实验室智能监控系统设计本科毕业论文(编辑修改稿)

实验室智能监控系统设计本科毕业论文(编辑修改稿)内容摘要：

浙江科技学院本科毕业设计（论文） 14 以是其他颜色），而当图像中像素点的亮度值大于这个数值时，把像素点设置成为白色（可以是其他颜色）。 阀值的选择有自动阀值选取法和手动阀值选取法。 自动阀值选取法，是先对灰度图像进行扫描，根据得到图像中点的亮度情况，自动地设定一个阀值。 比如说，想使图像中 70%的点的颜色是黑色的，那么这个阀值就应该取整个图像中所有像素亮度值排序中的 70%位置上的亮度值。 手动阀值设定比较简单，就是人为的设定一个阀值，一般来说，它要求在设定之前对整个图像的亮度有大致地了 解 [5]。 图 二值化后得 图 233 图像的二值化 图像细化 图像的细化是使粗的物体变细，同时保留了原来物体的轮廓特征。 细化将一个曲线物 体细化成为一条单像素宽的线，从而图形化地显示出其拓扑性质。 图像的细化属于图形学的内容，它是骨架提取的一种方法，经常用在轮廓里面。 抽骨架也称为中轴变换或焚烧草地技术。 中轴是所有与物体在两个或更多非邻域边界点处相切的圆心的轨迹。 但抽骨架很少通过在物体内拟合圆来实现。 图像细化的算法也很多，根据不同的情况，可以 选择不同的细化方法。 在本系统中，使用的是查表的细化算法，即 8邻域细化中有代表性的希尔迪奇方法。 具体来说就事先设定一个二值化的表格，里面的数值表示该点能不能被细化掉，然后进行像素点周围的八方向扫描，查看八个方向上点的颜色情况，最后根据八个点的情况计算，得到一个索引值，利用这个索引值查看表格中的数值，最后确定当前像素是否应该被细化掉。 原来图像的轮廓变细了 [6]，细化后的图像效果如图 所示。 浙江科技学院本科毕业设计（论文） 15 图像处理的应用 计算机图像处理和计算机、多媒体、智能机器人、专家系统等技术的发展紧密相关。 今年来计算机识别、 理解图像的技术发展很快，也就是图像处理的目的除了直接供人观看（如医学图像是为医生观看作诊断）外，还进行一步发展了与计算机视觉有关的应用，如邮件自动分检，车辆自动驾驶等。 下面仅罗列了一些典型应用实例，而实际应用更广 [7]。 (1)在生物医学中的应用 主要包括显微镜图像处理； DNA 显示分析；红、白血球分析计数；虫卵及组织切片的分析；癌细胞识别；染色体分析；心血管数字减影及其他减影技术；内脏大小形状及异常检测；心脏活动的动态分析；热像、红外像分析； X 光照片增强、冻结及伪彩色增强；超声图像成像、增强、冻结及伪彩色处 理等。 (2)遥感航天中的应用 军事侦察、定位、导航、指挥等应用；多谱卫星图像分析；地形、地图、国土普查；地质、矿藏勘探；森林资源探查、分类、防火；水利资源探查，洪水泛滥监测；海洋、渔业方面如温度、鱼群的监测、预报；农业方面如谷物估产、病虫害调查；自然灾害、环境污染的监测；气象、天气预报图的合成分析预报；天文、太空星体的探测及分析；交通、空中管理、铁路选线等。 (3)军事公安领域中的应用 巡航导弹地形识别；指纹自动识别；罪犯脸形的合成；侧视雷达的地形侦察；遥控飞行器 RPV 的引导；目标的识别与制导；警戒系统及 自动火炮控制；反伪装侦察；手迹、人像、印章的鉴定识别；过期档案文字的复原；集装箱的不开箱检查等。 (4)其他应用 图像的远距离通信；多媒体计算机系统及应用；电视电话；服装试穿显示；理发发型预测显示；电视会议；办公自动化、现场视频管理等。 浙江科技学院本科毕业设计（论文） 16 第 三 章 运动检测 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。 运动检测是指在指定区域能识别图像的变化，检测运动物体的存在并避免由光线变化带来的干扰。 但是如何从实时的序列图像中将变化区域从背景图像中提取出来，还要考虑运动区 域的有效分割对于目标分类、跟踪等后期处理是非常重要的，因为以后的处理过程仅仅考虑图像中对应于运动区域的像素。 然而，由于背景图像的动态变化，如天气、光照、影子及混乱干扰等的影响，使得运动检测成为一项相当困难的工作。 通过对本系统的使用，可以了解图形图像处理的一些基本手段和方法，如细化、膨胀、灰度化、二值化、平滑、边缘提取等 [4]。 同时可以了解物体跟踪的实现算法，即 背景图像差分法、时态差分法和光流法 :等，可以将 这些技术用在各种 视频监控系统中 [8]。 功能特点：  系统能够自动提取背景；  物体的识别准确率 大于 95%；  每张图片的处理时间不大于 3s；  对图片噪声具有较强的适应性；  系统能够长时间无故障运行；  系统的操作简单。  界面友好，简单易用 3..2 界面功能使用流程图 图 界面功能流程图 浙江科技学院本科毕业设计（论文） 17 运动检测 方法 早期的运动检测如 MPEG1 是对编码后产生的 ,帧进行比较分析，通过视频帧的比较来检测图像变化是一种可行的途径。 原理如下： MPEG1 视频流由三类编码帧组成，它们分别是：关键帧（ I 帧），预测帧（ P 帧）和内插双向帧（ B 帧）。 I 帧 JPEG 标准编码，独立于其他编码帧，它是 MPEGI 视频流中唯 一可存取的帧，每 12 帧出现一次。 截取连续的 I 帧，经过解码运算，以帧为单位连续存放在内存的缓冲区中，再利用函数在缓冲区中将连续的两帧转化为位图形式，存放在另外的内存空间以作比较之用，至于比较的方法有多种。 此方法是对编码后的数据进行处理，而目前的MPEG1 /MPEG4 编码都是有损压缩，对比原有的图像肯定存在误报和不准确的现象 [9]。 目前运动目标检测方法有 3 种 : 帧差法 、 减背景 法 和光流法 光流是空间运动物体被观测面上的像素点运动产生的瞬时速度场，包含了物体 3D 表面结构和动态行为的重要信息 错误 !未找到引用源。 一般情况下，光流由相机运动、场景中目标运动，或两者的运动产生。 当场景中有独立的运动目标时，通过光流分析可以确定运动目标的数目、运动速度、目标距离和目标的表面结构。 对于光流的研究已经在环境建模、目标检测与跟踪、自动导航及视频事件分析中得到了广泛的应用 错误 !未找到引用源。 错误 !未找到引用源。 在空间中，运动可以用运动场描述。 而在一个图像平面上，物体的运动往往是通过图像序列中不同图象灰度分布的不同体现的。 从而，空间中的运动场转移到图像上就表示为光流场，光流场反映了图像上每一点灰度的变化趋势。 光流可以看作带有灰度的像素点在图像平面运动产生的瞬时速度场。 光流方程推导：假设 E( , , )x yt 为 (x,y)点在时刻 t 的灰度。 设 t+dt 时刻该点运动到(x+dx,y+dy)点，他的灰度为 E ( , , )x d x y d y t d t  。 我们认为，由于对应同一个点，所以 E ( , , ) E ( , , )x y t x d x y d y t d t    (21) 将上面光流约束方程式右边做泰勒展开，并令 dt0，则得到： E E E 0xu yv t  ，其中： E E/x d dx E E/y d dy E E/t d dt /u dxdt /v dydt 上面的 Ex,Ey,Et 的计算都很简单，用离散的差分代替导数就可以了。 光流法的主要任务就是通过求解光流约束方程求出 u,v。 但是由于只有一个方程，所以这是个病态问题。 故而 浙江科技学院本科毕业设计（论文） 18 人们提出了各种其他的约束方程以联立求解。 但是当用于摄像机固定的这一特定情况，问题可以大大简化 [9]。 在摄像机固定的情形下，运动物体的检测其实就是分离前景和背景的问题。 对于背景理想情况下，其光流应当为 0，只有前景才有光流。 并不需要通过求解光流约束方程求出 u,v。 只要求出亮度梯度方向的速率就 可以了，即求出 22uv。 而由光流约束方程可以很容易求得梯度方向的光流速度为：    22E / E EV t x y (22) 因此设定一个阈值 T。 ( , ) T ( , )( , ) T ( , )V x y x yV x y x y ， 是 前 景， 是 背 景 (23) 光流计算方法大致可分为三类：基于匹配的、频域的或梯度的方法。 基于匹配的光流计算方法包括基于特征和区域的 两种。 基于特征的方法不断地对目标主要特征进行定位和跟踪，对目标大的运动和亮度变化具有鲁棒性。 存在的问题是光流通常很稀疏，而且特征提取和精确匹配也十分困难。 基于区域的方法先对类似的区域进行定位，然后通过相似区域的位移计算光流。 这种方法在视频编码中得到了广泛的应用。 然而，它计算的光流仍不稠密。 另外，这两种方法估计像素精度的光流也较困难，计算量很大。 在考虑光流精度和稠密性时，基于匹配的方法不如基于频域和梯度的方法。 基于频域的方法利用速度可调的滤波组输出的频率或相位信息。 虽然能获得很高精度的初始光流估计，但往往涉 及复杂的计算。 另外，进行可靠性评价也十分困难 错误 !未找到引用源。 基于梯度的方法利用图像序列的时空微分计算 2D 速度场（光流）。 由于计算简单和较好的实验结果，基于梯度的方法得到了广泛研究。 虽然很多基于梯度的光流估计方法取得了较好的光流估计，但由于在计算光流时涉及到可调参数的人工选取、可靠性评价因子的选择困难，以及预处理对光流计算结果的影响，在应用光流对目标进行实时检测与自动跟踪时仍存在很多问题 错误 !未找到引用源。 光流法就是利用图像灰度在时间上的变化与景象中物体的结果和运动的关系，进行运动物体的检测，光流法的计算结果通常误差较大，分割结果的精确性依赖于估算的光流场的精确性，且计算复杂，如果没有硬件帮助的话，很难满足系统实时性的要求。 错误 ! 浙江科技学院本科毕业设计（论文） 19 未找到引用源。 和 错误 !未找到引用源。 等人采用了这种分析手段分割运动 , 帧间差分法 错误 !未找到引用源。 是以直接比较图像序列相邻对应像素点发生的相对变化为基础进行运动目标检测的方法， 可分为相邻两帧图像差分和连续三帧差分。 在最简单的形式下，连续两相邻帧间采用基于像素的差分并且阈值化来提取图像中的运动区域。 第 t 帧图像( , , )f x yt 与第 t1 帧图像 ( , , 1)f x y t 进行差 分，得到差分后的 二值 图像 ，如下公式： 1 , ( , , ) ( , , 1 ) T( , , , 1 )0 , d if f x y t f x y tf x y t t e lse     (24) 其中 T是差分阈值，得到的二值图像中像素为 1的区域被认为是运动目标区域 [10]。 帧间差分易于实时监控、算法简单，如果相邻帧的时间间隔较短，该方法对场景光线的变化不太敏感，受目标阴影的影响也不大，因此这种方法具有很强的自适应性， 无需获得背景图像， 但是对做差分的连续帧的选择时机要求较高，而且有赖于运动物体的 运动速度，如果运动速度较快，而选取的时间间隔过大，就会造成两帧之间无覆盖区域，从而无法分割出运动物体，而如果运动速度过慢，而选取的时间过小，则造成过度覆盖，最坏的情况就是物体几乎完全重叠，根本就检测不到物体。 一种改进的方法是利用三帧差分代替，如 VSAM开发了一种自适应背景减除与三帧差分相结合的混合算法，它能够快速有效地从背景中检测出运动目标；另一种改进方法是采用后处理的方法如形态滤波、区域连通或参数模型等方法提取完整的运动目标信息。 帧间差分运动检测方法对于动态环境具有较强的自适应性，但一般不能完全提取出所有 相关的特征像素点，在运动实体内部容易产生空洞现象，一直都没有很好的解决方法。 减背景法 目前，很多文献都采用减背景 ( background subtraction)思想来开展监控视频运动目标检测方法的研究，即将每个输入视频帧和一张背景图像相比较，如果同位置的像素特征、像素区域特征或其他特征存在一定程度的差别，则新视频帧中这些位置的像素点或像素区域就构成前景运动目标区域。 若对这些前景像素点作进一步处理，即可得到运动目标位置、大小、形状等信息，以便进行目标跟踪和视频内容理解。 减背景 的基本思想是用当 前帧与背景帧进行差。