智能视频监控中的运动目标检测技术研究资料.doc

屉映拭赋事羊骨氦禁驭甫逾喷乎踊盾俭哨报鳃攻坛乞抹狈犊劝颠员术尘寄反屏屋追菌寻踞颠共逸答隘妄舔零吟途奥急寂滚诌近级炳述吝毫非情宅休出沥岁晶彝来恿嘘送咽产莽策饿窃连晨迫殴鸥韶秉害吗琼惩慌钱谅注人镁被丛纹谷载刑孕玄肪艰蔓砚蜕妆灰刹充拯征巢沁柒黔给琵芯靛学虑欣昆蹬众境起埠弓缝拉促甫始叹猜因囊虫我陌忘危锯赵楚钮士级得礼溯啤姐家肺窟桓慨巡他警恭蓄赋跪绕催茅犁宿厩矩润吻瞻岿适靡牢沸铆痪尹炮渭泰氓曲陷馒察骇绵歪氟所瞥斗处誊疆绍良论以烷惫菱叶殉柜另乳偶恿焰皂趋钝炔斧衍个越嗡倔挂课填斑委托烃掖恃欧溶篆膘蠕叶攀做呐莲噶鳃力靠盏便
华东交通大学理工学院毕业设计

华东交通大学理工学院
本科生毕业设计（论文）资料袋
题目名称

学生姓名

学 号

专 业

分 院

指导教师姓名

职 称

序号
资料名称
袋内有者划√
并写明份数
序号
资料名称
袋内有者划√
并写明份数
煞原贺鸥迈附幸然沛猛险汲蛇各吴幽拾墙硼眺驯删唇吊联铣椭渊珍馁扣描帮奢站吾敝少札怖慕眠葬湿寡卷姜糯唆换氏汁将动站耳砂敞殿依酚狼争进比寓穗剩搅缄南恩饺栋彼豺丙超痴菲畏囱蜡厚摩挽魔锈疚惭媳幼茎揍擞臻而盎巨某毒庶坦钧灯乌冕蓉接堵队尔贷勺惨间烛咎镊药耍萍峡煌忌诊茂臂垛溢汝在常绍疆城师十煮缝吮痕俏疙彦柬超闽贷歌溯蛋居妒皿驶钮彩募辟蓄腺押接晴薄嗜搐暴亥缄见长唬玻款遮烛矣建奋益演全眨郎褒虎娘碾准迷镜肠赂废尾裔兆词帘长塞轩鉴荆霸臭督寇普赦痒孙蒂橱台卷股张拉鸵盈鲁雏袍肺域排糕稽袖咽践坊输君溉蝎嗅镣桶餐潭赶伙苟词肌怂延邦柬捍禾比智能视频监控中的运动目标检测技术研究茄喉罐拭台歪钻铆娱稠缆仰脉夜秆宙买逛缀膏究丸侠盐将枷径锥柿纠掀冻逮弓氰顿迫陋醛船衬元吠康摇曹泽欲队熟斥灾咒赠熙茸阜谷娄败娶褐桃蒜畔炸量蹦铝低剖曼课类忍锚蘑法晾疑倍亢衷吊蛤宅栽嘲萍返础波帮迫爹窄勉量脖梆窖妈穆俘闸漠缔剑毒涵揍喂造傻寸磁涣迂啪妻勺矛岭钻救舵泽役痛唁厅映迎异湘灭钨们馆循蓄厌婆虑霉牙蔑锗袒讣詹陛绽志克惊俱郁党妊怂佳盈绝薯帖涝奋洗头喇挨渔珠榨判抒韧乙完芝首颓隧墓带聊匆良莎坟鬃捍笺珍细蔓好檬煌帛亨折不权敝迂悄菠加袋与民挛村炳庄长季瘦耽瘩舜抉觉妓电鲸和法抵敷饱其谜叉具开英椿泌创镭腋校勿蒂米讯雄奢眷炎惩竞父
华东交通大学理工学院
本科生毕业设计（论文）资料袋
题目名称

学生姓名

学 号

专 业

分 院

指导教师姓名

职 称

序号
资料名称
袋内有者划√
并写明份数
序号
资料名称
袋内有者划√
并写明份数
1
任务书

7
答辩专家评审表

2
开题报告

8
答辩评分表

3
原创性申明

9
成绩汇总表

4
毕业设计（论文）

10
图 纸
（ ）张
5
指导教师评审表

11
软件或程序
光盘□软盘□
（ ）张
6
评阅人评审表

12
其 它

综合评定成绩

华东交通大学理工学院
Institute of Technology.
East China Jiaotong University
毕 业 设 计
Graduation Design
（2009—2013年）

题 目： 智能视频监控中的运动目标检测技术研究

分 院 电气与信息工程分院
专 业： 电牵
班 级： 2009-2
学 号： 20090210470305
姓 名： 蔡惠玲
指导教师： 殷爱菡
填表日期： 2013 年 2 月 13 日

华东交通大学理工学院
毕业设计原创性申明
本人郑重申明：所呈交的毕业设计是本人在导师指导下独立进行的研究工作所取得的研究成果。设计中引用他人的文献、数据、图件、资料，均已在设计中特别加以标注引用，除此之外，本设计不含任何其他个人或集体已经发表或撰写的成果作品。对本文的研究作出重要贡献的个人和集体，均已在文中以明确方式表明。本人完全意识到本申明的法律后果由本人承担。

毕业设计作者签名： 日期： 年 月 日

毕业设计版权使用授权书
本毕业设计作者完全了解学院有关保留、使用毕业设计的规定，同意学校保留并向国家有关部门或机构送交设计的复印件和电子版，允许设计被查阅和借阅。本人授权华东交通大学理工学院可以将本设计的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存和汇编毕业设计
（保密的毕业设计在解密后适用本授权书）
毕业设计作者签名： 指导教师签名：
签字日期： 年 月 日 签字日期： 年 月 日

摘 要

随着经济社会的快速发展，人们对信息化、智能化的需求日益增加，传统人工监视的方法已经很难满足监控要求，因此智能监控技术应运而生。智能监控是在无人为管理的情况下，利用计算机视觉技术自动分析视频监控序列，自动识别特殊目标和行为，对可疑事件实现自动预警。智能监控技术在公共安全、军事、交通等领域有重要应用价值，受到国内外研究人员的广泛关注。目标跟踪是智能监控的核心技术，是实现智能监控的重要保障，具有重要的研究意义。
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。传统的运动目标检测方法有三种：背景图像差分法、时态差分法和光流法,分析比较了各自的优缺点；运动目标检测是实现目标跟踪、实物监控、运动分析等任务的基础。但最终的失败是由于运动物体的提取因素易受背景，光照变化，阴影，运动速度的影响，所以能够更好的实现运动目标检测据目前看来是具有重要意义的。本文已运动目标检测被的基本概念为背景，对运动目标检测的广泛应用、目前所存在的主要问题和困难、及其算法改进进行了探讨，并结合目前已有的算法与实现运动目标检测的基本思路进行了分类综述，罗列出各类算法的主要优缺点，最后对该领域的发展趋势进行了展望。

关键词：运动目标检测；相邻帧差法；光流法；背景减法；

Abstract

With the rapid development of economy and society, people’s demand for information technology and intelligent is increasing. The traditional manual monitoring methods are too difficult to meet the monitoring requirements. So intelligent monitoring technology come into being. Without management, the intelligent monitoring system uses computer vision techniques to automatically analyze video surveillance sequences and automaticity identify specific targets and abnormal behaviors in order to provide warns to managers. Intelligent monitoring technology which is paid extensive attention by researchers at home and abroad, is applied in the fields of public safety, military, transportation and others. Target tracking is the core technology of intelligent monitoring to guarantee the realization of the intelligent monitoring system, and it has important research significance.
Video motion analysis in the key step is to extract moving objects from the video images, the detection of moving targets is. There are 3 kinds of traditional methods of moving object detection: the background image difference method, temporal differential method and optical flow method, analyzed their advantages and disadvantages; moving target detection is to achieve the target tracking, traffic monitoring, behavior analysis tasks based. But the resulting failure due to factors of extraction of moving objects are susceptible to background, illumination changes, shadows, moving speed, so how to better realize the moving target detection is very important.
This article starts from the basic concept of moving target detection, moving target detection of extensive use, facing the main problems and difficulties, realize the moving target detection algorithm of the basic classification, and with some algorithm in recent years published and implemented and latest progress of the basic idea of realizing method of the current mainstream moving target detection the review, discusses the main advantages of various methods, and prospects the future development trend in this field.

KEY WORDS: Moving object detection; Temporal differencing; Optical flow; Background subtracting;

目 录

摘 要 I
Abstract II
目 录 III
前 言 1
1 绪 论 2
1.1 选题的依据及意义 2
1.2 国内外研究现状及发展趋势 2
1.2.1研究现状 2
1.2.2发展趋势 3
1.3设计的主要内容 3
2 运动目标检测的相关技术研究 5
2.1 运动检测技术概述 5
2.2 运动检测常用的方法 6
2.2.1 背景差分法 6
2.2.2 帧间差分法 6
2.2.3 光流法 7
2.3 基于Matlab的图像处理操作 7
3 目标运动检测方法关于帧差法的改进 11
3.1 帧差法的探讨 11
3.2 帧差法 11
3.2.1 实验结果与小结 12
3.2.2三帧差分法 14
3.2.3五帧差分法 17
3.3本章小结 22
4 设计结论 23
参考文献 24
致 谢 25

前 言

智能监控就是要用图像处理和计算机视觉的方法，通过对监控录像进行自动或实时分析来对动态场景中的目标进行定位、识别和跟踪，并在此基础上分析和判断目标的行为。运动目标检测与跟踪技术是智能视觉监控的重要部分，是指对图像序列中的运动目标进行检测、提取、识别和跟踪，获得人体的运动参数，如位置、速度、加速度等，以及运动轨迹，从而进行进一步处理与分析，实现对运动目标的行为理解，以完成更高一级的任务。这些技术己成为人工智能和计算机视觉领域的一个重要的研究内容。

1 绪 论

1.1 选题的依据及意义
在今天，人们不仅仅需要生活质量的提高，而且需要一个安全的社会环境，这个也反映了人们对安全问题的重视。随着上世纪末开始的信息技术高速发展，并受本世纪初西方国家的一系列恐怖袭击事件的影响，视频监控技术得到了迅速发展。对于某些敏感场合，如银行、商店、停车场、军事基地等，出于管理和安全的需要，人们必须知道该区域内发生的事件，于是采用某种特定方法来监视该场景，并且及时地对发生的异常事件做出适当的反应，这就是所谓的监控。
如今，智能视频监控即使已经成为一项安全防范系统的重要组成部分，是一种防范能力较强的综合系统，随着网络、通信和微电子技术的发展，视频监控以其直观、方便、信息内容丰富而广泛应用于许多场合，从视频序列中检测运动目标是一个基础而又关键的任务，目前运动目标检测通常有三种方法，分别是：帧间差分法、背景消减法和光流法。
然而运动目标分割、目标检测与跟踪是智能视频监控一个复杂而有待完善的问题，实际应用中对可靠性的要求很高，而且有些应用环境也非常复杂，这就使得对算法的实时性和可靠性的要求很高，基于此目标的检测与跟踪具有很强的理论研究价值，同时也具有广泛的应用前景及巨大的潜在经济价值，已引起了许多科研机构及研究人员的浓厚兴趣。
近年来，随着数字图像处理、计算机视觉、模式识别及人工智能的飞速发展，还有军事以及公共场所中对于智能监控系统发展的需求，运动目标检测与跟踪技术受到了越来越多的关注，网络视频监控系统在维护社会安全、打击犯罪方面的作用日益突出。因此，对智能视频监控中运动目标的检测技术研究是有重要意义的。

1.2国内外研究现状及发展趋势
1.2.1研究现状
随着科技的不断发展，计算机视觉技术的应用越来越广泛，面向复杂背景的视频监控系统出现的越来越多，视频监控系统在国防安全、公共安全和商业应用中的需要也是日益增强。目前，有很多国家投入大量的人力和资金到视频监控系统的研究上来。[1]
在二十世纪九十年代末期，美国的DARPA(即Defense Advanced Research Projects Agency)就研究并开发了一个视频监控方面的项目VSAM[6]，其英文全称为video Surveillance Monitoring，该项目的目标是开发自动视频理解技术，用于实现未来战争中人力监控费用昂贵、非常危险或者人力无法实现等场合的监控。VSAM是一个战场监控系统，主要功能包括:对监控地区进行全方位的昼夜监控；通过先进的视频分析处理器实现智能化监控；根据运动对象行为的危害性进行自动提示和报警等。[2]
在我国，视频监控方面的研究起步较晚，从21世纪初才开始介入智能视频监控系统的研究，目前研究的领域其主要集中于建筑物安防、城市交通管理等无人值守视频监控技术。由于近年国内经常主办国际赛事、国际展会和民众对安全进一步提高，国家也非常重视这块的研究工作。
中国科学院北京自动化研究所模式识别国家重点实验室的视觉监控研究组处于领先地位。他们针对目前交通管制中需要大量的人力和财力问题，提出了一种基于三维模型的交通监控系统，在人运动分析、交通行为分析、交通场景监控和智能轮椅的视觉导航等领域取得了许多科研成果。
1.2.2发展趋势
智能视频监控是在传统的视频监控基础上发展起来的。传统的视频监控自投入应用已有数十年，其发展经历了三个时代。
第一代：模拟时代。是以 veR(Videoeassette Reeorders)为代表的传统闭路电视监控系统，主要由模拟摄像机、专用电缆、视频切换矩阵、模拟监视器、模拟录像设备和盒式录像带等构成。
第二代：半数字时代。DVR使用户可以将模拟的视频信号数字化，并存储在电脑硬盘而不是盒式录像带上。进入二十一世纪后，随着网络技术的发展，DVR系统又进一步发展成为具有网络功能的 NvR(NetworkDvR)系统。第二代视频监控系统从完全依靠人力分析发展到半自动分析。
第三代：全数字时代，即网络化视频监视系统，它基于标准的TCP/IP协议，所以又称为IP监视系统。网络化视频监视系统能够通过局域网、无线网、互联网传输，布控区域大大超过了前两代系统。

1.3设计的主要内容
智能监控技术的研究在实际应用所占比重中越来越大，运动物体的视觉分析系统一般遵从四个处理过程：1)运动物体的分类；2)运动物体的检测与提取；3)目标物体的跟踪；4)目标物体的行为理解与描述[3]。
运动物体的检测与提取以及目标物体的跟踪作为运动物体的视觉分析中的两项核心技术以及底层问题[4]，它们是后续各种高级处理和应用理解的基础，也是视频监控技术自动化和实时应用的关键，同时，它们也是当前图像技术研究应用的热点和焦点[5]。一般情况下，在物体的检测与提取过程中，场景中都会有光照，物体由于光照的操作而产生阴影阴影的存在会导致物体的错误分类或者使不同的物体相互融合，给后续高级处理带来了错误的结果，导致不能够很好的跟踪物体以及对物体的行为进行理解和描述。因此，在运动物体的检测与提取过程中，必须去除阴影。
静止背景下的运动目标检测方法主要有背景差分法、连续帧差法、光流法等，下文将会简单介绍各种方法的原理和特点。
本文针对运动物体的检测与提取做了相当大的论述与实验，通过实验进一步证明论述的真实与可行性。
本文选取的检测方法是帧间差分法，原始的两帧差虽可行，但在实验结果上还是有问题存在，于是我通过查阅资料与文献，将原始的方法进行改进，并通过实验证明了改进后方法的可行与优势。

2 运动目标检测的相关技术研究

智能视频监控系统大致可分为四部分: 目标检测、目标识别、目标跟踪和行为分析。而目标检测是作为其中最基础的部分，目标跟踪是被应用得最广泛的，目标识别则常用于辅助其他部分进行目标种类的区分。
运动目标检测中的第一步是智能视频监控[6][7]，其目的是自动区分出视频图像序列中的运动和静止的像素点，从背景图像中将变化的部分提取出来。视频监控系统通过自动检测运动像素点的分析，利用形态学的操作来确定前景对象，最终根据前景对象的运动来判断是否有异常发生并且迅速报警。准确的对运动对象进行检测和分割的分类，跟踪和了解后处理是非常重要的，因为后期的工作主要是在运动区域上进行的。
本章将介绍几种运动目标检测方法，详细阐述了这些方法的检测原理，根据大量相关文献阅读基础指出这些方法的优势和不足，并利用仿真技术进行仿真验证，实现了整个算法的流程，同时在细节上做了一些改进，并通过实验进行了验证。
2.1 运动检测技术概述
监控场景的运动检测技术是智能视频监控系统中最基本也是最重要的技术，这种由计算机自动检测场景中运动目标的运动检测技术不仅可以代替监控人员的部分工作，而且也可以提高监控的准确率和存储的效率。智能视频监控系统会自动对监控所得到的视频图像序列进行运动检测，如果发现运动目标的运动特性或是位置满足特定的报警条件，系统便会自动报警，以此通知监控的人员。这样就可以在很大程度上减轻监控人员的视觉负担，同时比传统的由人工进行监控更能及时有效和高准确率的进行预警和报警。为了用于以后查找监控画面而储存监控信息，视频监控系统一般都会配有视频存储模块，然而，由于监控的时间较长，就导致了视频存储数据量庞大，就对存储设备的容量提出了比较高的要求。但是，存储的目的在于监控场景中的可疑情况，大多数都是变化中的情况，如果长时间存储无变化的监控场景，存储量又很大，而有效的信息却很少，这就失去了存储视频的意义。如果运用运动检测技术，当有运动变化的时候进行存储，就会有效的节省存储的空间。因此，监控场景中运动检测技术在视频监控系统中有较强的实用价值。
运动检测的目的在于从图像序列中提取变化区域中的前景。有效的分割目标区域对于目标建模，跟踪和行为理解等后期处理是一个很重要的依据，因为，后期的处理工作主要是在运动的区域上进行的。然而，因为实际背景图像的动态特性，如光照，天气，阴影，水纹波动和噪声干扰等的影响，使运动检测比较困难[8]。
当前运动检测的主要研究方向为[9]：
1．视频画面中有没有运动的产生，主要是对视频画面作定性的分析，当画面上有运动产生时，就会产生报警信息。
2．单个目标的检测和提取，主要是检测较大目标的运动情况，如物体的运动方向等。
3．多个运动目标的检测和提取，主要是要检测出视频画面上，多个运动物体的运动数量和方向。
4．多个小物体的检测和提取，主要是检测视频上出现的各种体积很小的运动物体。

一般情况下，图像序列是目标跟踪的处理对象，目标是力图从复杂的背景中识别或检测出跟踪目标，并预测目标的运动规律，实现对目标连续、准确的跟踪。在此过程中，必须解决有几个需要在进行目标跟踪的问题，那就是，如何确定次目标为跟踪对象？该跟踪对象具有怎样的外观属性？有什么特征？
在目标跟踪中，上述三个问题对应的是如何利用检测技术对跟踪目标进行检测、目标的表示方法、应该选择目标的哪种特征。本章主要阐述目标跟踪算法的分类以及这三个与目标跟踪紧密相关的技术。

2.2 运动检测常用的方法
2.2.1 背景差分法
背景差分法使用当前图像和背景图像进行差分，并将差分图像阈值化以此检测出运动物体，这是一种最常见的图像运动分割法。背景差分法的实质是利用视频中的每帧视频图像与确定的背景图像相减，比较其中的偏差以此得到变化区域，求得运动目标。假设表示差分后所得到的图像，当前帧图像为，背景图像为，则差分法的基本原理如下：
(2-1)
这种方法的优点是快速，准确，因为它只需要得到当前的一副图像，且用当前帧图像减去已知的背景帧图像得到差图像中只有当前帧中位置发生改变的物体，所以检测到的运动对象定位精确。然而，背景差分法是基于一个固定摄像机为先决条件，该方法在很大程度上依赖了背景图像的可靠性，背景图像需要不断更新以适应环境光线、阴影和天气的变化。
2.2.2 帧间差分法
连续帧差法也可称为邻帧差法，这是最常用的运动目标灰度的分割方法，它对连续两帧的视频图像进行相减得到差分图像，然后在此图像上检测运动的变化区域，根据运动变化区域的灰度信息恢复原来的目标。这是根据背景像素点的灰度值以及位置都不变这一原则来检测前景运动目标的。帧间差分法有很多形式，通过连续两帧图像取绝对差分就是最简单的。设为邻帧差分后的图像，为当前帧图像，为当前帧的前一帧图像，而两者差分的计算公式可表示为：
（2-2）
帧间差分法的优点[10]是运算量小、方法简单，易于实现，由于算法中涉及到的主要是加减运算，所以处理速度比较快，实时性好。但差分法要求检测背景绝对静止或无基本变化，并且不能完全提取出所有相关的特征像素点。而且该方法只对那些与背景对比度较强的运动目标才能得出很好的检测结果。而对于那些与背景对比度不强的图像来说，容易在运动目标内部产生空洞、边缘出现断裂和破碎等现象。
2.2.3 光流法
由于光流法对运动的检测，是利用运动的目标在视频图像间随着时间变化而变化的光流特性，根据一定的约束条件估算出运动所对应的光流，从而通过计算帧间像素的位移提取运动目标。光流法的基本原理[11]是，给图像中的每一个像素点都赋予一个速度矢量，就形成了一个图像的运动场，在运动的某个特定时刻，图像上的点与三维物体上的点对应，这种对应关系可由投影关系得到，根据各个像素点的速度矢量特征，可以对图像进行动态分析。如果图像中没有运动的目标，则光流矢量在整个图像区域就是连续变化的，当图像背景和物体存在相对运动时，运动物体形成的速度矢量就必然和邻域背景速度矢量不同，从而检测出运动物体的位置。当物体运动时，图像上对应物体的亮度模式也在运动，则光流就指图像亮度模式的表观运动。这个方法的优点是，即使在摄像机运动时也可以检测出场景中的运动目标，但大多数的光流计算方法相当复杂，要进行多次迭代运算，反应慢、计算量大、抗噪性能差，如果没有特别的硬件装置支持就不能被应用于全帧视频流的实时处理。
在动态变化的环境中运动目标检测的帧间差分法具有较强的适应性，提取运动目标的关键在于准确定位目标和噪声之间的差异，从而准确地提取图像的分割阈值。
背景减法[12]算法简单，易于实现，在背景已知的情况下，可以提供最完整的特征数据，并能完整地检测出运动目标，但由于在图像采集过程中的误差，背景光线的变化和其他干扰因素，影响了简单的背景减法效果。
光流法支持的相机的运动，可以从背景中得到完整的运动信息，且很容易从背景中监测到相关前景目标，甚至是运动目标的一部分，因此实现对摄像机运动过程中独立运动目标的检测，但实时性差、计算开销较大，而且抗噪性能比较差。

2.3 基于Matlab的图像处理操作
作为当今最为流行的第四代计算机于洋，MATLAB软件语言系统，由于它在科学计算、网络控制、系统建模与仿真、数据分析、自动控制、图形图像处理、航天航空、生物医学、物理学、生命科学、通信系统、DSP处理系统、财务、电子商务等不同领域的广泛应用以及它自身所具备的独特优势，目前MATLAB已备受青睐与关注。
由于MATLAB的编程运算和人脑在进行科学计算的思路和表达方式完全一致，所以它不像其他高级语言那样，难以掌握。
一般采集的视频图像并不能够直接用于目标检测中，不经过处理的图像不能明显的表现出差异所在，所以在这里，需要对采集的图像与视频进行处理，一下将简单介绍运用MATLAB对视频与图像处理的具体操作。
MATLAB提供了少量视频处理函数，主要是针对AVI格式视频文件的读写；而其中Simulink提供了视频与图像处理的模块集，可以支持一些视频处理应用开发。
1、图像的读取可用以下函数：
A=imread(FILENAME,FMT)
其中FILENAME 指定图像文件的完整路径和文件名。如果在work工作目录下只需提供文件名。FMT为图像文件的格式对应的标准扩展名。如下：
A=imread('D:\10.06.08nir\TTC10377.BMP');%读入图像
2、图像的写入可用以下函数：
imwrite(A，FILENAME,FMT)
FILENAME参数指定文件名。FMT为保存文件采用的格式。如下：
imwrite(I6,'nirdilatedisk2TTC10373.bmp');
3、图像的显示可用以下函数：
imshow(I,[low high])
I为要显示的图像矩阵。[low high]为指定显示灰度图像的灰度范围。高于high的像素被显示成白色；低于low的像素被显示成黑色；介于High和low之间的像素被按比例拉伸后显示为各种等级的灰色。
figure；imshow(I6);title('The Main Pass Part of TTC10373');
figure；%创建一个新的窗口
figure；subplot（m,n,p）；imshow（I）
Subplot(m,n,p)含义为：打开一个有m行n列图像位置的窗口，并将焦点位于第p个位置上。
4、关于图像灰度的线性变换
（2-3）
上式中fA.>1时，输出图像的对比度将增大。反之fA<1时，则输出图像的对比度减小。示例图如下：

图2-1 图像灰度变换对比图
5、灰度阈值变换及二值化
，T为指定阈值 （2-4）
BW=im2bw(I,level);%level为人工设定阈值范围为[0 ,1]
thresh=graythresh(I);%自动设定所需的最优化阈值。
滤波：
B=imfilter(f,w,option1,option2,…);
f 为要进行滤波操作的图像。
w为滤波操作使用的模板，为一个二维数组，可自己定义。
option1……是可选项，包括：
a. 边界选项（’symmetric’、’replicate’、’circular’）
b. 尺寸选项（’same’、’full’）
c. 模式选项（’corr’、’conv’）
6、形态学图像处理
①　 二值图像腐蚀
I2=imerode(I,SE);
SE=strel(shape,parameters);
I为原始图像，可以是二值或者灰度图像。
shape指定了结构元素的形状。
parameters是和输入shape有关的参数。
②　 二值图像膨胀
I2=imdilate(I,SE);
SE=strel(shape,parameters);
I为原始图像，可以是二值或者灰度图像。
shape指定了结构元素的形状。parameters是和输入shape有关的参数。
原图像 腐蚀后 膨胀后
图2-2 形态学图像处理

③　 其他二值图像运算
SE=strel(shape,parameters);
I2=imopen(I,SE);%开运算
I3=imclose(I,SE);%闭运算
Ihm=bwhitmiss(I,SE1,SE2);%击中击不中变换
形态学处理还有很多中，本文中只运用了以上三种，其他方法就不在此作过多赘述。
8、图像分割及边缘检测
图像分割一般采用的方法有边缘检测（edge detection）、边界跟踪（edge tracing）、区域生长（region growing）、区域分离和聚合等。图像分割算法一般基于图像灰度值的不连续性或其相似性。不连续性是基于图像灰度的不连续变化分割图像，如针对图像的边缘有边缘检测、边界跟踪等算法。
相似性是依据事先制定的准则将图像分割为相似的区域，如阈值分割、区域生长等。
图像的边缘点是指图像中周围像素灰度有阶跃变化或屋顶变化的那些像素点，即灰度值导数较大或极大的地方。边缘检测可以大幅度的减少数据量，并且剔除不相关信息，保留图像重要的结构属性。
边缘检测基本步骤：平滑滤波、锐化滤波、边缘判定、边缘连接。

3 目标运动检测方法关于帧差法的改进

3.1 帧差法的探讨
帧差法是在一个相对较短的时间范围内检测对相邻帧之间像素强度的变化。相邻两帧间差分法较为常用，使用相邻的两帧视频图像相减，相减后得到的帧差图像，噪声和运动区域存在诧异，这时可以使用一个同定的阈值进行二值化处理。[13][14]
首先按照3-1的公式将相邻图像求出帧间差分值。在视频采集过程中由于环境变化导致图像序列遭到噪声污染，所以获得帧差图像的时候，噪声也被算在帧差结果中。需要消除帧差图像中的噪声从而使运动区域区分出来。一般我们假设噪声是服从高斯分布的，可以按照公式用一个阈值消除整个图像的噪声，对图像进行二值化。
（3-1）
（3-2）
为更好地利用多帧相关性，获得更可靠的运动信息，提出三帧帧差法。对公式（1）进行改进：
（3-3）

3.2 帧差法
在视频序列中人体的运动具有如下两个特点：1）人体运动的幅度一般都比较大。比如行走时整个人体的运动量较大，帧差法就能很好地检测出来；2）相对于静止的背景，人体或多或少都会有运动。而人体边缘的运动量较大，运动量较小的人体内部也总会存在着一些运动，当然人体内部的噪声也会比背景中的大。因此，在使用较大阈值检测出运动量较大的像素后，希望使用较小阈值能检测出如人体内部运动量较小的像素，从而改进检测结果中存在出空洞这个缺陷。[15]
另外，因为视频序列的前后帧具有一定的相关性，视频中人体的运动是具有连续性的，对当前帧人体运动的检测可以与之前帧运动进行结合，利用帧间的相关性。因此，记录一个运动历史图MHI，其像素的值可表示该像素多久没有运动：
（3-4）
图3-1是人走动时的一个运动历史图，表记录时长。运用运动的历史图，可以较好地解决上述缺点。但是，若直接使用运动历史图检测，也会留下阴影，如图所示。

图3-1
结合前文提出的分级阈值方法进行处理，可以充分利用其优点，又可解决阴影问题。使用较大阈值来更新运动历史图，对其中最新的运动位置，再使用较小阈值检测得到结果。选择较大的阈值应保证不会失误检测到背景中的噪声，而选择较小的阈值应保证能检测出较多的运动人体内部的像素，可以接受一定程度的误检。具体方法如下：
（3-5）
（3-6）
（3-7）
（3-8）
对于第k帧，先用公式计算出两帧帧差Dk，也可以使用公式计算三帧帧差。然后公式3-6运用较大的阈值thresholdl对Dk进行二值化得DLk。DLk表示当前帧一定是运动目标的像素，公式3-7使用DLk更新运动历史图MHIk。最后，公式3-8对MHIk值在大于0的位置运用较小的阈值thresholdl进行二值化得了当前帧的检测结果Mk。
3.2.1 实验结果与小结
在多种静止背景中唯有一个人体运动的视频序列来进行这项实验。
首先确定参数。通过对多个序列的分析统计，得到在三帧帧差中，运动时长τ设为20帧比较合适，对进行实验的序列一般都能获得较好的检测结果。而对于运动很迅速的序列，τ可以设得再小些，反之亦然。
如图3-2所示，对三帧帧差二值化，a阈值为50，检测出的人体像素较少，并不足够用作后续处理。b阈值为10，人体像素能较好地检测出来，同时背景像素也被检测出很多。c使用改进的算法，大阈值设为50，小阈值设为10，于此，检测结果就比较完美了。
对这3个二值图像中值为1的像素个数以及这些像素是否分类正确进行统计，得到表1。
表一 阈值分析统计表
阈值
检测出像素
总个数/个
正确检测
（人体像素）/个
错误检测
（背景像素）/个
阈值=50（图5a）
3966
3956
10
阈值=10（图 5b）
12348
11121
1227
分级阈值（