【《几种运动目标检测算法的原理及Matlab的实现案例分析》5100字】

几种运动目标检测算法的原理及Matlab的实现案例分析目录TOC\o"1-3"\h\u28343几种运动目标检测算法的原理及Matlab的实现案例分析 1307021.1实验环境与素材 1210121.2常用的目标检测算法 2287231.2.1背景差分法 298131.2.2帧间差分法 5204451.2.3光流法 8141221.2.4常用的目标检测算法的比较分析 11160041.3基于高斯混合模型的背景差分法 12301821.1.1基于高斯混合模型的背景建模 1261091.1.2检测结果的优化与分析 131.1实验环境与素材本课题所使用的的电脑为基于x64的intel（R）Core（TM）i9-9900KCPU@4.00GHz。实验仿真视频总共有五种三类，具体内容如下表展示：表3-1本文采用的五种三类视频详情视频名视频特点视频时长视频帧数分辨率viptraffic路面交通监控视频，主要运动对象为车辆8s90160*120visiontraffic17s509640*360atrium路面监控视频，主要运动对象为行人39s570640*360walker79s1975768*576vipmosaicking镜头运动的视频，主要运动对象为车辆4s60320*240由于运动目标检测的效果缺少客观的评价标准，本次实验中所获得的结果都由人工判断检测质量。并且运动目标检测算法的最终目的是获得运动的目标，与其整体范围内的其他细节并无直接联系，因此，若检测出的范围为实际运动物体的范围则表示检测正确同时检测到的运动目标范围像素占原运动目标像素的比例越大则表示检测质量越好。1.2常用的目标检测算法1.2.1背景差分法背景差分法[17]的主要原理是在不考虑噪声n(x,y,t)的情况下，视频帧的图像ⅈx,y,t可以看做是由背景图像bx,y,t和运动目标mⅈx,y,t所以运动目标的表示方法为：mx,y,t但是在实际情况中，由于噪声的干扰，式（3-2）并无法得到真正的运动目标而是由运动目标和噪声组成的差分图像dx,y,tdx,y,t最后通过对差分图像dx,y,t进行进一步的处理，去除噪声的干扰从而得到真正的运动目标。此处一般通过阈值分割的方法进行处理得到运动图像mmx,y,t=ⅈ背景差分算法的主要优点是算法较为简单，并且能快速获得运动目标的整个区域还有较高的准确性，算法的主要难点是背景建模的算法，具有较好的鲁棒性，能一定程度上克服光线的干扰。该算法的缺点是只能用于固定的摄像头上，当背景变化时需要实时更新背景建模，较为复杂。本次仿真使用了均值法对背景进行建模。图3-1背景差分法的流程图图3-1展示了背景差分法的基本流程，通过对背景建模，获取背景帧图像，然后再通过与待检测的仪表获得图像进行差分获得二值化的差分结果。对结果进行一定的连通域分析或者形态学运算可以获得更好的计算结果。图3-2visiontraffic通过背景差分法的结果由图3-2可以看出背景差分法可以区分出前景目标与背景的区别，车辆都获得了一定识别，但是轮廓并不是很清晰，这是由于算法中使用了固定阈值的算法，对于一些边界区域无法明确识别是否为运动目标部分。图3-3阈值为28时visiontraffic的背景差分法结果 如图3-3所示，阈值的设定也是影响背景差分法结果准确性的因素之一，不同的场景所需的最优阈值也不一定为同一个值，需要进行按需调整。阈值越小说明对运动目标像素灰度变化的判定越苛刻，可能在减少环境影响的同时，减小运动目标的区域。图3-4中展现了不同阈值下背景差分法的检测结果。图3-4阈值分别为15(左)和28(右)时visiontraffic的检测结果图3-5阈值为12时walker的检测结果如图3-5所示，当主要运动对象为行人时，背景差分法也有较好的检测效果。图3-6阈值为12时vipmosaicking的背景模型与检测结果由图3-6可知，当镜头在移动时，基础的背景差分法已不能完成运动目标检测的效果，因为相对于背景模型，整个画面中所有的像素都是运动的。1.2.2帧间差分法帧间差法有多种实现方法，最基础的有两帧差法、三帧差法，在此基础上还有五帧差法[18]、七帧差法等改进算法。帧间差法的主要原理是视频具有连续性的特点，如果场景中有运动的目标，相邻的帧之间会有较明显的差异，通过对这个差异的辨别来确定运动的目标。以两帧差法为例，设第t帧的图像为Dx,y,t，第t+1帧的图像为Dx,y,t+1，对这两帧的图像作差分得到ΔDx,y,Δt，由于背景的运动量很小，则背景的ΔDx,y,Δt也会很小，前景目标的即设t时间的图像为It，其下一帧图像为It+1，那么差分图像Dx,y=当Dx,y=1时，其表示的即为前景目标，而当图3-7背景差分法的流程图图3-7展示了帧间差分法的基本流程，以两帧差分法为例，帧间差分直接通过两帧之间像素的变化来识别运动目标，因为运动目标在固定的背景下，整个运动目标的像素都会整体运动，通过对相邻两帧作差可以获得镇检查分的结果，此后对结果进行一定的连通域分析或者形态学运算可以获得更好的计算结果。图3-8visiontraffic帧间差分法的结果由图3-6可以看出帧间差分法能够较好地识别出运动目标，其轮廓也较为完整，这是因为帧间差分法对于阈值的要求并没有背景差分法那么严格。但是帧间差分法所获得的运动目标有较多的空洞，仅仅显示范围的轮廓，这是因为相邻帧之间变化幅度较小，大范围的运动目标除了轮廓以外，其中心部分被识别为了背景部分。通过改变作差的帧数如提高到三帧差分，可以改善这一问题。图3-9visiontraffic两帧差分法的结果图3-10visiontraffic三帧差分法的结果通过比较图3-7与图3-8可以看出，三帧差分法相对于两帧差分法，获得的运动目标空洞减少，识别的准确度有了一定的提升。但是相应的，由于作差的帧数增大，两帧之间背景的干扰也会增大，需要适当调整阈值以便减少背景的干扰。图3-11walker的帧间差分法结果如图3-11所示，当主要运动对象为行人时，帧间差分法也正确识别出了行人，但是“空洞”现象仍比较明显。图3-12vipmosaicking的帧间差分法结果由于帧间差分法的原理是相邻帧之间作差，因此在移动镜头下仍然会有检测结果出现，如图3-12所示，但由于是像素相对于镜头的运动，因此画面中的所有物体都被识别为运动对象，检测效果非常差。1.2.3光流法光流是指图像中亮度模式运动的速度，光流场是由光流引申出来的，它指的是景物中可见像素点的三维速度矢量在成像表面投影形成的二维瞬时速度场[19]。通过研究光流场不仅能获得运动的目标，还能获取目标的三维结构等信息。图3-13运动场与光流场图3-13展示了图像中光源与光流场的关系，在使用光流来检测运动目标上，首先要做的就是光流场的计算，这是实现目标检测的基础。在理想情况下，光流场等价于运动场。根据光流场基本方程:Ix其中Ix=∂I∂x，光流法中也分稠密光流和稀疏光流。稠密光流是指将图像中每个点都与速度建立联系，稀疏光流仅指定一组点进行跟踪计算，相比于稠密光流，稀疏光流计算量小得多，不过需要指定的点要有明显的特征以方便跟踪计算。其中，稀疏跟踪方法中最著名的是Lucas-Kanade(L-K)法。图3-14L-K光流法检测visiontraffic的结果1图3-15L-K光流法检测visiontraffic的结果2由图3-8和图3-9可以看出，通过光流法准确识别出了运动目标的光流场，并且对目标有较好的跟踪能力，所以光流法多用于目标跟踪：对于一个连续的视频帧序列进行处理，针对每一个视频序列，利用一定目标检测方法，检测可能出现的前景目标。如果某一帧出现了前景目标，找到其具有代表性的关键特征点。对之后的任意两个相邻视频而言，寻找上一帧中出现的关键特征点在当前帧中的最佳位置，从而得到前景目标在当前帧中的位置坐标，如此迭代进行，便可实现目标的跟踪。图3-15L-K光流法检测vipmosaicking的结果如图3-15展示，光流法在镜头移动的情况下，识别出了移动车辆的光流场，但是仍有大量背景的光流作为干扰被识别为运动目标。这一情况是由镜头转向导致物体相对运动造成的。但是相对于背景差分法和帧间差分法已经有了一定的识别效果。1.2.4常用的目标检测算法的比较分析以上三小节对常用的三种目标检测算法进行了简单的介绍，并且对三种算法分别进行了仿真实验并分析。通过比较实验结果，可以看出三种算法都有各自的优缺点，并且适用范围也不尽相同。本小节将对这三种算法进行横向的比较分析。在算法的运算量上，由于帧间差分法仅需要对两帧图像进行作差即可得出结果，所以帧间差分法的运算量最小。背景差分法相对于帧间差分法，多了背景建模这一步骤，不同的背景建模算法也有不同的复杂度，因此运算量较大。光流法在这三种算法之中有最大的运算量，每一帧都要参与光流场的计算，因此也获得了最高的识别效果。在算法的通用性上，光流法能有效追踪运动目标的光流场，进行运动目标的识别与提取，因此拥有最高的通用性。而背景差分法和帧间差分法，在背景大幅变化的情况下，由于检测的本质是像素之间的相对运动，所以检测的效果非常差，同比之下更加依赖背景固定的背景差分法，有着最差的通用性，较为适合固定视角下的运动目标检测。光流法的优点是能检测所有独立的运动目标并且在摄像机视角运动的情况下也能有效，但是缺点也很明显，当没有运动目标，而是光照发生大幅变化时，也会有光流的出现。并且由于算法复杂度高，实时性比较差，比较适于后期的视频处理。背景差分法和帧间差分法算法相对简单、运算量小，因此有较高的实时性，可以对获得的视频立即处理。背景差分法对背景建模较为敏感，并且需要对背景进行实时更新才能获得最好的效果。而帧间差分法最明显的缺点就是运动目标会产生“空洞”，同时三帧差分或以上的差分算法还会产生较大的“拖影”现象，造成检测出的运动目标比实际大的效果。1.3基于高斯混合模型的背景差分法通过均值法进行背景建模的背景差分法获得的运动目标结果轮廓并不明确，为了对识别的结果进行改善，本节将通过高斯混合模型来对背景进行建模以求获得更好的检测结果。高斯模型是通过高斯概率密度函数(正态分布曲线)精确地量化事物，将一个事物分解为若干的基于高斯概率密度函数(正态分布曲线)形成的模型[20]。本节将对基于高斯混合模型的背景差分法进行仿真实验并进行分析1.1.1基于高斯混合模型的背景建模图像的灰度直方图能形象地反映灰度图中某一个特定灰度值出现的次数，也可以看作是图像某一灰度出现的可能性。如果图像中包含的前景目标和背景的对比度比较大，并且背景区域和目标区域的灰度有较大的对比度，那么该灰度图的灰度直方图就会表现出两个峰值。在峰值阶段之一，表示与目标匹配像素信息，另一个峰值所包含的像素则与背景的中心灰度相匹配。对于相对复杂的灰度图像，他们的灰度直方图通常有多个峰值。根据条形图的多峰特征作为若干高斯分布的累加，可以处理图像分割问题。在视频监控系统软件中，核心内容是对运动目标的检测。在运动目标的识别中，背景的建模对目标的检测以及跟踪尤为重要。该模型恰好是获取背景目标的关键且有效的步骤。混合高斯模型使用K个（通常为3到5个）高斯模型来表示图像中每个像素的特征。得到新的一帧图像后，会对原有的混合高斯模型进行更新[21]，使用当前图像中的每个像素与混合高斯模型相配对。如果与背景模型相似，则判断该点为背景点，否则为前景的像素点。在所有高斯模型中，有两个起决定性作用的参数：标准偏差和平均值。对于平均值和标准差的学习和训练，使用不同的学习和训练方式会立即反应在模型的可靠性、准确性和收敛性上上。1.1.2检测结果的优化与分析通过对前50帧空闲道路图像内容的学习，建立三个高斯模型，完成高斯混合模型的背景建模，再通过被检测帧中的像素点与混合高斯模型进行匹配获得前景的运动目标。图3-10被检测帧图3-11前景目标的检测结果由图3-10和图3-11可以看出，与一般的背景差分法比较可以发现，基于高斯混合模型的背景差分法的运动目标范围更加清晰完整，识别结果中，大范围黑色背景中仍有不少不少被识别为前景的白色像素点，通过对获得的检测结果再进行一次形态学开运算来去噪后获得更加清晰的结果。图3-12进行形态学开运算后的检测结果(左)与