基于背景和帧间差分法的运动目标提取.docVIP

基于背景和帧间差分法的运动目标提取 摘 要： 在自动人脸识别系统中，人体目标的检测是该系统识别人脸的前期关键步骤之一。为了能快速准确地检测出运动的人体目标，提出了背景差分法和帧间差分法相结合的运动目标提取检测方法。针对视频中的背景因镜头摆动或物体的移入/移出而有所变动，给出了几种提取背景的方法，比较各种方法后决定采用中值法快速地进行背景建模，随后采用自适应背景更新，结合两种差分法检测运动目标。通过实验验证了本文算法的有效性。 关键词： 运动目标； 背景差分法； 帧间差分法； 背景建模 中图分类号：TP391 文献标志码：A 文章编号：1006-8228（2014）03-38-04 0 引言 对于人体生物特征的识别，可以说从古到今一直受到人类的关注。随着智能监控、人机交互技术的发展，具有视频分析处理能力并可对运动目标实现检测和跟踪的智能化视频监控系统己成为研究的热点和主流[1]。视频图像中运动目标检测相对于静态图像而言稍显复杂一些，运动目标检测是指在视频图像序列中判断是否有前景目标的运动，如果有前景目标，则对目标进行初始定位的检测。视频是由时间上连续的图像序列构成的，故对于视频中运动目标的检测是按照一定的周期从视频序列中提取出一张张静态图像帧来实现检测的，因此视频序列图像与静态图像中的目标检测方法存在相似的地方，而不同的地方就在于运动目标时间上的连惯性[2]。针对视频图像的特殊性，我们常用于运动目标检测的方法有以下几种[3]。 1 运动目标检测的方法 1.1 背景差分法 背景差分法（Background Difference Method）是利用当前图像与预存的背景图像作差分，再利用阈值来检测运动区域的一种动态目标识别技术。背景差分法的原理如图1所示。 [当前图像][—] [二值化][连通性分析][目标][背景图像][非目标][f][b][R][Y][N] [D] 图1 背景差分法的识别过程 首先通过式⑴求出当前图像f与背景图像b的差，即 ⑴ 然后根据式⑵对差分结果图像D进行二值化，再对二值化之后的图像R进行连通性分析，即 ⑵ 当某一连通区域的面积大于一定的阈值T时，则认为检测到目标，并认为这个连通的区域就是提取的目标[4]。 背景差分算法简单，相对于其他方法而言易于实现，较适用于背景已知的情况，是最受欢迎的运动目标检测方法之一，也是当前运动目标检测技术中应用较为广泛的一类方法。 1.2 帧间差分法 帧间差分法（Frame Difference）是选取视频图像序列中相邻两帧或多帧图像信息作差分运算来获得运动目标轮廓的方法，利用不同帧图像对应位置像素点的差分运算结果进行目标检测。其主要工作流程如图2所示。 [第k帧图像][—] [二值化][连通性分析][目标][fk][fk-1][第k-1帧图像][非目标][R][D][N][Y] 图2 帧间差分法运动目标的识别 fk和fk-1分别为时刻k和时刻k-1采集到的两幅图像，据此可以得到差分图像为公式⑶： ⑶ 其中，T为阈值，两图像间发生变化的位置的像素取值为1，两图像间没有发生变化的位置像素取值为0，这样就检测到目标。也可以利用连续三帧甚至多帧图像来提取运动目标，这时判断一个像素点是否属于运动物体的原则为公式⑷： ⑷ 在运动的检测过程中，该方法利用时间信息，通过比较图像中若干连续帧获得对应像素点的灰度差值，如果均大于一定的阈值T，则可以判断该位置存在运动的目标[4]。其优点是计算简单、检测速度快，对动态环境具有很好的适应性，它可以很好地适用于多个运动目标和摄像机移动的情况。但是该类方法提取的目标不完整，所以帧间差分法通常不单独应用在运动目标检测中，而往往与其他的检测算法结合使用。 1.3 光流法 光流法（Optical Flow）是利用相邻两帧中对应像素的灰度保持原理来评估二维图像的变化[5]。简单来说，光流是空间运动物体在观测成像平面上的像素运动的“瞬时速度”。光流法是对运动序列图像进行分析的一个重要方法，光流不仅包含图像中目标的运动信息，而且包含了三维物理结构的丰富信息，因此可用来确定目标的运动情况以及反映图像其他信息。但是，多数光流场计算方法相当复杂，算法要对所有帧中的所有像素点来评估光流，所以计算量大，算法复杂耗时，且容易受到噪声影响。如果没有专门的硬件设备支持，很难实现视频实时检测，因此其应用性和实时性较差，不适合在实时的视频监控系统中使用。 1.4 统计与分析的方法 基于统计与分析的运动检测方法是近几年才发展起来的，主要有：基于经典的统计模式识别方法，包括决策函数法、K近邻分类法、支持向量机特征分析法、主因子分析法等；基于知识或者基于模型的自动目标检测方法，包括先验知识、SNAKE模型、单高斯模型、混合高斯模型等；基于多传感器信息融合的自动目标检测方法，包括嵌入约束法、证据