С ростом производительности и доступности вычислительных систем, для обработки сигналов стала широко применяться цифровая обработка сигналов (ЦОС). Одним из приложений ЦОС является обработка двумерных пространственно-временных сигналов, т.е. обработка телевизионных изображений. Цифровая обработка изображений имеет несколько направлений: преобразование изображений - улучшение контраста, коррекция цветности, уменьшение шума; анализ изображений - обнаружение объекта, распознавание объекта, определение характеристик объекта. Уменьшение шума, а точнее увеличение отношения сигнал-шум, является важной задачей обработки изображений. Шум датчика (ТВ-камеры) присутствует в каждом кадре и возрастает при уменьшении уровня освещенности. Шум затрудняет восприятие и автоматизированный анализ изображения.
Метод накопления является одним из лучших в борьбе с шумами. Он не вносит собственных искажений по сравнению с другими методами, способен выделить объект даже при уровне шума соизмеримым с яркостью объекта, например, при ведении съемки в сумерках. Вместе с достоинствами такого подхода у него есть ряд недостатков: с ростом числа обрабатываемых кадров растут требования к памяти и разрядности вычислений, на входе требуется статичная не меняющаяся сцена, а самым главным недостатком является искажение динамичных сцен, что делает метод неприменимым в ряде областей.
Для расширения сферы применения метода накопления можно совместить его работу с работой детектора отслеживающего изменения во входном потоке. Существует две основных группы подобных детекторов - детекторы активности и движения. Детекторы активности реагируют на изменения в кадре, которые могут быть вызваны движущимся объектом, изменением освещенности или не значительными изменениями как-то колебание веток, метеоусловия, шум датчика. Детектор движения фиксирует именно движение объекта.
Основой любого детектора является разность кадров и на основе результата делаются выводы. Следовательно, чем больше кадры схожи друг с другом, тем меньше ложных срабатываний. Для того чтобы избавиться от ложных тревог изображение подвергается обработке перед вычитанием, затем обрабатывается разностный кадр. Разностный кадр можно получить вычитанием текущего кадра из предыдущего или базового кадра. Последний метод более предпочтителен, так как в разностном кадре остается слепок объекта целиком, а не только часть, сместившаяся относительно предыдущего кадра. Для обработки текущего кадра будем использовать межкадровую фильтрацию с порогом
где R(N) - текущий кадр; R(N - 1) - предыдущий кадр; F - результирующий кадр; p - порог. Такой подход позволяет снизить уровень шума, при этом, не смазав контуры объектов.
Вычитая из базового кадра текущий, получаем разностный кадр, который бинаризируется с порогом 1. Над полученным изображением производится операция открытия, известная из математической морфологии. Она позволяет избавиться от мелких объектов - шумов оставшихся после фильтрации. Следующим шагом является выделение контуров. Контур вписывается в прямоугольник, задавая порог для площади прямоугольника. При этом можно выделить крупные объекты и удалить более мелкие. После последней операции по детектированию движения, бинаризированное изображение используется как маска для накопления:
где R(N) - текущий кадр; Bij - бинарное изображение (маска); A - накопитель.
Из-за разного числа накоплений для каждой точки кадра, при масштабировании деления накопителя на число накопленных кадров, получим искаженный результат. В целях избегания используется матрица корректирующих коэффициентов. Бинаризированное изображение инвертируется и суммируется с матрицей корректирующих коэффициентов, а при масштабировании пиксель с координатами i, j делится на сумму счетчика кадров и значения i, j из матрицы корректирующих коэффициентов, в результате чего получаем не искаженное изображение.
Симбиоз метода накопления и детектирования движения позволяет расширить область использования метода накопления, например, в телевизионных системах охраны.