基于AForge.NET类库地视频移动目标检测.docVIP

基于AForge.NET类库的视频移动目标检测-电气论文 基于AForge.NET类库的视频移动目标检测 楼亮亮，金彦亮 （上海大学通信与信息工程学院，上海200072） 摘要：运动目标的检测是数字图像处理和模式识别的基础，也是计算机视觉研究的一个重要领域。以C#为主要研究工具，对基于相邻帧差法及背景差分法的视频目标检测算法进行了研究，主要对其原理和算法进行研究。最后利用以AForge.NET架构类库，利用图像灰度的绝对值是否大于设置的阈值实现了对运动目标进行检测，实验结果表明，采用该算法可以对运动目标进行较为精确的检测。 关键词 ：运动检测；AForge.NET；帧差法；背景差分法 中图分类号：TN911.73?34 文献标识码：A 文章编号：1004?373X（2015）17?0058?03 0 引言 由于微电子技术的发展与社会生活水平的提高及各种安防需求的增多，运动目标检测逐步成为当前监控系统研究领域的热点，更是计算机视觉领域中视频跟踪算法和识别技术的基础，该算法的检测精度直接影响了后续的运动目标跟踪及识别效果。目前，运动目标检测领域比较常用的方法有：光流法、帧间差分法和背景差分法。 光流法是相对于观察者的运动目标造成的观测目标、表面或边缘的运动[1]。但是该算法计算量比较大，并且存在抗干扰能力差，所以对于实时性要求较高的场合，该检测算法在视频运动检测应用中并不是特别的适用，目前在运动检测中最常用的方法实际上是背景差分法[2]和帧间差分法[3]。 帧间差分法是一种通过对视频图像序列中相邻两帧作差分运算来获得运动目标轮廓的方法，非常适用于存在多个运动目标和摄像机移动的情况[4]。由于该算法对光线及场景变化具有较强的抗干扰性，且无需获得背景图像，更新速度快，所以非常适用于实时性较强的应用场合。但是该算法存在阈值难以确定的问题，这个现象在低对比度灰度图像序列中特别明显，导致对目标对象的完整区域提取不完整而产生空洞的现象。 背景差分法是采用图像序列中的当前帧和背景参考模型比较，来检测运动目标的一种方法，其检测性能依赖于所使用的背景建模技术[5]。该算法可以实现缓慢的背景变化过程中对目标进行精确快速的分割，所以具有很强的适用性，然而对于突然的光照变化和背景扰动，对物体带有影子的图像分割出来的前景图像可能带有影子区域[6]，为此可以通过建立实时更新的背景模型机制将前景区域分割出来，就可以减少动态场景变化对运动分割的影响[7]。 本文利用AForge.NET[8]架构类库，在Microsoft VisualStudio 2010中分别实验了帧间差分法与背景差分法，并实现运动目标的检测。实验结果表明，利用帧间差分法可以快速实现运动目标的检测，但是对于运动速度较慢的目标检测效果不是特别理想。为此，对于缓慢变化的运动目标引入背景差分法，利用类库中MoveTowards类建立实时有效的背景模型，有效地解决目标低速运动识别率较低的问题，提高了目标检测的准确率。 1 AForge.NET 简介 AForge.NET是一个专门为开发者和研究者设计的基于C#框架，包括计算机视觉与人工智能、图像处理、神经网络、遗传算法、机器学习、模糊系统、机器人控制等领域[9]。AForge.NET 是一个不断完善和发展的计算机视觉和图像处理库，目前的最新版本是2.2.5。 这个框架由一系列的类库组成，主要包括有： AForge.Imaging：日常的图像处理和过滤器； AForge.Vision：计算机视觉应用类库； AForge.Neuro：神经网络计算库AForge.Genetic?进化算法编程库； AForge.MachineLearning：机器学习类库； AForge.Robotics：提供一些机器学习的工具类库； AForge.Video：一系列的视频处理类库； AForge.Fuzzy：模糊推理系统类库； AForge.Controls：图像，三维，图表显示控件。 2 检测原理 帧差法及背景差分法主要原理就是图像的差分技术。设在一个时间轴上相邻时刻点ti 采集到的图像帧分别为f (x,y,ti)，ti + 1 采集到的帧为f (x,y,ti + 1)，则可以得出： //对两帧数据差值进行数据滤波 Bitmap tmp3 = erosionFilter.Apply（tmp2）； 上面几行代码可以计算出当前帧与上一帧