视频运动目标检测方法研究与分析
来源:用户上传
作者:
摘 要 视频运动目标检测作为智能视频监控的一个底层关键技术，已成为智能视频监控系统需要攻克的首要难题。本文介绍了视频运动目标检测面临的难点以及所使用的主要方法，对各种方法进行了简要的总结，并给出了几种典型方法的优点及不足。
关键词 视频监控;运动检测;目标检测
引言
当前，视频监控技术已经广泛地应用到人类社会生活的多个领域当中，并在刑侦安全、交通维护、病人监护等方面发挥巨大的作用。视频运动目标检测作为智能视频监控的一个底层关键技术，在这一需求下应运而生。研究不同场景下的视频运动目标检测方法已成为智能视频监控系统需要攻克的首要难题。
1 视频运动目标检测面临的难点
在计算机视觉中，视频运动目标检测的任务是利用计算机自动完成对视频中感兴趣运动目标区域的提取。光照变化、背景图像的运动变化以及背景图像的结构变化是当前视频运动目标检测面临的主要挑战。鉴于视频场景的多样性和复杂性，这些不同的视频场景图像给视频运动检测增添了难度。
2 视频运动目标检测的主要解决方法
视频运动目标检测主要由帧差法[1]、背景减除法[2]以及光流法[3]来构成。帧差法通过计算连续帧之间的差分运算来检测运动目标轮廓，能有效适应环境的光照变化。缺点是所提取的目标形状一般不完整，当运动目标静止或者慢速运动时容易造成目标的空洞现象。
背景减除法是通过所建立的背景模型，用当前帧图像减去背景图像来检测运动目标。Stauffer[2]提出基于高斯混合模型（GMM）的背景建模方法，将每一个像素的亮度值建模为由若干个高斯混合信号组成，并通过在线估计的方式来更新模型参数。文献[4]提出通过变速率的学习因子来提高GMM模型的更新速度，从而改善了系统收敛性能。文献[5]提出将GMM模型的背景估计纳入贝叶斯估计框架，背景提取可看作由两个独立的密度估计问题组成。内核密度估计并不需要假定任何一个密度函数的具体形状。该方法先对每个像素的亮度值进行采样，根据采样值来估计一个合适的核函数，之后根据该核函数来估计新的像素亮度值。文献提出了基于空-时背景模型和前景模型的建模方法。利用贝叶斯融合方法来建立交通场景模型，将背景模型和前景模型结合起来，改善了检测性能。首先利用KDE对空-时背景信息建模，然后通过高斯公式来描述前景模型中运动目标的空间相关性。尽管背景减除法具有诸多优点，但其不足在于对特殊运動状态的目标检测效果较差，尤其是对于停滞目标。这为后期的目标跟踪、目标分类带来了干扰。
光流法是通过在图像平面上进行运动投影及适当的估计获得稳定的运动检测[3]，该方法不需要提前知道场景信息，且能够得到运动目标的运动矢量场，缺点是计算量相当大，受光照变化影响很大，抗噪性能差。典型的光流法包括以Horn- Schunck法为代表的全局光流场技术和以Lucas-Kanade为代表的局部光流场估计技术。随着当前计算机设备计算能力的增加，光流法的使用频度进一步加大。
在以上所提方法之外，一些机器学习方法，包括决策树方法、径向基函数神经网络的方法，尤其是基于深度学习的视频运动目标检测算法进一步丰富了视频运动目标检测方法的应用。
4 总结与展望
综上所述，视频运动目标检测是当前智能视频监控应用的一个关键问题。鉴于社会发展的迫切需求，如何建立健壮的视频运动目标检测算法、更有效地分割视频运动目标，提高在不同场景下算法的适应性将是众多人员长期追求的目标。
参考文献
[1] A.J. Lipton ，H. Fujiyoshi，R.S. Patil.Moving target classification and tracking from real-time video[J]. Proceedings Fourth IEEE Workshop on Applications of Computer Vision. WACV’98，1998 ：8–14.
[2] Stauffer， C. and Grimson， W.E.L..Learning patterns of activity using real-time tracking[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，2000，（22）747–757.
[3] Talukder， Ashit，Matthies，Larry.Real-time detection of moving objects from moving vehicles using denses stereo and optical flow[J].Proceedings of the IEEE/RSJ International Conference on Intelligent Robots and Systems，Sendai，Japan，2004：3718–3725.
[4] Lee DS.Effective Gaussian Mixture Learning for Video Background Subtraction[J].IEEE Trans Pattern Anal Mach Intell，2005，27（5）：827-832.
[5] Lee DS， Hull JJ，Erol B.A BAYESIAN FRAMEWORK FOR GAUSSIAN MIXTURE BACKGROUND MODELING[J].IEEE International Conference on Image Processing，2003：14-17.
转载注明来源:https://www.xzbu.com/1/view-14944275.htm
