基于视频监控运动目标检测算法研究.ppt

基于视频监控运 动目标检测算法 研究内容提要v研究背景v运动目标检测方法光流法帧差法背景建模法v算法评价研究背景（1）v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运动目标检测方法v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v帧差法(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 v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光流法v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v光流法的核心是求解出运动目标的光流，即 速度v简要介绍传统光流法的典型代表微分法 光流法 v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v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):v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:v v (1)v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v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， 其中微分法最为常用下面介绍微分法（即基于梯度的算法）该方法 以Hom反之其取值较小2）光流法实验结果图v本文使用 Horn& Schunck 提出的光流算法 ，检测场景为两个人在室内聊天的场景v从下面两张图可看出，由于检测所选用的两 帧是视频中连续的两帧，相隔时间非常短， 因此，场景中的两个人并没有明显的变化。

结论v由上面光流法实验结果图可看出，由于用于 检测的两帧图像中的两个人物有微小的运动 ，通过光流法能检测出有运动物体，并且通 过三幅图的对比可以看出，检测出来的运动 物体的轮廓与上图中两个有微小运动的人物 轮廓相符，如此，可验证光流法不但可以检 测出是否存在运动目标，并且，当运动目标 存在时，能获得运动目标的完整轮廓背景建模法v原理：建立一个无运动目标的背景图像(第一 帧无运动目标的图像或前N帧无运动目标的 图像的均值或中值)，然后将当前图像的像素 值与背景图像的像素值相减，通过设置一定 的阈值，判断此像素点为背景像素点还是前 景像素点，从而分割运动目标v优点：算法简单、实时性较高，能够完整的 分割出运动对象v缺点：对背景的依赖性较高流程v背景建模法通常分为背景模型建立、背景模 型更新、背景提取和目标判断四个步骤，v具体流程图如下所示：主要介绍绍两种背景模型：•单单高斯模型•混合高斯模型单高斯模型v对每一个像素利用高斯函数建模，每一像素 点都认为服从均值和标准方差的分布，且每 一点的高斯分布是独立的假定每个像素特 征在时间时间 域上的分布可以由单单个高斯分布来 描述优点：单高斯分布背景模型在室内(或 其他简单场景)进行运动目标检测可以 得到较好的效果，由于运算量小，处理 速度非常快，而且检测到的目标比较完 整。

缺点：当场景比较复杂时，模型会 变得不稳定，而且抗噪声干扰的能力较 差混合高斯模型•此方法是这样实现这样实现 背景建模的：• 混合高斯模型使用K（基本为3到5个）个高斯模型 来表征图像中各个像素点的特征；用当前图像中的 每个像素点与混合高斯模型匹配,如果成功则判定该 点为背景点, 否则为前景点； 获得后更新混合高斯 模型；通观整个高斯模型，主要是有方差和均值两 个参数决定混合高斯模型v设用来描述每个像素点背景的高斯分布共有 K个，分别记为 各高 斯分布分别具有不同的权值 和 优先级 ，它们总是按照优先级从高 到低的次序排序 包括模型初始化、模型匹 配与参数更新、生成背景分布和检测前景四 部分 模型匹配与参数更新v将新像素 与模型中的K个分布按序匹配，若 与某 分布满足式 （D1为自定义参数），则 与该高斯分布匹配，其参数按下式更新v v式中 是自定义的学习率， 是参数学习率 。

不匹配的分布仅权值按 衰减v若无分布和 匹配，则最小权值分布被替换成均值 为 ，标准差为 ，权值为 的高 斯分布其余分布仅权值按 更新生成背景分布 v分布按优先级 从大到小排列，T为背景 权值部分和阈值，如果前 个分布的权值和 刚大于T，则这些分布是背景分布，其它为前 景分布 检测前景 v若所有背景分布与 都满足下式，则判定为 前景点，否则为背景点D2为自定义参数 ）混合高斯模型总结优点 ： (1)混合高斯模型可以模拟复杂的多峰背景(如摇动的树枝，摆 动的旗帜等)， (2)不仅能准确的检测出大面积目标还能检测出小面积的目标， (3)运算量不是非常大，能够满足实时性需要 缺点 ： (1) 能够有效的解决光线渐变的问题，但是对于光线突变非常 敏感；帧差法v帧差法的基本思想是用当前帧与前一帧图像 相减，对相减得到的结果进行二值化、形态 学滤波等后续处理，最终才判断此帧图像是 否出现了运动目标帧差法的流程图如下所 示：帧差法帧差法优点：鲁棒性好，运算量小，易于软件实现 缺点：对噪声有一定的敏感性，运动实体内部也容易产生空洞现象 ，阈值T缺乏自适应性，当光照变化时，检测算法难以适应环境变 化Default:T=60算法评价v鲁棒性：在各种环境条件(光照变化、背景扰 动)下实现运动目标的完整分割。

v准确性：算法应具有较低的漏检、误检(虚警) ，并能够得到运动目标尽量完整的信息v复杂性：在保证算法处理效果的前提下，算 法的时空复杂度应尽可能小，以保证算法的 实时性与实用性v通用性：算法对先验信息(色彩、形状、运动 和应用场景等)的依赖程度应尽可能低Thanks。