基于視頻監(jiān)控運動目標(biāo)檢測算法研究

基于視頻監(jiān)控運動目標(biāo)檢測算法研究內(nèi)容提要研究背景運動目標(biāo)檢測方法光流法幀差法背景建模法算法評價研究背景（1）對序列圖像的運動分析是當(dāng)前計算機(jī)視覺領(lǐng)域的一個重要研究方向，廣泛應(yīng)用于：高級人機(jī)交互智能監(jiān)控視頻會議醫(yī)療診斷基于內(nèi)容的圖像存儲與檢索運動目標(biāo)檢測方法光流法（Opticalflow）

可用于攝像機(jī)運動情形，提取目標(biāo)完整信息（包括運動信息），計算復(fù)雜度高，抗噪性能差。在攝像機(jī)固定的情況下應(yīng)用較少。幀差法(Temporaldifference)

通過比較相鄰2或3幀圖像差異實現(xiàn)場景變化檢測，對動態(tài)環(huán)境有較強(qiáng)適應(yīng)性，但檢測精度不高，難獲得目標(biāo)精確描述。

背景減除法(Backgroundsubtraction)

適用于攝像機(jī)靜止情形，其關(guān)鍵是背景建模，性能與監(jiān)控場景復(fù)雜情況和系統(tǒng)要求有關(guān)。光流法光流法主要通過對序列圖像光流場的分析，計算出運動場后，對場景進(jìn)行分割，從而檢測出運動目標(biāo)。光流法的核心是求解出運動目標(biāo)的光流，即速度。簡要介紹傳統(tǒng)光流法的典型代表微分法。光流法根據(jù)視覺感知原理，客觀物體在空間上一般是相對連續(xù)運動，在運動過程中，投射到傳感器平面上的圖像實際上也是連續(xù)變化的，即灰度不變性假設(shè)。根據(jù)這一基本假設(shè)，可以得到光流基本方程。設(shè)(x，y)點在時刻t的灰度為I(x,y,t)，設(shè)光流w=(u，v)在該點的水平和垂直移動分量u(x，y)和v(x，y):經(jīng)過dt后對應(yīng)點為I(x+dx,y+dy,t+dt)，當(dāng)，灰度I保持不變，得到I(x,y,t)=I(x+dx,y+dy,t+dt)。此式由Taylor展開，忽略二階無窮小，整理得到基本的光流約束方程:

(1)表示灰度對時間的變化率等于灰度的空間梯度與光流速度的點積。從不同角度對式(1)引入不同約束條件，產(chǎn)生不同的光流分析方法。Barron等人將光流計算分為4種:微分法、頻域法、塊匹配法和能量法，其中微分法最為常用。下面介紹微分法（即基于梯度的算法）。該方法以Hom&schiinck(簡稱HS)算法為代表。xyHorn&Schunck算法Horn與Schunck于1981年引入了全局平滑性約束，假設(shè)光流在整個圖像上光滑變化，即速度的變化率為零。結(jié)合式（1）和式（2），得光流w=(u,v)應(yīng)滿足：取值主要考慮圖中的噪聲情況。如果噪聲較強(qiáng)，說明數(shù)據(jù)置信度較低，需要更多地依賴光流約束，其取值較大;反之其取值較小。（2）光流法實驗結(jié)果圖本文使用Horn&Schunck提出的光流算法，檢測場景為兩個人在室內(nèi)聊天的場景。從下面兩張圖可看出，由于檢測所選用的兩幀是視頻中連續(xù)的兩幀，相隔時間非常短，因此，場景中的兩個人并沒有明顯的變化。結(jié)論由上面光流法實驗結(jié)果圖可看出，由于用于檢測的兩幀圖像中的兩個人物有微小的運動，通過光流法能檢測出有運動物體，并且通過三幅圖的對比可以看出，檢測出來的運動物體的輪廓與上圖中兩個有微小運動的人物輪廓相符，如此，可驗證光流法不但可以檢測出是否存在運動目標(biāo)，并且，當(dāng)運動目標(biāo)存在時，能獲得運動目標(biāo)的完整輪廓。背景建模法原理：建立一個無運動目標(biāo)的背景圖像(第一幀無運動目標(biāo)的圖像或前N幀無運動目標(biāo)的圖像的均值或中值)，然后將當(dāng)前圖像的像素值與背景圖像的像素值相減，通過設(shè)置一定的閾值，判斷此像素點為背景像素點還是前景像素點，從而分割運動目標(biāo)。優(yōu)點：算法簡單、實時性較高，能夠完整的分割出運動對象缺點：對背景的依賴性較高流程背景建模法通常分為背景模型建立、背景模型更新、背景提取和目標(biāo)判斷四個步驟，具體流程圖如下所示：主要介紹兩種背景模型：單高斯模型混合高斯模型單高斯模型對每一個像素利用高斯函數(shù)建模，每一像素點都認(rèn)為服從均值和標(biāo)準(zhǔn)方差的分布，且每一點的高斯分布是獨立的。假定每個像素特征在時間域上的分布可以由單個高斯分布來描述優(yōu)點：單高斯分布背景模型在室內(nèi)(或其他簡單場景)進(jìn)行運動目標(biāo)檢測可以得到較好的效果，由于運算量小，處理速度非?？?，而且檢測到的目標(biāo)比較完整。缺點：當(dāng)場景比較復(fù)雜時，模型會變得不穩(wěn)定，而且抗噪聲干擾的能力較差。混合高斯模型此方法是這樣實現(xiàn)背景建模的：

混合高斯模型使用K（基本為3到5個）個高斯模型來表征圖像中各個像素點的特征；用當(dāng)前圖像中的每個像素點與混合高斯模型匹配,如果成功則判定該點為背景點,否則為前景點；獲得后更新混合高斯模型；通觀整個高斯模型，主要是有方差和均值兩個參數(shù)決定。混合高斯模型設(shè)用來描述每個像素點背景的高斯分布共有K個，分別記為。各高斯分布分別具有不同的權(quán)值和優(yōu)先級，它們總是按照優(yōu)先級從高到低的次序排序。包括模型初始化、模型匹配與參數(shù)更新、生成背景分布和檢測前景四部分。模型匹配與參數(shù)更新將新像素與模型中的K個分布按序匹配，若與某分布滿足式（D1為自定義參數(shù)），則與該高斯分布匹配，其參數(shù)按下式更新。

式中是自定義的學(xué)習(xí)率，是參數(shù)學(xué)習(xí)率。不匹配的分布僅權(quán)值按衰減。若無分布和匹配，則最小權(quán)值分布被替換成均值為，標(biāo)準(zhǔn)差為，權(quán)值為的高斯分布。其余分布僅權(quán)值按更新。生成背景分布分布按優(yōu)先級從大到小排列，T為背景權(quán)值部分和閾值，如果前個分布的權(quán)值和剛大于T，則這些分布是背景分布，其它為前景分布。檢測前景若所有背景分布與都滿足下式，則判定為前景點，否則為背景點。（D2為自定義參數(shù)）混合高斯模型總結(jié)優(yōu)點：(1)混合高斯模型可以模擬復(fù)雜的多峰背景(如搖動的樹枝，擺動的旗幟等)，(2)不僅能準(zhǔn)確的檢測出大面積目標(biāo)還能檢測出小面積的目標(biāo)，(3)運算量不是非常大，能夠滿足實時性需要。缺點：(1)能夠有效的解決光線漸變的問題，但是對于光線突變非常敏感；幀差法幀差法的基本思想是用當(dāng)前幀與前一幀圖像相減，對相減得到的結(jié)果進(jìn)行二值化、形態(tài)學(xué)濾波等后續(xù)處理，最終才判斷此幀圖像是否出現(xiàn)了運動目標(biāo)。幀差法的流程圖如下所示：幀差法幀差法優(yōu)點：魯棒性好，運算量小，易于軟件實現(xiàn)缺點：對噪聲有一定的敏感性，運動實體內(nèi)部也容易產(chǎn)生空洞現(xiàn)象，閾值T缺乏自適應(yīng)性，當(dāng)光照變化時，檢測算法難以適應(yīng)環(huán)境變化Default:T=60算法評價魯棒性：在各種環(huán)境條件(