下载文档原格式
运动目标检测光流法一、引言在计算机视觉领域中，运动目标检测是一个重要研究方向，其目的在于从视频序列中分离出运动的目标。
光流法作为其中的一种方法，通过估计像素点的运动矢量来检测运动目标。
本文将详细介绍光流法在运动目标检测中的应用。
二、光流法的基本原理光流法是一种基于像素点运动估计的方法，其基本原理是通过计算图像序列中每个像素点的运动矢量，从而得到运动目标的信息。
光流场是光流法在图像上的表现形式，它反映了图像中每个像素点的运动状态。
光流场的计算可以通过多种方法实现，如基于梯度的方法、基于匹配的方法等。
三、光流法在运动目标检测中的应用在运动目标检测中，光流法的主要应用包括以下几个方面：运动目标的分割：通过计算光流场，可以将运动目标与背景进行分割。
由于运动目标与背景的光流矢量存在差异，因此可以通过设定阈值将运动目标从背景中分离出来。
运动目标的跟踪：利用光流场可以实现对运动目标的跟踪。
通过计算连续帧之间光流矢量的变化，可以估计出运动目标的运动轨迹，从而实现目标的跟踪。
运动目标的识别：通过对光流场的分析，可以提取出运动目标的特征信息，如形状、大小、速度等。
这些特征信息可以用于运动目标的识别，如行人、车辆等。
四、光流法的优缺点分析光流法在运动目标检测中具有以下优点：可以处理复杂背景下的运动目标检测问题；可以实现对运动目标的精确分割和跟踪；可以提取出丰富的运动目标特征信息。
然而，光流法也存在一些缺点：对光照变化敏感：当光照条件发生变化时，光流场的计算结果可能会受到影响，从而导致检测精度的下降；计算复杂度高：光流场的计算涉及到大量的数学运算，因此其计算复杂度较高，难以实现实时处理；对噪声敏感：当图像中存在噪声时，光流场的计算结果可能会受到影响，从而导致检测精度的下降。
为了克服这些缺点，研究者们提出了许多改进方法，如基于深度学习的方法、基于滤波的方法等。
五、结论与展望光流法作为一种基于像素点运动估计的方法，在运动目标检测中具有广泛的应用前景。
变化检测基础论文推荐摘要变化检测的研究对社会经济发展、国防建设、社会治安有着重要的意义，它的应用领域十分广泛，包括遥感图像分析、城市规划、智能监控、医疗诊断和治疗、水下测量等领域,它是目前图像模式识别里面比较经典的一个研究方向。
变化检测是通过对不同时期图像的比较分析，根据图像之间的差异来得到所需要的目标变化信息，来完成最后的检测。
变化检测可以运用于静态目标检测和运动目标检测。
本文详细分析了目前广泛使用的几种变化检测算法，对光流场的计算、基于背景的建模、以及差分方法都进行了一定的研究和讨论，最后采用基于背景差分的变化检测方法。
接着针对背景差分中的背景问题，分开对序列图像的背景建立和背景更新进行研究，在背景建立阶段提出了在空域基于象素灰度出现频率最大值的改进快速算法，完成原始背景的建立；在检测阶段，采用自适应卡尔曼滤波器参数的学习来完成背景的更新和恢复。
紧接着对变化检测中的几种分割算法作了深入的研究和比较，根据差分图像的特点进行了大量的试验，决定在系统中采用基于三峰模型的分割方法。
最后将变化检测分别应用到人脸检测和室外单目标的跟踪场合，根据各种算法的特点和不足，针对具体的场景采用多种算法相结合，取得了不错的试验效果。
关键词：变化检测背景差分高斯模型背景重构运动分割人脸检测跟踪绪论1.1国内外的研究现状目前国内外关于变化检测的算法研究较多，大致可以分为五类：基于特征的运动检测、基于光流技术的运动检测、基于背景建模的方法、背景相减法、时间差分法。
（1）基于特征的变化检测对运动序列图像进行特征提取，然后检测出运动目标。
特征可以是物体的边缘、角点等。
人眼的视觉过程中有一个重要的特点是对梯度变化大的部分比较敏感，总是能最先注意到物体的相交部位，这些部位一般对应于物体的边缘、拐角，因此检这些特征对检测整个运动物体具有重要意义。
特征也可以采用肤色，譬如在人脸检测的时候往往采用皮肤颜色信息对人脸进行定位。
采用基于特征的运动检测往往在运动目标具有某方面比较明显的特征时候非常有效，对于那些目标特征往往不是很明显的时候则往往无能为力。
403 Forbidden视频检测技术[1]作为智能交通管理系统的核心，已成为一个热门的研究领域。
视频检测技术通过对视频图像的检测与识别，可以对道路交通流、路况等实时监控，提取车流量信息（车流量、车速等），实现对道路车辆状况的智能化监控。
常用的基于视频的运动目标提取[2]算法有：灰度等级法、帧间差分法、背景差分法等等。
背景差分法由于具有算法简单、计算量小和不容易产生空洞等优点，在视频检测技术中得到广泛应用。
背景差分法是一种最为简单和有效提取运动前景的方法，完全克服帧间差分法的缺点，故提背景提取算法以及背景更新策略是该算法的核心内容。
在传统背景重构算法中，基于统计的灰度归类算法[3]由于实现简单得到较为广泛的应用。
但是其算法复杂度随着训练帧数和帧分辨率的增加呈线性增长，这在实时交通视频处理中不能得到较为广泛的应用。
由于灰度归类算法对像素点采用一视同仁的方式处理，这在计算上造成了极大的冗余。
于此，本文提出快速自适应灰度归类算法以降低灰度归类算法的复杂度。
1快速自适应灰度归类算法1.1背景重构算法本文根据如下准则重定义前景像素点和背景像素点：在视频图像序列中，所有出现过运动前景的像素点称为前景像素点F（x，y）、未出现过运动前景的像素点称为背景像素点B（x，y），x，y为像素点的横纵坐标，k 为样本序列的第k帧。
本文借鉴帧间差分法的思想，它是基于背景像素点的灰度值和位置都不变这一原则来检测前景运动目标的，通过对不同时刻的2幅图像进行差分运算得到差分图像。
在实际计算过程中，差分是指将两帧相邻目标图像逐点相减，形成差分图。
帧间差分法能够大致估计存在于两帧图像中的前景像素点，但它利用相关性极强的相邻帧序列进行检测，运动前景在相邻两帧的位置相距较近，帧差图像中容易产生孔洞，导致将前景像素点F（x，y），误判为背景像素点B（x，y），导致提取的背景参考帧中含有运动前景。
综上所述，本文提出快速自适应灰度归类算法重构背景，基本思想是在视频序列中选取相距较远的两帧差分将图像像素分为F（x，y）、B（x，y）,然后保留B（x，y），对前景像素点F（x，y）进行统计分析，得出背景像素点灰度值。
逆向光流法-概述说明以及解释1.引言1.1 概述逆向光流法（Inverse Optical Flow）是计算机视觉领域研究的一种重要技术，它能够通过对图像序列进行分析，准确地估计出图像中每个像素点的运动方向和速度。
与正向光流法（Forward Optical Flow）相比，逆向光流法更加关注从下一帧图像到当前帧图像的像素点运动。
在逆向光流法中，首先通过某种方式获取到两个连续帧之间的光流场。
光流场指的是图像中每个像素点的运动矢量，表示了每个像素点从当前帧到下一帧的位移情况。
然后，通过使用一种反向计算的方法，即从下一帧到当前帧的光流估计方法，逆向光流法能够精确地得到每个像素点的运动信息。
逆向光流法的应用非常广泛。
在计算机视觉领域，逆向光流法能够被用于运动目标检测与跟踪、视频压缩、图像编辑等多个方面。
例如，在运动目标检测与跟踪中，逆向光流法可以有效地跟踪目标的运动轨迹，提供重要的目标位置信息；在视频压缩中，逆向光流法可以通过对图像运动的分析，减少视频序列中冗余的像素信息，从而实现更高效的压缩。
然而，逆向光流法也存在一些局限和挑战。
首先，由于图像中像素点的运动是一个多样性和非线性的问题，逆向光流法在处理某些特殊情况下可能会出现估计不准确的情况。
其次，逆向光流法对图像序列中的光照变化和纹理缺失等情况非常敏感，这也会进一步影响估计的准确性。
综上所述，逆向光流法是一项重要且有广泛应用的技术，在计算机视觉领域具有重要的研究和实际价值。
随着计算机硬件和算法的不断进步，逆向光流法在未来有望取得更好的性能和应用效果。
1.2文章结构1.2 文章结构本文将按照以下结构展开对逆向光流法的介绍和探讨：1.2.1 研究背景在本节中，将概述光流法的背景和发展，引出逆向光流法在光流研究中的重要性和应用场景。
1.2.2 逆向光流法的原理本节将详细介绍逆向光流法的基本原理，包括光流估计的数学模型和基本假设。
将介绍逆向光流法的计算步骤和关键概念，以及与其他光流法的区别和联系。
运动目标检测与跟踪算法的研究进展0 引言人类感知的环境信息大多是通过视觉获得的，而在接受到的所有视觉信息中，人们又往往对动态信息更感兴趣。
随着多媒体技术的发展，人们正在接触越来越多的视频信息。
一方面，要获得较高压缩比来存储这些信息，另一方面，需要对感兴趣的区域或对象进行操作[1]。
因此对视频图像中运动目标的提取、分类识别和跟踪，已成为对运动目标的行为进行理解和描述视频图像中动态信息的主要内容。
运动目标的检测与跟踪在技术上融合了计算机视觉、视频图像处理、模式识别和自动控制等相关领域的知识[2]。
运动目标的检测与跟踪是视频技术的一个重要研究方向，其应用十分广泛。
在交通流量的监测、安全监控、军事制导、视觉导航，以及视频编码中都有涉及。
目前，运动目标的检测与跟踪已经取得了很多成果，并且不断有新技术、新算法涌现。
但是，在实际环境中，由于自然环境的复杂（光照、气候的变化等），目标的高机动性，干扰了目标检测与跟踪，造成检测不准确且跟踪效率不高。
因此，研究改进运动目标检测与跟踪算法有很现实的意义和应用价值。
1 运动目标检测常用算法运动目标检测就是从视频图像中将变化的区域从背景中提取出来，此类算法依照目标与摄像机之间的关系可以分为静态背景下运动检测和动态背景下运动检测。
静态背景下只有被监视目标在摄像机的视场内运动；而动态背景下摄像机也发生了运动，这个过程就产生了目标与背景之间复杂的相对运动，造成动态背景下的运动检测和跟踪难度很大。
目前对于动态背景下运动检测和跟踪的研究较少，因此本文暂不涉及运动背景下的运动目标检测与跟踪。
在静态背景下，运动目标检测主要算法有三种：帧间差分法、背景差分法和光流法。
下面分别对这三种算法进行分析。
1.1 帧间差分法帧间差分法[3]的基本原理就是相邻帧的图像对应像素点的灰度值相减，通过差分图像进行二值化处理以确定运动目标。
帧间差分法的主要优点是：算法实现简单，程序设计复杂度低；不存在背景的获取、更新和存储的问题；对场景中光线的变化不太敏感，实时性好。
第20卷第6期重庆邮电大学学报(自然科学版)Vo.l 20 No .62008年12月Journal of Chongq i ng Un i versity of Posts and Te leco mm un i cations(Natu ral Sc ience E d iti on)D ec .2008基于背景重构的运动目标检测算法收稿日期:2008-05-05 修订日期:2008-10-23基金项目:重庆市重点自然基金项目(CS TC,2008BA1008)董文明1,吴乐华1,姜德雷2(1.重庆通信学院信号与信息处理实验室,重庆400035;2.重庆通信学院图像通信实验室,重庆400035)摘 要:针对背景差分算法中的参考帧提取问题,引入动态时间弯折(DTW )算法,给出了一种新的基于块的背景重构方法。
该算法根据相邻两帧图像所对应的背景区域灰度变化不大的特点,利用DTW 算法从帧中提取出背景区域所对应的块,再确定出背景帧。
仿真结果表明,即使是在图像存在几何畸变和部分像素点缺省的情况下该算法仍能准确地重构背景,实现对运动目标的提取。
关键词:运动物体检测;背景差;背景重构;DTW 算法中图分类号:TP391 文献标识码:A文章编号:1673-825X (2008)06-0754-04M ovi ng object detection algorith m based on background reconstructi onDONG W en -m ing 1,WU Le -hua 1,JI A NG D e -lei2(1.S i gnal and Infor m ati on Proces s i ng Lab ,Chongq i ng C o mm un i cati on Insti tute ,Chongqi ng 400035,P .R .Ch i na ;2.I m age Comm un i cati on Lab,Chongqi ng Comm un i cati on In stitute ,Ch ongq i ng 400035P .R .C h i na)Abstrac t :A i m ed at the proble m o f obta i n i ng backg round fra m e i n backg round subtracti on a l gor ith m,a new m ethod based on backg round reconstructi on is presented by us i ng t he dyna m i c ti m e w arp i ng (DTW )algorith m.Based on the feature t hat the va l ues o f background a re a l m ost the sa m e ,and usi ng the DTW algor i th m to get t he b l ock o f background fro m the fra m e ,the background frame w as bu ilt .S i m ulati on results show tha t the background can be reconstructed even the p i cture i s t w is -ted or som e pi x el is N a N,and t he ta rget can be ex trac ted .K ey word s :mov i ng object detecti on ;background subtrac ti on ;backg round reconstructi on ;DTW algor it h m0 引 言从视频序列中检测出运动物体是计算机视觉和图像编码等应用领域的一个重要研究内容,目前已成为热点研究问题[1]。
准确地将运动物体从视频图像中分割出来是许多智能视频监视系统(视频监视,交通自动监控)、人体检测与跟踪等后续处理的基础。
目前,常见的运动目标检测算法有3类:光流法[2]、相邻帧差法[3]、背景差法[4]。
近年来,人们对如何实现背景图像的重构和更新问题进行了大量的研究,主要的方法分为2类:第1类是通过建立背景模型的方法实现[5];第2类是从过去的参考图像中按照一定的假设选择像素灰度构成当前的背景图像[6]。
基于块的背景重构方法是将整帧图像分成M @N 大小的子块,对每一子块进行判别,可以在较短时间内逐块地恢复背景。
文献[5]中介绍了一种利用高阶累计量理论、图像能量以及块处理技术进行背景重构的方法。
这种基于块处理技术的背景重构算法所需帧数较小,重构结果比较理想。
但是,算法中作为约束条件之一的四阶累计量的计算相对比较复杂,并且四阶累积量的实验门限值与理想门限值相差很大,实际情况下不好确定。
鉴于此,在背景提取阶段,本文中我们给出一种新的基于块的背景重构算法,该算法通过迭代实现,不涉及阈值选取问题。
1 运动目标检测过程1.1 基于块的背景重构算法在进行运动物体检测时,一种常见的情况是摄像机处于静止状态,并且镜头焦距是固定的,此时,图像中的背景区域固定不动。
这种情况下,相邻两帧图像之间,背景区域的灰度值基本没有变化,而运动物体所对应区域的灰度值变化相对较快。
每幅图像都由2类区域组成:一类是背景区域,由灰度变化较小的像素点组成;另一类是前景区域,由灰度变化较大的像素点组成。
本文中的算法是从一组观察数据中,按照一定的检测准则,选择一定的像素块构成当前的背景参考图像。
假设每隔一段时间采集一帧图像,收集一段时间(0,,,t)内获得的图像f 0,,,f t 分别将相邻2帧图像f k (x,y )和f (k+1)(x ,y )(k 为帧序0,,,k -1)按从上到下,从左到右的空间顺序分成大小为ro w @co l(row 为子块行数,col 为子块每行像素数)的图像子块集合{FK (i ,j ,k )}h @wi=1,j=1和{FK (i ,j ,k +1)}h @wi=1,j=1(h @w 为子块总数),如图1所示。
图1 图像子块划分关系F i g .1 Partiti on of i m age sub -b l ock本文采用动态时间弯折算法(dyna m ic ti m e w ar -pi n g ,DTW )算法[6]对相邻2帧图像的对应子块作匹配计算。
通常我们都假设所拍摄到的图像没有发生几何畸变。
事实上,由于一些不稳定因素的影响,实际拍摄的图像(特别是一些遥感图像)往往会产生几何畸变[7]。
对于一些视频流解码所得的图像也通常会存在一些像素点的失真。
而DTW 算法很好地解决了几何畸变及像素点失真对重构背景帧的影响。
假设相邻2帧图像对应子块的特征向量分别为I k :(i 1,,,i m )和I k+1:(r 1,,,r n )。
如果I k 中得到的特征向量不存在缺少像素点或出现过多像素点等情形,只需将其与I k+1中连续的m 个元素相对比即可。
在规正过程中将向量I k 与I k+1均延长到10000。
I c k =10000@I k E m i=1I k ,I c k+1=10000@I k+1E mi=1I k+1(1)(1)式中:|#|表示向下取整。
在随后的比较过程中使用向量I c k 和I c k+1计算相邻2帧图像对应块之间的距离。
将长度放大的目的是在随后的DTW 算法中采用整数运算以提高速度,同时精度也得到相应的提高。
若规正的过程中将其延长至100,由于精度不高,重构出的背景参考帧不完整。
实验表明延长至10000即可达到很好的效果。
为了描述方便,将规正后的2个向量仍分别用I k :(i 1,,,i m )和I k+1:(r 1,,,r n )表示,然后采用DT W 算法计算两者的距离。
根据前向动态规划算法构造(m +1)@(n +1)的二维DT W,如公式(2)所示,(2)式中,元素D (j ,k )表示从起始位置(0,0)到当前位置(j ,k )的最小累积距离,并且有D (j ,k)=m i n D (j -1,k -2)+|r j-1+r j -i k |+G 1D (j -1,k -1)+|i j -r k |D (j -2,k -1)+|i j -1+i j -r k |+G 2(2)(2)式中:G 1和G 2是小正数(本文中我们取G 1=018,G 2=0.2)。
当相邻帧对应图像块的特征向量的长度不相等时,我们引入代价因子,|r j-1+r j -i k |+G 1和|i j-1+i j -r k |+G 2。
该算法的边界条件如(3)式所示D (j ,0)=0,j =0,,,mD (0,k )=0,k =0,,,n(3)DT W 最优路径的代价是D (m,n),也称为DT W 距离。
对于采集的k +1帧图像f 0-f k ,寻找相邻2帧图像的最小DTW 距离所对应的子块位置(i ,j)及当前的帧号k 。
最后将不同位置的子块组合就实现了背景的重构,背景重构过程如图2所示。
图2 背景的重构过程图F ig .2 Background rebu il d i ng process diag ram1.2 运动物体的检测及后处理背景差方法的基本思想就是当前每1帧图像与事先存储或实时得到的背景图像中对应像素点作差,若像素差值大于一定的阈值则判断为运动目标的像素点。
若将背景参考帧中像素点的灰度值记为B (i ,j),当前帧图像中对应位置的像素点的灰度值#755#第6期 董文明,等:基于背景重构的运动目标检测算法记为f(i ,j ),差值记为d (i ,j )=|f (i ,j)-B (i ,j)|,则检测规则如公式(4):M (i ,j )=1if ifd (i ,j)<T d (i ,j)\T(4)(4)式中:T 为灰度阈值。
目前,T 的选取主要是靠经验。
由于噪声的影响,往往会使一些本属于背景区域的像素点被检测为运动区域,也可能会使运动目标内的部分区域被漏检。
另外,背景的扰动,如树枝、树叶的轻微摇动,会使这部分也被误判断为运动目标,为了消除这些影响,首先对上一步的检测结果M (i,j)用形态学的方法进行处理[8],再找出M (i,j)经形态学处理后的连通域,计算每个连通域中的面积,对于面积小于一定阈值的区域,将其抛弃,不看作运动目标。
我们使用3@2的矩阵算子,首先对图像进行形态闭合运算,然后进行形态开操作,从而填充图像内部的空洞,删除图像中误检的噪声点。
