視頻中的行人檢測數(shù)字圖像處理課程設計說明書(編輯修改稿)

　

【文章內(nèi)容簡介】 型。它以紅、綠、藍為原色，建立三維直角坐標系，通過混合各個原色以產(chǎn)生各種復合色彩。通過對紅、綠、藍三種顏色施加變化以及疊加可以得到各種顏色。RGB 即是代表紅、綠、藍三種色彩組成的顏色空間，這一顏色空間幾乎包括人類能感知的所有顏色，因而應用最為廣泛。RGB 顏色空間的設計是以顏色發(fā)光為原理的，簡單理解其顏色混合方式就好像有紅、綠、藍三盞不同顏色的彩燈，當三盞燈的光相互混合的時候，其色彩相混，而亮度等于三者總和,也即滿足加法混合。知道其原理后，在很多圖像處理軟件中進行的 RGB 顏色設定就很容易理解了。圖 形象地顯示了 RGB 顏色空間。（2）HSV 模型RGB 和 CMY 彩色模型對硬件實現(xiàn)很理想，另外它同人眼對紅、綠、藍三原色的強烈感覺相匹配，但是這一模型不能很好地解釋實際的顏色。觀察一個彩色物體時，人們用色調(diào)(Hue)、色飽和度(Saturation)和強度(Value)來描述它，相比較而言，HSV 顏色模型是面向用戶的，該模型對應于圓柱坐標系的一個圓錐形子集。色調(diào) H：與光波的波長有關，它表示人的感官對不同顏色的感受，如紅色、綠色、藍色等，它也可表示一定范圍的顏色，如暖色、冷色等。飽和度 S：表示顏色的純度，純光譜色是完全飽和的，加入白光會稀釋飽和度。飽和度越大，顏色看起來就會越鮮艷，反之亦然。強度 V：對應成像亮度和圖像灰度，是顏色的明亮程度。HSV 顏色空間如圖 所示，其空間模型為一個圓錐。圓錐的頂面對應的強度 V 為 1，代表最亮的顏色。繞 V 軸的旋轉(zhuǎn)角代表色彩 H，紅、黃、藍分別對應于 0176。、120176。、240176。在這一顏色模型中，每一種顏色和其補色相差 180176。由圓心向圓周移動時，飽和度 S 的取值從 0 變化到 1。由于 HSV 顏色模型所代表的顏色域是屬于 CIE 色度圖的一個子集，所以其最大飽和度的顏色的純度值并不到 100％。在下方的圓錐頂點處，V 為 0，H 和 S 無定義，代表黑色。圓錐頂面中心處 S 為 0，V 為 1，H 無定義，代表白色，從該點到頂點代表亮度漸暗的白色，即不同灰度的白色。所有 V、 S 都為 1 的顏色都是純色。圖 HSV 彩色空間HSV 顏色模型類似畫家配色時采用的方法。而畫家常通過改變色深和色濃來從純色中得到各種色調(diào)的顏色。具體做法為：在純色中加入黑色可以改變色深，加入白色可以改變色濃，同時加入一定比例的黑色、白色即可得到某種色調(diào)的顏色。（3）顏色空間變換顏色空間變換可以分為從 RGB 到 HSV 轉(zhuǎn)換以及從 HSV 到 RGB 的轉(zhuǎn)換兩種。從 RGB 到 HSV 轉(zhuǎn)換時，設(r,g,b)分別是一個顏色的紅、綠和藍坐標，它們的值是 0 到 1 之間的實數(shù)。設 max 等價于 r,g 和 b 中的最大者。設 min 等于這些值中的最小者。要找到在 HSL 空間中的(h,s,v)值，這里的 h∈[0,360）是角度的色相角，而 s,v∈[0,1]是飽和度和亮度。 圖像預處理常用的圖像預處理過程都涉及到一些濾波的方法。由于圖像在拍攝過程中往往會由傳感器引入噪聲，因此需要在目標分割前對圖像進行預處理，來減除噪聲的干擾，增強目標提取的效果。通常可采用低通濾波的方法來消除噪聲。低通濾波既可在頻域進行也可在空域進行。常見的頻域低通濾波器有巴特沃茲低通濾波器和高斯低通濾波器。常見的空域低通濾波器主要有均值濾波器、加權(quán)均值濾波器和中值濾波器。 形態(tài)學方法形態(tài)學（morphology）原本代表的是生物學的一個學科，在這里介紹的是數(shù)學形態(tài)學（mathematical morphology）。作為一種圖像處理工具，它被用于對圖像區(qū)域進行處理，以提取對于表示和描述有用的圖像分量。下面要介紹的是圖像處理中常用到的膨脹和腐蝕，以及開操作和閉操作。 運動目標檢測方法運動目標檢測是指將運動區(qū)域從視頻圖像中分割出來。運動目標檢測從視頻圖像序列中檢測出運動目標，減小圖像處理計算量，得到所需的目標信息，為后續(xù)的識別和跟蹤奠定基礎。由于運動目標的正確檢測與否將直接影響后續(xù)的目標跟蹤與分類效果，所以它也成為智能視頻監(jiān)控系統(tǒng)相關技術中深受關注的研究重點。運動目標檢測過程包括運動目標檢測的預處理和運動目標的分割兩大步。目前常用的運動目標檢測方法有四種：幀差法，背景差分法，光流法，邊緣檢測法等。 背景差分法背景差分法也是常用的運動目標檢測方法之一。這種方法將新的視頻圖像同已經(jīng)建立的背景模型進行比較，通過圖像灰度值或其他參考量的變化來估計目標運動。大量的研究人員都在致力于開發(fā)不同的背景模型，以解決不同場景條件下目標分割所要面對的各種問題。在種類紛繁的背景建模方法中，較為常用的有時間平均法、像素估計法和混合高斯模型法。（1）時間平均法（Time Average Background Initializing, TABI）是最簡單直接的方法，即求一時間序列上的視頻圖像的平均值作為背景的估計值。這種方法計算雖然簡單，但是容易將前景物體混入背景中，使得背景模糊，不清晰。（2）像素估計法就是從過去的一組視頻序列中按照一定的算法估計出每個像素的背景值。時間中值法（Time Median Background Initializing, TMBI）是其中最具有代表性的方法。其原理比較簡單。一般認為，背景至少可以在 50%的時間內(nèi)被觀測到，因而圖像序列中處于每個像素點亮度值中間的那個點的值即為該位置處的背景值。著名的 W4 系統(tǒng)在背景初始化階段就采用了中值法的思想。（3）混合高斯模型法（Gaussian Mixture Model ,GMM）也稱為統(tǒng)計背景模型法。該算法的思想是：對于緩慢變化的背景，可以用正態(tài)分布來表征像素灰度值的變化。每一種背景像素的值都可以通過多個高斯分布的加權(quán)和來描述。最早提出的是三分布 GMM，每個像素點用三個高斯分布來分別表征背景、前景的陰影、前景這三種不同的模式，但實際情況很復雜，對背景、前景等模式都限定只用一個高斯分布來描述是不夠的。因而以后又出現(xiàn)了固定分布數(shù) K 的混合高斯分布模型(FixedK Gaussian Mixture Model )，以及后面發(fā)展而來的基于自適應分布數(shù) K 的混合高斯分布模型（AdaptiveK Gaussian Mixture Model, AKGMM）。在一般靜態(tài)場景下，背景建模方法在進行目標檢測時可以獲得良好的效果，但是在處理動態(tài)場景視頻時，由于背景本身就存在相對運動，所以需要其他方法來解決這一問題。物體運動時其表面像素點的亮度也隨之運動，在視頻圖像中表現(xiàn)為光流，對應圖像中產(chǎn)生的瞬時速度場就是光流場。從光流中可以獲得物體形狀結(jié)構(gòu)和運動狀態(tài)信息。通常情況下，鏡頭運動、目標運動或二者的共同運動都會產(chǎn)生光流。光流的常用計算方法有兩種：基于梯度的方法和基于匹配的方法。（1）基于梯度的方法梯度可以用于光流計算，由于其更為簡單的計算過程和相對較好的實驗結(jié)果，這類方法得到了廣泛的應用。但由于受到可調(diào)參數(shù)、可靠性評價因子和預處理方法等因素的影響，在應用光流對目標進行檢測與自動跟蹤時仍存在很多問題。（2）基于匹配的方法這類方法主要采用基于區(qū)域的和基于特征的兩種匹配方法。基于特征的匹配方法需要不斷地獲取目標特征對其進行檢測和跟蹤，對較大目標的運動和亮度變化比較敏感，但是得到的光流往往很稀疏，而且目標的特征提取與匹配也有相當難度；基于區(qū)域的匹配方法需要先定位相似區(qū)域的位置，然后通過相似區(qū)域和初始區(qū)域的比較來計算光流，基于區(qū)域的方法在網(wǎng)絡視頻傳輸編碼中得到了大量運用，但其計算中的光流仍然稀疏。光流法能夠獨立檢測運動目標，而不需要場景的預設信息，并且能夠檢測動態(tài)場景下的運動情況。由于存在噪聲干擾、光源分布、光照陰影、物體遮擋等因素，計算得到光流場分布的準確性易受影響；并且光流法的計算過程相對復雜、耗時更長，如果沒有專業(yè)硬件支持加速，則難以實現(xiàn)實時的檢測。 邊緣檢測方法圖像的邊緣為圖像中灰度發(fā)生急劇變化的區(qū)域，邊界分為階躍狀和屋頂狀兩種類型。圖像的邊緣一般對應一階導數(shù)較大，二階導數(shù)為零的點。常用到的邊緣檢測方法有 Robert 算子、Sobel 算子、Laplace 算子等。與相鄰幀差法和背景差分法比較，邊緣檢測方法有利于鄰近運動目標的區(qū)分和運動目標特征的提取，對背景噪聲的魯棒性很大，但其運算復雜度也相對較大。運動圖像邊緣的檢測可以通過時間和空間上的差分來獲得，空間上的差分可以使用已有的各種邊緣檢測算法，時間上的差分可以通過計算連續(xù)幀的差來獲得，也可以通過計算當前圖像與背景圖像的差分圖像，然后求其邊緣來計算。 運動目標跟蹤方法信息理論中，目標跟蹤可定義為在給定一組觀測的條件下對系統(tǒng)的狀態(tài)進行估計。在視覺跟蹤中，跟蹤的目標是圖像中提取的目標特征，如果