基于双目视觉运动目标检测算法研究.docVIP

基于双目视觉运动目标检测算法研究 　　摘 要：运动目标检测是实现目标识别与跟踪的基础，它是计算机视觉研究领域的重要组成部分。鉴于传统的运动目标检测算法容易受到噪声、光照及外部环境影响，导致难以准确检测到运动目标的缺点，提出了基于视差的目标检测方法和基于灰度的目标检测方法相结合的算法进行运动目标检测。该方法是将两种算法检测出的前景目标相交部分作为运动目标，克服了双目视觉在目标检测中难以准确的获得目标轮廓，单目视觉容易受环境变化影响的缺点，可以在环境光线发生变化时、物体被照射产生阴影时、目标发生遮挡时准确检测出运动目标，从而提高目标检测的稳定性。 　　关键词：运动目标检测；双目视觉；视差；目标轮廓 　　中图分类号：TP391.41 文献标识码：A 文章编号：1674-7712 （2014） 10-0000-01 　　运动目标检测是实现目标识别与跟踪的基础，它是计算机视觉研究领域的重要组成部分。运动目标检测就是用数字信号处理等技术对包含运动信息的图像序列进行适当处理，检测并提取图像序列中与背景相对运动的前景，然后根据边缘、灰度等图像特征将运动前景分割为若干独立目标的过程。快速、准确的分割并检测出运动目标，有利于目标跟踪、识别与行为理解等后续工作的进行。常用的运动目标检测算法有三种：光流法、帧间差分法、和背景差分法。光流法能检测出独立的目标，不需要预先知道场景的任何信息，但该算法计算复杂，不能够满足实时处理的需要；帧差法通过比较连续的两帧或三帧视频图像，然后在图像中获取运动目标的信息，该算法能够较好的适应动态环境，但很难完整的提取运动目标信息；背景差分法可以提取目标的完整信息，但容易受到光照等外部场景的动态变化的影响。在实际的应用中，通常是通过对上述方法进行改进来满足应用需求，比较好的改进算法如Kim算法、自适应高斯背景模型的目标检测算法。Kim算法是将连续帧间差分法和背景差分法相结合，取得了很好的效果，但还存在着目标相关点保留较少、目标轮廓检测不完整的问题。自适应背景模型估计算法对于摄像机静止的情形具有很强的适应性，它首先要建立背景模型，然后将当前图像与建立的背景模型进行差分，并且和预先设定的阈值进行比较，把差值的绝对值比阈值大的区域作为前景区域。这种方法能够完整而精确的描述运动目标的相关区域，且计算速度较快，但是对场景中的噪声及光照条件特别敏感，容易受到外部环境变化的影响。 　　针对上述问题，研究人员提出了使用多个背景模型方法，使它们具有不同的更新速度，这样针对不同的条件，就可以选择不同的背景模型来作为场景的背景。此外，也可以使用多个摄像机从不同角度对同一场景进行监控，利用摄像机之间的视差值来计算场景的深度，这样可以克服外部环境因素的干扰，并能实现背景的实时更新，提高运动目标检测的实时性和鲁棒性。因此，本文提出了使用灰度背景差分和视差背景差分相结合的算法来进行目标检测。该方法既克服了单目视觉容易受外界环境变化的影响，又克服了双目立体视觉难以准确提取目标轮廓的缺点，能够在环境光线发生变化时、物体被照射产生阴影时、目标发生遮挡时正确检测出运动目标。 　　一、本文所提出的运动目标检测算法 　　本文综合立体视觉和单目视觉在目标检测中的优点，采取将二者结合的方法进行目标检测。考虑到双目立体视觉中基于视差的背景差分算法能够有效地克服光线的突然变化、阴影干扰及目标遮挡等外界条件的影响，但却很难准确的提取目标的轮廓；而单目视觉中基于灰度差分法能够准确的检测出运动目标的轮廓，但容易受外界条件的影响，会把阴影和部分背景检测为前景。因此，本文提出了基于灰度差分法和背景差分法相结合的算法进行目标检测，并通过实验证明了此算法能够较为准确的检测出运动目标，并能精确的提取目标轮廓。该算法的具体实现过程可以分为以下四步： 　　（1）求取视差深度图：通过对左右立体图像对进行立体匹配来获取视差图，进而获得景物的深度信息。 　　（2）建立动态背景模型：主要是对视差图创建动态背景模型，采用的是基于单高斯分布的动态背景图像估算方法。 　　（3）前景目标的检测：分别运用基于灰度的背景差分法及基于视差的背景差分法检测运动目标。 　　（4）前景目标的选择：首先采用基于灰度背景差分法检测得到前景图像，并进行二值化处理，得到二值图像，然后与基于视差背景差分法获取前景二值图像进行“与”运算，把最后得到的结果作为前景目标。 　　（一）求取视差图。视差深度图所反应的是景物离视点距离的远近。对双目摄像机同时摄取的左右图像进行立体匹配，求取视差深度图，实际上就是找对应点问题，即在基准图中给定一点，然后再对准图中寻找对应点的过程，使得这两点均为空间同一物体的投影。本文采用前期所研究的融合光流的方法对左右图像对进行立体匹配，求取视差图。 　　（二）建立动态背景模型。本