智能视频监控中的运动目标检测技术研究

2009年第06期，第42卷 通 信 技 术 Vol.42，No.06,2009 总第210期 Communications Technology No.210,Totally

智能视频监控中的运动目标检测技术研究

夏永泉， 李卫丽， 甘 勇， 张素智

（郑州轻工业学院 计算机与通信工程学院，河南 郑州）

【摘 要】运动目标检测是视频序列分析中非常一个重要的研究方向，同时也在智能视频监控中发挥着非常重要的作用。目前国内外对运动目标检测的研究非常广泛，方法各异，文中对当前常用的视频序列中运动目标检测的方法进行了研究和分析，并对这些种方法的优越性和不足之处进行了比较。

【关键词】智能视频监控；运动目标检测；帧间差分；背景减法

【中图分类号】TP391.41 【文献标识码】A 【文章编号】1002-0802(2009)06-0185-03

Studies on Moving Objects Detection Technology in Intelligent

Video Surveillance

XIA Yong-quan， LI Wei-li， GAN Yong， ZHANG Su-zhi

(School of Computer and Communication Engineering, Zhengzhou University of Light Industry, Zhengzhou Henan, China)

【Abstract】Moving object detection is a main domain in video image sequences analysis, and play an importantrole in intelligent video surveillance system. Nowadays, extensive studies on moving object detection have been carried out both at home and abroad, and the methods are quite different. This paper describes the studies on methods and principles of moving object detection in video image sequence, and finally compares advantages and deficiencies of theses methods.

【Key words】intelligent video surveillance; moving object detection; frames difference; background subtraction

0 引言

智能视频监控技术是安全防范系统的重要组成部分，是一种防范能力较强的综合系统，随着网络、通信和微电子技术的发展，视频监控以其直观、方便、信息内容丰富而广泛应用于许多场合。从视频序列中检测运动目标是一个基础而又关键的任务，目前运动目标检测通常有帧间差分法、背景减法和光流法，相邻帧间差分法[1]对动态变化环境中的运动目标检测有较强的自适应性，提取运动目标的关键在于准确的定位目标和噪声之间的差别，从而准确的提取分割阈值；背景减法算法[2]简单易于实现，在背景已知的情况下，能够提供最完全的特征数据，并能完整地检测出运动目标，但是由于图像采集过程中的误差、背景中光线的变化以及环境中

其他干扰因素,使得简单的背景减法效果受到影响；光流法[3]支持摄像机运动，可以得到完整的运动信息，能够很好的从背景中检测到相关前景目标，甚至是运动目标的一部分，从而实现摄像机运动过程中独立运动目标的检测，但计算开销较大、实时性差,而且抗噪性能比较差。如今，人们已提出各种各样的新算法来力图解决现有算法呈现的问题，以满足实时性应用的需求。

1 目标检测方法介绍

（1）帧间差分法。帧间差分法是基于运动图像序列中，相邻两帧图像间具有强相关性而提出的检测方法。设在相邻时刻采集到同一背景下的两幅运动图像为f(x,y,t)和

收稿日期：2008-09-26。

基金项目：国家科技攻关（2006BAK01A38）；博士基金（2007BSJJ005）。 作者简介：夏永泉（1972-），男，副教授，博士，主要研究方向为图像处理、计算机视觉、模式识别与人工智能；李卫丽（1984-），女，硕士

研究生，主要研究方向为信号与信息处理；甘 勇（1965-），男，教授，硕士生导师，主要研究方向为计算机网络及应用；张素智（1965-），男，副教授，硕士生导师，主要研究方向为分布式数据库技术、Web数据库与信息集成。

185

f(x,y,t+ t)，则差分图像的定义为:

算法。该算法由背景图像的初始化和自适应更新两部分组成。在背景图像的初始化算法中,采用前N帧图像,计算视频序列图像每一象素的平均亮µ0(x,y), 并计算在前N帧内的每一象素亮度的方差δ02(x,y), 以此来组成初始的背景估计图

像。这里Bn 表示背景图像, In 表示视频图像, n 表示帧数。

B0=[µ0,δ02], （2） 当背景估计图像的初始化完成后,随着新图像帧的到来,需要使用下列公式不断自适应地更新背景：

µn=(1 α)µn 1+αIn

δn2=(1 α)δn2 1+α(In µn)

其中α为更新系数,为0～1 之间的一个常数。文献[7]提出采用多个分布模型进行描述每个像素点来适应背景变化。首先，把输入图像帧在进入运动检测模块之前进行RGB／YUV色彩空间变换。对于视频输入序列第t帧视频图像中像素X=(x,y)的输入信号为I(X,t)，设像素点的均值为Ui(X,t)，均方差为Di(X,t)，分布模型表示为Pi(X,t)，其

fd(x,y)=|f(x,y,t) f(x,y,t+ t)|, (1)

文献[1]采取帧间差分法,优点是只对运动物体敏感，通过差分能得到运动物体的轮廓，缺点是位置不准确，对复杂场景条件下的图像序列效果较差，关键在于阈值选择困难。文献[4]提出一种帧差图像噪声阈值自动估计的方法，通过提出噪声提取出运动目标。文献首先通过噪声分析，指出噪声区域的方差与运动区域的方差相比较要小很多，因此可以利用方差作为判定准则，将运动区域和噪声区域分开；噪声参数估计的方法为：首先选取图像总体估计的方差作为噪声区域和运动区域的分界值，将整副图像就可以分成三块:(1)只包含噪声区域的块，(2)只包含运动区域的块，(3)既包含噪声区域又包含运动区域的块。由于只包含噪声区域的块和只包含运动区域的块存在明显的差异，即两者的方差有很大的差异，所以可以比较容易的划分开；而包含噪声区域又包含运动区域的块的划分就比较模糊，可以根据方差的接近程度来划分给两者，对差分图像的区域块进行重新划分，这样就会有新的运动区域块和噪声区域块划分结果。然后对重新划分得到的噪声区域块统计他们的方差，可以跟据这个方差，再次把帧差图像划分为许多的运动区域块和噪声区域块。这种划分可以一直进行下去，直至新估计的方差值与上次估计的值之间的变化很小，把最后的结果作为噪声分布参数的最终估计结果。假设µ和δ分别是均值和方差的估计结果，假定噪声为高斯分布，可以把值落在(µ 3δ,µ+3δ)之内的点都当作噪声点滤除。文献[5]首先对背景帧的每一个像素点利用高斯模型建模，然后将对帧差分图像的像素点与该模型进行拟合。 假设在一定的时间段t中，由同一位置的像素点组成的集合服从均值为µ(i,j)， 标准方差δ(i,j)的高斯分布

对各像素点的分布模型出现的中下标i表示模型的最大个数，

概率进行排序，取前n个作为背景分布模型，即完成背景提取。为适应背景的不断变化需要对背景模型进行更新[8]，方法是将输入信号与n个分布模型进行比较，对匹配的模型进行更新、不满足分布模型不进行更新。分布模 型为：

Ij(X,t) Uij(X,t)Dij(X,t)

Di(X,t)=∑

hij(X,t)j∈y,u,v其中：hij(X,t)为模型i的概率；Uij(X,t)为模型i的均值；Dij(X,t)为模型i的方差。

使用背景减法进行 …… 此处隐藏：3178字，全部文档内容请下载后查看。喜欢就下载吧 ……