对图像序列中的运动目标进行检测和识别是当前计算机视觉和模式识别领域的一个重要研究方向,在智能视觉监控、图像检索和高级人机交互等领域有着非常重要的地位。本文对图像序列中的运动人体检测的相关内容进行了深入的研究,并实现了一个基于嵌入式平台的运动人体实时检测系统。运动人体检测包括两个方面的内容:对图像序列中的运动目标进行检测和对提取的对象进行分类。在摄像机静止的情况下,最常用的检测算法是背景差分法,该算法通常需要构建背景模型且需要对背景图像进行实时更新,容易受光线变化的影响。光流法不需要任何的背景信息就能提取出完整的运动目标,但是该算法运算复杂、实时性差且需要特殊硬件的支持。帧间差分法具有较强的自适应性和实时性,但存在相邻两帧目标重叠部分不易检测的问题,运动目标内部容易出现空洞。针对嵌入式平台资源有限的特点,本文在三帧差分法的基础上进行改进,用或运算代替最后的与运算,实现了运动轨迹的累积,获得了更多的目标运动区域,从而减少了内部的空洞。采用最大类间方差法对差分图像进行动态阈值分割,然后对前景运动目标进行数学形态学处理,进一步消除目标内部的空洞,最后通过连通域分析的方法提取出运动目标。对人体进行识别和行为理解一直是机器视觉的研究热点,主要是基于人的形体知识、皮肤颜色和运动学特征等方面对人体进行识别,其中最常用的是对人的形体特征进行分析,采用模式分类的方法进行识别。目前,模式分类的算法比较多,常用的有贝叶斯分类器、支持向量机、K近邻法等。本文中判断提取的运动目标属于人体还是非人体是典型的二分类问题,基于嵌入式平台实时性方面的考虑,采用贝叶斯分类器对其进行分类。在特征的选择上,首先根据人体的结构特点对样本进行网格划分,然后统计网格内各像素点的灰度值,最后将竖直方向和水平方向上的统计值组合起来作为分类器的特征向量。本文最后将运动目标检测和人体识别算法应用于嵌入式视频监控,它能够在无人值守的情况下,对静态背景区域中是否有单个的运动人体进行智能判断,当检测到人体时则发出报警提示并将该时刻所采集的图像信息自动保存到系统指定的路径。实验结果表明,该系统能实时有效地检测出静态监控场景中的运动人体,且对正常的光线变化具有一定的鲁棒性。