视频监控与视频分析运动目标检测分解.pptxVIP

运动目标检测研究背景运动目标检测方法 光流法 时间差分法 背景减除法算法评价研究背景（1）对序列图像的运动分析是当前计算机视觉领域的一个重要研究方向，广泛应用于： 高级人机交互 智能监控 视频会议 医疗诊断 基于内容的图像存储与检索美国、英国等国家已经开展了大量相关的研究,当前国际上一些权威期刊如IJCV、CVIU、PAMI、IVC、CVPR、AVSS、ECCV、IWVS等均将序列图像的运动分析作为其中的主题内容。低层视觉处理中层视觉处理高层视觉处理研究背景（2）序列图像的运动分析主要包括运动目标的检测、跟踪、分类及行为理解几个过程。运动目标检测是从序列图像中将运动变化区域从背景图像中分割提取出来。在计算机视觉、智能视频监控（银行、电力、交通、安检及军事）领域，视频图像的运动目标检测结果，将对运动目标分类、跟踪及行为理解等后续处理产生重要影响。运动目标的有效分割是序列图像分析的基础性工作，是当今国内外学者研究的热点问题。运动目标检测问题分类按不同标准将运动目标检测方法分类：（1）摄像机数目：单摄像机、多摄像机（2）摄像机是否运动：摄像机静止、摄像机运动（3）场景中运动目标数目：单目标、多目标（4）场景中运动目标类型：刚体、非刚体主要讨论：静止单摄像机，多运动目标检测问题。运动目标检测方法光流法（Optical flow） 可用于摄像机运动情形，提取目标完整信息（包括运动信息），计算复杂度高，抗噪性能差。在摄像机固定的情况下应用较少。时间差分法(Temporal difference) 通过比较相邻2或3帧图像差异实现场景变化检测，对动态环境有较强适应性，但检测精度不高，难获得目标精确描述。 背景减除法(Background subtraction) 适用于摄像机静止情形，其关键是背景建模，性能与监控场景复杂情况和系统要求有关，典型算法有中值、自适应模型、高斯模型、多模态均值等。 光流法光流法主要通过对序列图像光流场的分析，计算出运动场后，对场景进行分割，从而检测出运动目标。光流法的核心是求解出运动目标的光流，即速度。简要介绍传统光流法的典型代表HomSchunck算法、LucasKanade算法和块匹配算法。 xy传统光流法 根据视觉感知原理，客观物体在空间上一般是相对连续运动，在运动过程中，投射到传感器平面上的图像实际上也是连续变化的，即灰度不变性假设。根据这一基本假设，可以得到光流基本方程。设(x，y)点在时刻t的灰度为 I(x,y,t)，设光流w=(u，v)在该点的水平和垂直移动分量u(x，y)和v(x，y):经过dt后对应点为I(x+dx,y+dy,t+dt)，当 ，灰度I保持不变，得到I(x,y,t)= I(x+dx,y+dy,t+dt)。此式由Taylor展开，忽略二阶无穷小，整理得到基本的光流约束方程: (1)表示灰度对时间的变化率等于灰度的空间梯度与光流速度的点积。从不同角度对式(1) 引入不同约束条件，产生不同的光流分析方法。Barron等人将光流计算分为4种:微分法、频域法、块匹配法和能量法，其中微分法与块匹配法最为常用。下面介绍Homschiinck(简称HS)算法与LucasKanade(简称LK)算法，其后介绍块匹配法。Horn Schunck算法 Horn与Schunck于1981年引入了全局平滑性约束，假设光流在整个图像上光滑变化，即速度的变化率为零。结合式（1）和式（2），得光流w=(u,v)应满足： 取值主要考虑图中的噪声情况。如果噪声较强，说明数据置信度较低，需要更多地依赖光流约束，其取值较大;反之其取值较小。 [1] Horn, Berthold K.P.; Schunck, Brian G. Determining Optical Flow[J].1981. （2）Lucas Kanade算法(1) Lucas Kanade于1981年引入了局部平滑性约束，即假设在一个小空间领域上运动矢量保持恒定，使用加权最小二乘法估计光流。在一个小的空间领域上，光流估计误差定义为:W表示窗口权重函数，使邻域中心区域对约束产生的影响比外围区域更大，式(3)的解为: (3)Lucas Kanade算法(2)式中， 块匹配法 块匹配法并不直接使用光流基本方程，它的基本思想是假设光流w=(u，v)为不同时刻的图像区域的位移量，在图像序列的顺序图像对之间实施位置对应。块匹配距离度量的方法有两种，一是相似度量，如归一化相关系数最大化;二是对光强度差的平方和进行最小化。 块匹配法—归一化相关系数归一化相关系数当相关系数为1时，表示两个块完全匹配。实际上，由于噪声及目标图像形状的变化，不同图像的对应块亮度会有变化。在 搜索区内的相关系数最大的位置就是