安防視頻監控圖像處理的技術與方法

文/雷玉堂

引言

眾所周知，圖像處理的目是改善圖像質量、提取有用信息、識別預定目標等。而光電圖像信息處理技術緊跟信息處理技術的前沿，擴展人類的信息器官和思維器官的功能。特別是信息獲取與處理技術的發展，使人類對于外部世界看得遠（超視距本領）、看得清（空間分辨、光譜分辨和立體分辨本領）、不受阻擋（穿透云霧或物體本領）、識別能力強（信息處理技術），把人類獲取外界信息的能力提高到空前的高度。

由于光電信息技術是邊緣學科交叉的新興科學技術，而其光電成像器件輸出的是視頻圖像信號，因而光電圖像處理，也就是我們常說的視頻圖像處理，而這種視頻圖像處理的技術與方法，已廣涉應用于現代安防的視頻監控圖像處理中。本文介紹視頻圖像及其處理的基本概念，視頻圖像處理的基本技術與方法：如像素的點處理、區域處理，視頻圖像的幀處理等。

視頻圖像及其處理的基本概念

視頻圖像的含義

眾所周知，掃描型光電成像器件或攝像器件，是通過電子束掃描或固體自掃描等方式，將被攝景物經光學系統成像在器件的光敏面上的二維圖像轉變為一維時序信號輸出來。這種運載圖像信息的一維時序信號就稱為視頻信號，或視頻圖像信號。如將這種視頻信號送入監視器，控制顯像管的電子槍的強度，顯像管的電子槍與攝像器件作同步掃描，即可將攝像器件所攝取的圖像顯示出來。顯然，這種掃描型光電成像器件能對圖像進行存儲和傳輸，并能實現遠程觀察。

視頻（video）指動態圖像（moving image），可以認為是隨時間變化的靜態圖像系列（still-frame image/picture sequence）。在靜態圖像中，信息密度隨空間分布，且相對于時間為常量；而動態圖像的空間信息密度特征則隨時間變化。

視頻圖像的數學表達式

視頻圖像的數學表達式的一般形式可以以寫成S（x，y，t）。其中，x，y為空間變量，t為時間變量，而S為對應于時空點（x，y，t）的光度學物理量。如果采用RGB體系來描述的話，完整的數字表達式可寫成

當RGB為模擬信號時，我們稱它為模擬視頻。如果對RGB進行了數字化，就稱為數字視頻，這與模擬靜態圖像和數字靜態圖像的概念是基本相似的。但是模擬視頻和數字視頻要比模擬靜態圖像和數字靜態圖像的關系與差別復雜得多。

視頻圖像處理的基本概念

光電圖像處理是光電成像技術與數字圖像處理技術的結合，如圖1所示。由圖看出，光電成像技術是自然界圖像到數字世界圖像的橋梁。光電圖像處理是基于光電成像技術與計算機技術的圖像處理，因而其計算精度高、靈活性好、適應性強。

圖1 視頻圖像處理

視頻圖像處理可以看成靜態圖像處理的高層處理，又可以看成靜態圖像處理的繼續。首先，它要用到靜態圖像處理的所有技術，因為視頻圖像是在時間上系列化的靜態圖像；其次，它包含了許多靜態圖像處理沒有的或不能解決的新問題；再次，視頻圖像處理同時與圖形學、人工智能、模式識別等多個學科領域都有交叉的內容，它們既有聯系，又有各自的特征和側重點。由于圖像是由像素構成的，所以在很多情況下是對像素直接處理。這種像素處理的技術方法又可分為點處理和區域處理的技術方法，此外還有圖像的幀處理。下面分別論述。

視頻圖像的點處理的技術與方法

點處理又叫做直接對原像素值進行處理，是一種最基本的圖像處理操作，算法比其他算法簡單。點處理算法是指僅根據圖像中像素的原值（有時還要考慮該像素在圖像中的位置）按一定規則（或變換）來確定其新值的一種算法。也就是說，單個像素的新值僅僅依賴于該像素原值的大小。由于像素原值與新值之間算法上的這種聯系，點處理算法一般是可逆的，并采取逐點掃描圖像像素的方式來完成各像素的變換處理。

由于點處理變換是一種僅僅依賴于像素原值的變換，所以這種變換過程可借助于查找表（LUT）來快速實現。如果點處理算法中還要考慮像素的位置，則除了查找表外，還要用到計算公式。一般，點處理算法并不改變一幅圖像中各像素之間的空間關系，因而點處理算法不能用于修飾圖像中所包含的細節。

點處理僅是用輸入像素值產生輸出像素值，它是圖像處理最簡單最有效的方法。點處理的應用包括圖像灰度變換、色度變換、直方圖分析等。下面討論點處理方法實現的圖像亮度調整、圖像亮度反置、圖像閾值化、圖像對比度拉伸、圖像偽彩色處理等圖像處理算法。

圖像亮度調整

這是一種點處理，處理時對圖像中每個像素加上（或減去）一個常數。設像素亮度為I，則變化按下式進行

式中，b是亮度常數，可為正數或負數。若b為正數，則像素亮度增加；若b為負數，則像素亮度減少。

圖像亮度反置

圖像亮度反置同根據照片制作負片有點相似，是一種很簡單的點處理技術。用這種方法對圖像進行處理后，圖像亮的部分變暗，暗的部分變亮，較亮的部分變成較暗，較暗的部分變成較亮。其處理方法是：用可能的最大像素值減去像素的值作為該像素的新值。圖像中最暗的部分，其像素值為0，處理后變成最亮的部分，其像素值為63。反之，圖像中最亮的部分經變換后反置成最暗的部分。

圖像閾值化

這是一種將連續色調圖像變成黑白圖像的方法，其基本思想是使像素值小于指定閾值的像轉換成黑像素，像素值等于或大于指定閾值的像素轉換成白像素。這一方法在諸如桌面印刷、機器視覺等各個領域都有著廣泛的應用。

在機器視覺領域內，對圖像進行邊緣檢測之前，一般先對其進行二值化處理。在這種情況下，閾值處理能夠消除圖像中那些可能會干擾邊界檢測處理的信息。正確地選擇閾值以保證在閾值處理中不至于損失太多的信息，這一點是很重要的。

對比度拉伸

一幅圖像的對比度與該圖像中亮的部分和暗的部分的分布情況有關。當一幅圖像大部分區域都很亮或大部分區域都很暗時，該圖像顯示出對比度低的特點；而當一幅圖像中較亮的部分與較暗的部分所占比重相當時，該圖像顯示出對比度高的特點，連續色調圖像只有充分利用所有灰度色調范圍，才能顯現出對比度高的特點。

直方圖是檢查圖像對比度的一個理想工具，因此通常將直方圖與對比度拉伸點處理算法配套使用，以增強圖像的對比度。進行對比度拉伸時，需要先用直方圖來判定低對比度圖像中像素值的分布主要集中在哪個區域。一般，這個區域周圍往往有像素值沒有用的區。為了拉伸對比度，需分別從直方圖的左端向右（即0～63）和右端（最大像素處）向左（即63～0）掃描直方圖，分別找到超過給定閾值的第一個像素。像素值小于較低的那個閾值的像素，其像素值置0，像素值大于較高的那個閾值的像素其像素值置63。像素值介于兩個閾值之間的像素，按比例放大，使其填滿0到63區間，經過上述處理后的圖像較好地利用了整個灰度范圍，視覺效果亦明顯改善。

偽彩色處理

它是用色度來代替像素灰度值的一種技術，即將黑白圖像變為彩色圖像，并用不同的色彩來代替黑白圖像的不同灰度等級，以達到圖像增強的目的。這樣做基于人眼對彩色的分辨率遠遠高于對灰度的分辨率，因為人對于黑白的圖像只能覺察出幾十種灰度變化，但卻能分辨出幾百種甚至上千種不同光強的色彩，所以將黑白圖像用彩色顯示的圖像進行處理，是非常有效且實用的。例如，有一幅電燈燈絲圖像，已知像素與溫度有一定的關系，可利用偽彩色技術來區分不同的溫度。如最高溫度可用紅色表示，較低一些的溫度可用綠色表示，最低溫度用藍色表示。經過偽彩色處理后的圖像總的信息量保持不變，但是其溫度信息對人眼就變得更加直觀了。

偽彩色處理技術有：密度分割法、灰度級到彩色的變換法、濾波法。后兩種處理技術實現起來要困難一些，但效果要好得多。由于這些方法介紹較多，這里就不再贅述。

視頻圖像的區域處理的技術與方法

所謂區域處理(簡稱區處理)，是指對成組的多個像素進行處理，經過某種變換處理后，得到圖像中某一點的像素值。區處理變換中采用的像素組稱為鄰域，鄰域一般是由像素組成的二維矩陣，該矩陣每一維的大小均為奇數。中心像素（即感興趣的像素）位于鄰域的正中央，變換后中心像素的值將被經過一定算法計算得到的新值所代替。鄰域中心像素周圍的那些像素值在二維方向上提供了圖像的亮度變化趨勢信息，在大多數區處理中要用到這些信息。這種亮度變化的趨勢信息就是空間頻率。空間頻率定義為像素的亮度在一定距離上的變化速率。一幅圖像空間頻率具有垂直和水平兩個分量。一幅具有高空間頻率的圖像通常是在很短的距離內其像素值有急劇變化，如一幅黑白相間的棋盤圖像其空間頻率就很高，棋盤的方格越小，圖像的空間頻率就越高。一幅具有低空間頻率的圖像的像素值通常保持不變或者變化緩慢，如云的圖像，其空間頻率通常很低。由于區處理能對空間頻率信息進行處理，所以區處理可用來減緩或增強圖像中某些特定的頻率分量。正因為如此，大多數區處理都屬于空間濾波器?？臻g濾波在圖像處理中有很多應用，例如，可提取圖像特征（邊界增強和檢測）、進行圖像銳化、圖像平滑、圖像模糊及去除圖像中的隨機噪聲等。

區域處理使用輸入像素中的每個像素值產生輸出像素值，典型應用包括離散卷積運算、圖像變換、圖像濾波、邊緣檢測等。下面介紹三個區處理算法：卷積、中值濾波和Sobel邊緣檢測。

卷積處理

卷積是一種用途很廣的算法，可用卷積來完成各種區處理變換，如低通空間濾波、高通空間濾波、邊緣增強、圖像模糊等。

理解卷積的一種最好的方法是將它看做加權求和的過程。鄰域中的每個像素（假定鄰域為3×3）大小，其卷積核大小與鄰域相同（見圖2），它分別與卷積核每個元素相乘，乘積求和所得結果為中心像素的新值。卷積核中的元素稱為加權系數（亦稱為卷積系數），卷積核中的卷積系數的大小及排列順序決定了對圖像數據進行區處理的類型。改變卷積核中的加權系數，會影響到總和的數值與符號，從而影響到所求像素的新值。圖2給出了幾種不同卷積核及其代表的各種變換，從圖中可看出，大多數常用的卷積核都是3×3的，所有卷積核的行數和列數均為奇數，這些格式的卷積核已經成為工業標準，加大卷積核可使卷積處理更為靈活。從應用角度可不考慮構成這些卷積核背后的復雜數學理論，而直接使用這些卷積核，來解決所面臨的實際問題。

圖2 卷積過程示意圖

低通空間濾波器：低通空間濾波器是一種保留圖像低頻成分，減少圖像高頻成分的處理算法。低通空間濾波器可以用來降低圖像中的視覺噪聲，也可以用來除去圖像中的高頻成分，以便更好地觀察圖像的低頻成分。這是因為除去圖像的高頻成分后，圖像中的那些不明顯的低頻變化就更容易識別了。低通空間濾波器的頻率截止點由卷積核的大小及卷積系數決定。圖3給出了三種不同的低通空間濾波器卷積核。

應該注意到，所有的低通濾波卷積核，其卷積系數之和均為1，這一點對于理解低通濾波器的工作原理很重要。對圖像中沒有高頻成分的區域來說，這個區域中的像素值應該保持不變或者變化緩慢。當于用一個低通濾波器對這個區域進行卷積時，加權系數與鄰域像素分別相乘并求和，即可得到鄰域中心像素的新值。如果鄰域中所有像素的值都相同（保持恒定不變），則中心像素的新值與原值相同。這就是為什么加權系數和為1的原因，即卷積處理后保留了圖像的低頻部分。當卷積核移到圖像的高頻區域時，像素值的任何快速變化經過卷積計算，與鄰域中其他像素取平均，這樣就降低了高頻成分。從視覺效果來看，圖像經過低通濾波器處理后，顯得有些模糊。這種現象的出現，是由于削弱了圖像的高頻成分，像素值的突變被平均值所代替的緣故。

圖3 幾種不同的卷積核(除了LAP3外，其余卷積的卷積系數之和均為0)

高通空間濾波器：當需要觀察圖像中具有高頻成分的目標時，可采用高通空間濾波器對圖像進行處理，處理后的圖像中，頻率較高的部分更突出了，而頻率較低的部分被削弱了。圖3給出了3個高頻濾波器的卷積核。在高頻濾波器中卷積核中心點的值最大的那個卷積系數起著關鍵的作用。當這個卷積系數經過圖像中的高頻部分（即灰度值有突變部分）時，由于卷積核中心點卷積系數很大，所以與像素值相乘后，在卷積結果中占了很大的比重（卷積核中除中心點以外其余各負的卷積系數值只是對上述放大效應起一些削弱作用），卷積結果使已有的灰度突變變得更突出。也就是說，經過處理后，圖像中像素值間的灰度差得到增強，而對像素值較恒定的區域則保持不變。也就是說，圖像中像素值變化不大的區域（低頻成分區域）不受此變換的影響。

拉普拉斯邊緣增強：采用卷積方法的另一種區處理就是邊緣增強。在對圖像進行特征提取之前，一般要進行邊緣增強，然后再進行二值化處理，以提取圖像特征。邊緣增強算法處理的目的是要突出圖像的邊緣。常用的邊緣增強算法之一是拉普拉斯邊緣增強算法。

拉普拉斯邊緣增強算法是一種各向同性的增強算法，即其邊緣的增強程度與邊緣的方向無關。不論圖像灰度梯度是正的還是負的，拉普拉斯邊緣增強方法都能使邊緣得到增強。

函數f (x,y)拉普拉斯變換的數學表達式為

式中，d2f/dx2是f相對于x的二次偏導數，d2f/dy2是f相對于y的二次偏導數。對于離散函數來講，二次偏導數可近似地用差分表示為

因此，拉普拉斯變換可近似地表示為

L{ f(x,y)}=f (x+1,y)+f (x-1,y)+f (x,y+1)+f (x,y-1)-4f (x,y) （5）

式（5）等效于一個與f(x,y)進行卷積運算的卷積核。卷積核可寫成

圖3中給出了如上所述的卷積核LAP1。

中值濾波

中值濾波是一種區處理方法，但它不屬于卷積。中值濾波也是一種根據鄰域中各像素的值來決定中心像素值大小的方法，但它并不需要根據鄰域值用算術方法計算出新像素值，而是一種按鄰域中的像素排序后的中位像素（即排序后處于正中的那個像素值）作為中心像素新值的方法。

經過中值濾波后，圖像中的隨機噪聲將被有效地消除。這是因為鄰域中亮度值發生隨機突變的像素，經過排序后，要么排在隊列的隊首，要么排在隊列的隊尾。而中心像素的新值，是取自隊列中位的那個像素值。理論與實踐證明，許多圖像經過中值濾波處理后，都能得到較好的視覺效果。

Sobel邊緣檢測法增強

Sobel邊緣檢測算法，是一種非線性邊緣檢測算法，該算法效率很高，而且用途很廣。Sobel邊緣檢測算法中計算兩個不同的卷積核，即

計算檢測出來的邊界強度和方向的公式為

用Sobel邊緣檢測算法對圖像中每一個像素進行處理后，得到的輸出圖像通常還要進行同值化處理。當中心像素新值（即所計算的差值絕對值的最大值）等于或大于給定的閾值時，輸出像素為白；小于給定的閾值時，則輸出像素為黑。經過Sobel算法和閾值處理后，最后的結果是一幅只包含邊緣信息的黑白二值圖。

視頻圖像的幀處理的技術與方法

圖像的幀處理是用視頻信號的前后幀（一幀或多幀）來處理本幀，它廣泛應用于視頻壓縮中，例如運動補償、幀內插等。

在靜態圖像中，哪一個目標是運動的，或者說哪部分圖像是目標，并不容易確定。而在視頻中，卻可以通過分析前后幀變化來確定運動的部分圖像或目標。限于篇幅，這里僅討論基于兩幀圖像差（即幀差）的目標運動與軌跡探測方法。

幀差模型分析

圖4 相鄰幀圖像的目標位置變化示意圖

兩幀圖像相減的情形如圖4所示。一般，可以把圖像分成目標和背景兩大部分，目標可以是多個，這里只畫出了一個。當目標和背景運動時，目標和背景的相對位置和形狀就會發生改變。在兩幀圖像相減時，可以把圖像分成幾個不同的區域。目標重疊區表示兩幀中都有目標內容的區域，目標覆蓋區表示該區域在上一幀為背景而本幀為目標的區域，目標暴露區則表示上一幀為目標而本幀為背景的區域，背景重疊區則表示兩幀都為背景的區域。當然，也有背景覆蓋區和背景暴露區，由于都在圖像邊緣，位置固定，所以不必單獨詳細討論。

對于運動目標探測，主要討論目標重疊區、目標覆蓋區和目標暴露區的情況。

在圖4中，設目標以速度υm運動，設背景以速度υb運動，它們都是時間t的函數。同時，由于只是平移，圖像分布函數的形式不變，只是在位置上發生了變化，在數學函數上表現為位置變量隨時間變化。設p0表示原始起點位置，目標圖像可以表示為式（9），背景圖像可以表示為式（10）。經過時間Δt后，目標和背景圖像可以分別表示為式（11）和式（12）。式（9）和式（10）中目標圖像是覆蓋在背景上的，兩者不能在同一區域同時出現，如圖4（a）和（b）所示。在以后的討論中，位置p0和υm,υb都是向量，具有方向屬性。

當圖4（a）、（b）兩幀圖像相減時，其結果在不同的區域，表示式不同。在目標重疊區的結果如式（13）所示，在目標覆蓋區的結果如式（14）所示，在目標暴露區的結果如式（15）所示。在背景重疊區的結果如式（16）所示。為了便于討論，在這些表達式中，設背景和目標圖像函數的一階導數處處存在。

在目標重疊區和背景重疊區，相減的結果就是各自運動圖像的一階微分與運動速度和時間間隔的乘積。在圖像上表現為邊緣增強運算，在圖像各區域的邊界上，出現較大的數值，在灰度緩變區，出現很小的數值。

在目標覆蓋區和目標暴露區，除了微分外，還有目標和背景的差值。只有目標和背景的運動速度（包括方向）完全相同，且在交界處目標和背景的取值（或極限）相等，差值才隨時間連續變化，即當Δt→0時，Δf→0。

目標和背景運動的幀差分析

下面分別討論目標和背景在不同的移動速度時，前后兩幅圖像相減的不同結果。

背景不動，目標移動：這時幀相減就能很好地探測出目標，且給出目標的運動過程。由于背景圖像不變，因此相減后背景區除了隨機噪聲外，都接近于0。而在目標疊加區，目標圖像區的高頻信息顯示出來。特別是在目標與背景交界處，信息特別明顯，這是由于目標與背景在交界處不能保持一階連續，其差值是較大的。從式（14）和式（15）可以看出，在不同的時刻，[fb( p0+υbt)-fm( p0+υmt)]總有較大的數值。

目標和背景以不同的速度和方向移動：這時相減結果也可以探測出運動目標，但是有較大的背景噪聲。因為背景的高頻信息同時顯示出來了。如果把相減的結果，再進行一次連續相減，那么在得到的結果中，背景區噪聲幾乎完全去掉了。這時相當于背景圖像的二階微分運算，因為攝像機得到的圖像都是較平滑的，其二階導數的變化和數值要小得多。實踐結果表明，雖然目標信息也有所消弱，但是比背景要強得多。

仔細分析式（15）和式（16），可以明白其中的道理。這時因為在目標覆蓋區和目標暴露區，二次相減只相當于目標圖像和背景圖像的一階微分，所以仍能保持較大的數值。即使是運動目標是原背景圖像的一部分，從原視頻系列中幾乎難以發現目標，但通過一次和二次相減后，目標及其運動過程能清晰地顯露出來。

目標發生多種運動：當目標和背景以不同的速度和方向移動時，這與上一種情況基本相同。差別是由于目標的轉動，增加了目標的信息，使目標更為明顯。即使在目標和背景移動速度相同或都不運動時，如果目標有轉動，相減一般也能得到很好的結果。如果目標是特殊形狀（如完全對稱的回轉體），以特殊形式運動（如以回轉體軸線轉動），那么前后兩幀圖像是沒有什么差別的，簡單相減并不能探測出該目標。這時，就要考慮其他補充信息的探測。

目標軌跡探測的幀差分析

由上可知，幀差法，即連續視頻幀相減法，只是取出了目標的大致區域和范圍，目標到底是什么、目標的準確形狀等信息，并沒有求出。這時，可利用圖像分割與描述等來進一步處理與識別。下面分析目標軌跡探測的幀差探測方法。

幀差法目標運動軌跡探測分析：通過連續圖像相減，可以得到前后幀圖像的差別，從而得到目標運動信息。在比較好的情況下，背景差別很小而目標差別較大，可以用“質心”求出目標的位置，從而求出目標的運動軌跡。

設相鄰兩幀圖像相減后的圖像矩陣為p(m,n),m=0,1,…,M-1,n=0,1,…,N-1，則圖像質心位置是

從式（17）中可以看出，求和是對整個圖像范圍內進行的。當背景為零時，該圖像的質心與目標的質心是相同的。因此，求出整個圖像的質心，就求出了目標的質心。但在實踐應用中，卻要復雜得多。首先是背景不為零，則圖像的質心與目標的質心不重合。要求出目標的質心，必須先求出目標圖像的邊界范圍。在實時系統中，沒有太多時間先求邊界，因為求邊界和目標判別需要很復雜的運算，所以先求出目標邊界范圍的方法在許多場合下并不可取。

在這里，第一步是先對相減后的圖像進行一定的統計，把低于某個閾值的像點，取為0，這樣可以大大減少背景的影響。但某些高頻背景區域難以去掉，雖然人腦可以很快地發現，但計算機不容易實現。上面方法可對單一目標的軌跡進行一定探測，但對多個目標，就不合適了。

第二步是把圖像分區，求出每個區域的質心和質量。經過閾值過濾后，背景區基本可以去掉，顯示出多個目標區域的質心變化，從而顯示多個目標的運動軌跡。該方法大大改善了目視效果，但是它給出的是一群數據，不能直接應用于繪出運動軌跡和反饋控制。

第三步是對上面的局部質心進行分類和組合，把相鄰的子塊連通成一組，求出該組的質心，從而得到一個目標的質心。從物理上講，多個目標在空間上是分開的，那么他們所占的局部質心在空間也是分開的，這樣就求出了各個目標各自的質心。

把M×N的圖像分為Mb×Nb個子塊，依次求出(u,v)位置子塊的質心位置坐標Xb(u,v)，Yb(u,v)和質量Gb(u,v)。設Sb(u,v)是(u,v)位置子塊的群組屬性值，以子塊的平均質量為依據，設定閾值G0，對Sb(u,v)進行分類。當Gb(u,v)小于閾值時，Gb(u,v)和Sb(u,v)置為0，否則給Sb(u,v)分配一個不相重的非0值。進行上述處理后，質量不為0的相鄰子塊取相同的群組屬性值。那么群組屬性值相同的子塊屬于同一群組。最后，以群組為單位，求出該群組內子塊的合并質心位置坐標和平均質量，就是每個目標的位置和質量。少數背景變化大的背景區域也可能是一個群組，但是與運動目標的行為有較大的差別，可以通過其他參數剔除。其過程如圖5所示。

圖5 各目標與背景分離過程示意圖

運動目標軌跡自動探測與目標和背景的運動分析：當背景不動，單個目標移動時，這時幀相減就能很好地探測出目標。用整體質心和局部綜合求質心，都能得到很好的運動軌跡，如圖6所示。

當背景移動，單目標移動和轉動時，這時背景有較大的噪聲，因此有較大的質量，只用圖像整體質心法不能得到目標的正確位置。在圖7中，只能基本上探測出目標的運動趨勢，不能探測出目標的正確位置。用局部質心綜合法，可以正確地探測出目標的位置和運動軌跡。

圖6 背景不動，單個目標移動和轉動

圖7 背景移動，單目標同時移動和轉動

圖8 背景移動，多目標同時移動和轉動

當目標和多目標背景以不同的速度和方向移動時，這時背景圖像上有多個目標的差別圖像，同時還有背景的噪聲。從圖8中的局部質心圖可以看出，許多塊有較大的質量，而且分布在多個區域，所以整體質心法不僅不能探測出目標的正確性位置和運動趨勢，更無法正確探測出多個目標的情況了。局部質心綜合法能夠區別多個目標，也能探測出各個目標的位置和運動軌跡。在圖上可以看出，特別明顯的背景運動軌跡也被描繪出來了。

當目標和背景運動速度相同時，這時目標和背景合成了一幅圖像。通過相減方法，并不能有效地發現目標，因為難以把背景和目標分離。圖像整體質心法得到的信息很少，因為背景的質心變化很少。局部質心法可以探測出圖像高頻邊緣移動的位置，但看不出什么趨勢。局部質心綜合法可以探測出圖像高頻邊緣移動的方向和位置，提供了更多的有價值的信息。

此外，還有基于圖像塊的二維運動估算的方法。這種基于塊的運動估算和補償是運動分析最通用的算法。即它把幀圖像分成一定大小的圖像塊，認為每個圖像塊具有一個唯一的運動向量（即運動的方向和距離）。這樣，也就可通過對圖像塊的運動分析，找出前后幀的圖像各部分的對應關系。

結束語

以上簡要地介紹了視頻圖像及其處理的基本概念，以及視頻圖像處理的基本技術與方法，可供安防科技人員借鑒與參考。欲了解詳情，可參閱電子工業出版社出版的《光電信息實用技術》與《光電圖像處理》，本人也歡迎咨詢與討論。