本站原创本文是一篇计算机论文范文,计算机类学年毕业论文,关于基于OpenCV技术的预警系统相关硕士毕业论文范文。适合计算机及目标及参考文献方面的的大学硕士和本科毕业论文以及计算机相关开题报告范文和职称论文写作参考文献资料下载。
摘 要传统的预警系统智能化有待提高,因此预警效果不太显著,本文提出了一种基于OpenCV技术的预警系统,该系统是基于图像和视频处理的运动检测和目标跟踪相关技术的基础上,重点研究了运动物体（行人）危险检测技术的基本原理和实现算法,应用OpenCV设计了一个预警系统,可以实现智能交通控制、智能视频监控等.
关 键 词OpenCV运动检测预警系统
中图分类号：TP311文献标识码：A
0背景
在日常生活中,存在着很多安全问题,若能有效地分析人的行为,而进行预警,可很好地防盗窃等.例如当监控场景中的物体被偷盗或者移动时,算法将自动检测这种动作并产生警报,常用于贵重物品和关键设备的监控；本文使用智能视频监控系统,利用计算机对数字视频图像进行智能化处理,结合计算机科学、机器视觉、图像处理、模式识别、人工智能等多种学科,把视频数据经过帧处理,运动检测、目标分类、目标跟踪和行为理解等步骤,提取出高级的语义信息,从而指导和规划行动,实现高层次的人工智能.本文研究的重点是对智能视频监控中行人危险行为的检测和跟踪.
1运动目标检测基本思路
本预警系统在对视频录入的帧图像进行二值化的基础上,通过相邻图像间的差进行运动检测,运用OpenCV中函数提取运动目标的轮廓,并对其进行违规判断.由于录入视频中运动物体种类繁多,通过面积大小及运动的规律性,对运动物体进行性质判断,确定是否为检测目标,再对运动目标进行进一步处理.
研究运动目标检测时,由于背景的变化较小,故采用帧差法检测运动目标.首先是将连续的视频处理成分割的帧图像,得到帧图像之后做差得到差图像,然后对差图像进行一系列的图像处理.包括：二值化,平滑处理,形态学膨胀,轮廓提取.然而并非全部轮廓都是由目标产生,背景的扰动、噪声的影响使结果中出现一些背景区域像素点被检测为运动区域.为消除这些影响,首先将上述结果用形态学方法进行处理,找出处理后的连通域,抛弃面积小于一定值的区域.
2运动目标的跟踪
运动目标的跟踪是智能视频监控系统中基本且关键的部分,它衔接了运动目标检测和目标行为分析理解,是在检测运动目标的基础上,来区分运动目标并获得其运动轨迹.主要思路是系统在检测到运动目标后,对运动目标的特征进行提取,以识别运动目标的种类、大小、运动方向以及其他特征信息,从而进行跟踪.同时也可以根据运动轨迹判断运动目标是否存在违章行为,或者检测出在敏感区域中一直徘徊的可疑运动目标.
在分析了多种目标跟踪方法的基础上,我们选择使用基于特征跟踪的方式进行目标跟踪.选择应用图像处理函数cvFindContours（）提取目标轮廓信息,此函数可以得到运动目标的轮廓偏移量及长度宽度,根据这些数据,我们可以得到运动目标的中心
点,比较其与检测区或者敏感区的位置关系,继续后续的检测.其跟踪的详细设计为：
（1）根据视频图像中具体情况,确定检测区.实际操作时,我们需要根据图像一步一步调整检测线的位置,确保与实际相符.
（2）运动目标特征值提取：应用cvFindContours（）后,运动目标的特征值、偏移量及长宽,会存储在对应的变量内.
（3）根据特征值,偏移量及长度宽度,就可以确定运动目标的中心点.
但对于多个物体的跟踪,中心点的存储直接影响轨迹绘制时的正确性.当只有单个运动物体时,可以通过一维数组直接存储；要是有多个运动物体或者不定个数的运动物体,就需要二维数组存储中心点坐标；在cvFindContours（）存储有中心点坐标时,将中心点坐标利用行对应存储进二维数组,由于对应列并不是表示同意运动物体,需要对数组的存储数据进行更改,通过交换的方式达到对应行对应列,存储的是对应的运动目标的目的.
（4）智能检测：将中心点的位置与检测区对比,确定是否违规.需要应用线性规划,通过点与区间位置关系综合实现.
（5）轨迹绘制：运动物体特征值中心点在检测区内,警示违规,应用cvRectangle（）绘制红色轮廓；运动物体特征值中心点在检测区外正常,应用cvRectangle（）绘制绿色轮廓.
3结论
基于OpenCV技术的预警系统,选用帧间差分法进行检测,跟踪方式是特征值跟踪,进行帧间差分,二值化,图像平滑处理,形态学膨胀,去除背景椒盐噪声,轮廓特征值提取,轨迹绘制.实现帧间差分时,需要首先实现图像灰度处理（函数cvCvtColor（））,再应用cvAbsDiff（）函数实现对相邻两帧的图像对应像素点像素值做差,如果视频中有运动物体,其边界处的像素点相邻两帧的差值结果非零,其他无运动区域相邻差值为零.