浅谈运动目标检测方法的研究

秦佳贤程思宁王海荣

（海口经济学院海南海口571100）

摘要：摄像头视频监控是指通过摄像头来监视特定场所发生的事件，实时地观察在监控场所运动目标的行为，通过系统分析计算，在一定条件下给与报警，特别是对监控对象的可视性、实时性及客观性记录，因此给人直接的视觉听觉感受。

关键词：视频；监控；运动目标；建模

前言

运动目标检测的解决需依靠智能、有效、可行的识别检测技术，但受限于目前技术发展现状，运动目标检测仍具有研究必要性和广阔的发展前景。

1概述

1.1目标分割技术和检测技术

目标检测效果主要受运动目标的大小、位置的变化而改变。其中因素多种多样，基本包括目标类型的多元化、目标运动速度的不确定性，以及视频采集设备抖动、背景、光照等发生变化或干扰等因素。此外，由于受背景光照的变化，目标物体在视频序列中的颜色分布会发生变化，从而导致目标特征也随之发生变化，直接影响了目标检测的效率和准确度。视频采集设备的抖动容易造成背景检测区域的变化，直接对根据背景建模的目标检测方法准确性造成影响；目标类型的多元化和背景干扰给目标检测带来了更多的表示困难，需要适应及泛化能力较好的目标检测和表示模型；目标运动速度的不确定性也会导致目标的丢失。

1.2目标外形变化

视频采集设备发生运动时，会使检测的目标物体的外形尺寸发生旋转、位移变化等几何性质的变化，若快速检测改变后的目标物体则需要实时更新源目标的表示、表现模型。

1.3被检测目标局部遮挡和多目标相互干扰

基于目标全局特征的目标检测识别算法在被遮挡时会导致目标外形发生变化或暂时无法检测的情况，目标提取的准确性直接反应了目标识别算法的优劣，因此，需要鲁棒性强的算法提供目标检测的准确性。而多帧之间目标的相互重叠和目标局部特征的刷新也需要进行重新检测。

1.4目标检测的复杂性

对于一般视频采集设备，帧频为25-30帧/s，数据流非常大，而对于目标检测识别算法来说，每帧图像的像素都需要进行处理，提取目标物体的视觉特性，这个过程中需要大量的计算和判断，此外，目标检测识别系统的目的是保证检测识别的准确性，提高目标识别效率，这样就需多特征进行联合匹配，导致目标检测算法复杂度急剧上升，降低了系统的实时性和有效性。

2运动目标检测方法

2.1光流场法

生活中的一切事物都随着时间变化而变化，这是周围事物时域特性。光流场法也是基于时间变化来研究运动目标，时间在继续，当场景中出现运动目标，场景中的光流特性改变，通过此方法可以有效检测运动目标。当场景的环境多变如多光源、阴影、透明和遮挡时，使得光流场对运动目标检测不准确，这样使得后续子模块可能输入错误信号，达不到复杂环境检测目的。当然光流场法检测过程中计算量相当大，耗时耗力。模块计算量太大系统可能会出现中断重启，对实时检测运动目标达不到要求。

2.2帧间差分法

对于光流场法的一些缺点，如果让监控视频中相邻两帧图像像素做减法，若两图像像素相差较小，说明场景中没有运动目标或者场景中的事物是静止。若两图像像素减法像素差别很大，说明场景中的事物有变化，此变化是运动目标影响结果。将两幅图中差别块标记出来，利用这些标记可以判断出运动目标，达到检测运动目标的目的。帧间差分法采用相邻图像帧对比，这样光线影响可以不考虑，检测运动目标算法相对简单，计算机编程与视觉图像处理也相对容易，对于简单场景能够快速计算出运动目标。但帧间差分法判断运动目标也有弊端，当场景中运动目标运动速度太快，这样相邻两帧图像做减法像素基本为零，无输出信号，达不到检测的目的。如果运动目标在场景中速度太慢，图像采样的间隔时间过短，会造成两图像没差别，两帧图像几乎重叠，判断不出运动目标。

2.3背景减法

背景减法思想是在摄像机固定的情况下，在视频运动目标检测系统中，运动目标的检测通过监测每一幅输入的图像帧与一幅参考背景模型之间进行比较来获得。常理解为将待观察图像和不包含运动对象物体的背景图像进行比较，获得图像灰度等特征，然后判断二者的平面图像中是否存在明显差异的区域，将此区域标出，就可以认为该区域为包含运动对象的区域。此方法中背景是静止的，通过目标图像减去背景，将目标所在的区域标示出来，该方法在目标运动缓慢时仍然有效，克服了帧间差分法对于运动速度要求较高的缺陷。但上述背景是静止的，在实际应用中是不可能的，实际中由于光线、背景扰动等客观条件影响，场景随时间变化而变化，所以背景场景时刻需要重建。

3背景建模方法

背景减法以一幅简单的背景图像为参考，当场景变化时摄像机拍摄的画面与存储的背景图像做减法，找到区别区域判断正确的运动目标。然而这种方法应用也有不足之处，当场景不变或变化缓慢还可以应用。如果场景中随机现象如树枝扰动、光线变化、雪花和雨点等随机改变了背景图像，这样背景减法分割运动目标变得不易。可以通过计算机图像处理算法分析场景图像背景像素值的变化特点，建立以场景图像背景特征参数的模型。用此背景模型来描述背景图像，不再利用存储单一的背景图像。当背景事物特征发生变化，模型也发生相应的变化。将摄像机采集的每帧图像中的各个点的像素值与背景描述模型像素进行比较匹配，则像素匹配的部分标记为背景场景，而不匹配的像素标区域定为目标，利用计算机编程语言来描述实现。据此差别进行图像灰度二值化数字处理，找到像素近似的连通区域，从而区分目标像素和背景像素，分割出运动目标和场景背景。

高斯背景模型：背景模型一般用高斯分布（正态分布）描述，单高斯背景模型一般适合用于背景颜色或灰度分布比较集中，背景中扰动较少的场景。然而现实中场景比较复杂，在场景中，遇到有树的枝叶晃动、飘扬的旗帜、水面的波光反射等情况时，固定位置的像素在不断改变，像素颜色值显示出非单峰分布的特点。单个模型不能准确模拟这种背景变化的原因在于这些像素大小的变化是较快的，而像素大小的变化并不是由一个相对稳定的单峰分布渐渐地过渡到另外一个单峰分布。利用多个单高斯模型的集合来描述像素大小在一段时间内的状态，这就是混合高斯背景模型，混合高斯模型在描述复杂的动态背景（比如树叶的摇晃，水面的波动等）的优点是显而易见的，但混合高斯模型对光线的突变，以及一些其他因素引起场景突变的时候不能很好地进行运动目标的检测，容易产生空洞，造成误报，另外混合高斯模型采用固定的更新系数来更新各个分布的权重，如果更新过快会降低对运动目标检测的灵敏度，更新过慢则会使得本来静止的目标发生运动时会产生长时间的拖影。

结束语

运动目标检测具有广泛的应用前景，因此运动目标检测方法的优化得到了越来越多学者的关注，但是仍存在不足和有待解决的问题，比如，运动目标检测算法运算量较大，复杂背景建模困难等，目前，作者的研究分析为经典方法的改进和新方法的提出；运动目标检测方法由于其固有的复杂特性，每种检测方法都在一定场景下具有其优势，也有其缺陷；对于较为复杂的情况下，多种检测方法同时应用于同一目标检测的提取也是可取的。

参考文献：

[1]张国云，郭龙源.计算机视觉与图像识别[M].北京：科学出版社，2012.

[2]景丽.图像处理与计算机视觉算法及应用[M].北京：清华大学出版社，2012.

[3]杨高波.计算机视觉特征提取与图像处理[M].北京：电子工业出版社，2014.

基金项目：

海口经济学院校级课题，项目编号hjky16-19。