视频监控 形态学 OpenCV

 实验程序视频  下载
1 问题描述

  高密度环境下的行人统计一直没有得到很好的解决，主要原因是对高密度人群中的行人检测和跟踪是一个很难的问题，如下图所示环境，存在的困难包括：

检测方面：

由于人群整体处于运动状态，占据了背景的60%以上的面积，导致许多目标检测的方法，如基于背景差的运动目标检测、分割方法难以奏效。另外，由于人群存在大量遮挡，导致基于行人轮廓的检测方法，如HOG也难以奏效。

跟踪方面：

高密度环境中的多目标跟踪，由于存在大量的遮挡、合并、分离，实现准确的跟踪是一个富有挑战性的研究问题。

本实验的目的是对高密度行进人群中的行人流量进行统计，并能够区分上行和下行。实验的基本思路是：

     

   

    www.drivershq.com Thursday, September 23, 2010

    Chipmaker NVidia announced it will integrate CUDA support for the next version of OpenCV.
    OpenCV is a popular computer vision library used to develop advanced applications for industrial robotics and autonomous

CvBlobDetector用于检测和判定当前帧中的Blob是否是新产生的目标，方法如下：

（1）跟踪器的建立：对新产生的目标，且宽（高）大于5时，建立跟踪器

（2）Kalman滤波：用Kalman滤波器对目标当前的方位、大小做出预测

  目标特征矢量采用(x, y, dx, dy, w, h)六维矢量，观测矢量为（x, y, w, h）

   系统状态转移矩阵：

                     1, 0, 0, 0, 1, 0,

                    0, 1, 0, 0, 0, 1,

 

形态学开源库V0.3在V0.2的基础上增加了部分算法，同时对形态学重建算法进行了优化。

代码下载

形态学算法：

lhMorpGradientDir               形态学方向梯度

lhMorpRemoveBoderObj      去除图像边界连通区域目标

lhMorpFillHole                    空洞的填充

 

二值图像的空洞定义为与图像边界不相连的背景成分集合。这意味着与图像边界相连的背景成分补集的输出为空洞抑制后的图像，可以通过腐蚀重建实现。其中掩模图像等于输入图像，而标记图像为与输入图像具有相同边界并具有常数 的图像。该方法同样适用于灰度图像。

二值图像 空洞填充

 

在许多应用中，需要去除所有与图像边界连接的目标。实际上，在进行目标特征计算时，这些小块往往是不完整的目标，特征的计算可能会有误差。利用输入图像作为掩模图像，输入图像与其边界交集作为标记图像，便可提取出与图像边界连接的目标。标记图像包含每一个与图像边界连接目标的种子，重建输出则为这些边界的目标。

与图像边界连通目标的去除，可以扩展到灰度图像。

二值图像

 垂直梯度（90度）                          

 

    原始二值图像

开重建和白顶帽重建（3*3RECT）

 原始二值图像