运动目标检测

1.
2. 3.
图像增强 提取目标 合成
增强信噪比并提取单一的目标信号 利用基本算法提取目标 整合算法生成2维运动流场

缺点：算法要对所有帧中的所有像素进行计算，计算量 大，算法复杂耗时。对硬件要有较高的性能
基于统计、学习的方法
•
它利用独立或成组的像素特征了构建/更新背景模型，采 用学习概率来抑制误识（减少将不属于目标集的目标标 注为目标对象的概率） 总结：这类算法对噪声、阴影、光线等变化比较鲁棒， 检测的运动目标比较准确，抗干扰能力较强。但由于运 动的复杂性，致使该方法很难采用一种统一的概率分配 模型来描述。而且学习过程中要遍历图像的所有位置， 故训练样本大，计算复杂，计算量大，一般不适于实时 处理。
背景减法（Background Subtraction）
1. 利用算法（如混合高斯模型）得到一个静态背景图像 2. 将当前帧将背景帧踢出，得到前景运动目标 存在的缺陷：背景容易受周围环境的变化而变化，从 而所得到的数据不准确，就必须不断地自动实现背景 更新
光流法（Optical Flow）
• • 光流技术的前提是图像中亮度变化平稳。 步骤：
– 依据图像中的灰度模式等来实现运动分割
相邻帧差法(Temporal Difference)
• 简单相邻帧差法将连续视频帧中对应位置像素点的亮度值 相减，得到一个差值，再将差值与预先设定的阈值作比较。 之后在进行目标聚类。 • 优点：摄像机固定情况下，对动态变化环境中的运动目标 检测有较强的自适应性。 • 缺点：不能完全提取所有的特征像素点，所以得到的背景 并不是纯背景，结果不准确。
•
传统中的运动检测
• 运动分割的目的在于从室内外场景中检测出来的运动目标 相应区域；
• 运动聚类的目的在于将运动分割中检测出来的运动区域按 不同的的对象进行分类。 entation ） 运动分割（MotionSegm
运动聚类(T arg etClassification)
所面临的问题
运动目标的检测
目标检测的分类

静态目标检测

人脸、姿态、手势 车牌、文本

运动目标检测

运动跟踪 交通监控

运动目标检测是指在视频图像序列中判断是否有前景目标 的运动，如果有则对目标进行初始定位的检测过程。 运动目标检测是实现目标识别跟踪的基础。 视频中运动目标的检测是按照一定的周期从视频序列中提 取出图像帧序列来实现检测的。 运动目标检测中更多地依赖与目标的运动特性，即时间的 连贯性。这是运动目标检测与静态图像中的目标检测的区 别
案例Βιβλιοθήκη 1.运动目标比背景中的运动区域要大，这种假设不是始终成立的
2.利用一种自适应阈值的方法有效滤除除了雨、雪等复杂天气变 化的干扰，但其在阈值中对运动目标比背景中运动成分的运动能 量平均高2倍的设定并不具有普遍性
参照帧中像素块最终的运动向量的方向 （ s*, t* ）
即绝对差分最小的一对像素块的向量方向。
• 运动背景是动态变化的。 • 视频场景中光线变化影响背景的提取与更新 • 光照条件下，目标存在阴影 • 遮挡
• 背景物体的干扰运动。例如：风中树叶、天气的变化
• 目标运动的过程是否连续、速度如何、是否存在往返运动 等
• 特征检测：
– 主要是依据图像特征或由其组成的模型来检测运动目标
• 灰度检测：
由于每一个搜索窗口进行逐像素的全搜索，计算量大
• 如果某搜索窗口包含移动像素块，则在该搜索窗口内当前 帧中的待匹配像素块与参照帧相同位置像素块间的绝对差 分会比较高反之则会较低甚至接近与0
在某一搜索窗口内，如果AD(0，0)低于一阈值，则认为该窗口内没有显著 运动像素块，可略过在该窗口内进行匹配块的搜索；反之，则认为该窗口 内存在运动像素块，有可能包含运动目标的局部，需要进行匹配块的搜索。 该搜索策略减少了需要进行全搜索操作的窗口的数量，从而降低了计算量