视频图像序列，所有实验视频数据的分辨率都归到像素。下文所说的实验数据是交通管理部门摄制的秒道路视频，图三是其中的帧实验数据二是我们用数码相机到天桥上摄制的秒道路视频，图四是其中的帧。二〇五年五月十日星期图三实验数据的帧图像图四实验数据二的帧图像背景提取背景提取是在视频图像序列中提取出背景。背景就是场景中静止不动的景物。因为摄像机不动，因此图像中的每个像素点都有个对应的背景值，在段时间内这个值比较固定。背景提取的目标就是根据视频图像序列，找出图像中每点的背景值。这是下步运动点团提取的基础。在运动点团提取中，背景提取这步提取出来的背景图像将作为参考图像，每帧图像都要与背景图像作差，把背二〇五年五月十日星期景去除，以得到运动点团前景。因此，这步提取出的背景图像的好坏将直接影响到之后每帧的运动点团提取的质量。背景会随着时间的变化而发生变化，例如光照变化导致背景亮度色度变化运动物体停止运动成为背景的部分又如背景的部分运动起来成为运动前景等。因此背景需要不断更新，而背景的更新般需要运动前景的信息，所以背景的更新将在第四章讲述。本章讲述背景初始化的方法，即在没有运动前景的任何信息的情况下提取背景图像，输入是视频图像序列，每帧图像都包括运动物体和静止景物，输出是只含静止景物的背景图像。第节讲述原始彩色图像的背景提取，处理对象是彩色图像序列第节讲述灰度图像的背景提取先把彩色图像序列转换成灰度图像序列，再对灰度图像序列提取背景第节讲述边缘图像的背景提取先对彩色图像提取边缘，再对边缘图像序列提取背景，这是考虑到为将运动前景和静止背景分离，边缘信息起到的重要作用。彩色图像的背景提取原始彩色图像的背景提取，基本思想是，图像中的实验数据不同方法得到的背景与标准背景图像比较的比较同采样率下不同方法的不能说明问题，因为同采样率下不同方法需要的实际处理时间不相同。在处理时间定的情况下，越大的方法越好。因此，结合表二和表，得到不同方法的随处理时间变化关系图。实验数据不同方法的随处理时间变化关系图如图十九。二〇五年五月十日星期图十九实验数据不同提取背景的算法与处理时间关系图将图十九中横坐标，区间部分作局部放大，得到图二十。各提取背景算法与时间关系图时间基于均值改进的基于均值基于中值滤波基于共同区域二〇五年五月作差的帧间差法，第四章接着讲述帧间差法，并将其与背景差法比较。图像会随时间而变化，得到前景和背景像素后，就可以对背景图像做更新，第四章最后讲述背景更新的策略。并不是图像的每个像素都会出现运动物体，关注区是图像中可能会出现运动物体的部分。在背景提取的时候可以同时获取关注区，之后的处理就集中在关注区中，这是减少图像像素数，减少处理时间的好方法。第五章讲述了关注区的提取方法和利用关注区数据计算道路繁忙度的方法。前面讲述的处理方法都是基于图像像素的，属于图中的图像像素层，这层处理的结果是运动点团二值图像，代表运动前景像素，代表背景像素。接下来到了运动点团层处理。第六章讲述运动点团层的处理。首先是对运动点团二值图像做数学形态学处理，去除微小的噪声物体。然后提取运动点团的位置和大小。提取运动点团的位置和大小有多种算法，第六章比较了不同的算法，并且提出了改进算法，改进算法更适合运动目标检测和跟踪。第六章还讲述了运动点团层的运动跟踪，并指出了其存在的几个问题，为解决这些问题，必须在运动点团层上增加运动物体层见图，从而引出了第七章。另外，在运动跟踪时，我们是先确定帧图像中所有运动点团的位置，然后和前帧图像中的运动点团位置关系判断是否为同运动物体。还有种运动跟踪的方二〇五年五月十日星期法在当前运动点团邻域搜索匹配下帧中的运动点团，这种方法不需要提取运动点团的位置和大小，可以称之为基于像素的运动跟踪，然而图像的像素数量是很大的，这种像素点搜索匹配的方法所需的时间远远多于我们的方法，因此我们没有采用这种像素点搜索匹配的方法。第七章讲述运动物体层的运动跟踪。首先，介绍了卡尔曼滤波器，其可以用于运动跟踪，但其存在些问题，由卡尔曼滤波器启发，本文提出了种基于预测的运动跟踪方法，其实质是种简化的卡尔曼滤波器，很好的解决了卡尔曼滤波器存在的问题。我们做了很多实验验证了此算法的健壮性。这章还比较了基于边缘图像的运动跟踪与基于原始的彩色图像的运动跟踪的效果，指出了基于边缘图