基于区域的运动阴影检测算法研究阴影检测毕业论文

毕 业 设 计 (论 文)专 业: 电气工程与其自动化 课 题： 基于区域的运动阴影检测算法研究 52 / 53摘 要 为了使阴影检测结果更加准确和鲁棒,提出了一种基于区域的运动阴影检测方法。该方法从阴影具有的物理特性出发,考虑了区域所有像素的总体特征。将每帧图像进行合理的分块,并且采用基于梯度的方法对运动区域边缘的小块进行合并。对每个小块根据阴影区域和对应的背景区域之间具有较强的结构相似性和色度近似性的特点进行阴影检测。实验结果表明,阴影检测准确率超过90%,其结果明显比基于颜色不变量的方法有效。该方法能够准确而鲁棒地检测出运动阴影。 关键词:模式识别;阴影检测;结构相似性;颜色近似性Abstract A region-based moving shadow detection approach was developed with improved accuracy and robustness.Theanalysis Starts with thephysical properties of the shadow,and takes into account the features of all the pixels in a region.Every image is Segmented into blocks with the blocks at the edge of moving regions combined based on agradientalgorithm. Shadow detection is performed in every block based on the structure similarity and color Approximations between the shadow region and the corresponding Back ground region.The shadow detection accuracy is above 90% And is more efficient than approaches based on invariant color features. Test results show that the approach accurately and Robustly detects moving shadows.Keywords: pattern recognition; shadow detection; structure similarity;color approximation。目 录 第一章：图像处理简介-4- 1.1图像处理的概念 -4- 1.2图像处理的任务-4- 1.3图像处理主要包含的几方面-4- 第二章： 阴影检测简介与其传统算法-9- 2.1阴影检测的简介-9- 2.2 阴影检测算法种类-10- 第三章： 二值形态学的基础知识与其应用-12- 3.1数学形态学的简介-12- 3.2. 阴影区域和对应背景的相似性-13- 3.3阴影检测的应用-14- 第四章：与采用颜色不变量的方法比较-16- 4.1采用了基于梯度的分块合并算法-16-4.2仿真与分析 -17- 总结-33-致 -35- 参考文献-36- 英文翻译-38-第一章 ：图像处理简介1.1图像处理的概述图像处理(image processing)，用计算机对图像进行分析，以达到所需结果的技术。又称影像处理。基本容图像处理一般指数字图像处理。数字图像是指用数字摄像机、扫描仪等设备经过采样和数字化得到的一个大的二维数组，该数组的元素称为像素，其值为一整数，称为灰度值。图像处理技术的主要容包括图像压缩，增强和复原，匹配、描述和识别3个部分。1.2图像处理的任务1.2.1提高图像的视觉质量，以达到赏心悦目的目的例如，去除称之为噪声等图像质量的退化因素；改变图像的亮度、颜色；增强图像中的某些成份、抑制某些成份；对图像进行几何变换等，从而改善图像的质量，以达到各种想要的艺术效果。1.2.2提取图像中所包含的某些特征或特殊信息，以便于计算机分析如用模式识别，计算机视觉的预处理等等。这些特征包括很多方面，如频域特性、纹理特性、灰度/颜色特性、边界/区域特性、形状/拓扑特性以与关系结构等1.2.3对图像数据进行变换、编码和压缩，以便于图像的存储和传输。1.3图像处理主要包含的几方面 常见的处理有图像数字化、图像编码、图像增强、图像复原、图像分割和图像分析等。图像处理一般指数字图像处理。虽然某些处理也可以用光学方法或模拟技术实现,但它们远不与数字图像处理那样灵活和方便,因而数字图像处理成为图像处理的主要方面。 1.3.1图像数字化通过取样和量化过程将一个以自然形式存在的图像变换为适合计算机处理的数字形式。图像在计算机部被表示为一个数字矩阵，矩阵中每一元素称为像素。图像数字化需要专门的设备，常见的有各种电子的和光学的扫描设备，还有机电扫描设备和手工操作的数字化仪。 1.3.2图像编码对图像信息编码，以满足传输和存储的要求。编码能压缩图像的信息量，但图像质量几乎不变。为此，可以采用模拟处理技术,再通过模-数转换得到编码，不过多数是采用数字编码技术。编码方法有对图像逐点进行加工的方法，也有对图像施加某种变换或基于区域、特征进行编码的方法。脉码调制、微分脉码调制、预测码和各种变换都是常用的编码技术。 1.3.3 图像压缩由数字化得到的一幅图像的数据量十分巨大，一幅典型的数字图像通常由500500或10001000个像素组成。如果是动态图像，是其数据量更大。因此图像压缩对于图像的存储和传输都十分必要。 有两类压缩算法，即不失真的方法和近似的方法。最常用的不失真压缩取空间或时间上相邻像素值的差，再进行编码。游程码就是这类压缩码的例子。近似压缩算法大都采用图像交换的途径，例如对图像进行快速傅里叶变换或离散的余弦变换。著名的、已作为图像压缩国际标准的JPEG和MPEG均属于近似压缩算法。前者用于静态图像，后者用于动态图像。它们已由芯片实现。 1.3.4图像增强和复原图像增强的目标是改进图片的质量，例如增加对比度，去掉模糊和噪声，修正几何畸变等；图像复原是在假定已知模糊或噪声的模型时，试图估计原图像的一种技术。 图像增强按所用方法可分成频率域法和空间域法。前者把图像看成一种二维信号，对其进行基于二维傅里叶变换的信号增强。采用低通滤波（即只让低频信号通过）法，可去掉图中的噪声；采用高通滤波法，则可增强边缘等高频信号，使模糊的图片变得清晰。具有代表性的空间域算法有局部求平均值法和中值滤波（取局部邻域中的中间像素值）法等，它们可用于去除或减弱噪声。 早期的数字图像复原亦来自频率域的概念。现代采取的是一种代数的方法，即通过解一个大的方程组来复原理想的图片。 以提高图像质量为目的的图像增强和复原对于一些难以得到的图片或者在拍摄条件十分恶劣情况下得到的图片都有广泛的应用。例如从太空中拍摄到的地球或其他星球的照片，用电子显微镜或X光拍摄的生物医疗图片等。 使图像清晰或将其转换为更适合人或机器分析的形式。与图像复原不同，图像增强并不要求忠实地反映原始图像。相反，含有某种失真（例如突出轮廓线）的图像可能比无失真的原始图像更为清晰。常用的图像增强方法有：灰度等级直方图处理：使加工后的图像在某一灰度围有更好的对比度；干扰抑制：通过低通滤波、多图像平均、施行某类空间域算子等处理，抑制叠加在图像上的随机性干扰；边缘锐化：通过高通滤波、差分运算或某种变换，使图形的轮廓线增强；伪彩色处理：将黑白图像转换为彩色图像，从而使人们易于分析和检测图像包含的信息。 除去或减少在获得图像过程中因各种原因产生的退化。这类原因可能是光学系统的像差或离焦、摄像系统与被摄物之间的相对运动、电子或光学系统的噪声和介于摄像系统与被摄像物间的大气湍流等。图像复原常用二种方法。当不知道图像本身的性质时，可以建立退化源的数学模型，然后施行复原算法除去或减少退化源的影响。当有了关于图像本身的先验知识时，可以建立原始图像的模型，然后在观测到的退化图像过检测原始图像而复原图像。 1.3.5图像分割 将图像划分为一些互不重叠的区域，每一区域是像素的一个连续集。通常采用把像素分入特定区域的区域法和寻求区域之间边界的境界法。区域法根据被分割对象与背景的对比度进行阈值运算，将对象从背景中分割出来。有时用固定的阈值不能得到满意的分割，可根据局部的对比度调整阈值，这称为自适应阈值。境界法利用各种边缘检测技术，即根据图像边缘处具有很大的梯度值进行检测。这两种方法都可以利用图像的纹理特性实现图像分割。 1.3.6图像分析从图像中抽取某些有用的度量、数据或信息。目的是得到某种数值结果，而不是产生另一个图像。图像分析的容和模式识别、人工智能的研究领域有交叉，但图像分析与典型的模式识别有所区别。图像分析不限于把图像中的特定区域按固定数目的类别加以分类，它主要是提供关于被分析图像的一种描述。为此，既要利用模式识别技术，又要利用关于图像容的知识库，即人工智能中关于知识表达方面的容。图像分析需要用图像分割方法抽取出图像的特征，然后对图像进行符号化的描述。这种描述不仅能对图像中是否存在某一特定对象作出回答，还能对图像容作出详细描述。图像处理的各个容是互相有联系的。一个实用的图像处理系统往往结合应用几种图像处理技术才能得到所需要的结果。图像数字化是将一个图像变换为适合计算机处理的形式的第一步。图像编码技术可用以传输和存储图像。图像增强和复原可以是图像处理的最后目的，也可以是为进一步的处理作准备。通过图像分割得出的图像特征可以作为最后结果，也可以作为下一步图像分析的基础。图像匹配、描述和识别 对图像进行比较和配准，通过分制提取图像的特征与相互关系，得到图像符号化的描述，再把它同模型比较，以确定其分类。图像匹配试图建立两图片之间的几何对应关系，度量其类似或不同的程度。匹配用于图片之间或图片与地图之间的配准，例如检测不同时间所拍图片之间景物的变化，找出运动物体的轨迹。 从图像中抽取某些有用的度量、数据或信息称为图像分析。图像分析的基本步骤是把图像分割成一些互不重叠的区域，每一区域是像素的一个连续集，度量它们的性质和关系，最后把得到的图像关系结构和描述景物分类的模型进行比较，以确定其类型。识别或分类的基础是图像的相似度。一种简单的相似度可用区域特征空间中的距离来定义。另一种基于像素值的相似度量是图像函数的相关性。最后一种定义在关系结构上的相似度称为结构相似度。 以图片分析和理解为目的的分割、描述和识别将用于各种自动化的系统，如字符和图形识别、用机器人进行产品的装配和检验、自动军事目标识别和跟踪、指纹识别、X光照片和血样的自动处理等。在这类应用中，往往需综合应用模式识别和计算机视觉等技术，图像处理更多的是作为前置处理而出现的。 多媒体应用的掀起，对图像压缩技术的应用起了很大的推动作用。图像，包括录像带一类动态图像将转为数字图像，并和文字、声音、图形一起存储在计算机，显示在计算机的屏幕上。它的应用将扩展到教育、培训和娱乐等新的领域。第二章 阴影检测简介与其传统算法 2.1 阴影检测的简介近年来,随着计算机视觉技术的不断研究,智能监控和智能交通等领域也得到了蓬勃发展。然而,无论在室还是在室外,阴影常常和物体同时存在。所以,研究阴影检测有着重要的意义。阴影的两个特性决定了阴影检测是一个非常困难的问题1:一是阴影和物体一样,都显著地区别于背景;二是大多数情况下阴影与其对应的物体是相邻的,而且运动规律一样,在分割时常常被合并为一个整体。2.2阴影检测算法种类 针对阴影检测,人们已经提出了很多算法2。阴影检测算法可以大体分为两类:基于模型的方法3,4和基于特征的方法1,5,6。基于模型的方法是根据阴影的特性建立一个阴影的统计模型,根据此模型来判别每个像素点是否属于阴影区域。基于特征的方法一般直接采用图像的特征,如亮度、颜色以与饱和度等信息进行判断。以往的研究中绝大多数方法是对单个像素点进行分析,没有考虑到相邻像素点在空间结构上的关系;另外,由于外界环境的微小变化以与相机出现的噪声,单个像素点在亮度和色度上容易出现较大的不确定性。文6考虑阴影的区域性质,但其算法非常复杂。 区域的运动阴影方法,采用基于梯度的方法将每帧图像分割成小块,利用了阴影区域和背景区域具有较强的结构相似性和颜色近似性的特点来检测阴影。2.2.1. 阴影模型 阴影的形成主要是由于物体全部或者部分地挡住了光源的直接照射5,其中包括两种:在物体自身上面形成的阴影和在背景上面形成的阴影。主要考虑一个点光源和一个分布光源的情况。在室外,两光源分别对应于太阳和天空,在室对应于电灯和墙壁。可以得知,经过物体反射后的光照强度Iv如下:其中:等式右侧第1项表示物体对点光源的漫反射,第2项表示物体对点光源的镜面反射,第3项是物体对环境光的反射。kd、ks和ka分别是物体对太的漫反射系数、镜面反射系数以与物体对环境光的漫反射系数。I1和Ia分别表示太和环境光的光照强度,是太线的入射角,表示观察方向与理想镜面反射时出射光线之间的夹角,n为一参数。则阴影区域的光照强度为(2)一般来说,在自然界中满足。考虑背景是平面的情况,假设镜面反射忽略不计,由式(1)和(2)可以得出(3)其中。2.2.2.利用模型的方法和特征的方法进行阴影检测 和以往的方法不同,基于区域的方法考虑每一个小块像素的总体特征。这样就弥补了单个像素受噪声影响而产生较大不确定性的缺点。2.2.3 运动区域检测和分块在一个图像序列中,每个对应的像素都看成是一个随机过程,这里采用Gaussian分布对背景像素进行建模。表示第m个像素点的R、G、B分量组成的向量,则p()=N(,s)。其中N(,s)表示以J为均值、s为方差的Gaussian分布。一般认为R、G、B分量独立,则(i为R、G、B),其中表示i分量的方差。对于新来的像素,若，则认为X属于背景,否则属于运动区域,其中和分别为X和的i分量,k为一常数。然后,采用数学形态学的方法对运动区域的像素进行处理,得到准确的运动区域。 为了利用区域的性质,对当前帧图像,将其分割成个大小为nn的小块。由于在运动区域边缘部分的小块常常不规则,并且面积小于部的小块,采用基于梯度的方法将其与其他小块合并,这样会使算法更加稳定。计算小块p的运动区域像素个数S。若S小于某个阈值,则小块p沿着在x和y方向上其梯度更大的方向与其他相邻小块进行合并。图1为分块与合并的示意图,其中小块1将合并到小块3中,小块2将合并到小块4中,小块3也合并到小块4中,小块5将合并到小块6中。 图1 分块与合并示意图第三章 区域的阴影检测基础知识与其应用3.1数学形态学的简介科学的角度来说，形态学指的是形状和结构的科学。在图像处理中，形态学是分析图像中在几何结构的方法。通过使用一定形状和尺寸的结构元素，形态学运算可以把图像中形状和尺寸与结构元素相似的几何特征保留下来，把其余的特征滤除。从应用的角度来说，形态学运算可以用于许多方面，包括图像分割、阴影检测、边缘检测、图像滤波等。 其基本思想为：利用结构元素作为“探针”在图像中不断移动，在此过程中收集图像的信息、分析图像各部分间的相互关系，从而了解图像的结构特征。3.2阴影区域和对应背景的相似性 设和分别是在参考背景图像和当前图像中对应的小块,和是分别对和中像素的颜色分量M按行扫描得到的列向量。由于每个小块的面积很小,可以认为在每个小块部光照条件一样,由阴影模型知阴影区域满足下式:中 (4)其中mean(V)表示向量V的各个分量的平均值。由阴影的形成特性知阴影区域的像素和对应背景区域的像素色度差别较小,且亮度变小。在区域和中任取对应的两个像素r和c,其中 由文3知r和c形成的夹角是一个很小的值。推导得该不等式成立的充分条件为(5) 其中T、a和b均为常数。经过基于区域颜色近似性的阴影检测步骤后,部分物体区域已经被除去。接下来通过结构相似性来一步除去物体区域,检测出真正的阴影。 由于摄像机和实际的环境存在很多噪声,在考虑阴影区域和对应的背景区域之间的结构相似性时,用下面的方程代替式(4)。其中:是该线性方程表示的直线在纵轴上的截距,长度等于对应小块的运动区域像素个S,表示零均值的噪声向量。为该线性方程所表示直线的斜率,理想情况下和应该是一致的,但是在实际环境中二者有所不同。采用最小二乘方法来求解参数:其中:=mean()E,=mean()E。由阴影模型知,对于阴影区域应该满足Pi是一个小于1的正数,截距较小,并且残差也较小,即: 0,1, -, . (8)其中、均为常数。 3.3阴影检测的应用 对室、室外环境下的22个图像序列进行了分析,其中室测试序列容是杯子在桌子上的移动;室外测试数据包括中午和傍晚两个时间段,楼前、路面的5个场景,数据的容是单个人的走动。每帧图像大小为320240像素。 运动区域与背景区域像素关系图2表示的是运动区域像素和对应背景区域像素之间的关系。实验表明阴影区域和对应背景区域像素的关系符合式(6),而物体区域和对应背景区域像素之间没有明显线性关系图2 运动区域与对应的背景区域的关系 对室环境下的图像序列将R、G、B3个分量的阈值k都选择为15,对室外环境下的图像序列选择为18。在区域分块时,选择n=5,并且对像素个数少于20的小块与其他小块进行合并。大量实验表明,参数的如下取值可以使算法获得较好的检测效果。室图像序列选择的参数为:T=0.15,a=0.4,b=0.9,0,1.2,-60,60,25;室外图像序列所选择的参数为:T=0.30,a=0.15,b=1.0,-0.1,1.1,-60,65,T); %小于阈值的为背景，大于阈值的为运动点 %p=find(Itt); %注意对于不同的图像门限是不同的，highway=35,highwayII=50. DD(p)=1;figure,imshow(DD);se = strel(disk,3); %闭操作。M=imclose(DD,se);M=imfill(M,hole);figure,imshow(M);结果如下图所示：I=double(I_g);F=zeros(size(I);g1=40;g2=75; %对于highwayg1=40;g2=73; highwayIIg1=25;g2=45; p=find(M=1); %只对背景中车和背景处理，减少计算量。F(p)=1./(1+exp(g1-I(p)-1./(1+exp(g2-I(p);figure,imshow(F); %检测出来的阴影FF=round(F); %用uint8 或round 一样。p=find(FF=1);M(p)=0;figure,imshow(M);结果如下图所示：%使运动目标进行闭合 (进行背景差的时候阈值T=40) %先腐蚀-边缘-膨胀-填充-膨胀三次se90=strel(line,3,90);se0=strel(line,3,0);bwero=imerode(M,se90);%figure,imshow(bwero); medge=edge(bwero,sobel);%figure,imshow(medge);MM=imdilate(medge,se90 se0);%figure,imshow(MM);bwfil=imfill(MM,holes);%figure,imshow(bwfil);mdil1=imdilate(bwfil,se90 se0);%figure,imshow(mdil1);mdil2=imdilate(mdil1,se90 se0);%figure,imshow(mdil2);mdil3=imdilate(mdil2,se90 se0);figure,imshow(mdil3); 结果如下图所示：%标记-计算面积-去除小的面积区域-（重新标记）L,num = bwlabel(mdil3,8);stats = regionprops(L,Area);allArea = stats.Area;idx = find(stats.Area 300); %第30帧的时候700都可以BW2 = ismember(L,idx);figure,imshow(double(BW2);LL,NN = bwlabel(BW2,8); %重新标记 figure,imshow(I_g);for i=1:NNx,y=find(LL=i);left=min(y); right=max(y);top=min(x); botton=max(x);hold onrectangle(Position,left top right-left botton-top,LineWidth,2);end结果如下图所示：按照以上程序对图二处理： 图二.highwayII可以得到图二.highwayII的边缘提取结果如下图所示： 结果1 结果2 结果3 结果4 结果5 结果6 结果7源程序中三次开运算清晰地表示了对图像阴影进行检测的过程；阴影处理使得图像阴影能够准确的检测出来。阴影检测是数学形态学在图像处理方面的重要应用，通过设计算法和经过MATLAB实现，可见对图像进行阴影检测和滤波是对图像的有效预处理，在理论与实践中都有重大的意义。总结应用数学形态学进行图象处理是当今计算机科学中最具有前景的领域之一，图象技术有非常广的应用，而数学形态学是图象处理中的重要方法之一。数学形态学的基本理论和方法在医学成象、显微镜学、生物学、机器人视觉、自动字符读取、金相学、地质学、冶金学、遥感技术等诸多领域都取得了非常成功的应用。本文首先对数字图像处理进行了简单的说明，从最基本的理论入手，对图像分割的传统算子进行了述说，进而引出了数学形态学的图像处理方法。介绍了二值图象的形态学处理的基本算子，对其特性进行了分析，并且研究了图象的形态分析算法:腐蚀、膨胀、开运算和闭运算等形态学算法。举出了数学形态学在边缘检测、图像分割与滤波方面的应用实例，并进行了算法与图像分析。最后，本文还设计一种简单的图像边缘检测的算法与MATLAB实现。智能视频监控领域、影视技术、多媒体应用技术中，常常需要检测出人体或其它物体，并将其与背景分离，即解决实时背景下目标的分割问题。视频图像的目标分割结果，将对目标分类、跟踪与行为理解等后续处理产生重要影响。图像分割多年里一直受到研究人员的重视，也提出了数以千计的算法。现今比较流行的目标分割的方法，有不少是忽略阴影检测的，目标总是与阴影一起被检测出来。阴影会引起目标的合并、目标形状的失真等一些严重问题，引起分割和跟踪错误。由于阴影直接影响目标的检测，成为影响后续处理效果的关键因素，有必要进一步研究。为了使阴影检测结果更加准确和鲁棒,提出了一种基于区域的运动阴影检测方法。该方法从阴影具有的物理特性出发,考虑了区域所有像素的总体特征。将每帧图像进行合理的分块,并且采用基于梯度的方法对运动区域边缘的小块进行合并。对每个小块根据阴影区域和对应的背景区域之间具有较强的结构相似性和色度近似性的特点进行阴影检测。初步实验表明,阴影检测准确率超过90%,其结果明显比基于颜色不变量的方法有效。该方法能够准确而鲁棒地检测出运动阴影。致 毕业设计已经落稿，回想这次毕业设计的过程，有过松懈，有过努力，有过失败，有过成功，给我的大学生活又增添了绚丽的一笔。毕业设计是一次全新的自主式的学习，它不同于平时的课堂学习，它要求我们自己找资料，自己探求如何进展课题。在这期间我遇到了许多麻烦和困难，栾老师总是耐心的帮助我，在开题时，向我介绍了课题的选材依据，为我开展课题指明了方向；进展过程中，栾老师向我们许多有价值的文献资料，每个星期，安排的我们的问答，为我们解决很多问题；在最后的算法编程中，栾老师更是极大的帮助了我，栾老师为人谦虚，学识渊博,治学严谨，这次毕业设计的顺利的完成离不开栾老师的谆谆教导，在此，我感指导我的栾老师。我还有感系领导和老师对我们的关怀，感实验室老师，他们为我们提供了良好的学习环境和实验环境。我也感，同学对我的帮助和支持。最后，衷心感在百忙之中评阅论文和参加答辩的各位专家，教授！ 祖军 2010年5月于 参考文献(References)1 CucchiaraR,GranaC,PiccardiM,etal.Improving shadow suppression in moving objectdetection with HSV color information A. ProcIEEE IntConf Intelligent Trans SystemsC.Oakland:IEEE,2001.334 339.2 PratiA,MikicI,TrivediM M,etal.Detection movingshadows:Algorithms and evaluationJ.IEEE TransonPAMI,2003,25(7):918 923.3 HorprasertT,HarwoodD,DavisLS.Astatistical approachforreal-time robust background subtraction and shadowdetection A.ProcIEEE IntConf Computer Vision99FRAME-RATE Workshop C. Kerkyra: IEEE, 1999.1 19.4 HsiehJW,HuW F,ChangCJ,etal.ShadoweliminationFor effective moving object detection by Gaussian shadowmodelingJ.IntJ Image and Vision Computing,2003,21:505 516.5 Salvador E, Cavallaro S, EbrahimiT. Cast shadowSegmentation using invariant color featuresJ puterVision and Image Understanding,2004,95:238 259.6 NadimiS,BhanuB.Physical models for moving shadow andObject detection invideoJ.IEEETransonPAMI,2004,26(8):10797.MATLAB使用详解 董霖 电子工业 2008.048.MATLAB数字图像处理德丰等编著：机械工业，20099.结合二值形态学的图象边缘检测方法与其MATLAB实现 周山 华东师大学 200810.基于数学形态学的彩色图像处理研究 起丽 西北大学 200911.图像工程（上册）图像处理 章毓晋 ：清华大学 200612.MATLAB6.5图形图像处理 王家文 宇编著.:国防工业 2004.513.数字图像处理技术与应用 屹编著.电子工业 199714.MATLABR2007基础教程 辉颖编著 清华大学 200815.数字图像处理（第二版）冈萨雷斯电子工业，2007816.一种基于纹理的牌照图象二值化方法 叶晨洲，廖金周 微型电脑应用，1999Design of a GPS data logger device with street-level map interface AbstractThe Global Positioning System (GPS) has now become a widely used aid to navigation and it is commonly used in many navigational applications such as land surveying, shipping, piloting, route guidance, map making, study of earthquakes, precise time reference, and hobbies and games such as geocaching. One of the problems with the early GPS system was its low accuracy which prevented it to be used in applications requiring high accuracy, such as piloting and street-level route guidance. With the Recent introduction of the sophisticated error correction techniques such as the WAAS/EGNOS, the horizontal accuracy of a GPS system is nowadays around 10m. This study describes the design of a microcontroller based GPS data logger device with Secure Data (SD) card storage and Google Map mapping interface. The device collects the user co-ordinates in a file on an SD card, and then the Google Map software is used to draw the track of the user on a street-level map.Keywords: Data logger; GPS; GPS based data logger; Street-level map 1. Introduction The Global Positioning System (GPS) is a satellite based navigation system 1, 2, 3, 4 and 5 developed by the USA Department of Defence. The first GPS system was tested in 1960s using a constellation of five satellites. This system was implemented for military purposes and provided navigational fix data approximately every hour and was not very accurate. In 1993 the number of satellites increased to 24, the system became fully operational, and the system was also made available to the civilians with a lesser accuracy.Initially, the accuracy of the civilian GPS system was deliberately disturbed using a method called Selective Availability (SA). With the SA the position accuracy of a typical civilian GPS receiver was about 100m. In the year 2000 the USA Department of Defence removed the SA and as a result the position accuracy of a basic GPS increased to around 10m. The GPS satellites orbit ，the Earth twice a day with a speed of 3.9km per second. The satellite orbit is about 20,000 km above Earths surface and the satellites are positioned such that they are inclined towards the equator with an angle of 55. By this arrangement it is guaranteed that at least four satellites are visible at any point on Earth at any time. Normally, three satellites are required to calculate the position of a point accurately on Earths surface and four satellites are required to calculate the altitude as well. Thus, with the arrangement of the satellites it is possible to calculate both the position and the altitude of any point on Earths surface accurately.In typical applications it is possible to get signals from at least six or seven satellites in a place with a clear view of the sky. In general, the accuracy is increased as more satellites are used in the position and altitude calculations. The position accuracy of a GPS signal can be improved significantly using a technique known as Differential GPS (dGPS). Using the dGPS techniques 6 and 7 accuracies in the region of several meters can easily be achieved. dGPS works by placing a high performance GPS receiver at a precisely known location on Earth (reference station). Since this reference receiver knows its exact location, it can determine the errors in the received GPS satellite signals. This error signal for each tracked satellite is formed into a correction message and is transmitted to ordinary GPS receivers. Users with the correct hardware can receive these correction signals and improve their accuracies. The level of accuracy obtainable with dGPS depends upon many factors, such as the quality of the reference station and user GPS receivers, and the atmospheric conditions. Fig. 1 shows the layout of a typical dGPS implementation. Although dGPS based systems provide high accuracies, they add extra complexity and also increase the cost of the basic navigation system.Fig. 1.dGPS correction system.Another technique used to improve the accuracy of the GPS system is to transmit correction signals from “correction” GPS satellites 8, 9 and 10. The correction satellites are geostationary satellites above the Equator. This technique was first developed in the USA and is known as Wide Area Augmentation System (WAAS). Similar and compatible systems are in operation in Europe under the name EGNOS and in the Far East under the name MSAS. Compatible GPS receivers can receive the WAAS/EGNOS correction signals and calculate their positions to an accuracy of around 35m. The advantage of this technique over the dGPS is that there is no additional cost to the user since the required hardware and software are b