運(yùn)動(dòng)目標(biāo)檢測(cè)方法總結(jié)報(bào)告(共18頁(yè))

1、精選優(yōu)質(zhì)文檔-傾情為你奉上摘要由于計(jì)算機(jī)技術(shù)的迅猛發(fā)展，使得基于內(nèi)容的視頻信息的存取、操作和檢索不僅成為一種可能，更成為一種需要。同時(shí)，基于內(nèi)容的視頻編碼標(biāo)準(zhǔn)MPEG-4和基于內(nèi)容的視頻描述標(biāo)準(zhǔn)MPEG-7正在發(fā)展和完善。因此提取和視頻中具有語(yǔ)義的運(yùn)動(dòng)目標(biāo)是一個(gè)急需解決的問(wèn)題。運(yùn)動(dòng)目標(biāo)提取和檢測(cè)作為視頻和圖像處理領(lǐng)域的重要研究領(lǐng)域，有很強(qiáng)的研究和應(yīng)用價(jià)值。運(yùn)動(dòng)檢測(cè)就是將運(yùn)動(dòng)目標(biāo)從含有背景的圖像中分離出來(lái)，如果僅僅依靠一種檢測(cè)算法，難以從復(fù)雜的自然圖像序列中完整地檢測(cè)出運(yùn)動(dòng)的目標(biāo)。較高的檢測(cè)精度和效率十分重要，因此融合多種檢測(cè)方法的研究越來(lái)越受到重視。本文介紹了幾種國(guó)內(nèi)外文獻(xiàn)中的經(jīng)典的視頻運(yùn)動(dòng)目

2、標(biāo)的檢測(cè)和提取算法，并對(duì)各種方法進(jìn)行了評(píng)價(jià)和總結(jié)。首先介紹了基本的運(yùn)動(dòng)目標(biāo)檢測(cè)的基本知識(shí)和理論，然后介紹了基本的幾種目標(biāo)檢測(cè)方法及其各種改進(jìn)方法。對(duì)今后的運(yùn)動(dòng)目標(biāo)檢測(cè)提取的相關(guān)研究提供一定的參考。關(guān)鍵詞：運(yùn)動(dòng)目標(biāo)檢測(cè) 光流法 幀差法 背景建模方法專心-專注-專業(yè)ABSTRACTBecause of the rapid development of computer technology, it is possible to access, operate and retrieve the video information based on the content of the video.

3、At the same time, based on the content of the video coding standard MPEG-4 and content-based video description standard MPEG-7 is developing and improving. Therefore, it is an urgent problem to be solved in the extraction and video. Moving object extraction and detection is a very important field of

4、 video and image processing, and has a strong research and application value. Motion detection is to separate moving objects from the image containing background, if only rely on a detection algorithm, it is difficult to from a complex natural image sequences to detect moving target. Higher detectio

5、n accuracy and efficiency are very important, so the study of the fusion of multiple detection methods is becoming more and more important. In this paper, the detection and extraction algorithms of the classical video moving objects in the domestic and foreign literatures are introduced, and the met

6、hods are evaluated and summarized. Firstly, the basic knowledge and theory of basic moving target detection is introduced, and then the basic method of target detection is introduced. To provide a reference for the research on the extraction of moving target detection in the future.Keywords: Visual

7、tracking Optical flow method Frame Difference Background modeling method 目錄第一章 緒論1.1 研究背景及意義近幾十年來(lái)，在科學(xué)技術(shù)飛速發(fā)展的條件下，視頻與圖像處理技術(shù)不斷提高，各種各樣的視頻監(jiān)控產(chǎn)品已經(jīng)走入了人們的視野，并且在給我們的生活帶了很多方便。視頻監(jiān)控系統(tǒng)的研究技術(shù)涉及到視頻圖像處理、計(jì)算機(jī)視覺(jué)、模式識(shí)別以及人工智能等科學(xué)領(lǐng)域。視頻監(jiān)控系統(tǒng)多數(shù)要求監(jiān)控人員長(zhǎng)期盯著監(jiān)控屏幕，進(jìn)行人為的分析判斷，這樣容易因?yàn)楸O(jiān)控人員的疏忽造成重要信息的遺漏。為此，人們開(kāi)始將計(jì)算機(jī)領(lǐng)域的相關(guān)技術(shù)引入到視頻監(jiān)控系統(tǒng)中，形成智能監(jiān)控系統(tǒng)

8、1,2,3,4。智能監(jiān)控系統(tǒng)可以在沒(méi)有人為干預(yù)的條件下，利用計(jì)算機(jī)視覺(jué)的相關(guān)技術(shù)來(lái)對(duì)視頻序列圖像進(jìn)行智能的分析，實(shí)現(xiàn)對(duì)運(yùn)動(dòng)目標(biāo)的檢測(cè)、跟蹤、分類和識(shí)別等。現(xiàn)在，運(yùn)動(dòng)目標(biāo)檢測(cè)技術(shù)不僅應(yīng)用在發(fā)電站、商場(chǎng)、銀行、民宅、廣場(chǎng)和火車站等公共場(chǎng)所的智能監(jiān)控系統(tǒng)中，而且在其他的領(lǐng)域也有十分廣泛的應(yīng)用。1.2 研究現(xiàn)狀目前，基于視頻的運(yùn)動(dòng)目標(biāo)檢測(cè)算法主要有三種：光流法、幀差法和背景差分法，這三種算法都有各自的優(yōu)缺點(diǎn)。1981 年，Horn 和 Schunck 通過(guò)將二維速度場(chǎng)與圖像灰度相聯(lián)系，從而引入了光流約束方程，得到一個(gè)計(jì)算光流的基本方法5。Meyer 等人6在對(duì)光流法進(jìn)行了深入研究的基礎(chǔ)上，提出在光流場(chǎng)

9、中采用基于輪廓的跟蹤方法，該方法在攝像機(jī)運(yùn)動(dòng)的情況下能夠有效的對(duì)運(yùn)動(dòng)目標(biāo)進(jìn)行檢測(cè)和跟蹤。Barron 等人7通過(guò)使用簡(jiǎn)單而有效的門限，先分割圖像，再計(jì)算光流，通過(guò)消除雜亂的背景光流來(lái)得到較好的目標(biāo)光流。Roland 等人8利用相鄰幀差，通過(guò)局部閾值的迭代松弛技術(shù)實(shí)現(xiàn)圖像邊緣的光滑濾波。甘明剛等人9提出一種三幀差分和邊緣信息相結(jié)合的運(yùn)動(dòng)目標(biāo)檢測(cè)算法，該算法有效地改善了一些情況下幀間差分法會(huì)出現(xiàn)“雙影現(xiàn)象”的問(wèn)題。郝豪剛和陳佳琪等人10提出五幀差分法和景差分法相結(jié)合的運(yùn)動(dòng)目標(biāo)檢測(cè)算法，該算法利用背景差分法和幀間差分法性能上的互補(bǔ)來(lái)得較好的檢測(cè)結(jié)果。背景差分法有均值法、中值法、核密度估計(jì)法、Sure

10、ndra 背景更新、單高斯模型和混合高斯模型等，從 20 世紀(jì)以來(lái)，相繼出現(xiàn)了一批批成熟的背景差分法，Wren 等人11提出了單高斯模型，該方法在單一背景下能夠獲得較好的檢測(cè)結(jié)果，但是不適合復(fù)雜背景。Stauffer 等人12在單高斯模型的基礎(chǔ)上提出了混合高斯模型，混合高斯模型在外界環(huán)境比較復(fù)雜的條件下仍然可以得到很好的檢測(cè)效果。左軍毅等人13提出時(shí)間平均模型和混合高斯模型雙模式切換式的運(yùn)動(dòng)目標(biāo)檢測(cè)算法。除了以上三種的算法外，還有一些學(xué)者嘗試采用其他的算法進(jìn)行運(yùn)動(dòng)目標(biāo)檢測(cè)，例如，郝志成和吳川等人14提出的基于穩(wěn)定矩陣的動(dòng)態(tài)圖像運(yùn)動(dòng)目標(biāo)檢測(cè)算法，該算法通過(guò)在短時(shí)間內(nèi)自動(dòng)的感知背景變來(lái)快速的建立背

11、景模型。 近年來(lái)，越來(lái)越多的研究機(jī)構(gòu)和學(xué)者都參與到基于視頻的運(yùn)動(dòng)目標(biāo)檢測(cè)的研究之中，并提出很多有效的、新穎的方法。但是仍存在一些問(wèn)題善待提高，所以找到一種檢測(cè)精度高、魯棒性好的運(yùn)動(dòng)目標(biāo)檢測(cè)算法依然是我們?yōu)橹Φ姆较颉５诙?經(jīng)典的運(yùn)動(dòng)目標(biāo)檢測(cè)算法2.1 光流法空間中物體的運(yùn)動(dòng)可以用運(yùn)動(dòng)場(chǎng)來(lái)描述，同樣可以通過(guò)序列圖像中不同圖像的灰度分布差異體現(xiàn)圖像平面變化，對(duì)比空間中的運(yùn)動(dòng)場(chǎng)，體現(xiàn)在圖像上表現(xiàn)為光流場(chǎng)。在運(yùn)動(dòng)的某一個(gè)時(shí)刻，為圖像中的各個(gè)像素點(diǎn)賦一個(gè)速度的矢量，這樣就成為了一個(gè)圖像的運(yùn)動(dòng)場(chǎng)。由于空間物體上的點(diǎn)與圖像上的點(diǎn)通過(guò)投影關(guān)系可以一一對(duì)應(yīng)，則根據(jù)各個(gè)像素點(diǎn)的速度矢量的變化特征可以對(duì)圖像進(jìn)行

12、動(dòng)態(tài)分析16。當(dāng)圖像中沒(méi)有目標(biāo)運(yùn)動(dòng)時(shí)，在整個(gè)圖像區(qū)域中光流矢量的變化是連續(xù)的；而當(dāng)圖像中有運(yùn)動(dòng)目標(biāo)時(shí)，圖像的背景和目標(biāo)就會(huì)有相對(duì)的運(yùn)動(dòng)，那么目標(biāo)運(yùn)動(dòng)所形成的速度矢量必然和鄰域背景速度矢量不同，由此能夠檢測(cè)出運(yùn)動(dòng)目標(biāo)的位置。光流法利用圖像的灰度信息的變化從序列圖像中計(jì)算出速度場(chǎng)，然后加上一些約束條件，從而推出運(yùn)動(dòng)目標(biāo)的運(yùn)動(dòng)參數(shù)和物體結(jié)構(gòu)17。光流法事先不需要知道場(chǎng)景的任何信息，就可以準(zhǔn)確的計(jì)算出運(yùn)動(dòng)物體的速度。它不僅能應(yīng)用于靜態(tài)背景下的運(yùn)動(dòng)目標(biāo)檢測(cè)，而且可以用于攝像機(jī)運(yùn)動(dòng)的情況，實(shí)現(xiàn)動(dòng)態(tài)背景下的運(yùn)動(dòng)目標(biāo)檢測(cè)。 它的缺點(diǎn)是：光流法的特點(diǎn)是要進(jìn)行迭代運(yùn)算，精度越高需要的計(jì)算量就越大，因此，光流法的計(jì)

13、算量大，運(yùn)算時(shí)間長(zhǎng)，是一種比較耗時(shí)的算法，很難滿足工程上對(duì)實(shí)時(shí)性的要求；光流法的抗噪性能差，例如，當(dāng)光照發(fā)生變化時(shí)，即使沒(méi)有運(yùn)動(dòng)發(fā)生，光流仍然存在，會(huì)被誤檢測(cè)為有目標(biāo)運(yùn)動(dòng)，同時(shí)，如果缺少足夠的灰度級(jí)變化，目標(biāo)運(yùn)動(dòng)物體很難被檢測(cè)到；當(dāng)三維物體的運(yùn)動(dòng)投影到二維的圖像時(shí)，亮度會(huì)有變化，從而導(dǎo)致通過(guò)光流約束是計(jì)算不出平面某點(diǎn)的圖像速度流；使用光流法對(duì)運(yùn)動(dòng)目標(biāo)進(jìn)行檢測(cè)，需要特定的硬件設(shè)備的支持。已經(jīng)有一些學(xué)者針對(duì)光流法所存在的缺點(diǎn)進(jìn)行了改進(jìn)，相信未來(lái)光流法能夠得到更好的實(shí)際應(yīng)用。2.2 幀差法幀差法18又叫時(shí)間差分法，它通過(guò)將視頻序列圖像中的當(dāng)前幀與相鄰幀所對(duì)應(yīng)的像素點(diǎn)的灰度值進(jìn)行比較，然后找到差異，進(jìn)

14、而檢測(cè)出運(yùn)動(dòng)目標(biāo)19。在視頻序列圖像中，相鄰的圖像之間具有連續(xù)性，當(dāng)視頻圖像中有運(yùn)動(dòng)目標(biāo)時(shí)，由于運(yùn)動(dòng)目標(biāo)的運(yùn)動(dòng)，相鄰圖像間的像素點(diǎn)灰度值差別就會(huì)較大，相反，當(dāng)視頻圖像中沒(méi)有運(yùn)動(dòng)目標(biāo)時(shí)，相鄰圖像間的像素點(diǎn)素灰度值差別就會(huì)較小，幀差法就是利用視頻圖像的這一特性進(jìn)行檢測(cè)的，它是運(yùn)動(dòng)目標(biāo)檢測(cè)的最簡(jiǎn)單方法。幀差法是先用相鄰兩幀做差分運(yùn)算，然后做二值化處理，從而檢測(cè)出運(yùn)動(dòng)目標(biāo)。幀差法的基本運(yùn)算原理框圖如下：圖2.1 幀差法基本原理在二值化的差分圖像中，取值為 0 的像素點(diǎn)代表變化較小或是無(wú)變化的區(qū)域，表示為背景區(qū)域；取值為 255 的像素點(diǎn)代表變化的區(qū)域，表示為運(yùn)動(dòng)目標(biāo)。至此，大多數(shù)的運(yùn)動(dòng)目標(biāo)的基本形狀已

15、經(jīng)凸顯出來(lái)了。為了能夠精確的提取出運(yùn)動(dòng)目標(biāo)，通常還需要經(jīng)過(guò)形態(tài)學(xué)處理，例如，膨脹、腐蝕、開(kāi)運(yùn)算、閉運(yùn)算等，將斷點(diǎn)進(jìn)行連接或者將多余的部分去掉等，從而獲得更加準(zhǔn)確的檢測(cè)結(jié)果。幀差法優(yōu)點(diǎn)是算法簡(jiǎn)單、容易實(shí)現(xiàn)、檢測(cè)速度較快、能滿足系統(tǒng)對(duì)實(shí)時(shí)性的要求，而且一般相鄰兩幀的時(shí)間間隔比較短，因此對(duì)場(chǎng)景的光線變化不是特比敏感，對(duì)環(huán)境的自適應(yīng)性較強(qiáng)。幀差法存在著兩個(gè)主要的缺點(diǎn)：幀差法的檢測(cè)結(jié)果與目標(biāo)運(yùn)動(dòng)速度和相鄰兩幀間隔大小有關(guān)。如果運(yùn)動(dòng)目標(biāo)速度過(guò)快且兩幀時(shí)間間隔長(zhǎng)，可能會(huì)出現(xiàn)運(yùn)動(dòng)目標(biāo)在運(yùn)動(dòng)方向上前后分裂并拉長(zhǎng)，出現(xiàn)“雙影現(xiàn)象”，最壞的情況下可能發(fā)生同一個(gè)運(yùn)動(dòng)目標(biāo)被檢測(cè)為兩個(gè)不同的目標(biāo)。如果運(yùn)動(dòng)目標(biāo)運(yùn)動(dòng)過(guò)慢且兩

16、幀時(shí)間間隔小，交疊的部分在兩幀圖像進(jìn)行差分時(shí)會(huì)因差值過(guò)小而被誤判為背景區(qū)域，但是事實(shí)上這部分并不是背景區(qū)域，由此會(huì)造成目標(biāo)信息的丟失，我們稱之為“空洞現(xiàn)象”，最壞的情況下可能發(fā)生目標(biāo)完全重疊而不能被檢測(cè)出來(lái)。2.3 背景差分法背景差分法又叫做背景減除法，是固定場(chǎng)景中目標(biāo)檢測(cè)算法最長(zhǎng)用的一種檢測(cè)算法。在背景差分法中，視頻圖像分為背景圖像和前景圖像，該方法將視頻圖像中的當(dāng)前圖像與背景圖片進(jìn)行比較，也就是當(dāng)前幀與背景幀進(jìn)行差分運(yùn)算，在運(yùn)算結(jié)果中像素點(diǎn)的灰度值變化大的區(qū)域即為運(yùn)動(dòng)目標(biāo)，因此我們也常常認(rèn)為背景差分法是幀間差分法的一種特例。背景差分法的運(yùn)算原理框圖如下：圖2.2 背景差分法基本原理框圖提取

17、出運(yùn)動(dòng)目標(biāo)區(qū)域之后，可能會(huì)存在噪聲，可以對(duì)其進(jìn)行后期處理，例如膨脹、腐蝕、連通域檢測(cè)等操作，從而提取出較為準(zhǔn)確的運(yùn)動(dòng)目標(biāo)。背景差分法的優(yōu)點(diǎn)是算法復(fù)雜度低，算法實(shí)現(xiàn)比較簡(jiǎn)單，可以滿足系統(tǒng)的實(shí)時(shí)性要求，并且在運(yùn)動(dòng)目標(biāo)檢測(cè)時(shí)一般能夠得到比較完整的特征數(shù)據(jù)。是目前最常用的一種運(yùn)動(dòng)目標(biāo)檢測(cè)方法，尤其適用于背景固定或背景緩變的場(chǎng)景。 該方法對(duì)外界的環(huán)境變化非常敏感，例如場(chǎng)景中天氣的變化，光線的改變，攝像機(jī)的顫動(dòng)，樹葉的搖動(dòng)等等這些外界的干擾很容易使背景點(diǎn)被誤判為目標(biāo)點(diǎn)，因而影響了檢測(cè)的精度。所以該方法的難點(diǎn)在于建立一個(gè)符合場(chǎng)景需求的背景模型，而且需要有一套算法對(duì)背景模型進(jìn)行更新，使背景成為實(shí)時(shí)而準(zhǔn)確的背景

18、。檢測(cè)效果好的背景模型往往都會(huì)比較復(fù)雜，運(yùn)算量比較大，從而使得背景更新的速度減慢，無(wú)法實(shí)時(shí)地檢測(cè)出運(yùn)動(dòng)目標(biāo)。如果背景模型更新的速度非常慢，實(shí)際上背景在不斷變化著，會(huì) 導(dǎo)致從背景模型得到的背景圖像不是實(shí)時(shí)的背景圖像。但是如果背景模型更新的速度過(guò)快，背景有時(shí)就會(huì)和當(dāng)前圖像非常相似，背景差分法就無(wú)法檢測(cè)出運(yùn)動(dòng)物體。因此，建立一個(gè)合適的背景模型是背景差分法的關(guān)鍵部分，也是該算法的一個(gè)難點(diǎn)。第三章 改進(jìn)的運(yùn)動(dòng)目標(biāo)檢測(cè)算法3.1 改進(jìn)的三幀差分法三幀差分法是對(duì)兩幀差分法的改進(jìn)，它可以有效的克服兩幀差分法的一些缺點(diǎn)，例如，克服了兩幀差分法中的“雙影現(xiàn)象”，但是卻不能改善“空洞現(xiàn)象”，而且當(dāng)運(yùn)動(dòng)目標(biāo)和背景區(qū)域

19、這兩部分的灰度值比較接近時(shí)，三幀差分法不能準(zhǔn)確的檢測(cè)出運(yùn)動(dòng)目標(biāo)的輪廓.為了改善三幀差分法檢測(cè)結(jié)果的邊緣缺失的這個(gè)缺點(diǎn)，王霏等人嘗試將改進(jìn)的Sobel算子與三幀差分法相結(jié)合，因?yàn)閳D像的邊緣信息不容易受噪聲和亮度突變的影響。改進(jìn)算法的關(guān)鍵是獲得一個(gè)完整的運(yùn)動(dòng)目標(biāo)的邊緣輪廓，針對(duì)“空洞現(xiàn)象”，通過(guò)后期的形態(tài)學(xué)處理和連通性分析相結(jié)合的方法來(lái)改善這個(gè)問(wèn)題20。改進(jìn)的三幀差分法的基本思想是：把三幀分成兩組，分別求兩幀差分圖，進(jìn)行膨脹處理之后分別和邊緣檢測(cè)結(jié)果圖相“與”，將兩個(gè)結(jié)果進(jìn)行“或”運(yùn)算，得到一個(gè)初步的檢測(cè)結(jié)果。然后與三幀差分法的結(jié)果進(jìn)行“或”運(yùn)算，得到一個(gè)更加完整的檢測(cè)結(jié)果。最后對(duì)檢測(cè)結(jié)果進(jìn)行后期

20、處理，來(lái)達(dá)到改善“空洞現(xiàn)象”和去除噪聲的目的。(a) 經(jīng)典的兩幀差分法(b) 經(jīng)典的三幀差分法(c) 改進(jìn)的三幀差分法3.2 幀間差分法與光流法結(jié)合光流法對(duì)噪聲敏感，運(yùn)動(dòng)目標(biāo)邊緣以外附近的像素點(diǎn)沒(méi)有運(yùn)動(dòng)，但光流值不是零，出現(xiàn)了“速度漂移”。使得光流法和超像素分割的分割結(jié)果雖然不錯(cuò)，但是需要調(diào)節(jié)的參數(shù)空間非常大，需要花費(fèi)大量的時(shí)間來(lái)進(jìn)行參數(shù)的調(diào)整，導(dǎo)致它的實(shí)用性較差。幀間差分法簡(jiǎn)單易行，利用當(dāng)前幀與前一幀差分，當(dāng)運(yùn)動(dòng)目標(biāo)運(yùn)動(dòng)過(guò)快時(shí)提取出的物體往往會(huì)出現(xiàn)雙影而且比實(shí)際要大，當(dāng)運(yùn)動(dòng)過(guò)慢時(shí)又往往因無(wú)法檢測(cè)出重疊部分而出現(xiàn)空洞。為此，我們?cè)诠饬鞣ê统袼胤指罘椒ǖ幕A(chǔ)上，融合了幀間差分法來(lái)進(jìn)一步快速的縮

21、小需要調(diào)節(jié)的參數(shù)的范圍，極大的減少了人工調(diào)節(jié)的工作量。在改進(jìn)的方法中，賀麗麗等人結(jié)合光流法產(chǎn)生的結(jié)果和幀間差分法的結(jié)果來(lái)提取出大致的運(yùn)動(dòng)區(qū)域，然后利用超像素分割進(jìn)行精確的提取21。利用超像素分割后的結(jié)果label，對(duì)幀間差分法得到的結(jié)果s 進(jìn)行進(jìn)一步的提取，由于超像素分割將圖像分割成許多含有相似特征的標(biāo)記圖label ，首先我們需要知道s,即已經(jīng)求出的前景區(qū)域中含有對(duì)應(yīng)標(biāo)記圖中的哪些標(biāo)記。當(dāng)我們確定了前景區(qū)域所包含的標(biāo)記后，就需要進(jìn)一步的確定這些標(biāo)記在s和label 中所包含的像素個(gè)數(shù)。對(duì)于s，我們統(tǒng)計(jì)出其前景區(qū)域中對(duì)應(yīng)于標(biāo)記圖label 中每個(gè)標(biāo)記i所包含的像素的個(gè)數(shù)為isn,標(biāo)記圖labe

22、l中每個(gè)標(biāo)記i所包含的像素的個(gè)數(shù)為n，我們認(rèn)為isn與n 之間的關(guān)系，將成為提取前景目標(biāo)最重要的衡量標(biāo)準(zhǔn)。如果它們的比值小于某一個(gè)值T 時(shí)，則將Label中對(duì)應(yīng)于標(biāo)記i的像素值設(shè)為0，否則,Label中對(duì)應(yīng)于i的像素值設(shè)為 1。原始圖像t 中對(duì)應(yīng)于 Label中等于 0 的位置也標(biāo)記為 0；因此我們得到了提取出的運(yùn)動(dòng)目標(biāo)圖。3.3 改進(jìn)的背景建模算法針對(duì)傳統(tǒng)混合高斯背景建模算法，由于受到算法的限制，每個(gè)像素點(diǎn)的模型個(gè)數(shù)是固定不變的。后來(lái)，等人提出了基于最大似然估計(jì)的像素點(diǎn)背景模型個(gè)數(shù)自適應(yīng)選擇方法。但由于該方法人為地引入了負(fù)的先驗(yàn)系數(shù)，使得在更新過(guò)程中高斯成分的權(quán)重有可能被不合理地負(fù)更新。王永

23、忠等人在傳統(tǒng)混合高斯背景建模的基礎(chǔ)上，提出一種了自適應(yīng)選擇混合高斯模型個(gè)數(shù)的策略，孫麗等在此基礎(chǔ)上提出了新的算法。其算法的基本思想是對(duì)于每幀，在圖像所有像素的模型總個(gè)數(shù)固定的情況下，對(duì)于頻繁變化的背景點(diǎn)，當(dāng)未達(dá)到像素點(diǎn)自身的模型個(gè)數(shù)上限且不超過(guò)圖像模型總個(gè)數(shù)的前提下，可以“借用”相對(duì)穩(wěn)定的區(qū)域像素點(diǎn)的未用模型個(gè)數(shù)的名額，用個(gè)數(shù)不定的模型來(lái)描述該像素點(diǎn)可能的背景。根據(jù)模型的轉(zhuǎn)化規(guī)則，通過(guò)刪除模型、增加模型、替換模型來(lái)動(dòng)態(tài)分配模型個(gè)數(shù)及模型的參數(shù)更新，并實(shí)現(xiàn)背景模型的生成，從而使得背景模型個(gè)數(shù)能夠隨著場(chǎng)景的變化動(dòng)態(tài)調(diào)整。在當(dāng)前時(shí)刻，每個(gè)像素點(diǎn)都有自己的初始模型，這些模型根據(jù)一定的閾值條件，被劃分成

24、背景模型和候選背景模型。背景模型和候選背景模型都有自我更新并保持自身模型的狀態(tài)。當(dāng)候選背景模型滿足一定的條件后，轉(zhuǎn)化成背景模型，而背景模型和候選模型通過(guò)刪除模型的機(jī)制來(lái)達(dá)到終止模型狀態(tài)。本文的背景建模算法在不增加模型總個(gè)數(shù)的前提下，通過(guò)動(dòng)態(tài)刪除模型、增加模型以及模型間的轉(zhuǎn)化三種處理機(jī)制，分配不定個(gè)數(shù)的背景模型，并自適應(yīng)更新參數(shù)。實(shí)驗(yàn)表明，該算法能夠較好的處理復(fù)雜動(dòng)態(tài)場(chǎng)景中背景的頻繁變化如樹枝葉搖曳、水面波動(dòng)和噴泉，并在構(gòu)建背景過(guò)程中，一定程度上克服了前景運(yùn)動(dòng)目標(biāo)的影響。與傳統(tǒng)的運(yùn)動(dòng)目標(biāo)檢測(cè)算法相比，本文算法對(duì)動(dòng)態(tài)變化背景的描述能力更強(qiáng)，處理速度更快，符合實(shí)際場(chǎng)景中運(yùn)動(dòng)目標(biāo)檢測(cè)的實(shí)時(shí)性和準(zhǔn)確性要

25、求22。第四章 總結(jié)運(yùn)動(dòng)目標(biāo)檢測(cè)是計(jì)算機(jī)視覺(jué)中富有挑戰(zhàn)性的課題之一，對(duì)其展開(kāi)研究具有重要的應(yīng)用價(jià)值和理論意義。本文首先總結(jié)研究了現(xiàn)存的三種經(jīng)典的運(yùn)動(dòng)目標(biāo)檢測(cè)算法：光流法、幀差法和背景差分法，并對(duì)分析了它們的優(yōu)缺點(diǎn)。光流法不需要預(yù)先知道有關(guān)場(chǎng)景信息，可以支持?jǐn)z像機(jī)的運(yùn)動(dòng)，但是計(jì)算復(fù)雜度高、耗時(shí)長(zhǎng)、抗噪性能差，目前沒(méi)有較好的通用硬件支持。幀差法是將相鄰的兩幀圖像對(duì)應(yīng)像素點(diǎn)進(jìn)行相減而得到運(yùn)動(dòng)目標(biāo)，能夠適應(yīng)光照突變，運(yùn)算速度快、算法簡(jiǎn)單，但是檢測(cè)結(jié)果容易出現(xiàn)“空洞現(xiàn)象”和“雙影現(xiàn)象”，它適用于對(duì)實(shí)時(shí)性要求高，對(duì)檢測(cè)的目標(biāo)信息要求不高的場(chǎng)景中。背景差分法是將當(dāng)前圖像幀和建立的背景圖片相減來(lái)得到運(yùn)動(dòng)目標(biāo)，

26、該算法復(fù)雜度不高，可以滿足系統(tǒng)對(duì)實(shí)時(shí)性的要求，背景模型的建立對(duì)該方法的實(shí)現(xiàn)會(huì)產(chǎn)生至關(guān)重要的作用然后。然后介紹了幾種改進(jìn)的檢測(cè)算法，改進(jìn)的三幀差分法將改進(jìn)的 Sobel 邊緣檢測(cè)算子引入到三幀差分法中，因?yàn)閳D像的邊緣信息不容易受噪聲和亮度突變的影響，所以將三幀差分法和改進(jìn)的 Sobel 算子相結(jié)合彌補(bǔ)了三幀差分法不能將運(yùn)動(dòng)目標(biāo)輪廓完整檢測(cè)出來(lái)的缺點(diǎn)。然后對(duì)檢測(cè)結(jié)果進(jìn)行后期處理，達(dá)到改善空洞現(xiàn)象和去噪的目的。最后通過(guò)實(shí)驗(yàn)對(duì)比經(jīng)典三幀差分法和改進(jìn)的三幀差分法的檢測(cè)效果，結(jié)果表明改進(jìn)的三幀差分法的檢測(cè)結(jié)果準(zhǔn)確性更高。利用光流場(chǎng)獲得粗略的運(yùn)動(dòng)區(qū)域，將光流值經(jīng)過(guò)濾波，二值化和形態(tài)學(xué)處理，獲得大概的運(yùn)動(dòng)目標(biāo)

27、區(qū)域。利用幀間差分法將相鄰兩幀圖像中變化的區(qū)域提取出來(lái)，通過(guò)結(jié)合光流法和幀間差分法的結(jié)果，進(jìn)一步將運(yùn)動(dòng)目標(biāo)的提取鎖定在一個(gè)更加準(zhǔn)確的范圍內(nèi)。背景建模法對(duì)于每幀，在所有圖像像素模型總個(gè)數(shù)固定的情況下，對(duì)于頻繁變化的背景點(diǎn)，當(dāng)未達(dá)到像素點(diǎn)自身的模型個(gè)數(shù)上限且不超過(guò)圖像模型總個(gè)數(shù)的前提下，可以借用相對(duì)穩(wěn)定的區(qū)域像素點(diǎn)的未用模型個(gè)數(shù)的名額，用個(gè)數(shù)不定的模型來(lái)描述該像素點(diǎn)可能的背景，從而實(shí)現(xiàn)背景模型的動(dòng)態(tài)分配及更新。并基于像素的時(shí)域信息，用不包含該像素點(diǎn)在內(nèi)的小鄰域內(nèi)所有像素點(diǎn)的背景模型與當(dāng)前點(diǎn)進(jìn)行匹配，判斷其是否為前景點(diǎn)，以此消除動(dòng)態(tài)背景干擾的影響。這些算法都將為今后的研究提供參考和依據(jù)。參考文獻(xiàn)：1

28、 岡薩雷斯. 數(shù)字圖像處理(第二版)M. 北京:電子工業(yè)出版社, 2003:1-115. 2 Stauffer C, Grimson W E L. Learning Patterns of Activity Using Real-time Tracking J. IEEE Transactions on Pattern Analysis & Machine Intelligence, 2000, 22(8):747-757. 3 H. Akaike. A New Look at the Statistical Model Identification. IEEE Transaction on

29、Automatic Control, 1974, 19(6):716-723. 4 朱宏. 基于視頻序列的運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤技術(shù)研究D. 西南交通大學(xué)碩士學(xué)位文,2008:1-5.5 B K P Horn, B G Schunck. Determing Optical Flow M. Artificial Intelligence, 1981:185-203. 6 Meyer D. Model Based Extraction of Articulated Objects in Image Sequences for Gait AnalysisC. Proe IEEE Internationa

30、l Conference on Image Processing, Santa Barbara, California, 1997:78-81. 7 J L Barren, D J Fleet, S S Beauchemin. Performance of Optical Flow Techinques, Computer Vision, 2004, 12(1):43-77. 8 Roland M, Michael W. A Noise Robust Method for Shape Estimation of Moving Objects in Video Sequences Conside

31、ring a Moving Camera M. In Signal Processing, 1998:203-217.9 甘明剛, 陳杰, 劉勁. 一種基于三幀差分和邊緣信息的運(yùn)動(dòng)目標(biāo)檢測(cè)方法J. 電子與信息學(xué)報(bào), 2010:894-897. 10 郝毫剛, 陳家琪. 基于五幀差分和背景差分的運(yùn)動(dòng)目標(biāo)檢測(cè)算法J. 計(jì)算機(jī)工程, 2012, 38(4): 146-148.11 Wren C. Real -Time Traeking of the Human Body J. IEEE Transactions on Pattern Analysis and Machine Intelligenee, 1997, 19(7):780-785. 12 Stauffer C, Grimson E. Learning Patterns of Activity Using Real-Time Tracking C. In IEEE 13 左軍毅, 潘泉. 基于模型切換的自適應(yīng)背景建模方法J. 自動(dòng)化學(xué)報(bào), 2007, 5(33):467-472. 14 Transactions on Pattern Recognition and Machine Intelligence (T