摘 要 摘 要随着科技的进步，智能视频监控系统的应用越来越广泛，智能监控系统一般的处理流程首先进行运动目标检测、随后进行运动目标跟踪、然后进行特征提取和最后进行行为分类和识别。运动目标检测是智能监控系统整个过程中首要的步骤，其结果的好坏对其他的流程有着重要的影响。本文详细的介绍了目前常用的一些运动目标检测算法。具体来说，介绍了光流法、帧间差分法和三帧差分法，然后通过实验数据对这些算法进行了比较，从而深刻学习了这些算法，了解了这些算法各个方面的优劣。本文首先介绍了在对视频序列处理之前在预处理阶段对图像进行一般需要先对图像进行灰度化处理，从而减少图像处理工作量，提高处理效率，并对图像进行均值滤波去噪，中值滤波去噪，介绍并实现了这两种去噪方法，并对这两种滤波去噪方法对加入了椒盐噪声的图像进行了处理，从而得出结论中值滤波算法比均值滤波去噪算法能更好的去除差异较大的噪声。随后本文对常见的运动目标检测算法，如光流法，帧间差分法和三帧差分法进行了基本原理介绍与算法流程分析，主要介绍了帧间差分法及其改进算法三帧差分法，并实现了这两种算法，并在运动目标移动较快与较慢时进行了图像处理结果的比较，从而证明三帧差分法改进的有效性。最后本文对经过算法识别的运动目标进行了数学形态学处理，通过膨胀运算填补空洞，通过腐蚀运算获取更为精确的运动目标边缘，通过开运算使边缘更为圆滑，通过闭运算消除内部空洞，选用适当的数学形态学处理可以使得检测结果更为理想 。关键词概率模型；运动目标检测；图像去噪；
目 录
第一章 绪 论 1
1.1 课题研究的背景和意义 1
1.2 国内外研究现状与发展 2
1.2.1国内外研究现状 2
1.2.2 主要面临的问题 3
1.3本文主要研究内容： 3
第二章 视频图像预处理 5
2.1图像的灰度化 5
2.2图像去噪 7
2.2.1 椒盐噪声 8
2.2.2均值滤波 10
2.2.3中值滤波 10
第三章：运动目标检测的经典算法 15
3.1光流法 15
3.2帧间差分法 16
3.2.1基本原理 16
3.2.3算法实现
 *51今日免费论文网|www.jxszl.com +Q: *351916072* 
17
3.3连续三帧差分法 19
3.3.1基本原理 19
3.3.2算法实现 20
总 结 24
致 谢 25
参考文献 26
第一章 绪 论
1.1 课题研究的背景和意义
随着计算机硬件的飞速发展，越来越多的摄像头遍布在各个公共的场所。这些摄像头产生大量的原始视觉信息，不但需要许多人力资源进行监视处理，而且，人工处理这些信息枯燥乏味，监视人员往往无法长时间专心于分析信息，容易遗漏的重要信息。因此，与这些硬件设备相配合的自动视频监控的软件需求显得越来越突出，视频监控已经成为目前计算机视觉研究领域的一个热门话题。
自动视频监控的内容包括运动目标检测，目标分类，目标跟踪和行为理解这四个部分。其中，运动目标检测是指从序列图像中将运动变化的区域从背景图像中分割并提取出来，以备后续步骤的使用；标检测的目的就是准确地从通过运动检测得到的运动区域中提取出与目标相对应的这些点;与目标检测相比，目标跟踪属于更为高级的计算机视觉问题，需要更为精确的获取目标，它为下一步的行为理解提供充分的数据;而行为理解是通过分析目标的运动模型，来生成对目标的个体行为和交互行为的高级描述，并用自然语言将这种描述表达出来。通过这四个步骤，不需要人工的干预，计算机就能自动监控摄像头所在的场景，使这些摄像头真正起到无人监控的作用。
运动目标检测是视频监控流程中的首要步骤，也是最为基础的工作，它的检测效果关系到能否成功进行视频监控，只有精确的进行目标分割，才能保证随后的处理结果精确无误。然而，运动目标的检测并不是一个简单的工作，它依旧十分充满挑战性。在进行运动目标检测时，各方面的影响，比如摄像头固定的不够稳定，天气或者光线的变化，目标还会产生阴影以及背景中的各种小变化的影响都会使视频序列中图像的像素发生变化，从而给运动目标检测带来精度与效率方面的影响。各方面都想要拥有一个完善的运动目标检测算法，能够考虑到各种环境变化，但是这个问题在实际应用中十分难以解决。
到目前为止，已经开发出了许多种运动目标检测算法，例如：1.光流法、2.帧间差分法、3.三帧差分法等等。本文将重点研究和实现这些算法并对他们进行定量比较。
1.2 国内外研究现状与发展
1.2.1国内外研究现状
近年来，运动目标检测技术在现实生活中被广泛运用，比如工厂中产品的检验、危险环境的勘测、交通监管等等。运动目标检测算法一直都是专家学者们专心探索的对象，作为计算机视觉科学领域的一个重要研究方向，运动目标检测在电力、军工、国防领域同样有着良好的发展前景，这也是激励学者们对其进行研究的一个重要原因。视频监控作为运动目标检测算法的主要应用对象，它的发展进度很大程度上取决于运动目标检测算法的研究。
上世纪70年代，Jain和Nage[1]开始了对累积帧差法的研究，并不断完善，Horn和Schunck[2]于上世纪80年代通过光流对目标进行分析从而实现图像的检测，进行图像的分割，在此之后Lucas和Kandage,Szeliski和Couglan[3]也开始研究光流法的运动图像检测，并对这个算法进行了略微的改进。Wren[4]的单高斯模型算法，在1997年后开始得到人的关注，再次之后不久便产生了一种采用高斯函数进行数学建模的经典算法，即混合高斯模型算法，这个算法由于可以取得实时性较强的背景，因此使得背景差分法对于运动目标检测的效果更为良好。在最近，Shahbaz K.F. [5]使用新的特性，颜色与形状特性进行运动目标检测，从而使得算法对实时性的依赖不再那么高，拥有比较良好的检测效果。
从上世纪90年代开始，国内许多的计算机视觉领域的学者也对目标检测算法进行研究，他们大部分来自高校与科研机构，为了研究这些算法，他们投入了大量人力物力。清华大学图形图像研究所和中国国家科学院自动化所在这方面的表现尤为突出。在世界顶级的计算机视觉期刊中出现了越来越多的国内科研机构的图像处理相关的文章。目标检测技术在国内的视频监控中被广泛应用，例如安防中的人脸识别，犯罪份子的行为分析，或者简单点的如停车场中车牌识别等等。
1.2.2 主要面临的问题
对于运动目标检测的研究，国内外已经进行了数十年，尽管投入了大量的人力物力，但目前为止算法依旧不够完善，仍有许多不太容易解决的问题：
1.在运动目标检测中，需要对运动目标和背景进行分割[6]，因此，检测中的最重要的步骤就是目标背景的提取与更新。对于背景静止不动的视频序列，运动目标与背景的分割就比较容易实现。然而现实情况往往不是这样，背景情况基本上一直是动态不断变化，会不断有各种异常的物体移动，非常容易被当作是背景，从而干扰背景的提取，影响到运动检测。

原文链接：http://www.jxszl.com/jsj/wlw/72310.html