ubutun及dm3730的运动目标检测设计软件开发
随着互联网技术的发展，运动目标检测技术成为计算机视觉领域研究的重中之重,在它不断的成熟与进步的同时,运动目标检测系统逐渐被广泛应用到了军事、安防、交通等领域。 本文采用一种改进的帧差法来进行运动目标检测。首先利用像素的单高斯模型来判断点像素是前景点还是背景点，从而提取出背景图像，同时需要通过图像中所有像素点高斯分布的μ值和值的改变来更新背景；增加分类阈值的自适应求解步骤，使分割阈值T 的取值随着环境等因素的改变而更新。在此基础上，通过增加背景帧与中间帧之间做差，再分别与连续三帧差结果相”与”之后相“或”,我们可以得出初步的运动目标，用形态学处理后，最终得到运动目标检测图像。基于上述方法来实现运动目标的检测的优点在于最终的运动目标图像具有较强的抗干扰性与鲁棒性，运动目标较为完整。由于时间和能力问题，算法实现的效果不够完善，对于具体应用还有很长的路要走。关键词 目标检测，帧差法，背景更新目 录
1 绪论 1
1.1运动目标检测技术的发展现状 1
1.2运动目标检测目前的研究方法 2
1.3运动目标检测关键问题 3
1.4本课题研究的内容及全文的结构安排 4
1.4.1本课题研究内容及所采用的方法 4
1.4.2全文的结构安排 4
2 目标检测的方法 4
2.1背景差分法 5
2.2帧差分法 5
2.3光流法 7
2.4运动目标检测算法的比较 7
3改进目标检测的方法 8
3.1改进的帧差法 8
3.1.1静态背景的提取 8
3.1.2背景的更新 9
3.1.3自适应阈值的确定 9
3.1.4形态学腐蚀和膨胀 10
3.1.5算法流程 12
4 Ubuntu与DM3730概述 12
4.1 Ubuntu系统简介及安装 12
4.1.1 VMware软件的安装 12
4.1.2 ubuntu的安装 12
5 实验结果及分析 12
5.1实验图像和分析 12
结论 12
*好棒文|www.hbsrm.com +Q: ^3^5`1^9`1^6^0`7^2#
腐蚀和膨胀 10
3.1.5算法流程 12
4 Ubuntu与DM3730概述 12
4.1 Ubuntu系统简介及安装 12
4.1.1 VMware软件的安装 12
4.1.2 ubuntu的安装 12
5 实验结果及分析 12
5.1实验图像和分析 12
结论 12
致谢 12
参考文献 12
1 绪论
随着信息时代的深入发展，视觉信息逐渐成为人们接收外部信息的重要来源之一。计算机视觉领域实际上是指利用计算机系统来模拟人类视觉系统去处理并提取视频信息的新兴领域，也是当下图像识别和处理研究的重要方向。与静止单一的图像相比，视频流提供了更为丰富的信息，当然，也只有将视频流转化为动态的图像序列才能对其中的运动物体进行分析和研究。研究动态的图像序列的首要任务是查找和标记运动的目标，为图像识别、物体跟踪等进一步的研究做好铺垫。因此，视频流中运动目标检测技术成为了计算机视觉领域的重要分支。
科技永远在不断地进步和发展，对图像序列采集的技术和设备也随之发展起来，智能视频监控系统也逐渐被广泛应用到各种场合和环境的监控中；但计算机系统仍无法处理实时监控视频中所获取到的信息，是当前的技术难点之一。因此，一些研究人员提出，通过模拟人类大脑的处理分析功能，或许可以实现计算机系统自动处理分析视频中信息的功能。在当下智能视频监控领域的研究中，运动目标检测技术和跟踪技术是研究突破的关键。通过摄像机采集监控视频，在背景环境中检测运动目标，分析运动目标的特征，对目标的运动轨迹和位置进行实时跟踪等，这些操作涉及到了诸多领域的前沿技术，如计算机视觉、图像处理、模式识别、人工智能、自动控制等。
1．1 运动目标检测技术的发展现状
视频监控技术是20世纪60年代开始出现并逐渐成为国内外的研究和开发的热点。目前视频监控系统的难点在于无法自动搜索并检测出可疑目标，进行预警，也就无法阻止或预防异常事件的发生，监控视频也只是单单作为异常事件发生之后的参照或证据。通过运动目标检测与跟踪技术，自动检测和跟踪各种目标，智能视觉监控系统可以对视频内的行为进行分析和识别，一旦发现异常事件，就可警示监控人员采取措施。
近年来，国内外都对视觉监控技术的研究和开发不断深入，并且开展了许多重要的研究计划。美国众多高校和科研机构联合开发的重大项目VSAM，主要应用于战场探索跟踪以及对普通民用生活场景的智能监控[1]，美国马里兰开大学研发的W4实时视频监控系统, 不仅能够有效实现移动人员的定位，并对采集到的人体图像进行分割[2]，而且可以建立跟踪算法和动态目标模型，来实现对多目标的同时检测，也能够通过目标模型来对检测目标进行简单的判断。此外，欧美一些国家一直致力于将智能视频处理的理论系统向实用的监控系统进行转化，并且取得了突破，也实现了在复杂多变背景下对个体较为准确的实时检测。
1.2运动目标检测目前的研究方法
运动目标检测是计算机智能视频监控的一个重要部分,它是计算机安全监控、目标识别与跟踪、运动图像编码等视频分析和处理应用的关键步骤。因此，我们需要不断完善运动目标检测方法，来提高监控系统的识别能力,使之能在复杂背景下能对目标进行跟踪[3]。同时，简单有效并且能结合硬件实现的运动目标算法，能更方便提高跟踪的响应速度和跟踪精度,实时处理大量图像数据信息。
目前的运动目标检测算法都是根据具体的应用环境和要求提出的，暂时还没有哪种算法可以适用于所有场合中 [4]。常用的运动目标检测算法包括：背景差分法、帧间差分法、光流法等，这些算法各有各的优势和缺点，我们也可以结合其中二种或多种方法使用。
背景差分法优势是的可以提取最完整的目标区域，但对场景中的光照条件等环境因素要求较高。其特点是算法比较容易实现；可提取出较为完整的运动目标图像 [5]。当视频中的背景图像被清晰地给出或者容易获得,并且噪声干扰较少时，背景差分法相对其他方法而言，是较为简单而实用的[6]。同时,背景差分法也存在一些缺点,其在目标跟踪时获取的背景可能会不完整,即便已经有了背景图像,一旦光照条件或雨雪天气因素的改变会大大影响背景图像，从而影响检测效果,因此需要对背景图像进行实时更新,它将耗费系统的时间和资源[7]。
帧间差分法适用于动态环境下的目标检测，理论简洁明晰,容易实现,可以用在背景差分法不能及的移动摄像头的监控上,还可以检测多目标。但是，帧间差分法遇到完整的具有相同特征的目标时，会产生较严重“空洞”现象,只能得到相减后的边界轮廓部分[8]。所以帧间差分法对帧间的时间间隔要求十分严格。在对不同的运动目标进行帧间差分法检测目标时，采用的时间间隔都不相同。
光流法的优点是能在摄像机运动的情况下检测独立运动的对象,也不需要任何背景信息,但是由于自然环境下多光源、阴影、噪声、透明性和遮挡性等多种因素的复杂影响,计算出的光流场分布的精确性和可靠性都不是很理想，而且大多数光流法计算较为复杂、耗时较长,且需要强大的硬件支持,否则很难实现目标的检测[9]。
1.3运动目标检测关键问题
由于运动目标检测的复杂性以及现下计算机人工智能水平有限的问题，智能视觉监控系统其实是模仿人类的大脑，从复杂背景
1 绪论 1
1.1运动目标检测技术的发展现状 1
1.2运动目标检测目前的研究方法 2
1.3运动目标检测关键问题 3
1.4本课题研究的内容及全文的结构安排 4
1.4.1本课题研究内容及所采用的方法 4
1.4.2全文的结构安排 4
2 目标检测的方法 4
2.1背景差分法 5
2.2帧差分法 5
2.3光流法 7
2.4运动目标检测算法的比较 7
3改进目标检测的方法 8
3.1改进的帧差法 8
3.1.1静态背景的提取 8
3.1.2背景的更新 9
3.1.3自适应阈值的确定 9
3.1.4形态学腐蚀和膨胀 10
3.1.5算法流程 12
4 Ubuntu与DM3730概述 12
4.1 Ubuntu系统简介及安装 12
4.1.1 VMware软件的安装 12
4.1.2 ubuntu的安装 12
5 实验结果及分析 12
5.1实验图像和分析 12
结论 12
*好棒文|www.hbsrm.com +Q: ^3^5`1^9`1^6^0`7^2#
腐蚀和膨胀 10
3.1.5算法流程 12
4 Ubuntu与DM3730概述 12
4.1 Ubuntu系统简介及安装 12
4.1.1 VMware软件的安装 12
4.1.2 ubuntu的安装 12
5 实验结果及分析 12
5.1实验图像和分析 12
结论 12
致谢 12
参考文献 12
1 绪论
随着信息时代的深入发展，视觉信息逐渐成为人们接收外部信息的重要来源之一。计算机视觉领域实际上是指利用计算机系统来模拟人类视觉系统去处理并提取视频信息的新兴领域，也是当下图像识别和处理研究的重要方向。与静止单一的图像相比，视频流提供了更为丰富的信息，当然，也只有将视频流转化为动态的图像序列才能对其中的运动物体进行分析和研究。研究动态的图像序列的首要任务是查找和标记运动的目标，为图像识别、物体跟踪等进一步的研究做好铺垫。因此，视频流中运动目标检测技术成为了计算机视觉领域的重要分支。
科技永远在不断地进步和发展，对图像序列采集的技术和设备也随之发展起来，智能视频监控系统也逐渐被广泛应用到各种场合和环境的监控中；但计算机系统仍无法处理实时监控视频中所获取到的信息，是当前的技术难点之一。因此，一些研究人员提出，通过模拟人类大脑的处理分析功能，或许可以实现计算机系统自动处理分析视频中信息的功能。在当下智能视频监控领域的研究中，运动目标检测技术和跟踪技术是研究突破的关键。通过摄像机采集监控视频，在背景环境中检测运动目标，分析运动目标的特征，对目标的运动轨迹和位置进行实时跟踪等，这些操作涉及到了诸多领域的前沿技术，如计算机视觉、图像处理、模式识别、人工智能、自动控制等。
1．1 运动目标检测技术的发展现状
视频监控技术是20世纪60年代开始出现并逐渐成为国内外的研究和开发的热点。目前视频监控系统的难点在于无法自动搜索并检测出可疑目标，进行预警，也就无法阻止或预防异常事件的发生，监控视频也只是单单作为异常事件发生之后的参照或证据。通过运动目标检测与跟踪技术，自动检测和跟踪各种目标，智能视觉监控系统可以对视频内的行为进行分析和识别，一旦发现异常事件，就可警示监控人员采取措施。
近年来，国内外都对视觉监控技术的研究和开发不断深入，并且开展了许多重要的研究计划。美国众多高校和科研机构联合开发的重大项目VSAM，主要应用于战场探索跟踪以及对普通民用生活场景的智能监控[1]，美国马里兰开大学研发的W4实时视频监控系统, 不仅能够有效实现移动人员的定位，并对采集到的人体图像进行分割[2]，而且可以建立跟踪算法和动态目标模型，来实现对多目标的同时检测，也能够通过目标模型来对检测目标进行简单的判断。此外，欧美一些国家一直致力于将智能视频处理的理论系统向实用的监控系统进行转化，并且取得了突破，也实现了在复杂多变背景下对个体较为准确的实时检测。
1.2运动目标检测目前的研究方法
运动目标检测是计算机智能视频监控的一个重要部分,它是计算机安全监控、目标识别与跟踪、运动图像编码等视频分析和处理应用的关键步骤。因此，我们需要不断完善运动目标检测方法，来提高监控系统的识别能力,使之能在复杂背景下能对目标进行跟踪[3]。同时，简单有效并且能结合硬件实现的运动目标算法，能更方便提高跟踪的响应速度和跟踪精度,实时处理大量图像数据信息。
目前的运动目标检测算法都是根据具体的应用环境和要求提出的，暂时还没有哪种算法可以适用于所有场合中 [4]。常用的运动目标检测算法包括：背景差分法、帧间差分法、光流法等，这些算法各有各的优势和缺点，我们也可以结合其中二种或多种方法使用。
背景差分法优势是的可以提取最完整的目标区域，但对场景中的光照条件等环境因素要求较高。其特点是算法比较容易实现；可提取出较为完整的运动目标图像 [5]。当视频中的背景图像被清晰地给出或者容易获得,并且噪声干扰较少时，背景差分法相对其他方法而言，是较为简单而实用的[6]。同时,背景差分法也存在一些缺点,其在目标跟踪时获取的背景可能会不完整,即便已经有了背景图像,一旦光照条件或雨雪天气因素的改变会大大影响背景图像，从而影响检测效果,因此需要对背景图像进行实时更新,它将耗费系统的时间和资源[7]。
帧间差分法适用于动态环境下的目标检测，理论简洁明晰,容易实现,可以用在背景差分法不能及的移动摄像头的监控上,还可以检测多目标。但是，帧间差分法遇到完整的具有相同特征的目标时，会产生较严重“空洞”现象,只能得到相减后的边界轮廓部分[8]。所以帧间差分法对帧间的时间间隔要求十分严格。在对不同的运动目标进行帧间差分法检测目标时，采用的时间间隔都不相同。
光流法的优点是能在摄像机运动的情况下检测独立运动的对象,也不需要任何背景信息,但是由于自然环境下多光源、阴影、噪声、透明性和遮挡性等多种因素的复杂影响,计算出的光流场分布的精确性和可靠性都不是很理想，而且大多数光流法计算较为复杂、耗时较长,且需要强大的硬件支持,否则很难实现目标的检测[9]。
1.3运动目标检测关键问题
由于运动目标检测的复杂性以及现下计算机人工智能水平有限的问题，智能视觉监控系统其实是模仿人类的大脑，从复杂背景
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/dzxx/dzkxyjs/1947.html
