人工智能学习

【图像识别】基于帧差法跌倒检测matlab源码

本文主要是介绍【图像识别】基于帧差法跌倒检测matlab源码,对大家解决编程问题具有一定的参考价值,需要的程序猿们随着小编来一起学习吧!

一、原理

    摄像机采集的视频序列具有连续性的特点。如果场景内没有运动目标,则连续帧的变化很微弱,如果存在运动目标,则连续的帧和帧之间会有明显地变化。

    帧间差分法(Temporal Difference)就是借鉴了上述思想。由于场景中的目标在运动,目标的影像在不同图像帧中的位置不同。该类算法对时间上连续的两帧或三帧图像进行差分运算,不同帧对应的像素点相减,判断灰度差的绝对值,当绝对值超过一定阈值时,即可判断为运动目标,从而实现目标的检测功能。

                      

    两帧差分法的运算过程如图2-2所示。记视频序列中第n帧和第n−1帧图像为fnfn−1,两帧对应像素点的灰度值记为fn(x,y)和fn−1(x , y),按照式2.13将两帧图像对应像素点的灰度值进行相减,并取其绝对值,得到差分图像Dn

                                                                                  

    设定阈值T,按照式2.14逐个对像素点进行二值化处理,得到二值化图像Rn’。其中,灰度值为255的点即为前景(运动目标)点,灰度值为0的点即为背景点;对图像Rn’进行连通性分析,最终可得到含有完整运动目标的图像Rn

                                         

二、三帧差分法

    两帧差分法适用于目标运动较为缓慢的场景,当运动较快时,由于目标在相邻帧图像上的位置相差较大,两帧图像相减后并不能得到完整的运动目标,因此,人们在两帧差分法的基础上提出了三帧差分法。

            

   三帧差分法的运算过程如图2-3所示。记视频序列中第+1帧、第n帧和第n−1帧的图像分别为fn+1、fnfn−1,三帧对应像素点的灰度值记为fn+1(x , y) 、fn(x , y) 和fn−1(x , y) , 按照式2.13分别得到差分图像Dn+1和Dn,对差分图像Dn+1和Dn按照式2.15进行与操作,得到图像Dn’,然后再进行阈值处理、连通性分析,最终提取出运动目标。 

                   

    在帧间差分法中,阈值 的选择非常重要。如果阈值T选取的值太小,则无法抑制差分图像中的噪声;如果阈值T选取的值太大,又有可能掩盖差分图像中目标的部分信息;而且固定的阈值T无法适应场景中光线变化等情况。为此,有人提出了在判决条件中加入对整体光照敏感的添加项的方法,将判决条件修改为:

                               

    其中, A为待检测区域中像素的总数目,λ为光照的抑制系数,可设为整帧图像。添加项表达了整帧图像中光照的变化情况。如果场景中的光照变化较小,则该项的值趋向于零;如果场景中的光照变化明显,则该项的值明显增大,导致式2.16右侧判决条件自适应地增大,最终的判决结果为没有运动目标,这样就有效地抑制了光线变化对运动目标检测结果的影响。

 

三、两帧差分和三帧差分的比较

    图 2-5 是采用帧间差分法对自拍序列 lab 序列进行运动目标检测的实验结果,(b)图是采用两帧差分法的检测结果,(c)图是采用三帧差分法的检测结果。lab序列中的目标运动较快,在这种情况下,运动目标在不同图像帧内的位置明显不同,采用两帧差分法检测出的目标会出现“重影”的现象,采用三帧差分法,可以检测出较为完整的运动目标。

                

    综上所述,帧间差分法的原理简单,计算量小,能够快速检测出场景中的运动目标。但由实验结果可以看出,帧间差分法检测的目标不完整,内部含有“空洞”,这是因为运动目标在相邻帧之间的位置变化缓慢,目标内部在不同帧图像中相重叠的部分很难检测出来。帧间差分法通常不单独用在目标检测中,往往与其它的检测算法结合使用。

 
clear all clc

global Bili;

A=[];

B=imread('46.jpg');

B=rgb2gray(B);

B=medfilt2(B); %中值滤波

fileName = '倾斜跌倒1.avi';

obj = VideoReader(fileName); %读取录制的视频

vidFrames=read(obj); %读取所有帧图像

numFrames=get(obj, 'NumberOfFrames');%总帧数

for k = 63:250 %帧数循环,人为选取33帧作为背景帧

mov(k).cdata=vidFrames(:,:,:,k);

mov(k).cdata=rgb2gray(mov(k).cdata);

mov(k).cdata=medfilt2(mov(k).cdata);

R=imabsdiff(mov(k).cdata,B);

z=im2bw(R,graythresh(R));

z=bwmorph(z,'erode',3); % 3次腐蚀处理掉噪点

P = bwmorph(z,'dilate',3); %3次膨胀膨胀

P= bwareaopen(P,50);

figure(1),subplot(121);imshow(vidFrames(:,:,:,k));

figure(1);subplot(122);imshow(P);

x=sum(P(:));

s=x/(480*640);

if s>=0.03

[m1,n1] = find(P == 1);

%第一级检测,角度

top1= min(m1);%纵向

bottom1= max(m1);

left1= min(n1);%横向

right1= max(n1);

height1=bottom1-top1+1;%纵向高;

width1 = right1-left1+1;%横向宽

rectangle('Position',[left1,top1,width1,height1],'EdgeColor','r');

line([left1,right1],[top1,bottom1],'color','r','LineWidth',1);%标记对角线

line([left1,right1],[bottom1,top1],'color','r','LineWidth',1);

tan=(bottom1-top1)/(right1-left1);

tan=atan(tan);

J=tan*180/pi;

%第二级检测,质心高度比Rz

[rectx,recty,area,perimeter] = minboundrect(n1,m1,'p');

line(rectx(:),recty(:),'color','w','LineWidth',1);

line([rectx(1),rectx(3)],[recty(1),recty(3)],'color','b','LineWidth',1);

line([rectx(2),rectx(4)],[recty(2),recty(4)],'color','b','LineWidth',1);

line([0,640],[max(bottom1),max(bottom1)],'color','r','LineWidth',2);%水平线

line([(rectx(1)+rectx(3))/2,(rectx(1)+rectx(3))/2],[(recty(1)+recty(3))/2,max(bottom1)],'color','b','LineWidth',2);%画高

h=max(bottom1)-(recty(1)+recty(3))/2;%高度

Rz=h/360;

%第三级检测,判断宽高比

width=sqrt((rectx(2)-rectx(1))^2+(recty(2)-recty(1))^2);

length=sqrt((rectx(1)-rectx(4))^2+(recty(1)-recty(4))^2);

Bili=width/length;

%判断

if J<=45

if(Rz<0.5||Bili>2)

% imwrite(vidFrames(:,:,:,k),strcat(num2str(k),'.jpg'),'jpg');% 保存帧

load chirp

sound(y,Fs)

end

end

end

end

 

这篇关于【图像识别】基于帧差法跌倒检测matlab源码的文章就介绍到这儿,希望我们推荐的文章对大家有所帮助,也希望大家多多支持为之网!