基于时空特征航拍视频运动目标检测研究.docVIP

基于时空特征航拍视频运动目标检测研究 　　摘要：航拍视频具有监控场景范围大、采集设备移动迅捷等优点。与普通监控视频相比，航拍具有目标分辨率低、场景干扰因素多、采集设备不固定等问题，运动目标检测是个难题。针对这些问题，提出一种融合时空特性的两级运动目标检测算法。首先利用SURF算子完成图像匹配，解决摄像机移动问题，并结合目标的运动特性及自适应道路检测算法完成时域上的目标区域检测；采用HSV空间中的S分量图颜色特征，利用道路区域与目标区域的差异性完成空域目标区域检测。实验采用著名的VIVID Egtest01数据库以及Munich Crossroad01数据库中的数据，并与传统方法进行对比。结果显示该算法平均准确率达到93%，相比于传统方法有效性和鲁棒性更好。 　　关键词关键词：航拍视频；背景补偿；道路检测；HSV；运动目标 　　DOIDOI：10.11907/rjdk.171850 　　中图分类号：TP319 　　文献标识码：A文章编号文章编号2017）011014405 　　0引言 　　航拍是目前新兴的一种非接触式远距离探测技术，具有拍摄场景范围大、移动便携等优势，逐渐应用于智能交通系统的运动目标检测[13]。运动信息是目标检测最为重要的线索，大部分是基于时间特性的，在固定摄像头条件下，常用的运动目标检测算法有背景差分法、帧差法、光流法等。但是这些方法一般不能直接应用在移动机器人、无人机等场合，这是因为摄像头的运动使背景变得复杂，导致不能精确检测出运动目标。 　　运动目标检测相关研究已经有一些成果[46]：①基于光流场的运动目标检测法[7]：根据运动目标的运动矢量在局部区域的统一性以及背景和运动目标之间的差异性，对其进行运动分割，此方法缺点是抗噪能力弱且实时性较差；②基于统计模型的运动目标检测法[8]：这种算法首先估算运动矢量场，然后根据马尔可夫随机场（MRF）建立运动矢量场的间断点分布模型，据此模型检测运动矢量场的间断点，从而提取出运动目标。该方法的优点是运算量比较小，能满足实?r性要求，缺点是在复杂场景下检测率下降、鲁棒性较差；③基于背景补偿的运动目标检测法：这是目前最常用的一种方法。该方法首先对相邻两帧图像进行图像匹配，然后根据匹配的特征点计算出全局运动参数，依据运动参数完成背景补偿，从而将动态背景转变为静态背景进行处理。 　　2.3空域目标检测 　　经过时域特征检测，可得到运动目标的候选区域，但是此候选区域可能是由不精确的背景补偿或其它干扰引起的。为提高算法准确率，本文在此基础上进行空域上的目标检测。采用基于HSV颜色空间的自适应检测方法得出道路区域，将道路区域外的候选运动目标认定为噪声，以减少周围环境的干扰。S分量对于光照不敏感，利用目标在此分量上的颜色特征完成空域目标区域分割。 　　2.3.1自适应道路检测 　　考虑到航拍视频图像背景复杂，同时为了降低虚警率，本文将感兴趣区域设为道路区域。通常情况下，运动目标只位于这部分区域。与基于先验知识的方法不同，本文采用一种自适应方法进行道路提取，流程如图5所示。 　　图5自适应道路检测流程 　　首先将图像转换为HSV颜色空间，在S分量图上进行道路提取。在此分量图上，道路区域与其它区域灰度差别明显。然后利用大津算法[12]结合形态学处理方法对道路区域进行分割，道路分割结果如图6、图7所示。 　　从图6、图7可以看出，无论是利用场景简单的VIVID Egtest01数据库还是场景复杂的Munich Crossroad01数据库，该方法都能很好地提取道路区域，提高算法效率与鲁棒性。 　　2.3.2空间特征检测 　　由于可能存在噪声干扰，单一的时域特征并不能很好地把运动目标检测出来，因此本文在时域目标检测的基础上进行空域目标检测。在S分量图上道路区域与目标区域差异较大，据此差异性将目标与道路区域分离，得到空域上的目标区域，计算公式如下： 　　B（x）=1，S（x，y）≥T0，S（x，y）T（7） 　　其中，B（x）为阈值比较函数，T代表阈值，S（x，y）为S分量图的灰度值。 　　将二值图中值为1的区域判定为候选目标区域，结合形态学处理方法得出空域上的最终目标区域，实验效果如图8、图9所示。 　　图8VIVID Egtest01数据库上的实验结果 　　图9Munich Crossroad01数据库上的实验结果 　　由图8、图9可以看出，在VIVID Egtest01数据库上，运动车辆全部被检测出来，所有车辆均为运动目标，故准确率较高；在Munich Crossroad01数据库上，有静止和运动两种状态车辆，还可能会有其它干扰，准确率较低，因此有必要进一步采取措施使运动目标从道路区域中分离出来。 　　2.4时空特征融