‘千里马计划官网最新版V7.24.568’基于图像处理的铁路沿线视频监控算法设计

0章节　　　　本文设计的铁路沿线视频监控方法是通过一种基于视频图像处理构建对于行人穿越铁路线的监控。当被监控区域中经常出现目标后可以自动报警并且存储适当的故障照片，为事后的工作获取可信的依据。

算法设计的仅次于特点是明确提出一种以图像处理为核心的安全监控设计，通过图像处理可以自动辨别若无危险性情况再次发生并自动报警，特别是在监控人员不出时需要充分发挥相当大的起到。　　1视频监控系统中背景的萃取　　背景图像是指视场中没运动目标的图像，即使视场内有运动目标，背景算法也通过技术处置除去目标而取得没运动目标的背景图像。

目前常规的背景萃取的方法有统计资料直方图法、统计资料中值法、多帧图像平均法和倒数帧差法等。　　以上四种方法分别有各自的缺点。

统计资料直方图法不存在的问题是随着统计资料帧数的减少，获得的背景图像效果并不显著；统计资料中值法不存在的问题与统计资料直方图法也相差无几，此外该算法构建时计算出来量较小，闲置计算机内存较小，处置较快；多帧图像平均法获得背景图像不受目标运动量的影响较为大，随着平均值帧数的减少，噪声避免才不会有所改善；倒数帧差法惯性的背景图像无法必要取得，其关键是如何在有目标运动的情况下取得较好的背景图像，由于该算法并没对帧差分本身更进一步处置，不存在的问题是不易把纹理相近的前景交错区域误以为背景。　　综合考虑到以上四种背景萃取方法，本文使用融合多帧图像平均法和倒数帧差法这两种方法来展开视频序列背景的萃取。考虑到运动目标的多样性，有目标经过视场而引发的变化长时间内可忽略不计。

多帧图像平均法时将运动目标看作为噪声，用相加平均值的方法避免噪声，利用目标运营一段时间的序列图像展开平均值而获得视场背景图像。倒数帧劣算法是通过当前帧的图像与前一帧图像的差值寻找运动区域，对运动区域的背景维持恒定，而非运动区域的背景则用当前帧展开改版，经过一段时间的递归之后可萃取出有背景。两种方法的融合可以很好地填补各自的缺点，需要适应环境铁路沿线周边环境的拒绝，对不存在运动目标的背景需要萃取出有质量较高的背景图像。

明确过程如下：　　只考虑到三帧的情况下，首先从视频序列中随意萃取三帧，如图1(a)～图1(c)右图。然后对萃取出来的三帧图像分别切换为灰度图并算出它们的灰度平均值图像，以灰度平均值图像作为倒数帧差法的第一帧图像(即完整图像)。

通过完整图像和萃取的三帧图像来做到倒数帧差法，获得的背景图像经过灰度图如图1(d)右图。　　2视场中危险性区域的划界　　从早已获得的背景图像灰度图开始，展开一系列的图像处理，将不会获得一幅标定了危险性区域的二值图像。首先对背景灰度图展开均匀分布化处置，依序是图像增强、图像二值化、区域标记、除去图像毛糙和图像收缩。

　　图像二值化后的结果如图2(a)右图，获得的最后结果如图2(b)右图。从两幅图像的对比可以显现出，图像经过一系列处置后，基本标定了危险性区域。对于获得的图2(b)，图中白色的区域为铁道双轨内部即原作的危险性区域。

应用于此种方法获得的结果图像在光照条件充裕情况下需要获得更佳的效果，呼吸困难用作光照条件严重不足和夜间的危险性区域标定。　　3危险性情况不存在时图像的自动留存　　由于视频摄制的方位是平行于地面，所以摄制到的视场很宽阔。

如果对拍下的整个铁路线展开监控，那么周围环境不会对图像处理带给相当大的阻碍。所以为了超过较好的监控效果，只考虑到沿线的某一块区域，本文指定的监测区域是：讫的方位从346～386的像素点，佩的方位从341～370的像素点。待监测的视频是25帧／s，每秒钟从视频中提取一帧展开监测。对于每一帧待监测的图像首先要展开图像的预处理，处置步骤还包括有切换为灰度图、二值化、图像收缩等。

把预处理后的图像和图2(b)做到谓之运算，然后对获得的结果图像在监测区域内展开像素统计资料。　　首先原作一个计数器counter，并令其初始值为0。在监测区域内对每个像素点展开二值辨别，如果像素点的值为0(即黑色点)，那么计数器自动特1，待监测区域内的每个点辨别完后，再对counter的值展开辨别。

如果counter的值小于200(解释监测区域有相当大的阻碍，即有人转入)，则自动对当前待监测的帧以灰度图的形式保存起来，如果counter的值大于相等200(解释监测区域没受到充足大的阻碍)，则本帧监测完结，不留存图像，转而监测下一帧。　　对每一帧都做到上述处置，经过一段时间的监测后，系统不会自动留存一些危险性情况不存在时的图像(灰度图形式)。

图像自动留存方法流程图如图3右图。　　从监控结果来看，获得的是一幅幅危险性情况不存在时的图像，图像自动留存的部分结果如图4右图。这些图像就是指10min的视频数据中自动提取出来的，从这些图像中可以分析整个设计的识别率，识别率的强弱影响着算法设计和程序撰写的优劣。

　　通过铁轨的人总数为114人左右，计算机顺利辨识出有的越轨行为有99人、计算机没辨识出有的越轨行为有15人，本身无越轨行为但被计算机辨识出有的有9人。监控结果的成功率=(99114)100％=86.8％；监控结果的漏报亲率=(15114)100％=13.2％；监控结果的误报率=(9114)100％=7.9％。　　4一种目标辨识算法　　铁路上运动目标主要分成：行人、车辆、小动物和其他。　　在对目标展开辨识前再行要对危险性情况不存在时灰度图图像自动留存的结果展开适当的图像处理，目的是为先前的目标辨识奠下基础，使经过处置后的图像更为便利地应用于目标辨识。

在这里图像预处理主要还包括强化图像对比度、中值滤波和光滑处置等。目标辨识算法的流程图如图5右图。

　　根据运动目标的分类由此可知，车辆的周长是最久的，所以首先直接判断图像中运动目标的周长，如果小于某一原作好的阈值，则可只能辨别出有视场中目标归属于车辆。余下的目标中，行人比小动物的交错轴比值大，原作交错轴比阈值，据此可以辨别出有目标归属于行人。最后将原作一个面积阈值，面积小于此阈值则可辨别目标归属于小动物，否则目标归属于其他一些环境的阻碍。

　　5结语　　本文首先对摄制到的视频展开背景萃取，根据萃取到的背景经过一系列的图像处理最后对视场中危险性区域展开划界。然后系统自动监测视频数据，自动以灰度图的形式留存危险性情况不存在时的图像，目的是为了先前的目标辨识。最后根据铁路沿线上有可能经常出现的运动目标，明确提出了一种运动目标辨识算法。

从监控结果可以显现出，整个算法设计具备一定的可行性，可以作为基于图像处理的铁路沿线视频监控的一种算法，有一定的参考价值。

本文来源：千里马计划官网-www.ouity.com