文档介绍：视频目标检测与跟踪算法综述
1、引言
运动目标的检测与跟踪是机器视觉领域的核心课题之一,目前被广泛应用在
视频编码、智能交通、监控、图像检测等众多领域中。本文针对视频监控图像的运动目标检测与跟踪方法,分析了近些年来国内外的研究工作及最新进展。
2、视频监控图像的运动目标检测方法
运动目标检测的目的是把运动目标从背景图像中分割出来。运动目标的有效分割对于目标分类、跟踪和行为理解等后期处理非常重要。目前运动目标检测算法的难点主要体现在背景的复杂性和目标的复杂性两方面。背景的复杂性主要体现在背景中一些噪声对目标的干扰,目标的复杂性主要体现在目标的运动性、突变性以及所提取目标的非单一性等等。所有这些特点使得运动目标的检测成为一项相当困难的事情。目前常用的运动目标检测算法主要有光流法、帧差法、背景相减法,其中背景减除法是目前最常用的方法。
帧差法
帧差法主要是利用视频序列中连续两帧间的变化来检测静态场景下的运动目标,假设和分别为图像序列中的第k帧和第k+1帧中象素点(x,y)的象素值,则这两帧图像的差值图像就如公式2-1 所示:
(2-1)
2-1式中差值不为0的图像区域代表了由运动目标的运动所经过的区域(背景象素值不变),又因为相邻视频帧间时间间隔很小,目标位置变化也很小,所以运动目标的运动所经过的区域也就代表了当前帧中运动目标所在的区域。利用此原理便可以提取出目标。下图给出了帧差法的基本流程:1、首先利用2-1 式得到第k帧和第k+1帧的差值图像;2、对所得到的差值图像二值化(如式子2-2 示)得到Qk+1;3、为消除微小噪声的干扰,使得到的运动目标更准确,对进行必要的滤波和去噪处理,后处理结果为。
(T为阈值) (2-2)
帧差流程图
从结果看在简单背景下帧差法基本可检测到运动目标所在的位置,而且计算简单,复杂度低。当图像采样间隔较小时,帧差法对图像场景变化不敏感,这是帧差法的优点,但同时目标部分漏检的可能性增大了,容易使检测到的目标出现空洞。在实际应用中,由于帧差法的简易性,帧差法经常作为某些改进算法的基础。
光流法
光流的概念[30,31]是由Gibson 在1950 年首先提出的,光流理论在计算机视觉,三维运动分析中有着非常广泛的作用。外界物体由于运动在人的视网膜上产生一系列连续变化的信息,这些信息就如同是光的流一样不断从眼中流过,故此称之为光流。1981 年Horn 和Schunck 创造性的将二维速度场和我们通常所说的图像的灰度联系在一起,提出了光流约束方程,从而使得光流的计算有了最基本的方法。随后光流法不断发展,按照理论基础分为:微分法,快匹配法,基于能量的方法,基于相位的方法,其中尤以微分法最为常用,该方法主要是基于下面两种假设:
1、强度不变假设,即在一组连续的二维图像序列中,某个目标的运动轨迹在各帧中对应的像素点具有相同的灰度值。
2、全局平滑假设,即物体的运动矢量是局部平滑的或只有缓慢变化。特别是刚体运动,各相邻像素点具有相同的运动速度,即速度平滑。这时,光流矢量梯度的模值的平方应该最小,用x 和y分量的拉普拉斯算子的平方和来表征光流场的平滑程度。
假如给定一个图像上m点坐标为(x,y),且它在t时刻的象素值为在
时刻该点运动到,象素值为:则在强度不变的假设下:
(2-3)
公式2-3即为光流约束方程,将式2-3泰勒展开,并令趋于0,我们可以得到:
(2-4)
其中,,,,,即为像素点在图像平面运动产生的瞬时速度场也即光流场。光流法的主要任务就是通过求解光流约束方程求出u、v,但是由于只有一个方程,并不能唯一确定u和v,这就用到了第二个假设,在该假设下就是要使得:
(2-5)
其中α是个权重系数,,这样联合(2-4)式和(2-5)式即可得到:
(3-6)
从推导的过程看,光流法的计算非常复杂,难于满足实时性的要求,且在目
标提取时对噪声很敏感,所以此算法还难以直接在实际中推广使用。
背景减除法
背景减除法是将视频帧与背景模型进行比较,通过判定灰度等特征的变化,或用直方图等统计信息的变化来判断异常情况的发生和分割出运动目标。
基于背景差的方法,概念非常清晰。该方法与帧差法相比,可以检测出短时间静止的目标,如短时间静止的车辆(长时间静止的车辆可以归为背景),且不受车速快慢的限制;与光流法相比,背景差法可以通过简化算法,降低计算量,满足视频检测的实时性要求。但随着研究的不断深人,算法的复杂性也在不断提高,特别是对较复杂场景下的前景(运动目标)检测,如针对光照变化场景下的目标检测(室外的环境光、室内的灯光等),针对含有高噪声场景区域的目标检测
(场景中含有树木、水面、旗帜等物体的反复运动),针对场景频繁发生改