1、視頻處理算法1. 背景提取的算法1.1 原理框圖圖1. 背景提取原理圖1.2 背景提取與更新算法1.2.1 手動背景法手動背景法需要人觀察到?jīng)]有前景物體時啟動該幀圖像，作為背景圖像。這種背景提取方法增加了人力和物力的需求，而且在很多情況下很難在沒有前景的情況下獲得背景圖像，比如高速公路的車輛監(jiān)測系統(tǒng)、小區(qū)的門禁系統(tǒng)等等。這種方法不能實現(xiàn)自適應(yīng)背景更新的功能，需要使用其他方法修正由于光線，亮度等的變化帶來的背景誤差。1.2.2 Surendra 算法Surendra算法能夠自適應(yīng)地獲取背景圖像。該算法提取背景的思想是通過當(dāng)前幀幀差圖像找到物體的運(yùn)動區(qū)域，對運(yùn)動區(qū)域內(nèi)的背景保持不變，而非運(yùn)動區(qū)域的

2、背景用當(dāng)前幀進(jìn)行替換更新，這樣經(jīng)過一段時間就可以提取出背景圖像。在仿真研究中發(fā)現(xiàn)，maxSteps很大程度地決定了背景建立時的速度， 則決定背景更新的速度。這種背景建模和更新的方法，能夠很好地解決物體長時間停留對背景的影響，因為背景的更新會將它逐步地作為背景像素點(diǎn)更新到背景中。但是由于它的基本處理方式是幀間差分，使得它不能將色彩、亮度相似的，大面積的運(yùn)動物體完整的檢測出來。這種情況下，運(yùn)動物體的某些部分將作為背景區(qū)域更新到背景中。1.3 動目標(biāo)檢測算法1.3.1 幀間差分運(yùn)動檢測基于幀間差分的運(yùn)動檢測即幀差法，它根據(jù)相鄰幀或隔幀圖像間亮度變化的大小來檢測運(yùn)動目標(biāo)。這種算法雖然能實現(xiàn)實時處理且對

3、光線變化不敏感，不過其分割出的運(yùn)動目標(biāo)容易出現(xiàn)拉伸、空洞的現(xiàn)象；而且當(dāng)前景運(yùn)動很慢且時間間隔選擇不合適時，容易出現(xiàn)根本檢測不到物體的情況。圖2. 幀間差分運(yùn)動檢測1.3.2 背景差分運(yùn)動檢測背景差分算法的實質(zhì)是：實時輸入的場景圖像與背景圖像進(jìn)行差分，可以較準(zhǔn)確的分割出運(yùn)動目標(biāo)。但是背景差分算法也有其天然的缺陷，隨著時間的推移，場景的光線、樹葉的遮擋、或者運(yùn)動物體滯留都會很大程度的破壞已經(jīng)建立好的背景圖像。為了解決這些問題，最好的方法便是使用背景建模和背景更新算法來彌補(bǔ)。實驗結(jié)果表明：背景差分算法也可以有效地檢測出運(yùn)動目標(biāo)。由于背景建模算法的引入，使得背景對噪聲有一定的抑制作用，在差分圖像中“雪

4、花”。較幀間差分算法有所減少。同時，使用背景差分算法檢測出的運(yùn)動物體輪廓，比幀間差分法的檢測結(jié)果更清晰。因此，在背景建模與背景更新處于比較理想的狀態(tài)下，背景差分算法得到的差分結(jié)果略好于幀間差分的結(jié)果。圖3. 背景差分運(yùn)動檢測1.3.3 閾值的選取（如果調(diào)用MATLAB函數(shù)實現(xiàn)灰度圖轉(zhuǎn)二值圖，則不用考慮）選取灰度圖轉(zhuǎn)二值圖的域值。1.3.3.1 最大類間方差法假設(shè)差分圖像的灰度級范圍為0,1,2, , N，灰度級i的像素點(diǎn)個數(shù)為，則差分圖像的像素點(diǎn)總數(shù)為M，灰度級i出現(xiàn)的概率為，,若閾值把差分圖像的像素點(diǎn)分為=0,1,. 與=N,N-1,. -1兩類（分別代表背景與前景），則,的概率及均值分別為

5、：最大類間方差法的效果有一定的提高。在運(yùn)動物體較大時，最大類間方差法通過計算提高所選取的閾值大小，濾除噪聲干擾。對比公式不難看出，在運(yùn)算速度上，最大類間方差法有可能實現(xiàn)實時性操作。因此，對該數(shù)據(jù)源選用最大類間方差法更好。1.3.3.2 目標(biāo)提取游程連通性算法連通性分析是指按一定的規(guī)則尋找一幅圖像中所有的連通單元，并賦予同一單元唯一的標(biāo)記。通常，對二值化處理后提取的運(yùn)動區(qū)域作連通性分析來確定其中運(yùn)動目標(biāo)的個數(shù)、位置、大小等情況。對一幅二值圖像從左到右、從上到下進(jìn)行逐行逐點(diǎn)一次性掃描就可以確定該圖像中連通區(qū)域的數(shù)目和每個連通區(qū)域的大小（像素點(diǎn)數(shù)目）。對每個確定的連通區(qū)域可通過其大小進(jìn)一步判斷該區(qū)域

6、是噪聲還是前景目標(biāo)，這是因為目標(biāo)位置上點(diǎn)分布比較密集，基本連成一片，而噪聲位置上點(diǎn)分布則比較分散，出現(xiàn)大面積噪聲的可能性不大。與形態(tài)學(xué)濾波相比，連通性分析在濾除噪聲的同時最大程度的保證了已提取目標(biāo)的完整性，通過對二值圖像進(jìn)行標(biāo)記實現(xiàn)了初步的識別，從而更有利于后續(xù)的特征提取、目標(biāo)匹配等跟蹤處理。1.3.4 像素標(biāo)記算法在待處理的圖像中，我們需要對每個目標(biāo)做幾何形狀參數(shù)的提取與分析，因此需要在圖像中選定目標(biāo)區(qū)域，即實現(xiàn)對感興趣目標(biāo)區(qū)域的標(biāo)定，一種切實可行的方法是對目標(biāo)區(qū)域進(jìn)行標(biāo)號處理。目標(biāo)區(qū)域標(biāo)號處理的基本思想是：對二值圖像中任一灰度值等于目標(biāo)值的像素點(diǎn)(i，j)，檢測其左、上兩鄰域像素點(diǎn)，若這兩點(diǎn)的值都為背景值，則該像素點(diǎn)(i，j)是新的目標(biāo)區(qū)域的起點(diǎn)，賦予新標(biāo)號；若兩點(diǎn)已有一點(diǎn)賦了標(biāo)號，則以該標(biāo)號賦予點(diǎn)(i，j)；若這兩點(diǎn)都已賦標(biāo)號，但不相等，就以較小的標(biāo)號賦予點(diǎn)(i，j)，并令