监控系统中运动目标检测算法分析

开篇：润墨网以专业的文秘视角，为您筛选了一篇监控系统中运动目标检测算法分析范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！

摘要：广泛了解当前智能监控技术已有的运动目标检测算法的基础上，对常用的运动目标几种检测算法进行了深入的分析和对比。针对相邻帧的帧间差分、背景减除法和光流场三种检测方法的不同算法的优缺点，介绍了一种基于背景差分和帧间差分相融合的多帧差分运动目标检测算法。通过对运动目标静态场景监控视频图像的准确获取，运用分析改进算法得到更为接近运动目标实际状况的影像轮廓。

关键词：运动目标检测；光流法；背景差分法；帧差法

中图分类号：TP311 文献标识码：A 文章编号：1009-3044（2013）34-7864-03

近年来，由于监控系统中目标检测和跟踪技术的应用和商业价值，国际上许多科研人员积极探究其丰富理的论[1-2]。在国外，欧美国家起步较早，拥有较为成熟的技术，例如：美国的ARDA 机构、欧盟ADVISOR 系统，还有日本的日本视觉工程 CDVP[3-4]。中科院自动化研究所于上个世纪90年代成立模式识别国家重点实验室，开始研究和开发智能视觉监控系统。分析国内在运动目标检测领域的研究成果，目前检测主要有三种运动目标的方法：静态场景下运动目标检测的帧差分法和背景减除法法，动态背景下运动目标检测的光流场法。实际应用中往往因为多种因素包括光照、复杂背景等影响运动检测效果。

1 运动目标检测技术分析

运动目标检测是运用数字信号处理技术从视频序列图像中分离出运动目标，运动目标检测的准确性直接决定着后续目标的识别跟踪，监控系统的运动目标检测可以说是整个系统的基础和核心，是计算机视觉研究领域中的重要分支之一[5]。按照视频监控系统中背景的动与静可以分为两种情况，即：动态背景和静态背景。监控系统中摄像头随着时间的变化旋转、平移的场景称之为动态背景，监控系统中摄像头固定，背景不变的场景称之为静态场景，这里讨论主要是室内静止的背景，前景是运动的人和物[6]。这里主要讨论静态背景下运动目标检测算法，即背景差分法、帧差分法和光流法。

1.1光流法

光流是场景中可见点的三维速度矢量在成像平面上的投影，一个空间运动的物体在被观测面上的像素运动的瞬时速度场[6，12]。光流携带有许多关于运动和结构的大量数据信息，检测目标的运动情况可以有光流携带的信息确定，因为这些信息表达了图像在各个时刻的变化。1981年Schunck 与Horn以图像的灰度恒定或者灰度梯度基本不变为约束条件，第一次提出了一种二维运动估算的光流场的计算方法。并在合理的假设下推导出了灰度光流场运算的基本公式，运动目标的光流场检测基本原理是：选定一个合适的光流场，对运动目标检测图像进行动态分析，根据光流随时间变化的特性刻画运动目标，分析运动检测目标图像的每个像素点的光流适量特征，监控系统的场景中不包括运动目标时，抽取视频帧图像处理之后的光流矢量在整个图像中是连续变化的[7，13]。在图像中灰度变化很小且相邻帧图像时间间隔极小的情况下，基本公式如下：t时刻，视频图像上确定一点（x，y）的灰度值E（x，y，t），那么经过极端[Δt]时间变化之后运动一个新位置为（x+[Δx]，y+[Δy]），此时的灰度值是E（x+[Δx]，y+[Δy]，t+[Δt]），假定E（x，y，t）=E（x+[Δx]，y+[Δy]，t+[Δt]），利用用Talyor公式展开简化后就可以得到光流法的基本公式[?E?xu+?E?yv+?E?t=0]，令光流场[U=ur]，转化为梯度公式[（?E）TU+Er=0][7，14]。

光流法可以较好的检测出前景运动目标，也可以在摄像头运动下正确检测，难点在与如何从视频中准确、快速的提取光流，效果好必然是是以计算的时间复杂度为代价，有时间因为缺乏控制参数，会有一定的噪声。

1.2帧差法

帧差法是在连续的视频图像序列中，提取出监控视频图像中的运动区域，又称为时间差分法，一般选取三个或者两个相邻图像帧采用基于像素的时间差分和阈值化而得到。较为简单的是采用相邻两差分，具体是选取t时刻视频帧f（x，y，t）和t-1时刻视频帧f（x，y，t-1）作为背景帧，利用二值差分表示两者之间的图像变化：

公式（2-1）中差值阈值是T，运动目标区域是像素为1的二值图像中的区域。相邻两帧差分对场景适应能力强，可以视频中背景迅速更新，不会随时间积累，实现简单。但是对运动速度要求不能过快，实体内部容易形成空洞，而且对噪声较为敏感。针对帧差法VSAM项目提出了三帧差分的算法，是二帧差分一种改进的方法，

三帧差分法进行两次差分图像的“与”操作，该算法相对二帧差分有着相当好的检测效果，能从背景中快速有效检测出运动目标。但是在提出较大运动幅度的边缘轮廓是不能完全得到相关特征像素点，检测中的监控中的运动目标容易产生空洞现象，并且会产生其中一帧有滞后性[7，14]。

1.3背景差分法

背景差分法是利用当前帧与背景图像差分，对结果处理后检测到运动区域的一种技术，又称为背景减除法，是目前最常用一种运动目标检测方法。这种方法最难、最关键的问题是背景模型的建立与更新，比较适用于摄像头静止的场景[8-11]。运动目标检测中首先是确立背景模型，用当前帧与背景模型相进行比较，提取中哪些变化区域，哪里是相对不变的背景区域。 背景差分法另一难点是背景伪目标和前景运动目标的分辨问题，当图像中的运动目标运动速度过慢时，容易将该运动目标错误地认为是背景，进而造成对运动目标的漏检[8-10]。

背景差分法比较普遍背景建模方法有高斯建模、Surendra 背景更新方法、统计平均法、卡尔曼滤波器模型、W4法等[8-10]。背景差分法一般必修缓冲若干帧来学习背景，对视频场景中树叶的摆动，光纤的变化和摄像头的抖动等比较敏感，从而导致其在范围的背景扰动情况下检测不理想。

1.4三种目标检测算法对比分析

下面从算法优点、设计缺陷、适用范围等等几个部分进行对比分析，我们用表格展示算法比较和分析结果[12-14]。

2 改进的运动目标检测方法和实验分析

综合分析背景差分法与帧间差分法的优缺点，充分利用帧差法对“对光线适应性较强”和背景差分法“能够准确监测出运动目标”的特点。融合两个检测方法的的优点，实现优势互补，提出一种新的运动目标的监测方法，基于混合帧差法和背景差分法的运动目标检测方法，实现快速、准确、完整的提取运动目标[5]。

设计思想描述如下：

第一步、截取视频流中五帧连续的视频图像，标记为 I1、I2、I3、I4 和 I5；

第二步、依据差分法的基本思想，将第二帧图像I2作为背景帧，并与第三帧图像I3做差分运算，得到第一组差分结果记为R4；

第三步、将第二步的图像I3作为基础中间帧，形成两组图像组分别为I2、I3、I4和I1、I3、I5，对两组图像进行三帧差分运算，获取帧间的各自位移量。第一组图像使I2和I3进行差分的结果与I3和I4的差分结果进行“与”运算得到结果记为R1；第二组图像使I1和I3进行差分的结果与I3和I5的差分结果进行“与”运算得到结果记为R2；

第四步、将第三步得到结果R1 和 R2 进行“与”运算，得到的结果为 R3，此时实验的五帧图像运动目标信息相对于中间帧运动目标信息都集中表现在中间帧I3中了；

第五步、将第四步混合帧差法得到的结果R3 与第二步背景差分法中得到的差

分结果R4 进行“或”运算，获得的结果R5；

第六步、最后对结果R5进行相应的二值化、图像滤波和形态学操作等，并把部分细小噪声消除，使不连接的部分图像边缘连接起来，形成需要检测的运动目标[5]。

使用改进算法即三帧差分法融合背景减除法与三帧差分法进行运动目标检测实验，比较得到的实验结果图如下图1 和图2所示：

实验图分析可以直观看出改进的算法的有效性。在实验过程中改进算法的时间复杂度相对于三帧差分法和背景差分法都有减小。图2在检测运动目标时使用本文介绍三帧法和背景差分融合法所提取的运动目标，轮廓较为清晰，比较接近运动目标实际情况，而且更好的处理了“空洞”与“重影”的问题，目标检测率相对较高。

3 结束语

简单介绍了目前常用的在监控系统中运动目标检测方法，分别是背景差分法、帧差法和光流法，比较详细的说明了这三种方法各自的优点和缺点，指出了各自所适用的有效场景范围，并且对比分析了这三种检测算法。重点就帧差法与背景差分法进行详细分析。在这两个方法优缺点的基础上，采用了一种新的运动目标检测方法：即背景差分法和混合帧差法有效结合和改进。最后对详细的分析了改进运动目标检测方法的理论，并且对比分析出了实验结果。实验表明，在检测运动目标时，采用改进后的运动目标检测算法提取的运动目标的影响轮廓比较符合运动目标实际状况，得到更为理想的检测效果。

参考文献：

[1] Loza A， Mihaylova L. Structural similarity-based object tracking in multimodality surveillance videos[J]. Machine Vision and Applications， 2009， 20（2）： 71-83.

[2] Xu Tao. A Fast and Robust Pedestrian Detection Framework Based on Static and Dynamic Information[C]. Multimedia and Expo （ICME）， 2012 IEEE International Conference on. IEEE， 2012：242-247.

[3] Tan T N， Sullivan G D， Baker K D. Model-based localization and recognition of road vehicles [J].International Journal of Computer Vision， 1998， 27（1）：5-25.

[4] 单勇，王润生，杨凡.基于多特征背景模型的运动目标检测算法[J].计算机工程与科学，2007， 29（8）：40-42.

[5] 曲海琴.一种改进型运动目标检测算法及其在视频监控系统中的应用研究[D].吉林大学，2013.

[6] 王新余，张桂林.基于光流的运动目标实时检测方法研究[J].计算机工程与应用，2004（1）： 43-46.

[7] 崔鹏.嵌入式监控系统中运动目标检测算法研究[D].郑州大学，2009.

[8] 张志付，付宇卓.一种基于背景减法的运动检测算法评价方法[J].信息技术，2008，（12）：52-54.

[9] 张凯.视频运动检测算法的研究和分析[J].辽宁工学院学报，2007（1）.

[10] 代科学，李国辉，涂丹，等.监控视频运动目标检测减背景技术的研究现状和展望[J].中国图象图形学报， 2006， 11（7）： 919-927.

[11] 王引辉.监控系统中运动目标检测算法研究[D].南京：南京邮电大学，2012.

[12] 袁国武.智能视频监控中的运动目标检测和跟踪算法研究[D]. 昆明云南大学，2012.

[13] 夏明敏.智能监控系统中运动目标检测算法研究[D]. 成都：成都理工大学，2013.

[14] 李江春.运动目标检测与跟踪算法的研究与实现[D]. 吉林：吉林大学，2009.