的地形侦察；遥控飞行器RPV的引导；目标的识别与制导；警戒系统及自动火炮控制；反伪装侦察；手迹、人像、印章的鉴定识别；过期档案文字的复原；集装箱的不开箱检查等。

36、(4)其他应用图像的远距离通信；多媒体计算机系统及应用；电视电话；服装试穿显示；理发发型预测显示；电视会议；办公自动化、现场视频管理等。第三章 运动检测视频图像中运动物体分析关键的一步就是从连续的视频图像中提取出运动目标,即运动目标检测。运动检测是指在指定区域能识别图像的变化，检测运动物体的存在并避免由光线变化带来的干扰。但是如何从实时的序列图像中将变化区域从背景图像中提取出来，还要考虑运动区域的有效分割对于目标分类、跟踪等后期处理是非常重要的，因为以后的处理过程仅仅考虑图像中对应于运动区域的像素。然而，由于背景图像的动态变化，如天气、光照、影子及混乱干扰等的影响，使得运动检测成为一项相当困难

37、的工作。通过对本系统的使用，可以了解图形图像处理的一些基本手段和方法，如细化、膨胀、灰度化、二值化、平滑、边缘提取等4。同时可以了解物体跟踪的实现算法，即背景图像差分法、时态差分法和光流法:等，可以将这些技术用在各种视频监控系统中8。3.1 功能特点： 系统能够自动提取背景； 物体的识别准确率大于95%； 每张图片的处理时间不大于3s； 对图片噪声具有较强的适应性； 系统能够长时间无故障运行； 系统的操作简单。 界面友好，简单易用3.2 界面功能使用流程图图3.2 界面功能流程图3.3运动检测方法早期的运动检测如MPEG1是对编码后产生的,帧进行比较分析，通过视频帧的比较来检测图像变化是一种可

38、行的途径。原理如下：MPEG1视频流由三类编码帧组成，它们分别是：关键帧（I帧），预测帧（P帧）和内插双向帧（B帧）。I帧JPEG标准编码，独立于其他编码帧，它是MPEGI 视频流中唯一可存取的帧，每12帧出现一次。截取连续的I帧，经过解码运算，以帧为单位连续存放在内存的缓冲区中，再利用函数在缓冲区中将连续的两帧转化为位图形式，存放在另外的内存空间以作比较之用，至于比较的方法有多种。此方法是对编码后的数据进行处理，而目前的MPEG1 /MPEG4编码都是有损压缩，对比原有的图像肯定存在误报和不准确的现象9。目前运动目标检测方法有3种: 帧差法、减背景法和光流法3.3.1光流法光流是空间运动物体

39、被观测面上的像素点运动产生的瞬时速度场，包含了物体3D表面结构和动态行为的重要信息Error! Reference source not found.。一般情况下，光流由相机运动、场景中目标运动，或两者的运动产生。当场景中有独立的运动目标时，通过光流分析可以确定运动目标的数目、运动速度、目标距离和目标的表面结构。对于光流的研究已经在环境建模、目标检测与跟踪、自动导航及视频事件分析中得到了广泛的应用Error! Reference source not found.Error! Reference source not found.。在空间中，运动可以用运动场描述。而在一个图像平面上，物体的运动

40、往往是通过图像序列中不同图象灰度分布的不同体现的。从而，空间中的运动场转移到图像上就表示为光流场，光流场反映了图像上每一点灰度的变化趋势。光流可以看作带有灰度的像素点在图像平面运动产生的瞬时速度场。光流方程推导：假设为(x,y)点在时刻t的灰度。设t+dt时刻该点运动到(x+dx,y+dy)点，他的灰度为。我们认为，由于对应同一个点，所以 (2-1)将上面光流约束方程式右边做泰勒展开，并令dt-0，则得到：，其中： 上面的Ex,Ey,Et的计算都很简单，用离散的差分代替导数就可以了。光流法的主要任务就是通过求解光流约束方程求出u,v。但是由于只有一个方程，所以这是个病态问题。故而人们提出了各种

41、其他的约束方程以联立求解。但是当用于摄像机固定的这一特定情况，问题可以大大简化9。在摄像机固定的情形下，运动物体的检测其实就是分离前景和背景的问题。对于背景理想情况下，其光流应当为0，只有前景才有光流。并不需要通过求解光流约束方程求出u,v。只要求出亮度梯度方向的速率就可以了，即求出。而由光流约束方程可以很容易求得梯度方向的光流速度为： (2-2)因此设定一个阈值T。 (2-3)光流计算方法大致可分为三类：基于匹配的、频域的或梯度的方法。基于匹配的光流计算方法包括基于特征和区域的两种。基于特征的方法不断地对目标主要特征进行定位和跟踪，对目标大的运动和亮度变化具有鲁棒性。存在的问题是光流通常很稀

42、疏，而且特征提取和精确匹配也十分困难。基于区域的方法先对类似的区域进行定位，然后通过相似区域的位移计算光流。这种方法在视频编码中得到了广泛的应用。然而，它计算的光流仍不稠密。另外，这两种方法估计像素精度的光流也较困难，计算量很大。在考虑光流精度和稠密性时，基于匹配的方法不如基于频域和梯度的方法。基于频域的方法利用速度可调的滤波组输出的频率或相位信息。虽然能获得很高精度的初始光流估计，但往往涉及复杂的计算。另外，进行可靠性评价也十分困难Error! Reference source not found.。基于梯度的方法利用图像序列的时空微分计算2D速度场（光流）。由于计算简单和较好的实验结果，基

43、于梯度的方法得到了广泛研究。虽然很多基于梯度的光流估计方法取得了较好的光流估计，但由于在计算光流时涉及到可调参数的人工选取、可靠性评价因子的选择困难，以及预处理对光流计算结果的影响，在应用光流对目标进行实时检测与自动跟踪时仍存在很多问题Error! Reference source not found.。光流法就是利用图像灰度在时间上的变化与景象中物体的结果和运动的关系，进行运动物体的检测，光流法的计算结果通常误差较大，分割结果的精确性依赖于估算的光流场的精确性，且计算复杂，如果没有硬件帮助的话，很难满足系统实时性的要求。 P.BouthemError! Reference source no

44、t found.和 D.MurrayError! Reference source not found.等人采用了这种分析手段分割运动,3.3.2帧差法帧间差分法Error! Reference source not found.是以直接比较图像序列相邻对应像素点发生的相对变化为基础进行运动目标检测的方法，可分为相邻两帧图像差分和连续三帧差分。在最简单的形式下，连续两相邻帧间采用基于像素的差分并且阈值化来提取图像中的运动区域。第t帧图像与第t-1帧图像进行差分，得到差分后的二值图像 ，如下公式： (2-4) 其中T是差分阈值，得到的二值图像中像素为1的区域被认为是运动目标区域10。帧间差分易于

45、实时监控、算法简单，如果相邻帧的时间间隔较短，该方法对场景光线的变化不太敏感，受目标阴影的影响也不大，因此这种方法具有很强的自适应性，无需获得背景图像，但是对做差分的连续帧的选择时机要求较高，而且有赖于运动物体的运动速度，如果运动速度较快，而选取的时间间隔过大，就会造成两帧之间无覆盖区域，从而无法分割出运动物体，而如果运动速度过慢，而选取的时间过小，则造成过度覆盖，最坏的情况就是物体几乎完全重叠，根本就检测不到物体。一种改进的方法是利用三帧差分代替，如VSAM开发了一种自适应背景减除与三帧差分相结合的混合算法，它能够快速有效地从背景中检测出运动目标；另一种改进方法是采用后处理的方法如形态滤波、

46、区域连通或参数模型等方法提取完整的运动目标信息。帧间差分运动检测方法对于动态环境具有较强的自适应性，但一般不能完全提取出所有相关的特征像素点，在运动实体内部容易产生空洞现象，一直都没有很好的解决方法。3.1.3 减背景法目前，很多文献都采用减背景( background subtraction)思想来开展监控视频运动目标检测方法的研究，即将每个输入视频帧和一张背景图像相比较，如果同位置的像素特征、像素区域特征或其他特征存在一定程度的差别，则新视频帧中这些位置的像素点或像素区域就构成前景运动目标区域。若对这些前景像素点作进一步处理，即可得到运动目标位置、大小、形状等信息，以便进行目标跟踪和视频内

47、容理解。减背景的基本思想是用当前帧与背景帧进行差分，如果背景模型选取适当，能比较准确的分割出运动物体。假设第t帧为当前帧，记为，背景图像为 （2-5）其中为差分后的图像。虽然已经有很多文献涉及到减背景算法，但是它们实现运动目标检测的过程大多遵循图21所示的流程，其中主要包含预处理、背景建模、前景检测和运动区域后处理四个步骤：(1)预处理是对视频数据进行简单的空间或时间滤波，以消除摄像机噪声和雨雪等瞬时环境噪声，或者降低帧大小和帧率。如果发生摄像机抖动或在多摄像机的情况下，则在背景建模前还需要对获取的连续视频帧或由不同摄像机获取的视频进行图像综合。预处理的另一个关键问题是将数据转换成适应特定减背

48、景算法的格式。虽然以前大多数算法处理的都是像素的亮度，但越来越多的算法开始考虑颜色特征，并认为颜色比亮度更能确定低对比度区域中的目标，也能更好地抑制运动目标自身的阴影。（2）背景建模就是构建背景图像或通过构建某种模型来表示背景，这是各种背景算法的核心所在。（3）前景检测，也就是阈值分割，利用当前视频帧与背景模型的差异来检测出运动区域参考像素。不同的背景建模方法有不同的阈值分割规则，可以根据像素的亮度、颜色差异、分布密度，或者综合考虑多种因素。（4）后处理就是去除不属于真实运动目标的参考像素，消除小而假的前景像素，以便得到真正的前景运动目标。该研究内容的主要流程图图3-3-3如下：视频帧去噪平滑

49、等预处理背景建模前景检测运动目标区域后处理背景实时更新 图3-3-3 减背景法的基本流程 在减背景中背景的更新是十分重要的环节。初始背景完成后，当原来属于背景中的物体开始运动时，使用传统的背景更新方法(如选择性更新方法Error! Reference source not found.)将得到一个错误的检测目标，称为虚假目标。由于选择性背景更新方法对虚假目标不予更新，虚假目标将一直保留在背景中并将一直被误检为真实目标。这就是背景更新的“死锁”问题Error! Reference source not found.。为解决此问题, ElgammalError! Reference source

50、not found.等人建立了非参数背景模型,结合了两个模型(长、短期模型，它们获得不同类型的目标)以获得更好的更新策略，避免了“死锁”问题。CucchiaraError! Reference source not found. 等不是选择性地更新单一运动点,而是选择性地更新已检测和识别到的目标11。在检测运动目标时，还需要考虑阴影的影响，阴影可能会扭曲目标的形状，甚至可能被误检为目标。为了解决阴影问题，Jiang等Error! Reference source not found.提出了一种在静态图像中剪除阴影的方法，KilgerError! Reference source not fou

51、nd.在交通场景中通过寻找水平和垂直的边缘来分割阴影，Stauder等Error! Reference source not found.计算当前帧和以前帧中对应像素点亮度上的比值，如该值小于预设阈值，则认为该点为阴影点，Cucchiara等Error! Reference source not found.提出一种在HSV 颜色空间内剪除阴影的方法。3.4 背景减除和帧差结合检测目标在摄像头静止的监控中，采用减背景方法检测运动目标能获得目标完整的运动信息，特别是在目标运动缓慢的情况下检测的准确度较高，但是对背景动态变化的适应性较低。假如采用基于帧间差分的方法检测目标，则能提高对环境动态变化的

52、适应性，但是对目标变化缓慢的部分却不容易准确地检测出来。本文是在摄像机静止的固定背景下进行多目标检测的，在对背景减除法和帧差法充分分析研究基础上对背景图像的获取和更新采用了背景减除和帧间差分相结合的方法，该方法能有效地检测运动目标并能适应监控场景的实时变化。该方法分为二个阶段，背景建立和前景分离12，流程图图3-4-1如下所示：图3-4-1 背景建立 图3-4-1 前景分离 输入视频去噪后的第一帧图像设为初始背景（假设第一帧图像里包含的运动目标在接下来的连续数帧中都作为运动目标明显运动，该假设符合实际情况，如输入的是彩色图像先转化为灰度图像）。利用Surendra背景更新算法获取自适应的背景图

53、像。对从摄像机输入的t时刻图像进行核大小为33的高斯卷积平滑滤波预处理，使图像去噪和平滑，将其与t时刻背景图像相减并将结果二值化，经形态学滤波处理后检测是否存在运动目标，通过背景更新函数得到作为更新后的t+1时刻背景图像，从而实现背景实时更新。自适应背景获取算法是通过当前帧帧差图像找到物体的运动区域，对运动区域内的背景保持不变，而非运动区域的背景用当前帧进行替换更新，经过一段时间后就可以提取出背景图像。其算法如下： 将第1帧图像作为背景。 选取阈值T,迭代次数m=1,最大迭代次数MAX-STEPS。 求当前帧的帧差分图像： (2-6) 由二值图像更新背景图像,即： (2-7)式中，为背景图像和

54、差分二值图像在(x,y)的灰度值，为输入的第i 帧图像，为迭代速度系数(1)。 迭代次数m=m+1,返回,当迭代次数m=MAX-STEPS时结束迭代。此时可视为背景图像。减背景算法是把当前帧图像与当前背景相减，并二值化结果，公式如下： (2-8)背景更新函数如下： (2-9)式中更新系数、实现不同情况下的背景更新，对应于中包含运动目标的区域更新系数约为1，越接近1，背景更新速度越是缓慢，也就是说中该区域背景图像和对应区域图像基本一致，这是因为在当前帧的该区域只反映目标运动，背景在该区域几乎不变；对应于中不包含运动目标区域，可以认为该区域背景处于动态变化中，更新系数设为远远小于1，越接近0，背景

55、更新越快，也就是说中该区域图像基本和对应区域图像一致。采用该背景更新函数能实时更新背景，能较好的适应场景中光线变化，提高目标检测的精确度。实验中假设第一帧图像检测时场景中有个别运动物体非静止状态存在，这样的假设在实验条件下是能够存在的故先取前100帧图像作为初始背景的检测即利用式(2-7)设MAX-STEPS=100，0.03，此时背景的更新速度较快。100帧以后根据建立的背景，采用减背景算法式(2-8)检测运动目标并根据式(2-9)实时更新背景， 此时1，0.997，取越小背景更新速度越快，运动物体停留也能被检测的时间就越短，兼顾实时更新背景和检测停留目标，这里根据需要设置了使得目标停留仍能

56、很好的检测得到13。由背景图像与当前图像相减并阈值化为二值图像，由于视场的细微变化使得目标分割受初始数据中的噪声影响很大,为了消除小而假的前景运动目标，以便得到真正的前景目标，采用形态学先开后闭运算方法进行处理。先用33的腐蚀模板过滤，去掉零散的噪音点线，再用33的膨胀模板过滤，恢复原来正确的前景区域，通过八领域连通区域分割，提取出运动目标，并将面接小于阈值Ta(实验中设为20)的目标舍去，得到当前帧中检测得到的运动目标，再用目标外接矩形框标注。 第四章 运动检测的设计与开发4.1 Opencv简介：OpenCV名字包含Open和Computer Vision 两个词的意思。Open实际上指的

57、是Open Source(开源：开发源代码)。Computer Vision则指计算机视觉。计算机视觉(Computer Vision)是在图像处理的基础上发展起来的新兴学科，它从信息处理的层次研究视觉信息的认知过程，研究视觉信息处理的计算理论、表达与计算方法，包括图像特征提取，摄像机定标，立体视觉，运动视觉(或称序列图像分析)，由图像灰度恢复三维物体形状的方法，物体建模与识别方法以及距离图像分析方法等方面。OpenCV是由Intel公司位于俄罗斯的研究实验室开发出来的。为了考虑计算的速度，大多数图像处理的软件包是用C/C+编写的。OpenCv也不例外。它是由300多个C函数和C+类所组成的库

58、，在IPL(ageprocessinghbrary)基础上发展而来的。主要由4个模块组成：cv：主要的Opencv函数；cvaux：辅助性的Openvb函数;cxcore:数据结构与线性代数支持;highgui:图像界面函数144.1.1 Opencv的特点：具有良好的独立性。包含了300多个C函数和C+类，不依赖于外部库，即可以独立运行，也可以在运行时使用其它外部库。(2)具有良好的跨平台性。OPencv是由跨平台的中、高层API构成，为程序员提供了能在很多平台上都适用的移植性好的算法基础操作，很好地支持Windows、Linux、Unix及MacOSX等操作系统，可以在大多数的C/C+编译

59、器下工作，如:MSVC+6.0、MSVC+.NET2003、MSVC+.NET2005和BorlandC+Builder等，可以作为二次开发的理想工具。(3)具有丰富的图像处理函数。OPenCv包含了列表、列、集合、图等基本的数据结构;求特征值、奇异值等的矩和向量及线性代数的操作;图像滤波、边缘检测、角点检测、数学形态学操作等的基本数字图像处理：还包括对图像的高级处理，如特征检测与跟踪、运动分析目标分割与识别以3D重建等。(4)处理速度快。opencv中的算法都是基于封装于IPL的具有很高灵活性的动态数据结构，基于Intel处理器指令集开发的优化代码，所以处理的速度相当快。而且还提供了一些与诸

60、如Eic、Ch、MatLab等其它语言或环境的结构，这些接在其安装后位于。pencv/interaces目录下。(5)具有开放性。Opencv不论对商业还是非商业都是免费的，而且它的代码也是公开的，研究者可以对它的源代码进行修改，也可以把自己研发的新类库加进去，这样自己的代码也可能被别人广泛使用。使用Opencv库可以编写出简洁而且高效的代码来解决数字图像处理和计算机视觉编程中的问题，这样不仅降低了程序员开发程序的难度，而且缩短了相关程序的开发周期。4.1.2 Opencv的新功能： 目前最新版本是2006年11月发布的Opencv l.0版本。包含了很多的新特性，支持了新的编译器/环境：GC

61、C4.X，Visualstodio.NET2005，还扩充了大量的函数。(1) cv模块:：增加了cvGetAffineTransform、cvWatershed、cvpyrMeanshiftFiltering函数;扩展了cvDistTransfonn、cvThresh、cvcanny(使用真实梯度)函数:所有的滤波函数被重新写过，为线性可分不可分滤波增加了新的C+类。(2) cvaux模块：增加了新的大型视频监控模块，并完善了智能目标跟踪功能。exeore模块：增加了cvMixChannels、cvRandshuffle、cvRange、cvCalePCA、evProjeetPCA、cBac

62、kProjeetPCA、cvGetT-readNum、cvGetNurn.threads函数;扩展了cvCaleCovarMatrix、cvMu1Transposed函数;为Cvlmage和CvMatrix增加C+类:矩阵的最大通道数增加到了64个，尽管只有一些特殊函数才处理这样的图像。(3) highgui模块：所有的视频捕捉的代码在结构上重新构造，并且按模块划分，采用了更好的函数名字;增加了对Quicktime(Mae0SX)和Xine(Linux)的支持。此外，对与角度有关的API函数的返回值进行了修改，新版本都用角度而不是以前的用弧度返回;增加了ML(机器学习)的类库，这是一个全新的为统计分类、回归以及聚类而写的c料类库;应用新的IPPS.1功能，cvsobel、cvLapl即e等函数都被大大地优化。由上述可以看出，利用openCV中的数字图像处理函数使得问题变得简单，很有实用价值，对缩短程序开发的周期有着十