视频图像中的运动分析是诸多学术领域,包括计算机科学,计算机视觉,人工智能,广泛关注的一个课题。它将数字图像处理领域中对静态图像的分析扩展到动态图像中,从而从动态图像中获得一些关于运动物体以及运动本身的特征,包括运动是否存在,运动方式以及运动物体的识别。这些研究成果可以广泛应用到军事,安保,数据压缩等方面,具有广泛的应用前景。一个完整的运动分析过程包含运动提取,运动目标识别,运动跟踪,运动分析这四个阶段。这四个阶段可以被看成“黑盒子”,或者说是“过滤器”,是将数据从一种形式转化到另一种形式的过程。根据应用场合的不同,这四个阶段并不是一定全部都要存在,它们的存在决定于应用的场合,但是一般情况下运动提取和运动跟踪这两个阶段是必要的,所以本文研究的重点就集中在运动提取和运动跟踪两个阶段。 运动提取是将运动物体从连续的视频图像中提取出来的过程。这一阶段是后续所有处理的基础,具有重要的意义,但是由于现实世界的复杂性,使得这一阶段变的相当复杂,现阶段的运动提取算法都是建立在一定程度的限制和假设的基础上,很难找到一个适用于所有应用场合的运动提取算法。本文在充分分析了现阶段比较常见的三种运动提取算法(背景差分法,帧间差分法,光流法)的基础上,综合他们的优缺点以及本文所适用的场合,采用背景差分法进行运动提取,并通过使用高斯模型为背景图像建模来提高背景模型得准确度,在对视频图像处理得过程中,使用自适应得背景模型更新算法对背景模型进行修正,经过修正后的背景模型能够及时反映出背景的动态变化。在运动跟踪处理之前,本文对运动提取的结果进行了一次预处理:将运动提取阶段错误检测到的目标剔除掉,同时对运动目标进行细化处理,包括轮廓平滑,填充空洞等,这样做的目的一方面为了减小后续处理的计算量,同时也提高了后续处理,特别是运动跟踪的准确度。在运动跟踪阶段,本文引入了一个比较新的非参数化跟踪算法CamShift算法。CamShift算法根据运动目标的色彩信息对运动目标可以进行实时跟踪,具有鲁棒性强和实时性强等优点。 为了验证和观察以上的方法,本文在Windows平台下设计了一个小型的视频运动分析系统,实现了以下几个功能:(1)实时视频采集和显示;(2)实时运动物体的自动检测;(3)实时运动目标的跟踪。 在本文的最后阶段,使用此视频运动分析系统进行了大量的实验,并全面分析了实验现象和数据。通过对这些现象和数据的分析我们得出结论:本文设计的视频图像运动分析系统具有良好的实时性,能够正确的进行运动物体的实时自动检测和跟踪,并表现出一定的鲁棒性。如何能够提高系统的鲁棒性就成了在以后研究工作的重点。