第二章 运动目标监测与跟踪.docVIP

第二章 运动目标监测和跟踪 2.1运动目标检测 运动目标检测(Motion Detection)是指在输入视频图像中判断与背景图像相比是否存在相对运动的前景目标和物体，并根据灰度、边缘、纹理等二维图像特征将运动前景进一步分割为若干独立目标。 在实际应用中，一个好的运动目标检测算法，通常应该具有以下几个特征【12】： ◆不受环境的变化(如天气和光照变化等)而影响结果； ◆不受背景中个别物体的运动(如水波、风吹树动等)而影响结果； ◆不受目标及背景中的阴影而影响结果； ◆对复杂背景和复杂目标仍然有效； ◆检测的结果应满足后续处理(跟踪分析)的精度要求； 图2-1描述了检测算法的一般流程图。常见的运动目标检测算法有：帧间差分法、背景差分法及光流法等，以下将分别进行介绍。 Fig.2—1Flow chart of detection algorithm 2.1.1帧间差分法 帧间差分法[23-241就是将视频序列中相邻的两帧或几帧做象素域上的减法运算，以得到帧间的不同图像的信息。在摄像头固定的情况下，对连续的图像序列中的相邻两帧图像采用基于像素的帧差法来提取图像中的运动区域，设k帧和第k+l帧(或者看做时刻)采集到同一背景下的两幅运动图像的灰度值为，则差分图像的定义为： （2.1） 对上式的差分结果进行阈值处理，就可以提取出运动物体。对差分图像二值化，当某一像素的灰度值大于给定阈值T时，认为该像素为目标像素，即该像素属于运动目标；反之，则属于背景。这一步的目的就是为了区分背景像素和目标像素，得到： (2.2) 其中，l表示前景像素值，0表示背景像素值。 然后再对进行连通性分析，就可以得到连通区域的面积。当某一连通区域面积大于预定值时，则认为该区域属于同一个运动目标。 帧间差分法实验如图2-3，在实验时由于第100帧图像与101帧图像相差不大，因此改采用第102帧图像与100帧图像进行差分。 显而易见，在帧间差分法中阈值的选择非常关键，这是因为阈值过低则不能有效地抑制图像中的噪声，阈值过高将误判图像中有用的变化。阈值选择分为全局阈值和局部阂值，通常图像不同光照区域引起的噪声也不相同，因此采用局部阈值能更好的抑制噪声。 帧间差分法进行目标检测的主要优点是：算法实现简单；实现程序设计复杂度低；易于实现实时监视；基于相邻帧差方法，由于相邻帧的时间间隔一般比较短，因此该方法对场景光线的变化一般不太敏感。 最基本的帧间差分法可以检测到场景中的变化，并且能够提取出目标，但是在实际应用中，帧问差分法的结果精度不高，难以获得目标所在区域的精确描述。当运动目标的运动速度较快时，实际检测时可能会将一个运动目标误为两个运动目标：当运动目标速度较慢时，会在检测结果中造成空洞，这是由于运动目标的颜色或灰度在一定区域内较均匀。在实际应用中我们总希望下一步进行目标跟踪中，提取的目标尽量接近目标的真实形状，也就是说，我们提取的目标应是完整的，同时也应该是尽量少地包括背景像素点。但是～般情况下广泛应用该算法时对两帧间目标的重叠部分也是不容易被检测出来的，即只检测出目标的一部分或者出现了较大比例的空洞，这是由于我们直接用相邻的两帧相减后，保留下来的部分是两帧中相对变化的部分，所以两帧间重叠的部分就很难被检测出来。 为了获得两帧重叠的部分图像，解决相邻帧差法存在的问题，人们在其基础上又提出了一种三帧差分法。该方法需要提取连续三帧图像来计算两个差分图像，再令这两个差分图像的对应像素相与，从而可以提取出运动目标。设连续三帧视频图像分别为 则三帧差分法检测流程如图2—4所示。 2.1.2背景差分法 背景差分法【25】【26】是目前视频监控中最常用的一种方法，它的基本思想是将输入图像与背景模型进行比较，通过判定灰度特征的变化，或用直方图等统计信息的变化来判断异常情况的发生和分割运动目标。传统的背景差分算法包括三大步骤：首先，为背景中每个象素进行统计建模；然后将当前图象和背景模型进行比较，找出一定阈值限制下当前图像中出现的偏离背景模型值较大的那些象素，据此，再对图象进行二值化处理，从而得到前景象素集合(运动目标)；此外，模型还要进行周期性的背景更新以适应动态场景变化。背景差分法算法具体如下： 计算视频序列中当前帧五与背景瓯的差值，得到差分后的图像： （2.3