基于OpenCV运动目标检测软件实现.docVIP

基于OpenCV运动目标检测软件实现 　　摘 要：OpenCV是一种基于开源发行的跨平台计算机视觉库，应用范围非常广。从运动目标检测角度出发，介绍了基本背景差分法检测运动目标的一般流程和当前经典的混合高斯模型（GMM）。采用基于OpenCV的方法软件实现GMM算法，提取运动目标，对该算法进行了评价。 　　关键词：OpenCV；运动目标检测；背景差分法；混合高斯模型 　　DOIDOI：10.11907/rjdk.1511025 　　中图分类号：TP319 　　文献标识码：A 文章编号文章编号：1672-7800（2015）012-0132-00 　　0 引言 　　智能视频监控系统是目前安防体系中非常重要的一环，智能视频监控技术涵盖了数字图像处理、计算机视觉、模式识别、多媒体技术、人工智能等多个领域的知识，视频图像中的运动目标检测与运动目标跟踪是智能视频监控的基础。目前常见的运动目标检测方法有：帧间差分法[1]、背景差分法[2]和光流法[3]。 　　（1）帧间差分法：主要是利用视频图像序列中连续两到三帧的差异来检测发生运动的区域。由于相邻两帧间的时间间隔非常短，因此可以利用前一帧图像作为当前帧的背景模型。该算法实现简单，程序设计复杂度低，对光线等场景变化不太敏感，能够适应动态背景下的运动目标检测，稳定性较好。但是，帧间差分法所检测出的运动目标轮廓不清晰，在目标内部会留有许多空洞。 　　（2）背景差分法：通过统计前若干帧的变化情况，进而分析出背景扰动的规律，构建背景模型。当前帧与图像背景进行差分，其中区别较大的像素被认为是运动区域，而区别较小的像素被认为是运动区域。背景差分法检测运动目标速度快，检测准确，易于实现，关键是背景图像的获取。 　　（3）光流法：对序列图像的光流场进行分析，计算出运动场，对场景进行分割，检测出运动目标。该方法的核心就是计算出运动目标的光流即速度。光流法能够在摄像机运动、背景变化等复杂条件下，完成运动目标的检测和跟踪。但该方法计算十分复杂，并且很容易受到光照、噪声等影响，实时性差。 　　本文主要通过背景差分法，采用OpenCV技术实现混合高斯模型建模，提取运动目标。 　　1 算法实现 　　1.1 背景差分法 　　通过背景差分法检测运动目标，首先是通过一段视频重建出运动目标所处的背景，然后将当前帧与背景帧进行差分，最后对差分结果进行分析处理。 　　设定一个阈值T，将像素值的变化小于阈值的点判定为背景点，反之为运动目标点，用式（1）对差分图像进行二值化，背景点填充为黑色，目标点填充为白色，可以得到粗略的运动目标区域： 　　mk（x，y）=1，dk（x，y）≥T，0，dk（x，y）T（1） 　　dk（x，y）为第k帧视频图像与背景图像的差分图像。 　　应用背景差分法进行运动目标检测流程如图1所示。 　　图1 背景差分法流程 　　1.2 混合高斯背景模型建立及更新 　　在混合高斯模型[4]中，认为像素之间的颜色信息没有关联，各像素点的颜色值变化符合高斯分布。通常用K（一般3～5）个高斯模型表征图像中各个像素点的特征，混合高斯模型的参数主要为均值和权值。先预定义K个混合高斯模型，得到新一帧图像后对其更新，检测当前图像的每个像素点中是否有与K个模型中的任意一个匹配，如果有，则该像素点判定为背景点，反之则为目标点。 　　假设像素点在时刻t的样本值为 xt， 在第i个高斯分布所对应的权值为ωi，t，ηi，t为相应的概率密度数，μi，t为第i个高斯分布的均值，∑i，t为协方差矩阵，则该像素点的概率密度函数表示为： 　　P（xt）=∑k[]i-1ωi，tηi，t（x，μi，t，∑i，t（2） 　　应用混合高斯模型进行运动目标检测的流程如图2所示。 　　图2 混合高斯模型流程 　　2 实验结果与分析 　　采用Microsoft Visual C++和OpenCV编程实现混合高斯模型，用来检测运动目标，并用运动目标检测公共测试[5]视频序列对程序测试，测试结果如图3所示。 　　图3中：（a）、（c）为当前帧，（b）、（d）分别为（a）、（c）的运动目标检测结果，其中黑色表示背景，白色表示目标，绿色表示背景，被误检测为目标，红色为误检测的运动阴影，蓝色表示未检测出来，即丢失的真实目标。 　　图3（a）的场景背景比较简单，运动的目标是行人，并且背景与运动目标之间的差异较明显，所以检测结果较好，结果中以黑色和白色为主，背景提取较为完善，运动目标检测也很完整。图3（b）的场景中有被风吹动的树叶，有目标的投射阴影，并且目标与背景的颜色差异不大，所以在检测结果中有较多的背景噪声，有部分运动阴影和目标空洞，但总体来说，GMM算法的效果还是不错的，真实目标区域较完整，其它错误可以通过形态学