数字图像处理项目实施步骤参考材料 -

实施步骤：共分为5个阶段

第一阶段： 行人视频采集&视频预处理 1.行人视频采集：

我们是在校内的风雨操场旁边用手机录制了4个超过一分钟的视频，然后再从四个视频中筛选出来一个最好的视频（要求前10s要求背景静止、无运动物体，之后时间要求有行人走过以及车辆开过等非行人的运动，要求既有单个行人走过的画面，又有两个行人走过的画面，整段视频中总共不少于5个行人走过）。 2.视频预处理：

将拍摄到的视频转换为图像序列，分析图像序列的质量特性，完成图像去噪和质量增强，如：直方图均衡、去过曝光、光线补偿等。

第一阶段放在一张或者两张PPT 第二阶段： 运动检测

运动区域检测算法：（三，四张PTT）

根据摄像头是否保持静止，运动检测分为静态背景和运动目标检测是指在序列图像中检测出变化区域并将运动目标从背景图像中提取出来。由于摄像头保持静止，故采用静态背景下运动目标检测算法，常用的方法有帧差法、光流法、背景减除法等。 1. 帧差法

帧差法是最为常用的运动目标检测和分割方法之一，基本原理就是在图像序列相邻两帧或三帧间采用基于像素的时间差分通过闭值化来提取出图像中的运动区域。 2. 光流法

光流法的主要任务就是计算光流场，即在适当的平滑性约束条件下，根据图像序列的时空梯度估算运动场，通过分析运动场的变化对运动目标和场景进行检测与分割。通常有基于全局

光流场和特征点光流场两种方法。 3. 背景减除法

背景减除法是一种有效的运动对象检测算法，基本思想是利用背景的参数模型来近似背景图像的像素值，将当前帧与背景图像进行差分比较实现对运动区域的检测，其中区别较大的像素区域被认为是运动区域，而区别较小的像素区域被认为是背景区域。

综合对比，我们选择第三种，背景减除法。

背景减除法的基本思想是首先构建一个背景，然后用当前帧图像和背景相减， 根据差分图像检测运动目标。这种方法简单，易于实现，能够较好地提取出目标的特征数据，但对于外界环境的变化非常敏感，适用于背景已知的情况。

运动检测方法：（一张PTT）

先进行图像预处理，采用中值滤波的方法。在图像处理过程中, 帧间差分是通过计算相邻两帧图像之间的差值来获得运动区域的，通过差值图像能快速的检测出相邻图像中运动目标所引起的运动范围。可采用三帧差分法来计算，三帧差法是在帧间差分的基础上进行改进，将相邻的三帧图像作为一组进行再差分，能较好的检测出中间帧运动目标的形状轮廓。 第三阶段： 行人检测

行人检测：大体分为两类：（四张PPT）

（1）基于背景建模的方法：分割出前景，提取其中的运动目标，然后进一步提取特征，分类判别；在存在下雨、下雪、刮风、树叶晃动、灯光忽明忽暗等场合，该方法的鲁棒性不高，抗干扰能力较差。且背景建模方法的模型过于复杂，对参数较为敏感。

（2）基于统计学习的方法：根据大量训练样本构建行人检测分类器。提取的特征一般有目标的灰度、边缘、纹理、形状、梯度直方图等信息，分类器包括神经网络、SVM，adaboost等。该方法存在以下难点： （a）行人的姿态、服饰各不相同；

（b）提取的特征在特征空间中的分布不够紧凑； （c）分类器的性能受训练样本的影响较大；

（d）离线训练时的负样本无法涵盖所有真实应用场景的情况；

典型的代表是法国研究人员Dalal在2005的CVPR发表的HOG+SVM的行人检测算法。 考虑到背景建模和统计学习这两种方法各有优缺点，有研究人员提出将这两种方法予以结合来进行快速准确的行人检测。其中的一个典型系统如下： 这是基于场景模型与统计学习的鲁棒行人检测算法。

研究人员利用GMM来进行背景建模，利用Haar-like特征对行人进行特征描述，以AdaBoost级联结构作为分类器。并提出一种改进的弱分类器选择算法，从而使得弱分类器选择和分类器重新训练得以在10分钟左右完成。

综合前两种算法，可采用两种相结合的算法来进行 行人检测。 第四阶段：行人目标跟踪 行人目标跟踪：（两张PPT）

目标跟踪[3]就是在一个连续视频序列中，在每一帧监控画面中找到感兴趣的运动目标。通过对目标进行特征描述、相似度度量计算、区域搜索匹配来实现跟踪的目的。常见的目标跟踪算法有MeanShift、Kalman滤波等。

我们采取运用传统的MeanShift算法进行目标跟踪。通过手动选取的方式，用鼠标画矩形框选定跟踪的区域，截取目标。然后计算核函数加权下的选定跟踪区域矩形框的直方图分布，用同样的方法计算第N帧对应矩形框的直方图分布,。以两个目标模板分布的相似性最大为原则，使得搜索窗口沿着密度增加最大的方向移动，不断更新中心点的坐标位置，在帧上画矩形框，这样视觉上的效果就是矩形框随人而动，就达到了跟踪的效果。 第五阶段：报告总结

完成所有的设计与报告撰写，在第九（十）周进行演示、汇报和答辩。