视频运动目标检测方法的对比分析.docVIP

研究论文 （Articles ） 3 帧的检测结果 ， 由于检测窗口是固定的 ， 因此当场景中目标 缩小或扩大时 ， 就会对检测结果的准确性有较大的影响 。 图 9 是运动矢量场法在摄像机运动情况下的检测结果 ， 能够检测 到目标区域 。 在摄像机静止情况下 ， 帧差法 、 背景估计法 、Mean Shift 方法 、 运动矢量场法结果检测都能取得较好的结果 。 在摄像 机运动情况下 ， 只有 Mean Shift 方法 、 运动矢量场法能够检测 出运动目标 。 各类目标检测方法的适用范围和性能见表 2 。 表2 各类目标检测方法的适用范围及算法复杂度的对比 Table 2 Comparison of applicability and complexity of target detection methods 帧间差分法 摄像机静止 摄像机运动 是否需要关于场景与目标的先验知识 是否需要人为参与 算法复杂度 实时性 自主性 适合 不适合 不需要 不需要 简单 好 好 背景建模法 适合 不适合 需要 不需要 根据模型不同复杂度不同 根据模型复杂度实时性不同 好 图像分割法 适合 适合 不需要 需要 较复杂 一般 差 聚类分析法 适合 适合 需要 需要 较复杂 一般 差 运动矢量场法 适合 适合 不需要 不需要 复杂 差 好 2 技术展望 帧间差分法算法简单 、 计算速度快 ， 能够实现实时检测 ， 确信虚拟物体是真实环境的组成部分 。 为了能产生有机融合 的虚实场景 ， 增强现实系统往往要求能够对目标检测的精度 达 到 亚 像 素 级精 度 ， 因 此 在 增 强 现 实 系 统 中 ， 对 目 标 检 测 的 精度提出了更高的要求 。 且 不 需 要 人 为 干预 ， 但 其 检 测 的 目 标 精 确 性 一 般 ， 只 适 合 于 摄像机静止情况下的目标检测 ， 适应性差 。 背景建模法能够 较快速且准确地检测出场景中运动的目标 ， 检测过程不需要 人为干预 ， 自主性好 ， 但需要对场景有一定的先验知识 ， 且只 适合摄像机静止情况下的检测 。 基于图像分割的方法在摄像 机静止和运动的情况下都能够检测出目标 ， 也不需要场景的 先验知识 ， 但在检测过程中 ， 需要人为指定检测目标 ， 所检测 到的是目标所在的一个区域 ， 该区域往往不能随着目标的放 大 和 缩 小 而 变 化 ， 因 此在 目 标 出 现 较 大 程 度 的 放 大 或 缩 小 时 ， 会出现较大的检测误差 。 基于聚类分析的方法在摄像机 静止和运动的情况下都能够检测出目标 ， 但是算法需要场景 以 及 目 标 的 先 验 知识 ， 且 需 要 一 个 学 习 训 练 的 过 程 ， 因 此 当 场景中出现新类型的目标或需要检测新类型的目标时 ， 该算 法需要新的学习训练过程来进行更新 。 运动矢量场法在摄像 机静 止 和 运 动 的 情 况 下 都 能 够 检 测 出 目 标 ， 不 需 要 先 验 知 识 ， 但计算过程复杂 ， 实时性差 。 随着计算机视觉以及视频分析技术的进一步发展 ， 视频 目标检测面临着许多新的应用 。 3 ） 武器制导设备 。 随着精确打击武器的出现及其在现代 战争中的出色表现 ， 人们逐渐意识到提高武器打击准确性 、 精确性与机动性的重要意义 。 在现代武器系统中 ， 传统的制 导方式如惯性制导 、GPS 制导等在精确性 、 准确性与机动性等 方面的表现不尽如人意 。 因此开发基于视频跟踪的末制导成 为目前武器系统的研究热点 ， 面向武器制导设备的目标检测 算法 ， 不仅要求算法具有较高的检测精度 ， 而且在实时性 、 快 速性方面亦提出了更高的要求 。 4 ） 面向任意视频的目标检测 。 对于没有任何限制条件下 拍摄的视频 ， 比如家用摄像机拍摄到的视频 、 新闻视频 、 会议 视频等 ， 视频数据往往是带有噪声的 、 压缩的 ， 视频中包含目 标数目不确定 ， 甚至存在部分的目标遮挡 ， 在这些应用中 ， 对 目 标 检 测 算 法 的 抗 噪 能 力 、抗 干 扰 能 力 、多 目 标 检 测 的 能 力 提出了新的要求 。 面对新的应用 ， 当前已有的算法无法在精度 、 实时性 、 自 主性 、 鲁棒性等方面满足当前的某些应用需求 。 在这种情况 下 ， 对 目 标检 测 算 法 提 出 了 新 的 挑 战 ， 迫 切 需 要 开 发 新 的 检 测算法或改进已有的检测算法 。 1 ） 针对武器系统的高精度目标自 主 检 测 、 战 场 环境 侦 查 。 随着军事装备的自主化 、 智能化要求越来越高 ， 各种自主 控制设备在战场环境侦查等方面的作用越来越凸显 。 各种先 进摄像平台和视频传感器的出现 ，