运动目标检测前景分割

运动目标检测前景分割第一页，共32页。CONTENTS1324背景及意义主要方法结语TheprincipleandsignificanceMAINCONTENTCONCLUSION相关资料relevantdata第二页，共32页。1背景及意义第三页，共32页。1背景及意义Backgroundandsignificance主题研究RESEARCHTOPIC视觉作为人类获取外界信息的主要载体，计算机要实现智能化，就必须能够处理图像信息。运动目标检测是计算机视觉和数字图像处理的一个热门方向，广泛应用于机器人导航、智能视频监控、工业检测、航空航天等诸多领域。因此，运动目标检测也就成为了近年来理论和应用的研究热点，它是图像处理和计算机视觉学科的重要分支，也是智能监控系统的核心部分。

它的目的就是如何快速、准确地检测出监控视频中的运动目标，即从序列图像中将运动目标提取出来。计算机学院成都信息工程大学第四页，共32页。国内现状国外现状中国科学院北京自动化研究所下属的模式识别国家重点实验室视觉监控研究处于领先地位。他们在交通场景视觉监控、人的运动视觉监控和行为模式识别方面进行了深入研究。另外他们也总结了英国雷丁大学VIEWS的车辆交通监控原型系统的研究经验，在之前的理论研究的基础上，自行设计并初步实现了一个拥有完全自主知识产权的交通监控原型系统vstart(Visual

surveillance

star)。国际上许多高校和研究所，如麻省理工学学院、牛津大学等都专门设立了针对运动目标检测的研究组或者研究实验室。美英等国家已经研究了大量的相关项目。一些著名公司和研究机构，如IBM、Microsoft、麻省理工学院等近几年来投入了大量的人力物力来进行智能监控系统的研究，部分成果已经转化为产品投入了市场1背景及意义Backgroundandsignificance第五页，共32页。研究目的运动目标检测运动目标检测作为计算机视觉技术的一个分支，就是对视场内的运动目标，如人或交通工具，进行实时的观测，并将其分类，然后分析他们的行为。机器人导航

移动机器人室内环境中运动目标检测及跟踪技术的研究，目的是为了提高移动机器人室内环境中自主视觉导航的鲁棒性智能视频监控运动目标检测及跟踪技术的研究；来实现对不同场合视频的智能监控工业检测通过运动目标检测等技术检测工业领域的工业环境、工业产品尺寸检测等等。1背景及意义Backgroundandsignificance第六页，共32页。2主要方法MAINCONTENT第七页，共32页。背景减除法适用于摄像机静止情形，其关键是背景模型，性能与监控场景复杂情况和系统要求有关。光流法

光流法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。在这摄像机固定的情况下应用比较少。帧间差分法通过比较相邻的2或3帧图像差异实现场景变化检测，对动态环境有较强的适应性，但检测精度不高，难获得目标精确的描述。ABBC2主体内容MIANCONTENT主要方法第八页，共32页。2主体内容MIANCONTENT光流法

光流法，即是空间运动物体在观察成像平面上的像素运动的瞬时速度，是利用图像序列中像素在时间域上的变化以及相邻帧之间的相关性来找到上一帧跟当前帧之间存在的对应关系，从而计算出相邻帧之间物体的运动信息的一种方法。光流不但可以检测出物体是否存在运动，运动的方向、角度也是可以计算出来的。

光流的计算方法可以分为以下几类：

（1）基于区域或基于特征的匹配方法（2）基于频域的方法（3）基于梯度的方法第九页，共32页。2主体内容MIANCONTENT光流法的主要算法L-K算法假设在一个小空间领域上运动矢量保持恒定，使用加权最小二乘法估计光流。基于梯度的局部微分法：是一种稀疏特征点的光流算法H-S算法Farneback算法B-M算法假设光流在整个图像上光滑变化,即速度的变化率为零。基于梯度的全局微分法通过块匹配的方法来计算光流稠密光流计算基于梯度的全局微分法第十页，共32页。帧间差分二帧差法当监控场景中出现异常物体运动时，帧与帧之间会出现较为明显的差别，两帧相减，得到两帧图像亮度差的绝对值，判断它是否大于阈值来分析视频或图像序列的运动特性，确定图像序列中有无物体运动。三帧差法三帧差分算法是相邻两帧差分算法的一种改进方法，它选取连续三帧视频图像进行差分运算，消除由于运动而显露背景影响，从而提取精确的运动目标轮廓信息。2主体内容MIANCONTENT第十一页，共32页。2主体内容MIANCONTENT二帧差法Dt(X,Y)=1,if[It(X,Y)-It-1(X,Y)]>=Threshold0，others第十二页，共32页。2主体内容MIANCONTENT三帧差法D(t,t-1)(X,Y)=|It(X,Y)-It-1(X,Y)|D(t+1,t)(X,Y)=|It+1(X,Y)-It(X,Y)|A选取图像序列中连续的三帧图像，分别计算相邻两帧图像的差值第十三页，共32页。2主体内容MIANCONTENT三帧差法BB(t+1,t)(X,Y)=B对得到的差值图像通过选择合适的阈值T进行二值化B(t,t-1)(X,Y)=1，D(t,t-1)(X,Y)>=T0，D(t,t-1)(X,Y)<T1，D(t+1,t)(X,Y)>=T0，D(t+1,t)(X,Y)<T第十四页，共32页。2主体内容MIANCONTENT三帧差法BC将在每个像素点(x,y)得到的二值图像逻辑相“与”，得到三帧图像中的中间帧的二值图像B(t)(X,Y)=1，B(t,t-1)(X,Y)∩B(t+1,t)(X,Y)=10，B(t,t-1)(X,Y)∩B(t+1,t)(X,Y)≠1第十五页，共32页。背景减除法2主体内容MIANCONTENT背景模型的建立目标决策背景模型的更新第十六页，共32页。混合高斯模型背景减除常用方法均值滤波法HMM模型单高斯模型2主体内容MIANCONTENT第十七页，共32页。2主体内容MIANCONTENT混合高斯背景建模是基于像素样本统计信息的背景表示方法，利用像素在较长时间内大量样本值的概率密度等统计信息(如模式数量、每个模式的均值和标准差)表示背景，然后使用统计差分(如3σ原则)进行目标像素判断，可以对复杂动态背景进行建模。在混合高斯背景模型中，认为像素之间的颜色信息互不相关，对各像素点的处理都是相互独立的。对于视频图像中的每一个像素点，其值在序列图像中的变化可看作是不断产生像素值的随机过程，即用高斯分布来描述每个像素点的颜色呈现规律【单模态(单峰)，多模态(多峰)】。对于多峰高斯分布模型，图像的每一个像素点按不同权值的多个高斯分布的叠加来建模，每种高斯分布对应一个可能产生像素点所呈现颜色的状态，各个高斯分布的权值和分布参数随时间更新。混合高斯模型第十八页，共32页。2主体内容MIANCONTENT每个GMM由K个Gaussian分布组成，每个Gaussian称为一个“Component”，这些Component线性加成在一起就组成了GMM的概率密度函数。当处理彩色图像时，假定图像像素点R、G、B三色通道相互独立并具有相同的方差。对于随机变量X的观测数据集{X1,X2,…,XN}，Xt=(Rt,Gt,Bt)为t时刻像素的样本，则单个采样点Xt其服从的混合高斯分布概率密度函数：混合高斯模型第十九页，共32页。2主体内容MIANCONTENT混合高斯模型的算法流程12将每一个新像素值Xt同当前K个模型按照下式进行比较，直到找到匹配新像素值的分布模型，即同该模型的均值偏差在2.5倍方差内；如果所匹配的模式符合背景要求，则该像素属于背景，否则属于前景；第二十页，共32页。2主体内容MIANCONTENT43

第二十一页，共32页。2主体内容MIANCONTENT5如果第一步没有任何模式匹配，则权重最小的模式被替换，即该模式的均值为当前的像素值，标准差为初始较大值，权重为较小值；选取前B个模式作为背景，B满足下式，参数T表示背景所占比例。6

7第二十二页，共32页。优点：运算量小，实现简单，噪点较少，对光照不敏感；实时性高、易于实现、鲁棒性好缺点：1、运动物体本身颜色相近时，会出现较大的空洞。2、无法应对光照骤变的情况帧差法光流法优点：根据各个像素点的速度矢量特征，可以对图像进行动态分析；适合于背景不断变换的场景（移动摄像头），不需要预先的视频进行训练。缺点：计算量较大，无法保证实时性和实用性；抗噪能力差，；光照影响比较大。2主体内容MIANCONTENT方法优缺点小结第二十三页，共32页。优点：对背景的自适应性高，能够较好地描述复杂背景缺点：1、算法复杂，计算量较大，不利于实时处理；

2、背景模型收敛速度慢背景减除法混合高斯模型背景建模背景减除法检测运动目标速度快，检测准确，易于实现，但背景减除法的关键是背景建模及其更新，因此对于根据不同场景建立的动态变化的背景模型，缺点各异。2主体内容MIANCONTENT方法优缺点小结第二十四页，共32页。3相关资料relevantdata第二十五页，共32页。网页资料3相关资料relevantdata数据集：/tiandijun/article/details/44539387方法简介：光流法：http://博客资料：第二十六页，共32页。文献资料3相关资料relevantdata。。。。。。。。。。。。。。OpenCV3编程入门作者：毛星云，冷雪飞等出版社：电子工业出版社《DatabaseandEvaluationMethodologyforOpticalFlow》第二十七页，共32页。4结语CONCLUSION第二十八页，共32页。结语Conclusions本文未对光流法做出阐述和算法介绍，有感兴趣的同学可以自行查阅资料去了解和实现。同时，本文中的混合高斯模型算法是根据其原理实现的，并没有调用opencv自带的混合高斯模型算法函数，效果也不尽相同，感兴趣的同学可以调用自带的GMM函数实现一下。5结语CONCLUSION第二十九页，共32页。1423OpenCV3编程入门作者：毛星云，冷雪飞等出版社：电子工业出版社深入理解OpenCV--实用计算机视觉项目解析作者：刘波