基于DWT的视频运动目标提取方法研究.docx

基于DWT的视频运动目标提取方法研究
随着社会的发展，安全监控成为现代社会中非常重要的一部分。视频监控系统可以提供及时准确的信息，帮助查案和预防犯罪，因此受到越来越多的关注。但是在复杂的环境中，对视频中的运动目标进行检测和跟踪仍然是一个困难问题，尤其是在明暗变化明显的情况下难以检测到运动目标。由于DWT（离散小波变换）具有多分辨率与全局信息的特点，因而DWT在运动目标检测中获得了广泛的应用。本文将探讨基于DWT的视频运动目标提取方法。
1.离散小波变换(DWT)
离散小波变换（DWT）是一种基于傅立叶变换的变换方法，根据信号特性来选择适当的小波基函数。与傅里叶变换不同的是，DWT可以有效地分离信号的高频和低频部分，同时保留全局信息。DWT的本质是信号分解，在分解后通过阈值函数去除噪声，然后完成重构。
2.基于DWT的视频目标检测流程
该方法的主要流程是：先将视频序列进行预处理，然后进行分解和阈值分割，接着通过形态学处理和区域生长方式检测出运动目标，最后通过运动目标区域的特征提取实现运动目标的跟踪。
2.1视频预处理
首先需要对视频进行预处理，去除视频序列中的噪声信息。这个过程主要分为两个步骤：一是运用高斯滤波法对每一帧图像进行滤波处理降噪，使得后续处理的效果更好；二是使用自适应中值滤波对背景进行建模，进一步降低噪声对处理结果的干扰。
2.2分解和阈值分割
经过预处理后，需要将视频信号进行分解。由于视频信号在连续时间和空间中变化很大，因此使用DWT可以将运动目标与背景分离。通过DWT可将视频信号分解为四部分，分别是LL、LH、HL、HH，其中LL部分分辨率最低，包含视频图像中的细节信息，而HH包含图像中的高频信息。分解后的图像为多尺度的图像，使得分析过程得到了很好的支持。
对于DWT分解后的结果，还需要进行阈值分割处理，以进一步去除噪声干扰。阈值分割是指设置一个阈值，当DWT系数小于阈值时，将其视为噪声或背景，将其置为0；当DWT系数大于阈值时，则判断其为目标物体信号，进一步处理。
2.3运动目标检测
运动目标检测的过程主要分为两个步骤：一是通过形态学处理提取目标轮廓；二是通过区域生长方式筛选目标区域。
2.3.1形态学处理
形态学处理是图像处理中常用的一种算法，包括腐蚀、膨胀、开运算、闭运算等。在这里，则主要用到腐蚀和膨胀操作。腐蚀操作是将图像物体变细，可以去除噪点与毛刺；而膨胀操作是增加物体的大小，可以弥补腐蚀操作的损伤，并使目标更加饱满。
2.3.2区域生长方式
在运动目标的检测阶段，需要对图像像素进行分类，区分目标像素和背景像素。传统的方法往往会受到图像的噪声干扰，这里采用区域生长的方法，以抑制噪声。机制是采用一个种子点，通过与周围像素的相似度进行生长以达到目标像素的分割。
2.4运动目标跟踪
经过运动目标检测和图像分析之后，需要对运动目标的运动轨迹进行跟踪。在这个过程中，运用目标区域的特征来区分不同的目标并进行跟踪。
可以采用形状特征、颜色特征和纹理特征对运动目标进行描述。在形状特征中，常用的有轮廓法、边缘法、几何矩法等；在颜色特征中，主要是指颜色直方图法、统计学方法等；而在纹理特征中，常用的是LBP（LocalBinaryPattern）和Gabor算子。
3.总结
本文主要讨论了基于DWT的视频运动目标提取方法。该方法通过视频预处理、DWT分解和阈值分割、形态学处理和区域生长，实现了对运动目标的检测和跟踪，并且该方法具有抗噪性和多频段分析的优势。其实现步骤相对简单易行，也为视频监控提供了更好的技术支持，但是该方法对运动目标的处理速度还有待进一步优化。