畢業(yè)設計---用于視頻交通分析的目標分割算法設計

1、<p>　　二 ○ ○ 九 屆 畢 業(yè) 設 計</p><p>　　用于視頻交通分析的目標分割算法設計</p><p>　　學 院： 信息工程學院</p><p>　　專 業(yè)： 電子信息工程</p><p><b>　　姓 名： </b></p><p><b&g

2、t;　　學 號： </b></p><p><b>　　指導教師： </b></p><p>　　完成時間： 2009.6</p><p><b>　　二〇〇九年六月</b></p><p><b>　　畢業(yè)論文任務書</b></p><p

3、>　　課題名稱 用于視頻交通分析的目標分割算法設計</p><p>　　學 院(部) 信息工程學院 </p><p>　　專 業(yè) 電子信息工程 </p><p>　　班 級 </p&g

4、t;<p>　　學生姓名 </p><p>　　學 號 </p><p>　　2 月 23 日至 6 月 14 日共 16 周</p><p>　　指導教師(簽字)

5、 </p><p>　　教學院長(簽字) </p><p>　　2009 年 01 月 07 日</p><p>　　長安大學畢業(yè)設計（論文）開題報告表</p><p>　　注：1、課題來源分為：國家重點、省部級重點、學?？蒲小⑿Ｍ鈪f作、實驗室建設和自選項目；課題類型分為：工程設計、專題研究、文獻綜述、綜合實驗。

6、</p><p>　　2、此表由學生填寫，交指導教師簽署意見后方可開題。</p><p><b>　　摘 要</b></p><p>　　圖像分割是一種重要的圖像處理技術，也是計算機視覺領域低層次視覺中的主要問題，同時它又是一個經典難題。</p><p>　　本文提出一種用于視頻交通分析的目標分割算法，其目的是在交通視頻

7、中提取出相對背景運動的目標。算法的思路是：首先提取不包含運動目標的背景全景圖，然后用各幀圖像與所獲得的背景圖像做差分提取出運動目標，得到較為精確的分割結果。</p><p>　　靜態(tài)背景全景圖的提取。本文采用了多幀圖像平均法、直方圖統(tǒng)計法和一種前兩種方法相結合的優(yōu)化算法提取不包含運動目標的背景全景圖。由于前兩種方法的都有各自的局限性，本文提出了一種由前兩個方法相結合的優(yōu)化方法。</p><p&

8、gt;　　運動目標的提取。攝像機所獲取的每一幀圖像都同時包含了背景和運動目標的信息，可以認為是背景和運動目標的疊加，本文運用背景差分法提取運動目標。由于噪聲等的影響，獲得的區(qū)域并非運動目標的精確形狀和區(qū)域，可以采用閾值法提高精度。運動目標分割是要把運動目標所在的區(qū)域從背景中分割出來，就需要在每一幀圖像中實現分割，其中運動目標就是這樣一些一致性區(qū)域的集合。</p><p>　　實驗證明該方法可以得到較為理想的分割結

9、果。</p><p>　　關鍵詞：背景提取，多幀圖像平均法，直方圖統(tǒng)計法，視頻分割</p><p><b>　　ABSTRACT</b></p><p>　　Image segmentation as a classic problem, takes is an important role in the image processinging

10、, technology, but and also is athe main issue in the low-level computer vision. field o, at the same time it is a classic problem..</p><p>　　An object segmentation algorithm is proposed in Tthis paper prop

11、oses an object segmentation algorithm forused in traffic video traffic analyzingysis, aiming at extracting goal target which moving of the relative to the motion on background. The essentials ofTrain of thought for the a

12、lgorithm is as follows: firstly, extract the background panorama excluding moving targets; secondly, extract moving targets using the differences of frames and background to get an exact segmentationsplit result。</p&g

13、t;<p>　　Extraction of static background panorama: This paper adopts multi-frame image analysis, histogram statistics and bonding of the above two to extract background panorama. Because of the limitations of multi

14、-frame image analysis and histogram statistics, the author puts up with a new method of the combination of the two.</p><p>　　Extraction of moving targets: Every frame captured by camera includes information

15、of both background and moving targets, which can also be considered as superposition of them. This paper get moving targets using the differences of frames and background. Because of noises, the region extracted is not e

16、xact shape and region of the moving targets’ exact shape and region, and now we can use thresholdwidth method to improve accuracy. The purpose of the Mmoving targets segmentation is to extractsegmen</p><p>　

17、　It is proved that ideal segmentation can be achieved by this method.</p><p>　　Key words: background extraction, multi-frame image analysis, histogram statistics, video segmentation</p><p><b

18、>　　目 錄</b></p><p><b>　　第一章 緒論1</b></p><p>　　1.1 課題背景1</p><p>　　1.2 圖像分割技術的發(fā)展及研究現狀2</p><p>　　1.3 本論文的內容安排3</p><p>　　第二章 基于交通視頻的目標

19、分割算法4</p><p><b>　　2.1 概述4</b></p><p>　　2.2 基于交通視頻的目標分割系統(tǒng)設計4</p><p>　　2.2.1 基于交通視頻的目標分割系統(tǒng)的總體設計4</p><p>　　2.2.2 基于交通視頻的目標分割系統(tǒng)各模塊功能4</p><p>　

20、　2.2.3 基于交通視頻的目標分割算法主體流程圖5</p><p>　　2.3 程序開發(fā)環(huán)境6</p><p>　　2.3.1 系統(tǒng)開發(fā)環(huán)境6</p><p>　　2.3.2 基于交通視頻的目標分割系統(tǒng)的用戶界面設計6</p><p>　　第三章 *.raw數據的讀取8</p><p>　　3.1 數字圖

21、像的相關知識8</p><p>　　3.1.1 圖片文件格式8</p><p>　　3.1.2 BMP圖像格式8</p><p>　　3.2 視頻圖像的灰度化處理算法設計11</p><p>　　3.2.1 YUV彩色空間概述11</p><p>　　3.2.2 算法思路11</p><

22、p>　　3.2.3 灰度化圖像實驗結果12</p><p>　　3.3 視頻圖像的去噪處理13</p><p>　　3.3.1 概述13</p><p>　　3.3.2 均值濾波原理13</p><p>　　3.3.2 均值濾波試驗結果14</p><p>　　3.4 結果比較14</p>

23、<p>　　第四章 背景提取16</p><p><b>　　4.1 概述16</b></p><p>　　4.2 統(tǒng)計直方圖法提取背景16</p><p>　　4.2.1 統(tǒng)計直方圖法基本思路16</p><p>　　4.2.2 軟件測試結果及分析17</p><p>　

24、　4.3 多幀圖像平均法提取背景18</p><p>　　4.3.1 多幀圖像平均法基本思路18</p><p>　　4.3.2 軟件測試結果及分析18</p><p>　　4.4 背景提取的優(yōu)化算法20</p><p>　　4.4.1 優(yōu)化算法的基本思想及步驟20</p><p>　　4.4.2 優(yōu)化算法流

25、程圖21</p><p>　　4.4.3 軟件測試結果及分析21</p><p>　　4.4.4 此優(yōu)化算法的優(yōu)勢22</p><p>　　第五章 目標分割23</p><p><b>　　5.1 概述23</b></p><p>　　5.2 背景差分法分割目標23</p>

26、<p>　　5.2.1 算法思路23</p><p>　　5.2.2 分割運動目標的流程圖24</p><p>　　5.2.3 分割中閾值選取24</p><p>　　5.2.4 目標分割算法25</p><p>　　5.3 軟件測試結果及分析26</p><p>　　第六章 總結及展望27&

27、lt;/p><p><b>　　致 謝28</b></p><p><b>　　參考文獻29</b></p><p>　　附錄一 系統(tǒng)軟件處理流程圖30</p><p>　　附錄二 系統(tǒng)軟件處理源代碼31</p><p><b>　　第一章 緒論</b

28、></p><p><b>　　1.1 課題背景</b></p><p>　　圖像分割是一種重要的圖像技術，也是計算機視覺領域低層次視覺中的主要問題，同時它又是一個經典難題。早在50年代中期，計算機視覺理論形成以前，人們就開始了圖像分割的研究。但到目前為止還不存在一個通用的分割方法對所有類型的圖像都適用。隨著對景物成像原理研究的深入，人們逐漸意識到一些影響成像的

29、因素，這些因素包括:在將三維景物投影為二維圖像的過程中，丟失了深度和不可見部分的信息，并且任一物體在不同的視角下形成的圖像會有很大的不同，再加上復雜場景中物體間的相互遮擋而丟失了部分信息:此外，對成像過程有影響的諸多因素(如光源、物體表面幾何形狀和物理特性)、成像設備與物體之間的空間特性、成像過程中或多或少地引入的一些畸變和噪聲等。所有這些因素都導致了圖像分割問題是一種信息不足的不適定性問題，從而不可能存在一種通用的對任何圖像都適用的、

30、統(tǒng)一的圖像分割方法。但是可以根據有關圖像的一些先驗知識設計適用于具體分割目的的圖像分割方法。</p><p>　　圖像分割在實際中已得到廣泛的應用，例如在工業(yè)自動化、在線產品檢驗、生產程控、文件圖像處理、遙感和生物醫(yī)學圖像分析、保安監(jiān)視、以及軍事、體育、農業(yè)工程等方面。概括來說，在各種圖像應用中，只要需對圖像目標進行提取、測量等都離不開圖像分割。如在遙感應用中，合成孔徑雷達圖像中目標的分割與遙感云圖中不同云系和背

31、景分布的分割;在醫(yī)學應用中，腦部MR 圖像分割成灰質(GM)、白質(WM)、腦脊髓(CSF)等腦組織和其它非腦組織區(qū)域(NB)等;在交通圖像分析中，把車輛目標從背景中分割出來等;在面向對象的圖像壓縮和基于內容的圖像數據庫查詢中，將圖像分割成不同的對象區(qū)域。近年來，圖像分割在對圖像的編碼中也起到越來越重要的作用，例如國際標準MPEG-IV中的模型基/目標基編碼等都需要基于分割的結果。因此，圖像分割具有廣闊的應用前景。</p>

32、<p>　　本文主要研究的是交通圖像分析中的圖像分割。目前最常用也最有效的運動目標分割方法是背景差分算法，其中背景提取是背景差分算法的關鍵一環(huán)，背景提取的好壞直接影響到運動目標檢測的準確度，關系到進一步分析視頻圖像信息的可靠性。道路運動目標的背景提取是智能交通系統(tǒng)中的基礎工作，也是重要的一個環(huán)節(jié)。將運動目標提取出來是ITS的一個基礎性問題，如果能找到一個方便快捷的方法把運動目標精確而迅速的提取出來，必將對高層次的視頻處理帶來

33、極大的方便。</p><p>　　1.2 圖像分割技術的發(fā)展及研究現狀</p><p>　　圖像分割是圖像處理中的重要問題,也是計算機視覺研究中的一個經典難題。計算機視覺中的圖像理解包括目標檢測、特征提取和目標識別等,都依賴于圖像分割的質量。盡管研究人員提出了許多分割方法,但是到目前為止還不存在一種通用的方法,也不存在一個判斷分割是否成功的客觀標準,因此被認為是計算機視覺中的一個瓶頸。早在

34、50年代中期，計算機視覺理論體系形成以前，人們就開始了圖像</p><p>　　分割的研究。根據利用圖像信息的不同，分割方法主要分為:</p><p>　　(l)基于閾值的分割方法。利用圖像灰度統(tǒng)計信息，如灰度直方圖;</p><p>　　(2)基于區(qū)域的分割方法。包括區(qū)域分裂-合并法、區(qū)域生長法、紋理分割、多光譜圖像分割等。利用圖像空間區(qū)域信息和光譜信息;<

35、/p><p>　　(3)邊緣檢測方法。利用圖像中灰度變化最強烈的區(qū)域信息邊緣。這一方法檢測圖像的邊緣，通常的算法只能將圖像分成邊緣和非邊緣兩部分。</p><p>　　在圖像分割最初發(fā)展的二十年里，基于上述三種方法的研究大多只是將圖像分割成目標和背景兩部分，丟失了許多圖像信息。進入八十年代以后，人們以上述三種方法為基礎，進一步研究了多區(qū)域分割，將圖像分成由多個目標和背景組成的多個區(qū)域。而且越來

36、越多地將圖像分割技術與許多其它學科和領域，例如數學、物理、心理學、電子學、計算機科學等學科聯系起來。近年來，隨著各學科許多新理論和方法的提出，人們也提出了許多結合一些特定理論、方法和工具的分割技術。每當有新的數學工具或方法提出來，人們就試著將其用于圖像分割，因而提出了不少特殊的算法，例如基于馬爾可夫隨機場、數學形態(tài)學、遺傳算法、小波變換等理論的分割算法.多年來，對圖像分割的研究一直是圖像技術研究中的熱點和焦點，很多研究人員為之付出了巨大

37、的努力，人們對其的關注和投入也不斷提高。從興起到現在，圖像分割算法得到了不斷的改進和創(chuàng)新，在不同的領域也取得了相當的進展與成就。至今己提出了上千種各種類型的分割算法，而且近年來每年都有大量研究報道發(fā)表。</p><p>　　由于圖像中象素的灰度值不能完全代表實際場景中的諸多因素，如光源、物體表面幾何、物理特性及成像設備與物體之間的空間特性等造成了信息丟失;在成像過程中引入了一些畸變和噪聲等這些問題使得圖像分割本身

38、具有一定的難度和復雜性，其面向的領域具有特殊性，很難用一個精確的數學公式來表征，使圖像分割成為一種信息不足的不適定問題。因此，盡管分割的方法很多，但到目前為止，還不存在一個對任何圖像都適用的通用的分割方法，也不存在一個判斷分割是否成功的客觀標準，對于給定的實際圖像分析問題要選擇合用的分割算法也還沒有標準的方法。一般來說，對圖像分割方法的選擇都要針對具體的問題進行具體分析，依據圖像信息的性質來確定，有時還要用到先驗知識。</p>

39、;<p>　　能否找到一個統(tǒng)一的方法來用于所有圖像的分割，是現在許多學者研究的方向。對于尋找一種能夠普遍適用于各種復雜情況的準確率很高的分割算法，還有很大的探索空間。對圖像分割的深入研究不僅會不斷完善對自身問題的解決，而且必將推動模式識別、計算機視覺、人工智能等計算機科學分支的發(fā)展。</p><p>　　1.3 本論文的內容安排</p><p>　　按照論文各章的次序，本文的

40、研究內容包括：</p><p>　　第一章提出了課題的研究背景，說明在復雜背景下進行運動目標分割現實性和重要性；然后綜述了與本課題相關技術的研究現狀。</p><p>　　第二章給出介紹了基于交通視頻的目標分割系統(tǒng)的總體設計，并給出了運動目標分割主體流程圖。</p><p>　　第三章介紹了視頻處理方面的一些相關知識，給出了讀取*.RAW文件的算法思路，給出軟件測試

41、結果，并對視頻結果做了平滑濾波處理。</p><p>　　第四章介紹了統(tǒng)計直方圖法和多幀圖像平均法兩種傳統(tǒng)的提取背景算法，在次基礎上給出了一種新的優(yōu)化算法，并給出了所有算法的軟件測試結果。</p><p>　　第五章用背景差分法對運動目標進行分割，并給出最終的軟件測試結果。</p><p>　　第六章對本論文的主要研究成果做了總結，總結了課題的創(chuàng)新之處和不足之處，指

42、出了今后進一步開展的工作。</p><p>　　第二章 基于交通視頻的目標分割算法</p><p><b>　　2.1 概述</b></p><p>　　圖像分割是計算機視覺領域中極為重要的內容之一,是實現自動圖像分析和模式識別的首要問題,也是圖像處理的經典難題之一。圖像分割的質量的優(yōu)劣、區(qū)域界限定位的精度直接影響后續(xù)的區(qū)域描述以及圖像的分析

43、和理解,是圖像處理、分析、理解中一個舉足輕重的技術環(huán)節(jié)。</p><p>　　本課題所處理的是YUV422格式的raw數據，單幀大小為1440*576；所運用的開發(fā)環(huán)境為VC++6.0。</p><p>　　2.2 基于交通視頻的目標分割系統(tǒng)設計</p><p>　　2.2.1 基于交通視頻的目標分割系統(tǒng)的總體設計</p><p>　　本課題

44、是先以視頻形式讀取出*.RAW數據，然后根據所提出的方法提取出交通視頻的背景圖像，最后根據背景差分法分割出運動目標。</p><p>　　基于交通視頻的目標分割系統(tǒng)的總體設計框圖如下：基于交通視頻的目標分割系統(tǒng)的總體設計框圖如下：</p><p>　　2.2.2 基于交通視頻的目標分割系統(tǒng)各模塊功能</p><p>　　視頻讀取模塊的功能是根據所給出的*.RAW數據

45、的格式將數據以視頻形式播放；背景提取模塊的功能是設計合適的算法提取出符合本課題要求的背景圖像；圖像分割模塊的功能是用背景差分法將背景圖像與運動目標分割開來，以獲得較為精確的運動目標。</p><p>　　其中在背景分割模塊中，本文最終應用的是一種由多幀圖像平均法和統(tǒng)計直方圖法相結合的優(yōu)化算法；在目標分割模塊中應用的是背景差分法，再對差值用閾值法進行二值化處理。</p><p>　　2.2.

46、3 基于交通視頻的目標分割算法主體流程圖</p><p>　　是 否</p><p>　　圖 2.1 基于交通視頻的目標分割算法主體流程圖</p><p>　　2.3 程序開發(fā)環(huán)境</p><p>　　2.3.1 系統(tǒng)開發(fā)環(huán)境</p>&l

47、t;p>　　本程序是在VC++6.0開發(fā)平臺下，用基于對話框模式的框架開發(fā)而成。</p><p>　　硬件環(huán)境: PC機一臺( Genuine Intel(R) CPU，1.5G內存，80G硬盤)</p><p>　　操作系統(tǒng): Windows XP</p><p>　　編譯工具: Microsoft Visual C++6.0</p><

48、p>　　2.3.2 基于交通視頻的目標分割系統(tǒng)的用戶界面設計</p><p>　　在VC++6.0中設計的用戶界面如下圖所示：</p><p>　　圖2.2 基于交通視頻的目標分割系統(tǒng)的用戶界面</p><p>　　上圖用戶界面中的兩個區(qū)域的功能：</p><p>　　視頻區(qū)是用來顯示所讀取出的*.RAW 數據的視頻的；</p&g

49、t;<p>　　背景/運動目標去是用來顯示所提取出來的背景圖和最后目標分割結果的。</p><p>　　上圖用戶界面中各按鈕的功能：</p><p>　　打開按鈕：將電腦硬盤中*.RAW 數據輸入到系統(tǒng)軟件，并顯示其路徑；</p><p>　　播放按鈕： 以視頻形式播放*.RAW數據；</p><p>　　背景提取按鈕：提取出所

50、讀出視頻的背景圖像；</p><p>　　圖像分割按鈕：將運動目標與背景圖像分割開來；</p><p>　　上一幀按鈕：顯示正在播放幀的上一幀圖像；</p><p>　　下一幀按鈕：顯示正在播放幀的下一幀圖像；</p><p>　　暫停按鈕：暫停正在播放的視頻；</p><p>　　停止按鈕：停止正在播放的視頻；<

51、;/p><p>　　右下角的顯示框是用來顯示正在播放的幀數的。</p><p>　　第三章 *.raw數據的讀取</p><p>　　3.1 數字圖像的相關知識</p><p>　　3.1.1 圖片文件格式</p><p>　　圖像格式即圖像文件存放的格式，通常有JPEG、TIFF、RAW、BMP、GIF、PNG等。由于

52、數碼相機拍下的圖像文件很大，儲存容量卻有限，因此圖像通常都會經過壓縮再儲存。本課題主要運用的是BMP圖像格式和RAW圖像格RAW圖像格式。</p><p>　　RAW圖像格式：擴展名是RAW。RAW是一種無損壓縮格式，它的數據是沒有經過相機處理的原文件，因此它的大小要比TIFF格式略小。所以，當上傳到電腦之后，要用圖像軟件的Twain界面直接導入成TIFF格式才能處理。</p><p>　

53、　BMP圖像格式：BMP是英文Bitmap（位圖）的簡寫，它是Windows操作系統(tǒng)中的標準圖像文件格式，能夠被多種Windows應用程序所支持。隨著Windows操作系統(tǒng)的流行與豐富的Windows應用程序的開發(fā)，BMP位圖格式理所當然地被廣泛應用。這種格式的特點是包含的圖像信息較豐富，幾乎不進行壓縮，但由此導致了它與生俱生來的缺點--占用磁盤空間過大。所以，目前BMP在單機上比較流行。</p><p>　　3

54、.1.2 BMP圖像格式</p><p>　　BMP是一種與硬件設備無關的圖像文件格式，使用非常廣。它采用位映射存儲格式，除了圖像深度可選以外，不采用其他任何壓縮，因此，BMP文件所占用的空間很大。BMP文件的圖像深度可選lbit、4bit、8bit及24bit。BMP文件存儲數據時，圖像的掃描方式是按從左到右、從下到上的順序。 </p><p>　　由于BMP文件格式是Windows環(huán)境

55、中交換與圖有關的數據的一種標準，因此在Windows環(huán)境中運行的圖形圖像軟件都支持BMP圖像格式。 </p><p><b>　　文件結構：</b></p><p>　　典型的BMP圖像文件由四部分組成：</p><p>　　1：位圖文件頭數據結構（14字節(jié)），它包含BMP圖像文件的類型、文件的大小、顯示內容等信息；</p>&l

56、t;p>　　2：位圖信息頭數據結構（40字節(jié)），它包含有BMP圖像的寬、高、壓縮方法，以及定義顏色等信息；</p><p>　　3：顏色表，這個部分是可選的，有些位圖需要顏色表，有些位圖，比如真彩色圖（24位的BMP）就不需要調色板。</p><p>　　顏色表（簡稱色表）一般是針對16位一下的圖像而設置的，對于16位和16位以上的圖像，由于其位圖像素數據中直接對對應像素的RGB(A

57、)顏色進行描述，因而省去了調色板。而對于16位以下的位圖，由于其位圖像素數據中記錄的只是調色板索引值，因而需要根據這個索引到調色板中去取得相應的RGB(A)顏色。顏色表的作用就是創(chuàng)建調色板。對于顯卡來說，如果它不能一次顯示超過256中顏色，讀取和顯示BMP文件的程序就能夠把這些RGB值轉換到顯示卡的調色板來產生準確的顏色。</p><p>　　4：位圖數據，BMP文件的位圖數據格式依賴于編碼每個像素顏色所用的位數

58、。在24位圖中沒有調色板，圖像數據中每三個字節(jié)表示一個像素，每個字節(jié)表示一個RGB分量，因此直接使用RGB；而其他的小于24位的使用調色板中顏色索引值。</p><p><b>　　對應的數據結構：</b></p><p>　　1：BMP文件組成 </p><p>　　BMP文件由文件頭、位圖信息頭、顏色信息和圖形數據四部分組成。 </p

59、><p>　　2：BMP文件頭( 14字節(jié))</p><p>　　BMP文件頭數據結構含有BMP文件的類型、文件大小和位圖起始位置等信息。 </p><p><b>　　其結構定義如下: </b></p><p>　　typedef struct tagBITMAPFILEHEADER</p><p>

60、;<b>　　{</b></p><p>　　WORDbf Type; // 位圖文件的類型，必須為BMP ( 0-1字節(jié))</p><p>　　DWORD bfSize; // 位圖文件的大小，以字節(jié)為單位( 2-5字節(jié))</p><p>　　WORD bfReserved1; // 位圖文件保留字，必須為0 ( 6-7字節(jié))</p&g

61、t;<p>　　WORD bfReserved2; // 位圖文件保留字，必須為0 ( 8-9字節(jié))</p><p>　　DWORD bfOffBits; // 位圖數據的起始位置，以相對于位圖(10-13字節(jié))</p><p>　　// 文件頭的偏移量表示，以字節(jié)為單位</p><p>　　} BITMAPFILEHEADER;</p>

62、<p>　　3：BMP位圖信息頭(40字節(jié))</p><p>　　BMP位圖信息頭數據用于說明位圖的尺寸等信息。</p><p>　　typedef struct tagBITMAPINFOHEADER{</p><p>　　DWORD biSize; // 本結構所占用字節(jié)數(14-17字節(jié))</p><p>　　LONG bi

63、Width; // 位圖的寬度，以像素為單位(18-21字節(jié))</p><p>　　LONG biHeight; // 位圖的高度，以像素為單位(22-25字節(jié))</p><p>　　WORD biPlanes; // 目標設備的級別，必須為1(26-27字節(jié))</p><p>　　WORD biBitCount;// 每個像素所需的位數，必須是1(雙色)，(28-

64、29字節(jié))</p><p>　　// 4(16色)，8(256色)或24(真彩色)之一</p><p>　　DWORD biCompression; // 位圖壓縮類型，必須是 0(不壓縮)，(30-33字節(jié))</p><p>　　// 1(BI_RLE8壓縮類型)或2(BI_RLE4壓縮類型)之一</p><p>　　DWORD biSiz

65、eImage; // 位圖的大小，以字節(jié)為單位(34-37字節(jié))</p><p>　　LONG biXPelsPerMeter; // 位圖水平分辨率，每米像素數(38-41字節(jié))</p><p>　　LONG biYPelsPerMeter; // 位圖垂直分辨率，每米像素數(42-45字節(jié))</p><p>　　DWORD biClrUsed;// 位圖實際使用

66、的顏色表中的顏色數(46-49字節(jié))</p><p>　　DWORD biClrImportant;// 位圖顯示過程中重要的顏色數(50-53字節(jié))</p><p>　　} BITMAPINFOHEADER;</p><p><b>　　4：BMP顏色表 </b></p><p>　　顏色表用于說明位圖中的顏色，它有若

67、干個表項，每一個表項是一個RGBQUAD類型的結構，定義一種顏色。RGBQUAD結構的定義如下: </p><p>　　typedef struct tagRGBQUAD {</p><p>　　BYTE rgbBlue;// 藍色的亮度(值范圍為0-255)</p><p>　　BYTE rgbGreen; // 綠色的亮度(值范圍為0-255)</p>

68、;<p>　　BYTE rgbRed; // 紅色的亮度(值范圍為0-255)</p><p>　　BYTE rgbReserved;// 保留，必須為0</p><p>　　} RGBQUAD;</p><p>　　顏色表中RGBQUAD結構數據的個數有biBitCount來確定:</p><p>　　當biBitCount

69、= 1，4，8時，分別有2，16，256個表項;</p><p>　　當biBitCount = 24時，沒有顏色表項。</p><p>　　位圖信息頭和顏色表組成位圖信息，BITMAPINFO結構定義如下:</p><p>　　typedef struct tagBITMAPINFO {</p><p>　　BITMAPINFOHEADER

70、 bmiHeader; // 位圖信息頭</p><p>　　RGBQUAD bmiColors[1]; // 顏色表</p><p>　　} BITMAPINFO;</p><p><b>　　5：位圖數據 </b></p><p>　　位圖數據記錄了位圖的每一個像素值，記錄順序是在掃描行內是從左到右，掃描行之間是從下

71、到上。位圖的一個像素值所占的字節(jié)數: </p><p>　　當biBitCount = 1時，8個像素占1個字節(jié);</p><p>　　當biBitCount = 4時，2個像素占1個字節(jié);</p><p>　　當biBitCount = 8時，1個像素占1個字節(jié);</p><p>　　當biBitCount = 24時，1個像素占3個字節(jié);

72、</p><p>　　Windows規(guī)定一個掃描行所占的字節(jié)數必須是4的倍數(即以long為單位)，不足的以0填充，其大小為:</p><p>　　biSizeImage = (((bi.biWidth * bi.biBitCount) + 3) /4*4) * bi.biHeight;</p><p>　　因此，24位真彩色圖像的大小為:</p>&

73、lt;p>　　BiSizeImage = (((bi.biWidth *3) + 3) /4*4) * bi.biHeight;</p><p>　　3.2 視頻圖像的灰度化處理算法設計</p><p>　　在項目中，一般不用彩色圖像而是用灰度圖像，因為灰度圖像已經滿足后續(xù)處理對圖像的所有要求，而且處理灰度圖像需要的時間更少，速度更快，因此現在在實際的項目開發(fā)中，都是要把彩色圖像轉化

74、為灰度圖像。</p><p>　　在灰度圖像中，純白，代表了該色光在此處為最高亮度，亮度級別是255。純黑，代表了該色光在此處完全不發(fā)光，亮度級別是0。介于純黑純白之間的灰度，代表了不同的發(fā)光程度，亮度級別介于1至254之間。灰度中越偏白的部分，表示色光亮度值越高，越偏黑的部分則表示亮度值越低。</p><p>　　3.2.1 YUV彩色空間概述</p><p>　

75、　YUV是被歐洲電視系統(tǒng)所采用的一種顏色編碼方法（屬于PAL），是PAL和SECAM模擬彩色電視制式采用的顏色空間。其中的Y,U,V幾個字母不是英文單詞的組合詞，Y代表亮度，UV代表色差，U和V是構成彩色的兩個分量。在現代彩色電視系統(tǒng)中，通常采用三管彩色攝影機或彩色CCD攝影機進行取像，然后把取得的彩色圖像信號經分色、分別放大校正后得到RGB，再經過矩陣變換電路得到亮度信號Y和兩個色差信號R－Y（即U）、B－Y（即V），最后發(fā)送端將亮度

76、和色差三個信號分別進行編碼，用同一信道發(fā)送出去。這種色彩的表示方法就是所謂的YUV色彩空間表示。</p><p>　　3.2.2 算法思路</p><p>　　我們所讀取的數據源并不直接是R、G、B分量表示的彩色圖，而是以Y、U、V格式存放的*.RAW數據，存儲格式為YUV422格式，即以YUYV格式存放的數據，其中“Y”表示明亮度（Luminance），也就是灰階值；而“U”和“V” 表

77、示的則是色度（Chrominance），作用是描述影像色彩及飽和度，用于指定像素的顏色。</p><p>　　數據每個像素是用YUV表示的，采用YUV色彩空間的重要性是它的亮度信號Y和色度信號U、V是分離的。如果只有 Y信號分量而沒有U、V信號分量，那么這樣表示的圖像就是黑白灰度圖像。所以我們只要忽略UV 分量，取出Y 分量 ，就可以得到像素的亮度值，從而把彩色圖像轉換為灰度圖像。</p><

78、p>　　如果是我們直接讀取的R、G、B值那就要進行轉換即轉換公式。YUV與RGB相互轉換的公式如下（RGB取值范圍均為0-255）： </p><p>　　Y = 0.299R + 0.587G + 0.114B </p><p>　　U = -0.147R - 0.289G + 0.436B </p><p>　　V = 0.615R - 0.515G -

79、0.100B </p><p>　　R = Y + 1.14V </p><p>　　G = Y - 0.39U - 0.58V </p><p>　　B = Y + 2.03U</p><p>　　但是我們這里采集到的圖像數據是Y、U、V值所以不需要轉化，直接讀取Y值使用即可。</p><p>　　Y 代表亮度信息，

80、U 代表藍色色差信息（就是藍色信號與亮度信號之間的差值），V 代表紅色色差信息（就是紅色信號與亮度信號之間的差值）。用YUV422方式描述，則對于每2個像素，Y 用2個字節(jié)，U 取相同的值，用一個字節(jié)，V 取相同的值，用一個字節(jié)，平均每個像素2個字節(jié)。或者每個像素 Y 用一個字節(jié)，U 用半個字節(jié)，V 用半個字節(jié)，共2個字節(jié)。這種格式每個色差信道的抽樣率是亮度信道的一半，所以水平方向的色度抽樣率只是4:4:4的一半。對非壓縮的8比特量化的

81、圖像來說，每個由兩個水平方向相鄰的像素組成的宏像素需要占用4字節(jié)內存。</p><p>　　下面的四個像素為：[Y0 U0 V0] [Y1 U1 V1] [Y2 U2 V2] [Y3 U3 V3] </p><p>　　存放的碼流為：Y0 U0 Y1 V1 Y2 U2 Y3 V3</p><p>　　映射出像素點為：[Y0 U0 V1] [Y1 U0 V1] [Y2

82、 U2 V3] [Y3 U2 V3]</p><p>　　我們只需取出的亮度分量Y，根據YUV422格式因此只需讀取數據中4的倍數部分。根據RGB三基色原理，R=Y、B=Y、G=Y 的時候合成的就是一個亮度為Y 的灰色像素。極限的情況，當R=255、G=255、B=255 時表示白的像素， 當R=0 、G=0 、B=0 時表示黑的像素。</p><p>　　這種方法的優(yōu)點是抗干擾能力強。由

83、于亮度信號是單獨表示的，所以如果色差信號受到干擾，不會影響到亮度，主觀感覺噪聲不會明顯增加 。</p><p>　　本文所要處理的圖像的總大小為1782810KB，單幀大小為1440*576B，所以其總幀數 N=17828810000/(1440*576)=2149。</p><p>　　3.2.3 灰度化圖像實驗結果</p><p>　　圖3.1 播放視頻中第1

84、00幀視頻圖像</p><p>　　3.3 視頻圖像的去噪處理</p><p><b>　　3.3.1 概述</b></p><p>　　圖像信號在產生、傳輸和記錄過程中,經常會受到各種噪聲的干擾,一般來說,現實中的圖像都是帶噪圖像。通常在圖像處理工作中,在邊緣檢測、圖像分割、特征提取、模式識別等高層次處理之前,選用適當的方法盡量地去除噪聲干擾

85、是一個非常重要的預處理步驟。因此,圖像去噪算法研究是一切圖像處理的前提,具有重要的意義。</p><p>　　噪聲在圖像處理中是一個非常重要的問題,它對圖像的輸入、采集、處理的各個環(huán)節(jié)以及最終的輸出結果都會產生一定的影響。特別是在圖像的輸入、采集過程中,噪聲是個十分關鍵的問題,若輸入伴有較大噪聲,必然影響之后的處理以及最終的處理效果。因此,任何一個良好的圖像處理系統(tǒng),無論是模擬處理還是計算機處理無不把減少最前一級

86、的噪聲作為主攻目標。去噪處理已成為圖像處理中極其重要的步驟。</p><p>　　本文采用均值濾波去除圖像的噪聲。</p><p>　　3.3.2 均值濾波原理</p><p>　　每幅圖像是由理想圖像和噪聲圖像組成的集合, 由于有噪聲存在,導致圖像的質量下降。圖像的形式可以表示為:</p><p>　　f ( x , y) = M ( x

87、, y) + N ( x , y)</p><p>　　式中: M ( x , y) 為理想圖像, N ( x , y) 為噪聲圖像。</p><p>　　均值濾波也稱為線性濾波,其采用的主要方法為鄰域平均法。線性濾波的基本原理是用均值替代原圖像中的各個像素值,即對待處理的當前像素點( x , y) ,選擇一個模板,該模板由其近鄰的若干像素組成,求模板中所有像素的均值,再把該均值賦予當前像

88、素點( x , y) ,作為處理后圖像在該點上的灰度g ( x , y) 。</p><p><b>　　即</b></p><p>　　其中, s 為3 ×3的均值濾波模板,M 為該模板中包含當前像素在內的像素總個數。</p><p><b>　　1/9</b></p><p>　　3.

89、3.2 均值濾波試驗結果</p><p>　　圖3.2 均值濾波后第100幀視頻圖像</p><p><b>　　3.4 結果比較</b></p><p>　?。╝）播放視頻中第100幀視頻圖像</p><p>　　(b) 均值濾波后第100幀視頻圖像</p><p>　　從上圖可以看出，圖像平

90、滑處理后的圖像比原圖像柔和一些，其他地方很難看出差別。采用鄰域平均法的均值濾波器非常適用于去除通過掃描得到的圖像中的顆粒噪聲。鄰域平均法有效地抑制了噪聲,但是在求均值的計算過程中,景物的邊緣點也進行均值處理,這樣就使得景物的清晰度降低,畫面變得模糊。</p><p><b>　　第四章 背景提取</b></p><p><b>　　4.1 概述</b&

91、gt;</p><p>　　交通視頻檢測等系統(tǒng)需在序列圖像中實時的發(fā)現和提取車輛，并不斷跟蹤他們。這就涉及到背景圖像。背景圖像是指視道路上沒有運行的車輛的圖像，即使道路上有車輛運行，背景算法也通過技術處理除去車輛而獲得沒有車輛運行的背景圖像。</p><p>　　本章介紹和分析了多幀圖像平均法和直方圖統(tǒng)計法兩種背景提取算法，并在此基礎上提出了一種新的背景提取算法:多幀圖像平均法和直方圖統(tǒng)計

92、法相結合的背景新算法。</p><p>　　實驗測試表明:該算法取得的背景效果良好，具有較強的實用性和參考價值。</p><p>　　由于本項目所研究的視頻本身因外界光照、天氣的變化、移動目標的存在等不確定因素的影響很小，前面優(yōu)化算法所提取的背景已達到項目的要求，背景更新的必要性不大。所以本文沒有做背景更新的算法研究。</p><p>　　4.2 統(tǒng)計直方圖法提取背

93、景</p><p>　　4.2.1 統(tǒng)計直方圖法基本思路</p><p>　　基于像素的直方圖分析背景提取法通常是基于這樣的統(tǒng)計事實，在某一時間段內，視頻序列特定像素位置處出現頻率最高的像素值是背景像素值．傳統(tǒng)直方圖分析方法通過存儲視頻中每一像素位置在序列的時間軸方向上的直方圖信息(即在某一時間段內統(tǒng)計該像素位置處每一種可能的像素值所出現的次數)，取該像素位置的直方圖峰值所對應的像素值作為

94、背景像素值，即直方圖中最大值就是背景本身的亮度值。</p><p>　　該方法在在直方圖分析時統(tǒng)計圖像中的單個像素點，是一種較為有效的背景估計方法。由于其抗噪聲干擾性較好，在通常情況下該方法提取出的背景較時域平均方法(time averaging)好，但運算量大、提取背景速度慢是該方法的主要缺陷。</p><p>　　考慮到路面上同一點被相同亮度的車輛長時間覆蓋的可能性很小，所形成的亮度不

95、一樣的可能性就越大，從而可統(tǒng)計一段時間內各個像素點上不同亮度出現的次數，其中出現次數最多的，即直方圖中最大值就是路面本身的亮度值。統(tǒng)計直方圖可以表示為:</p><p>　　P( x, y, k ) = </p><p>　　Background( x ,y ) = max [ P(x ,y ,k)] k = 1, 2, …, 255</p><p>　

96、　表達式中:P(x，y，k)表示像素點(x，y)處亮度值k出現的次數，imagei (x，y，m)表示某一幀圖像像素點(x，y)處亮度值為m。</p><p>　　4.2.2 軟件測試結果及分析</p><p>　　(a) N=20時提取的背景圖像 (b) N=50時提取的背景圖像</p><p>　　(c) N=100時提取的背景圖像

97、 (d) N=200時提取的背景圖像</p><p>　　(e) N=300時提取的背景圖像 (f) N=400時提取的背景圖像</p><p>　　圖4.1 幀數不同時統(tǒng)計法提取背景圖像</p><p>　　從以上幾幅當統(tǒng)計幀數N增加時得到的背景圖像效果并沒有得到改善。主要是因為當運動目標通過的時

98、候，對于圖像中的近景，因為運動目標快速通過，背景顯現的時間比較長，因此得到的背景圖像較好；而對于圖像遠景，一些運動目標相連，運動目標相對于近景移動的較慢，目標顯現的時間較長，因此會誤把運動目標當成背景統(tǒng)計出來，得到的背景圖像失真。</p><p>　　4.3 多幀圖像平均法提取背景</p><p>　　4.3.1 多幀圖像平均法基本思路</p><p>　　多幀圖像

99、平均法是對一段時間內的視頻圖像用累加求平均法來獲得背景圖像。這種方法的思想是把運動物體作為噪聲，累加求平均的方法去除噪聲，以獲得背景。這種方法的特點是模型簡單，計算方便，但是得到的背景受車流量大小的影響而變化?？紤]到道路上車輛的多樣性，有的車輛亮度值比路面亮度值高，有的亮度值比路面亮度底，有的亮度與路面相當，所以從統(tǒng)計學角度看，對某一長時段的視頻交通信息做平均后，由于車輛的經過而引起的路面像素灰度值的變化在這段時間內可以忽略。</

100、p><p>　　多幀圖像平均法是將運動的車輛看作為噪聲用累加平均的方法消除噪聲，利用車輛運行一段時間的序列達式為:</p><p>　　式中:Background(x，y)表示背景圖像，imagei(x，y)表示第i幀序列圖像在象素點(x，y )的亮度值，N表示平均幀數。</p><p>　　這種方法的的特點是模型簡單、計算方便，但是也有缺陷，即：得到的背景受車流量大小

101、的影響而變化。</p><p>　　4.3.2 軟件測試結果及分析</p><p>　?。╝）N=20時提取的背景圖像 (b) N=50時提取的背景圖像</p><p>　　（c）N=100時提取的背景圖像 (d) N=200時提取的背景圖像</p><p>　　(e) N

102、=300時提取的背景圖像 (f) N=400時提取的背景圖像</p><p>　　圖4.2 幀數不同時多幀圖像平均法提取背景圖像</p><p>　　從以上幾幅當幀數N增加時得到的背景圖像效果有所改善。主要是因為在實際生活中，一段時間內路面某點不可能既有亮度高又有亮度低的車輛，而是某些地方有亮度高或者是亮度低的車輛，通過平均法得到的背景會就出現亮暗分布不均

103、勻的狀態(tài)。該算法得到背景圖像受車流量的影響比較大，隨著平均幀數的增加，噪聲消除有所改善，但是車流輛比較大的路面的背景和真實路面還是有區(qū)別的。</p><p>　　4.4 背景提取的優(yōu)化算法</p><p>　　從上面的分析中我們可以看出，單純的每種算法都有它的局限性，對場景的適應性不夠強，得出的效果并不令人滿意．這就要求我們找到一種新的方法來實現圖像背景的提取。針對以上2種算法的不足，本文

104、在傳統(tǒng)的平均法和直方圖統(tǒng)計法基礎上，提出了一個新算法來提取背景圖像，以滿足我們實際提取背景的要求。</p><p>　　4.4.1 優(yōu)化算法的基本思想及步驟</p><p>　　由于道路上車輛的多樣性，有的車輛亮度值比路面亮度值高，有的亮度值比路面亮度底，有的亮度與路面相當。當運動目標速度過快的時候，對于圖像中的近景，因為運動目標快速通過，背景顯現的時間比較長，因此得到的背景圖像較好；而對

105、于圖像遠景，一些運動目標相連，運動目標相對于近景移動的較慢，目標顯現的時間較長，因此會誤把運動目標當成背景統(tǒng)計出來，得到的背景圖像失真。針對上述情況我們將圖像分段進行處理：如果哪個像素點平均值于出現次數最多的像素值之間的差值大于某一個閾值，我們就把平均值賦給它，否則便把出現次數最多的像素值賦給它。</p><p><b>　　具體步驟如下：</b></p><p>　

106、　1） 對視頻中一定數量的幀N，根據上面多幀圖像平均法求出點(x，y)像素值</p><p>　　P(x，y)均值，均值記為 A(x，y)；</p><p>　　2） 求出視頻中N幀圖像各個像素點 (x，y)處出現次數最多的像素值 B(x，y)；</p><p>　　3） 如果點(x，y)處的像素均值 A(x，y)與此像素點出現次數最多的亮度值B(x，y)之間的差值

107、f小于某一個，此點的像素值就用B(x，y)，否則用均值A(x，y)，即分段確定每個點的像素值。用公式表示為：</p><p>　　A(x，y) ； f > k </p><p>　　Background ( x，y) = f=1，2，……，255</p><p>　　B(x，y) ； f < k&l

108、t;/p><p>　　上式中Background (x，y) 表示背景圖像，k= ︱A(x，y)- B(x，y) ︱。</p><p>　　4.4.2 優(yōu)化算法流程圖</p><p>　　是 否</p><p>　　圖4.3 優(yōu)化算法流程圖</p><p>　　4.4.3 軟件

109、測試結果及分析</p><p>　?。╝）N=20時所提取的背景圖像 (b) N=50時所提取的背景圖像</p><p>　?。╟）N=100時所提取的背景圖像 (d) N=200時所提取的背景圖像</p><p>　?。╡）N=300時所提取的背景圖像 (f) N=400時所

110、提取的背景圖像</p><p>　　圖4.3 幀數不同時優(yōu)化算法提取背景圖像 </p><p>　　從上圖我們可以看出，這樣處理后平均法和統(tǒng)計帶來的缺陷已經幾乎全部消除，當然想要100%的消除是不現實的，但是這樣已經符合后續(xù)的圖像分割的前提要求。且當統(tǒng)計幀數N增加時得到的背景圖像效果改善不大，但兩幅背景圖像的效果都較為理想，這正是此優(yōu)化算法的優(yōu)勢所在。</p><p&g

111、t;　　4.4.4 此優(yōu)化算法的優(yōu)勢</p><p>　　該算法同多幀圖像平均法和統(tǒng)計直方圖法相比，有更多的優(yōu)點．在運算量方面，繼承了平均法模型簡單、計算方便的特點，也在一定程度上克服了統(tǒng)計直方圖法運算量打的缺點，占用計算機資源也就更少。就算法的效果而言，克服了統(tǒng)計直方圖法由于運動物體遠近景速度不一造成的遠景失真的不足，也不會出現多幀圖像平均法造成的暗亮分布不均的情況．根據上面給出的算法能快速地提取效果較好的背景

112、圖像．</p><p><b>　　第五章 目標分割</b></p><p><b>　　5.1 概述</b></p><p>　　目前最常用也最有效的運動目標分割方法是背景差分算法。將預處理后的圖像，進行目標與背景分離，也就是把車的圖像與背景分離開來，以便于對車輛目標的處理，提高運算速度。分割可以有很多算法。圖像二值化算

113、法簡單、速度快，符合圖像處理系統(tǒng)實時性特點，所以采用圖像二值化分割。這種方式的分割，主要問題是如何確定閾值(灰度門限)。</p><p>　　5.2 背景差分法分割目標</p><p>　　5.2.1 算法思路</p><p>　　背景差分法是目前運動分割中最常用的一種方法，它適用于攝像機靜止的情況，或自然環(huán)境的緩慢變化，其最簡單的實現方法是從視頻序列中預先提取不含