基于背景差法的运动目标分割

基于背景差分算法的运动目标检测作者：李娟汪碧玉来源：《中国科技博览》2016年第05期[摘要]运动目标的检测是数字图像处理和模式识别领域研究的主要内容之一，也是计算机视觉研究的一个重要领域。

本文对基于背景差分算法的视频目标检测算法进行了研究，并对其进行了详细的讨论和分析。

利用混合高斯背景模型来提取背景和更新背景。

实验结果表明，采用该算法对运动目标进行检测具有良好的准确性和稳定性。

[关键词]背景差分算法行人检测运动目标检测 OpenCV中图分类号：G391.41 文献标识码：A 文章编号：1009-914X（2016）05-0126-010引言运动目标检测是计算机视觉研究领域中的基础和热点，其目的是在连续的图像序列中，将被检测的运动目标的特征从视频图像中分离出来。

运动目标的检测速率直接影响着整个系统的运算速率，因此，运动目标检测方法的选取至关重要。

本文采用背景差分算法，利用混合高斯模型来提取背景，对运动目标进行了检测。

实验结果表明，采用此方法对运动目标检测具有较好的准确性和稳定性。

1运动目标检测1.1帧间差分法帧间差分法是指在视频图像序列中对相邻的两帧或多帧的差值进行计算，获得运动目标形状的过程。

在背景固定的情况下，若相邻两帧图像的差值Dk（x，y）小于某个设定的阈值T，则认为视频图像中没有出现运动目标；反之，当视频图像中出现运动目标时，运动目标带来的灰度变化必然导致两帧图像之间的灰度差距增大，使得差值大于设定的阈值。

这种检测方法可以很好地适用于存在多个运动目标的情况。

其流程如图1所示。

设相邻的两帧的图像分别为fk（x，y）和fk-1（x，y），两帧图像之差的结果为Dk（x，y），可用公式（1）表示：Dk（x，y）=|fk（x，y）-fk-1（x，y） (1)设阈值为T，提取到的运动目标的区域为Rk（x，y），若公式一得出来的Dk（x，y）大于T，那么Rk（x，y）的值置为1，否则，置为0。

1.2背景差分法背景差分法的实质是通过一定的背景建模的方法得到背景模型fbk（x，y），将视频序列中的每一帧图像fk（x，y）与背景模型fbk（x，y）做差分运算，得到不同时刻的帧差图像Dk （x，y），然后进行二值化处理得到Rk（x，y），当差分图像中的像素差小于某个设定的阈值T时，则认为该点是背景像素，否则为运动目标像素。

运动目标检测方法
运动目标检测是计算机视觉领域中的一个重要任务，旨在识别图像或视频中的运动目标并将其从背景中分割出来。

以下是几种常见的运动目标检测方法：
1. 基于背景差分的方法：该方法通过建立静态背景模型并通过计算当前帧与背景之间的差异来检测运动目标。

常见的背景差分算法有帧差法、高斯混合模型（GMM）法等。

2. 基于光流的方法：光流是描述图像中像素运动方向和速度的一种方法。

基于光流的运动目标检测方法通过计算两个相邻帧之间的光流场，并根据光流的一致性来检测运动目标。

常见的光流算法有Lucas-Kanade算法、Horn-Schunck 算法等。

3. 基于运动轨迹的方法：该方法通过跟踪目标的运动轨迹来检测运动目标。

常见的运动目标跟踪算法有卡尔曼滤波算法、粒子滤波算法等。

4. 基于深度学习的方法：近年来，深度学习技术在计算机视觉领域取得了显著的进展。

基于深度学习的运动目标检测方法通过使用深度学习模型，如卷积神经网络（CNN）或循环神经网络（RNN），来学习图像或视频中的运动目标特征，并进行目标检测。

5. 基于多目标跟踪的方法：运动目标检测通常是多目标跟踪的前置任务。

基于
多目标跟踪的方法可以通过结合目标检测和目标跟踪的技术，实现对连续帧中的多个目标进行准确的检测。

这些方法各有特点和适用领域，选择适合任务需求的方法能够提高运动目标检测的效果。

题目基于背景差分的运动目标检测与跟踪1引言运动目标的检测与跟踪是视觉监控系统等应用领域的重要研究内容。

随着视频信息智能化处理需求[1,2]的不断增加，如何从视频流中提取运动目标、并对目标进行实时跟踪越来越受到人们的关注。

减背景方法[3,4]是常用的运动目标检测方法。

其基本思想是将视频流中当前一帧所有像素点与事先通过某种方法计算得到的背景图像中对应像素点相减并取绝对值，如果绝对值超过某个预先设定好的阀值，则认为当前帧中对应的像素点是运动目标的像素点；否则，就认为对应的像素点是背景像素点。

相减运算的结果还提供了视频流中运动目标的位置、大小及形状等信息。

但是该方法在应用过程中常会遇到如下的问题：（1）背景获取：最简单的背景获取方法就是在视频场景没有运动目标的情况下直接将某一帧存储为背景图像，但在大多数的视频应用中，如交通监控和行人检测，这一要求很难得到满足，故需要一种能够在运动目标存在的视频流中实时获取背景图像的方法。

（2）背景扰动：背景中经常存在一些对象轻微的扰动，如树枝的摇动，扰动部分不应该看作是前景运动目标。

（3）光照变化：天气、光线等因素随着时间的变化也会影响运动目标的检测结果，这是必须要考虑的问题。

（4）背景更新：为了适应外界各种条件的不断变化，有必要对建立起来的背景模型进行实时更新。

以往的运动目标检测方法或者不能解决以上所有问题，或者是通过构造复杂的模型来解决以上问题，其计算复杂性和对系统的要求都比较高，有时可能无法满足实时处理的要求。

本文在减背景方法的基础上，提出了一种更为有效的运动目标检测方法。

在背景的提取阶段，允许视频流中有运动目标的存在，在这种情况下，首先采用基于统计的方法建立背景模型，然后进行减背景操作来检测视频中的运动目标，并对背景模型进行实时更新，以适应光线的变化和场景本身的变化，最后对检测结果使用形态学运算和连通区域面积限制目标大小的方法进行后处理，消除噪声和背景扰动带来的影响。

背景差分法背景差分法又称背景减法，背景差分法的原理是将当前帧与背景图像进行差分来得到运动目标区域，这种方法较帧差法能更好的识别和提取运动目标，是目前运动分割中最常用的一种方法。

但是需要构建一幅背景图像，这幅背景图像必须不含运动目标，并且应该能不断的更新来适应当前背景的变化，构建背景图像的方法有很多，比较常用的有基于单个高斯模型的背景构建，基于混合高斯模型的背景构建，基于中值滤波器的背景构造，基于卡尔曼滤波器的背景构造，基于核函数密度估计的背景模型构造。

背景差分法法是静止背景下运动目标识别和分割的另一种思路。

如不考虑噪音n(x ，y ，t)的影响，视频帧图像I(x ，y ，t)可以看作是由背景图像b(x ，y ，t)和运动目标m(x ，y ，t)组成：(,,)(,,)(,,)I x y t b x y t m x y t =+ （4-14）由式(4-14)可得运动目标m(x ，y ，t)：(,,)(,,)(,,)m x y t I x y t b x y t =- （4-15）而在实际中，由于噪音的影响，式(4-15)不能得到真正的运动目标，而是由运动目标区域和噪音组成的差分图像d(x ，y ，t)，即：(,,)(,,)(,,)(,,)d x y t I x y t b x y t n x y t =-+ （4-16）得到运动目标需要依据某一判断原则进一步处理，最常用的方法为阈值分割的方法：(,,)(,,)(,,)0(,,)I x y t d x y t T m x y t d x y t T ≥⎧=⎨<⎩ （4-17） 式中T 为一阈值，图4-1为背景差分法的流程图：图4-1 背景差分法的流程图背景差分法较帧差法更能准确地提取运动目标，帧差法如果不与其他方法进行结合只能提取运动变化区域(包括真正的运动目标、被覆盖和显露的背景)而不能直接提取运动目标。

然而，当我们运用背景减法时还要考虑很多问题：（1）要得到背景图像b(x ，y ，t)，最简单的方法就是将第一帧没有运动目标的图像帧作为背景图像。

英文回答：The motion target detection algorithm, which is based on frame differencing and background differencing, is aputer vision technique utilized for the detection of moving objects within a video sequence. Frame differencing entails theputation of the absolute variance between successive frames in order to identify regions of alteration, whereas background differencing involves the subtraction of a previously captured background image from the current frame to isolate moving objects. Through the integration of these two methodologies, the algorithm is capable of proficiently detecting and tracking objects within a video sequence, rendering it a valuable tool for a variety of applications such as surveillance, traffic monitoring, and human activity recognition.运动目标检测算法是基于帧差异和背景差异的，是用于检测视瓶序列内移动物体的截肢者视觉技术。

基于背景差法的运动目标分割张建荣【摘要】针对交通视频图像序列,采用了背景差法的运动目标分割方法.用背景更新算法提取背景,利用背景差法检测目标边缘,再利用形态学处理获取精确的运动目标.【期刊名称】《长春工业大学学报（自然科学版）》【年(卷),期】2013(034)002【总页数】3页(P130-132)【关键词】背景更新;运动目标分割;视频监控【作者】张建荣【作者单位】山西大学商务学院,山西太原030031【正文语种】中文【中图分类】TP391.40 引言近年来，随着信息科技的发展，视频监控系统得到越来越广泛的应用。

视频图像分割是其中一个关键问题。

运动目标分割最简单的方法是光流法［1］，但光流法容易受光照和噪声等的影响，实时性也较差，故本实验采用分割结果较理想的背景差法［2－4］。

本实验运动目标分割过程如图1所示。

图1 运动目标分割过程1 图像预处理文中所使用图像为车辆交通图像，典型的车辆交通图像具有以下特点:1）车辆是唯一运动的物体；2）车辆运动基本与车道平行，很少有并道的现象；3）路面的平均灰度反映了当前的光照条件。

实验中对于可能由于背景图像光线的不断变化、树木扰动等因素都产生的噪声，在检测、分割之前先对图像预处理，以减弱噪声对图像后续处理的影响。

图像预处理中采用平滑滤波去除噪声。

2 背景提取背景图像的获得通常采用背景更新［5］算法，在本实验中针对交通视频图像使用改进的背景更新算法。

在算法中，对图像分块更新，但不更新有车辆出现的部分。

在对块图像进行做差以后，用块中像素灰度值变化的均值与阈值相比较，若小于阈值，按相应的背景更新算法进行更新；否则不更新。

具体的背景更新算法步骤为:1）读入N张连续的图像数据。

将第1帧图像I0作为初始背景B0。

2）将每帧图像划分成m×m的块IIi（块的多少可以根据实验调节。

块划分的越多，结果就会越精确，但计算量也会越大，一般划分为4×4较适宜）。

3）求当前帧图像中每个块的帧差分图像，并求解其像素灰度值的均值E。

本科生毕业论文题目：基于背景差分法的运动目标检测院系：专业：学生姓名：学号：指导教师：（职称）二〇一一年四月摘要视频监控在现代社会的安保系统中发挥了非常重要的作用。

由于现代社会的复杂性，传统的那种由专门人员值守电视监控屏幕的视频监控系统已经无法满足现代社会安保的要求，于是智能视频监控技术应运而生。

智能监控技术是基于计算机视觉的具有高度智能的自动化监控技术，其核心内容包括运动检测、目标分类、目标跟踪、行为识别四个方面。

本文针对运动目标检测这一方面进行探究。

本文采用的检测方法为背景差分法，即从视频图像序列中将当前帧的图像与预先设定的背景图像做差分，则可得到运动目标的位置和大小等信息。

之后对差分图像进行阈值化和形态学处理等操作，并判断此运动物体的大小。

如果超过规定的范围，则认为出现了异常情况，将此运动目标加上红色矩形框显示出来，做出报警。

背景差分法计算复杂度适中，简单实用，易于实现。

在本文的试验中，对视频中运动目标的检测取得了良好的效果，实验结果令人满意。

关键词：智能监控；运动检测；行为识别；背景差分AbstractVideo surveillance in modern society plays a very important role in the security system. As the complexity of modern society, traditional video surveillance system which need specialized workers pay much attention on the television monitor screen has been unable to meet the security requirements of modern society, so intelligent video surveillance technology came into being. Intelligent monitoring technology based on computer vision is highly intelligent automated monitoring technology, and its core content, including motion detection, object classification, object tracking, behavior recognition four aspects.In this paper, I intend to explore the area of moving target detection. Detection methods used in this paper is background subtraction, make difference from the current frame video sequence of images and the pre-set background image , then we can get the information of the moving target location and size. After thresholding and morphological processing operations on differential image, determine the size of the moving object. If it excess the prescribed range, think that the anomaly occurred, mark this moving target with a red rectangle and make alarm.Background subtraction has moderate computational complexity, and is simple, practical, easy to implement. In this experiment, the moving object in video detection achieved good results, experimental results are satisfactory.Keywords: Intelligent Monitoring；Motion Detection;Behavior Identity; Background Subtraction目录摘要 (I)ABSTRACT (II)第一章前言 (1)1.1课题的研究背景及其意义 (1)1.2智能视频监控技术及其应用 (2)1.3国内外研究现状 (3)1.4论文的主要内容和组织结构 (4)第二章运动目标检测中的图像预处理技术 (5)2.1彩色和灰度图像转换 (5)2.2图像的去噪处理 (6)2.2.1频域去噪方法 (6)2.2.2时域去噪方法 (6)2.2.3空间域去噪方法 (7)2.3图像的阈值化处理 (9)2.4本章小结 (10)第三章运动目标检测的方法与分析 ................................................................................................ - 11 -3.1光流法 (11)3.2时域差分法 (12)3.3背景差分法 (13)3.4本章小结 (14)第四章实验结果分析及改进 ............................................................................................................ - 15 -4.1实验环境介绍 (15)4.2运动目标识别的流程 (17)4.3实验过程及结果分析 (18)4.2.1图像的预处理................................................................................................... - 18 -4.2.2运动目标的提取............................................................................................... - 20 -4.2.3运动目标的识别............................................................................................... - 24 -4.4本章总结 (26)第五章总结及展望............................................................................................................................ - 27 -参考文献..................................................................................................................................................... - 28 -致谢.................................................................................................................................... 错误!未定义书签。

一种新的基于背景差分的运动目标检测方法一种新的基于背景差分的运动目标检测方法【摘要】针对传统运动目标检测方法存在的缺点和缺乏，提出了一种基于背景差分，融合多种检测方式，有效地克服了传统方法存在的误检和空洞等问题。

实验结果说明该方法能够满足运动目标的实时检测要求。

【关键词】背景差分自适应目标检测运动目标的检测方法一般分为帧间差分法、背景差分法和光流法三种，每种检测方法而言都有各自的缺点和缺乏。

帧间差分法对差分时机的选取要求较高，如果目标运动速度较快且关键帧选取时间间隔过大，会造成两帧之间无覆盖区，运动目标无法分割；如果目标运动速度较慢且关键帧选取时间间隔过小，那么会造成过度覆盖甚至重叠，同样检测不到目标【1】。

光流法的计算复杂、耗时，对于过快或过慢的运动检测效果不好，难以满足实时检测的要求【2】。

与上述两种方法相比，背景差分法的优势是实现简单、目标分割完整，但存在背景自动获取和更新方面的问题，即如何自动获得合理背景以及在最正确时机更新背景【3】。

本文在这样的研究背景下提出了一种基于背景差分，融合动态背景建模、帧间差分和双置信值背景更新技术，实时准确的运动目标检测改良方法。

1 一种简单、有效的背景模型在背景差分法中，背景模型建立的准确与否，直接关系到最终检测结果的准确性。

国内外研究提出了一些背景模型，这些模型有的需要处理多帧图像来建立背景，制约了检测速度，不能到达实时性要求，如非参数模型；有的模型当运动物体较小且与背景的区分度不大时，分割的目标不完整，如W4模型；有的方法当噪声增多、背景比拟复杂时，背景变得不稳定，如高斯模型等等。

针对上述几种方法的缺乏，本文提出一种能够快速建立背景，并有一定自适应能力、保存背景差分目标分割完整这一优点的背景模型。

这种方法采用几次连续的帧间差分，能够快速地检测出视频序列图像中的背景区域，然后在检测出的背景的根底上确立每一个点的背景检测模型。

处理步骤为：捕获某一时间段的视频序列图像，其中N为视频序列的总帧数，k为帧序。

背景差分法又称背景减法，背景差分法的原理是将当前帧与背景图像进行差分来得到运动目标区域，这种方法较帧差法能更好的识别和提取运动目标，是目前运动分割中最常用的一种方法。

但是需要构建一幅背景图像，这幅背景图像必须不含运动目标，并且应该能不断的更新来适应当前背景的变化，构建背景图像的方法有很多，比较常用的有基于单个高斯模型的背景构建，基于混合高斯模型的背景构建，基于中值滤波器的背景构造，基于卡尔曼滤波器的背景构造，基于核函数密度估计的背景模型构造。

背景差分法法是静止背景下运动目标识别和分割的另一种思路。

如不考虑噪音n(x ，y ，t)的影响，视频帧图像I(x ，y ，t)可以看作是由背景图像b(x ，y ，t)和运动目标m(x ，y ，t)组成：(,,)(,,)(,,)I x y t b x y t m x y t =+ （4-14）由式(4-14)可得运动目标m(x ，y ，t)：(,,)(,,)(,,)m x y t I x y t b x y t =- （4-15）而在实际中，由于噪音的影响，式(4-15)不能得到真正的运动目标，而是由运动目标区域和噪音组成的差分图像d(x ，y ，t)，即：(,,)(,,)(,,)(,,)d x y t I x y t b x y t n x y t =-+ （4-16）得到运动目标需要依据某一判断原则进一步处理，最常用的方法为阈值分割的方法：(,,)(,,)(,,)0(,,)I x y t d x y t T m x y t d x y t T ≥⎧=⎨<⎩ （4-17） 式中T 为一阈值，图4-1为背景差分法的流程图：图4-1 背景差分法的流程图背景差分法较帧差法更能准确地提取运动目标，帧差法如果不与其他方法进行结合只能提取运动变化区域(包括真正的运动目标、被覆盖和显露的背景)而不能直接提取运动目标。

然而，当我们运用背景减法时还要考虑很多问题：（1）要得到背景图像b(x ，y ，t)，最简单的方法就是将第一帧没有运动目标的图像帧作为背景图像。