基于视频监控运动目标检测算法研究资料.ppt

* * 在复杂场景中背景模型的建立、保持与更新都受到多种因素的影响，寻找理想的背景模型往往是非常困难的，同时，运动目标所投射运动阴影也给运动目标提取造成很大困难。 * 基于光流场进行运动分割的基本步骤为，首先利用前后两帧的图像进行运动场估计，然后利用运动场估计得出的运动向量进行场景分割，再对得到的分割结果进行后处理，如消除小的噪声干扰区域以及合并小区域等，当后处理完毕后，统计区域个数，如果存在着一个以上不同区域，则说明场景有变化，反之则认为场景没有任何改变。 光流法有着不需要预先知道运动场景的任何先验信息便可检测运动目标对象的特点，并且可以处理背景运动情况下的运动目标检测。它的缺点是：计算量大，很难做到实时性处理，并且噪声、多光源、阴影和遮挡等情况对识别结果有严重的影响。 首先计算当前样本点与模型中各个分布的匹配度，并根据此匹配度来更新各高斯分布中如协方差、均值等参数及各个高斯分布的权重，最终达到背景像素的分布收敛于一个或者多个高斯分布的目的。 * * 由于虚影区域没有真实运动存在，故计算运动前景掩模虚影区域的光流场可以消除虚影。 为改善检测效果，使用多个具有不同更新速度的背景模型，并在不同条件下选择不同的背景模型作为当前场景的背景。在多摄像机从不同角度对同一场景进行监控的场合，摄像机之间的视差信息可以用来估计场景深度，由于运动目标比场景背景离摄像机更近，故有效利用深度信息也有助于运动目标的检测。 * 任何实际的算法都要在精确度、复杂度以及通用性等方面进行权衡折衷考虑。目前，几乎所有算法都是针对某种特定应用问题提出的，通用的算法还有待探求。 基于视频监控运动目标检测算法研究 内容提要 研究背景 运动目标检测方法 光流法 帧差法 背景建模法 算法评价 研究背景（1） 对序列图像的运动分析是当前计算机视觉领域的一个重要研究方向，广泛应用于： 高级人机交互 智能监控 视频会议 医疗诊断 基于内容的图像存储与检索 运动目标检测方法 光流法（Optical flow） 可用于摄像机运动情形，提取目标完整信息（包括运动信息），计算复杂度高，抗噪性能差。在摄像机固定的情况下应用较少。 帧差法(Temporal difference) 通过比较相邻2或3帧图像差异实现场景变化检测，对动态环境有较强适应性，但检测精度不高，难获得目标精确描述。 背景减除法(Background subtraction) 适用于摄像机静止情形，其关键是背景建模，性能与监控场景复杂情况和系统要求有关。 光流法 光流法主要通过对序列图像光流场的分析，计算出运动场后，对场景进行分割，从而检测出运动目标。 光流法的核心是求解出运动目标的光流，即速度。 简要介绍传统光流法的典型代表微分法。 光流法 根据视觉感知原理，客观物体在空间上一般是相对连续运动，在运动过程中，投射到传感器平面上的图像实际上也是连续变化的，即灰度不变性假设。根据这一基本假设，可以得到光流基本方程。 设(x，y)点在时刻t的灰度为 I(x,y,t)，设光流w=(u，v)在该点的水平和垂直移动分量u(x，y)和v(x，y): 经过dt后对应点为I(x+dx,y+dy,t+dt)，当 ，灰度I保持不变，得到I(x,y,t)= I(x+dx,y+dy,t+dt)。此式由Taylor展开，忽略二阶无穷小，整理得到基本的光流约束方程: (1) 表示灰度对时间的变化率等于灰度的空间梯度与光流速度的点积。 从不同角度对式(1) 引入不同约束条件，产生不同的光流分析方法。Barron等人将光流计算分为4种:微分法、频域法、块匹配法和能量法，其中微分法最为常用。下面介绍微分法（即基于梯度的算法）。该方法以Homschiinck(简称HS)算法为代表。 x y Horn Schunck算法 Horn与Schunck于1981年引入了全局平滑性约束，假设光流在整个图像上光滑变化，即速度的变化率为零。 结合式（1）和式（2），得光流w=(u,v)应满足： 取值主要考虑图中的噪声情况。如果噪声较强，说明数据置信度较低，需要更多地依赖光流约束，其取值较大;反之其取值较小。 （2） 光流法实验结