图像处理在数字视频监控系统中的应用.doc

数字图像处理技术在数字监控中的应用

    数字图像处理技术在数字监控中的应用,最主要体现在基于图像处理的自动报警功能。自动报警功能是基于数字图像处理的数字监控系统的关键部分,它直接关系到整个系统的信息化水平和自动监控报警的准确率。基于图像处理主要是对图像内容进行检测,提取出适合报警的特征,其流程如图5所示。包括的关键技术有:图像截取、图像预处理、背景更新、目标检测、特征提取、特征识别等。
   

    系统通过多路视频采集器将监控现场信息采集到控制中心,然后定时截取位图图像,用做后续目标检测和分析的原始图像。位图由像素组成,特别适合图像处理。若每路图像的帧数为25帧/s,则基本可以达到实时监控的效果。
3. 图像增强
视频序列经过编码、解码、传输后, 由于受到多种因素的影响, 往往会使接收到的图像与原始图像之间产生某种差异,造成图像质量降低或退化,图像模糊不清等。经 H. 2 6 4 解码后得到的图像,由于去除了帧内、帧间的冗余,部分区域出现块效应,如地板、墙面和人的衣服等,视频播放时偶尔有闪动。图像质量的下降,除了进一步优化编码器中帧内、帧间预测模式的算法以外,还可以采用图像处理的方式,改善人们感兴趣的信息。对于数字视频监控系统来说, 引起图像失真的主要原因有监控环境中的噪声、编码过程中产生的块效应等。针对这些原因采取有效,可以通过图像处理的方法改善图像的质量。如通过增强对比度的办法来看清图像的细节; 运用平滑技术减少块效应对图像清晰度的影响;使用微分运算突出边界或其他变化部分等。
图像锐化
在图像识别中,需要有边缘鲜明的图像,即图像锐化。图像中的边缘像素都是亮度变化较大的地方,从数学观点来看,检查图像某区域内灰度的变化大小就是微分的概念。图像函数在某处的微分值大,表明像素值的变化率大, 边缘明显; 反之,微分值小, 表示像素值变化率小, 边缘不明显甚至模糊。当微分值为0时, 表示像素值无变化。图像锐化中最常用的方法是梯度运算。梯度运算法包括 R o b e r ts 算子、 S o b e l 算子和 P r e w i t t 算子等, S o b e l 算子对噪声十分敏感 R o b e r ts 算子的鲁棒性比较好。由于监控系统图像中掺杂着大量的噪声,因此采用R o b e r
t s 算子的图像锐化方法。

图3、4是采用 R o b e rt s 算子对图1视频图像的处理,图3是阈值取3 5时的R o b e r
t s 算子边缘检测结果,图4的阈值为5 。图4的中心图像乱成一片, 无法确认有效信息,就是因为阈值的选取不当, 将不是边缘的像素误当作边缘的结果,没有达到锐化的目的,所以阈值的选取是十分重要的。
邻域平均法
平滑滤波对图像的低频分量进行增强, 同时可以削弱图像的高频分量,因此一般用于消除图像中的随机噪声,从而起到图像平滑的作用。
图像邻域平均法的平滑效果与所用的邻域像素个数有关,像素越多, 则图像的模糊程度越大。邻域平均法包括:简单平均法、阈值平均法, K一近邻平均法和邻域加权平均法等。

采用对 y分量对图像进行邻域加权平均法平滑处理,对图像边缘像素点没有进行处理。图 1是视频监控序列的背景图像, 图 5是处理前的直方图, 图6是进行