监控系统下运动目标检测方法[开题报告]

********本课题国内外状况，说明选题依据和意义本课题的研究内容为热感应监控系统下的运动目标的检测方法。目前常用的运动目标检测方法有：帧差法、背景减法、光流法及运动能量法。随着科技的发展、社会的进步、人民生活水平的提高，团体和个人的安防意识都在不断增强，视频监控系统也就得到了越来越广泛的应用。目前，它已经广泛地应用于银行、博物馆、交通道路、商业、军事、公安、电力、厂矿、智能小区等系统和领域的安全监控、自动监控和远程监控中。监控系统的功能也从原来简单的对视频信号进行人工监视，系统多画面显示及硬盘录象类的简单功能，发展到利用计算机实现智能的运动检测和目标跟踪。在监控系统中，运动目标的检测是其智能化程度的重要体现。一个能够克服外界干扰，从而清楚的检测到运动目标的算法，己经成为研究人员的共同研究目标。在外界的众多干扰中，尤其以光线的干扰为重。在对于、光线干扰的克服方面，大家进行了大量的研究，并且在不同程度上取得了一定的成就，但仍然存在着一些局限性，尤其在光线强烈变化的情况下。一、研究的基本内容，你解决的主要问题2.1光流法2.1.1全局运动模型及参数估计[1]为了满足视频监控和视频跟踪等应用需求，假设视场中存在着若干个运动物体。因此，选择四参数运动仿射模型描述全剧运动，即123214,.ukxkykvkxkyk（1）为了估算出123,,kkk和4k这4个参数，选择用块匹配法计算获取全剧运动矢量观测值。整个参数估计算法步骤如下：（1）将每一帧图像划分成16*16的块，使用块匹配计算每一个块的运动矢量。（2）将所有块的运动矢量归入数据估计集中。（3）使用最小二乘法估计运动仿射模型的参数，使均方误差最小。（4）使用运动仿射模型计算出运动矢量，并与块运动矢量计算二者的平均误差值。（5）将块运动矢量中所有估计误差小于（4）中平均误差值的块标记为剔除块，从数据估计集中剔除。（6）如果新的估计数据集中的数据与上次迭代的数据相同时，停止循环，否则转（3）。2.1.2基于全局运动补偿的Horn-Schunck算法[1]先通过对全局运动进行补偿，然后采用Horn-Schunck算法进行迭代，计算出局部运动区域的矢量场。由全局运动模型可计算得到图像中每一点的全局运动矢量(,)gguv，假设由运动物体引起的局部运动矢量为11(,)uv，且初始化为0。进行补偿后，11,kkgguuuvvv，根据Horn-Schunck算法的迭代方程（式（2）（3））进行迭代计算，能够较准确地计算出局部运动区域的矢量场。****122kkxytkkxxyIuIvIuuIaII，（2）122kkxytkkyxyIuIvIvvIaII。（3）得到运动目标的运动矢量场后，可以对矢量场图像进行分割以获得运动区域。首先由矢量场图像的均值确定阈值。然后对图像进行快速的阈值分割，得到初始的分割图像并对其进行中值滤波和闭运算。最后，由光流检测和形态滤波处理得到的运动目标区域，通过连通分量分析最终确定运动目标的位置。2.2相邻帧的减法2.2.1利用相邻帧和背景的运动对象检测算法思想[10]首先，根据时间差分法的思想，计算输入视频序列中相邻两帧对应像素差，得到当前帧差图cD，基于统计的方法得到cD中的背景区域，进而计算出用于判断背景点的阈值thS，当前帧差亮度值与thS做比较生成当前帧掩膜cM；其次利用背景减法的思想，通过累积帧差掩膜信息得到背景帧序列B，将当前帧与背景帧相减得到背景帧差BD，背景帧差亮度值与thS做比较得到背景掩膜BM；由cM与BM生成运动对象掩膜OM，利用OM进行运动对象检测，为了消除检测噪声，提高检测精度，使用形态学的腐蚀、扩张处理方法。2.2.2确定判断背景点的阈值[10]该文算法中阈值thS的确定分为两个步骤：首先，将当前相邻帧差图cD划分成若干个图像子块，根据每个子块的3阶中心矩大小确定出背景区域；然后根据背景区域符合高斯分布的特性来确定阈值thS。为了使阈值能够根据视频内容变化及时更新，本文采取定时(如每秒1次)更新thS的方式。2.2.2.1帧差图中背景区域的确定将相邻帧差图从左到右，从上到下按空间顺序，分成若干个图像子块，每个子块大小为NN，差分子块包含背景子块和前景子块两种类型，背景子块中的随机噪声点符合高斯分布),(2N；在确定背景块时，本文首先用式(1)计算出相邻两帧对应位置的像素亮度差),,(tyxd，然后根据统计学原理，利用式(2)和式(3)计算出帧差图中每个子块的三阶中心矩；最后根据三阶中心矩的取值确定每个子块是否具有高斯分布，并利用式(4)判定该块是否为背景块。)1,,(),,(),,(tyxItyxItyxd（1）式（1）中),,(tyxI、)1,,(tyxI为当前帧及前一帧在位置),(yx处的像素亮度值。MxMytyxdNM11),,(1（2）MxMytyxdNMJ1133)),,((1（3）****式（2）中为每个NM大小的自快内像素亮度差的平均值，式（3）求取每个子块帧差值的阶中心矩3J。在求取三阶中心矩时，将差分图像划分成1616或88大小的方块。)4(1,11,033JifJifBGI通过对大量序列的统计实验结果得到，背景块的3J取值范围为)95.00(，小于1；而前景块的3J取值范围为)88016(，两者的三阶中心矩的数值相差数十倍。式（4）中BGI为背景块标识，当3J1时表明对应的块符合高斯分布，判断为背景块，将BGI置为0，否则判断为前景块，将BGI置为1。2.2.2.2背景区域内计算阈值背景区域内的帧差值d符合高斯分布，可表示为),(~2bbNd，由式（5）、（6）可以求取背景区域内的高斯分布参数均值b和标准差b。bNbNdb/)(（5）bNbbNdb/))((2（6）式（6）中bN为相邻帧差图像中所有背景块内像素点的总数。将),(~2bbNd化成标准正态分布)1,0(N，即)(ZdPbb形式。假设噪声点的比例为%5，当Z=1.65时，9505.0)65.1(bbdP，可得到)65.1(bbthroundS，round为向下取整函数。2.2.3.运动对象检测[10]2.3.1生成当前帧掩膜在求得背景点阈值的基础上，可根据帧差图cD中的各点的值与阈值thS的关系，由式（7）生成当前帧掩膜。ththcStyxdifStyxdiftyxm),,(,0),,(,1),,(（7）式（7）中),,(tyxmc表示帧差图cD中像素),(yx在当前时刻t与阈值thS比较后的结果，),,(tyxmc值为1，表示该点被判断为前景点，),,(tyxmc值为0，则说明该点有可能为背景点，用cM表示整帧的),,(tyxmc，即为当前帧掩膜。2.2.3.2背景帧生成与维护令),,(1tyxN为像素点),(yx在相邻帧内被判断为前景点的次数，即101),,(),,(NicityxmtyxN****式（8）中的N取值为6，thN表示在6帧中像素点属于背景点的可能性，取值为6/5。elseNtyxNNNNtyxNifNtyxmtyxNtyxNthc,/)),,((),,(,/)),,(1()1,,(),,(1100（8）给出定义：对任意点),(yx，如果thIStyxN),,(0，则称),(yx为确定的背景点，thIS用于确定背景点的阈值。背景帧B中各点的亮度值记为),,(tyxbI，在该文中thIS值取0.8，表明点),(yx在连续N帧内有thISN帧被检测为背景点。elsetyxbIIStyxifNtyxItyxItyxImedtyxbIth),1,,(),,()),2,,(),1,,(),,,((),,(0（9）2.2.3.3生成背景掩膜将当前帧与式（9）得到的背景帧对应像素相减可以得到背景帧差),,(tyxdB，见式（10）。),,(),,(),,(tyxbItyxItyxdB（10）背景帧差),,(tyxdB与阈值thS比较，即可得到背景掩膜BM中各点的值),,(tyxmB。thBthBbStyxifdStyxifdtyxm),,(,0),,(,1),,(（11）2.2.3.4运动对象检测如果当前时刻像素点),(yx满足条件时thIStyxN),,(0，也即该点属于背景的可能性是比较大的，那么背景掩膜BM能更好地反映当前点的状态；否则，当前帧掩膜cM能更好地反映当前点的状态。由当前帧掩膜cM和背景掩膜BM生成运动对象掩膜oM，并利用其进行运动对象检测。elsetyxmIStyxifNtyxmtyxmcthB),,,(),,(),,,(),,(00（12）在运动对象掩膜oM中，om值为1的点被检测为运动像素点，om值为0的点为背景点。2.3本毕业论文主要思想2.3.1运动目标检测总体步骤:1)利用三帧差分法得出差图像d；2)对差图像d进行处理,得到中间图像'd,对'd进行直方图平滑处理,滤去噪声干扰；3)求分割阈值T,对差图像d进行阈值分割,从而获得运动目标的位置和轮廓。2.3.2获取差图像的方法设1(,)tfxy，(,)tfxy，1(,)tfxy是图像序列中的连续三帧图像,通过常规二帧差分法可得到差图像1d，2d：11(,)(,)ttdfxyfxy（1）****21(,)(,)ttdfxyfxy（2）三帧差分法则是对差图像1d，2d进行“AND”运算,即：12ddd（3）2.3.3运动信息提取设差图像d的大小为MN，图像的灰度级为L，即像素的灰度值在区间0,1L上取值，灰度值为0代表最暗，灰度值为L-1代表最亮。如果用d表示图像d的灰度均值，即：11001(,)NMyxddxyMN（4）那么通过如下的算法，就可得到d的中间图像'd，即：1'(,)(,)dxydxykd（5）其中01xM，01yN。式（5）中的1k为噪声抑制系数。由于'd中像素的灰度值可能出现负数，因此我们作如下的处理：''''(,)(,)0(,)0(,)0dxydxydxydxy（6）对图像'd在区间,PQ0PQM上的部分直方图'()hx做平滑性处理：当2'()2PhxQ时：12345''()'(2)'(1)'()'(1)'(2)hxahxahxahxahxahx否则''()'()hxhx。由此得到新的部分直方图''()hx。其中,系数12345,,,,0.0129,0.2139,0.5465,0.2139,0.0129aaaaa是对高斯函数较好地近似。然后求''()hx的最高峰值右侧谷点对应的灰度值T即为所求的阈值。得到阈值T后，利用下面公式二值化查图像d。即令：''1,(,)(,)0,(,)dxyTdxydxyT利用上述方法二值化差图像(,)dxy后，其中包含真正的运动信息。2.3.4目标检测2.3.4.1运动目标的提取设n时刻背景参考图像为(,,)bfxyn，当前帧图像为(,,)cfxyn，则背景差分图像为：(,,)(,,)(,,)dcbfxynfxynfxyn(1)对于运动目标检测的判断依据为：若(,,)dfxynT，则(,)xy点属于运动目标象素，反之属于背景点象素。这里的T是门限阈值。首先需要评估活动值是由运动对象造成的，还是由摄像头的噪声造成的。假设摄像头的噪声是叠加噪声，遵从高斯分布。描述该分****布的参数有均值c和标准差2c。噪声假设是和空间和时间无关的。基于这些假设，第n帧颜色通道i的强度观测值(,,)igxyn可以表达为：ˆ(,,)(,,)(,,)iiigxyngxynnxyn（2）其中ˆ(,,)igxyn是真实强度值。假定在差分图像中没有对象，即没有前景目标。则),,(),,(ˆryxgnyxgii(),,