视频中移动目标检测综述.pdfVIP

基于视频的移动目标检测 论文研读报告 苏航 智能科学系 信息科学技术学院 北京大学 摘要 基于视频的移动目标检测是一个重要且有挑战性的任务，在许多应用中都起 到相当关键的作用。本次论文研读围绕该主题展开，深入阅读了十余篇论文，在 本文总结了视频中移动目标检测的一些主要方法及各自的优劣，并将几个重要的 方法大致分为了两个不同的类别：基于像素的移动目标检测和基于区域的移动目 标检测。在基于像素的方法中，图像特征完全由各个像素的坐标及灰度值（或颜 色值）确定，而在基于区域的方法中，各个像素属性之间的关联成为主要特征来 用以提取移动目标。另外本文还讨论了以上两类之外的一些方法。 关键词 视频 移动目标检测 背景差分 高斯混合模型 直方图 正文 1 引言 基于视频的移动目标检测在许多实际应用中都担当着核心的任务。譬如视频 监视、人机交互、视频编码等广泛的领域都需要有效地进行该工作。帧差法（Frame 1 2 Differencing） 是视频中检测移动目标最简单直观的方法，其在视频片段中固定 间隔的两帧之间计算绝对差，该差值大于一定阈限的像素就认为是运动物体可能 存在的区域： (, ) = . (, ) − − (, )/ （1） 这种简单的方法有时十分有效，但在更多应用环境下并不能获得期望的效果。 这主要是由于视频中各帧之间的差异并不仅仅来源于运动的物体，而同时可能来 1 R. Jain and H. Nagel, “On the Analysis of Accumulative Difference Pictures from Image Sequences of Real World Scenes”, IEEE Trans. Pattern Analysis and Machine Intelligence, vol. 1, no. 2, pp. 206–214, 1979. 2 为了避免混淆，本文中将作为主要研读对象的文章列在报告最后的“参考文献”一栏中，而其他引用的 文献则作为脚注注明。 1 源于很多别的因素。例如在室外道路监视中，由于太阳位置及云雾遮挡阳光的情 况不断改变，路面整体的亮度并不固定而是不断改变的，甚至有可能出现大的变 化。类似这样可能被错误识别成移动物体的因素还有很多，如移动物体产生的阴 影、水面的波纹、摄像机的抖动等。另外，在特定的应用场景下还有其他一些至 关重要的问题需要考虑。例如在道路监视中，车辆往往有复杂的遮挡现象，而且 车辆的阴影很大程度加剧了这种现象的出现。当然这些困难也并不总是存在的， 有些应用中并不会出现这些问题，如室内视频监视就没有大尺度光照变化的问题； 也有些应用中并不需要考虑这些问题，如传统的视频编码中阴影、水波等本身并 不能忽略所以可以一并视为运动物体。 以上这些分析可以简单看出，视频中的移动目标检测是一件非常有挑战性的 工作，而且不同应用环境的需求存在很大的差异。在一个应用中性能很好的算法 可能在另一个场景中完全不适用，所以很难使用单一的技术应对所有的应用环境， 这也就导致相关的算法技术不断涌现。 Category Method Author and Time Simplest Method Frame Differencing Jain and Nagel 1979 Mean-threshold Method Wren et al. 1997 3 Gaussians N Friedman, S Russell 1997 Pixel-based Methods Gaussian Mixture Model(GMM) Stauffer and Grimson 2000