幾種運(yùn)動目標(biāo)檢測算法的原理及Matlab的實現(xiàn)案例分析目錄TOC\o"1-3"\h\u28343幾種運(yùn)動目標(biāo)檢測算法的原理及Matlab的實現(xiàn)案例分析 1307021.1實驗環(huán)境與素材 1210121.2常用的目標(biāo)檢測算法 2287231.2.1背景差分法 298131.2.2幀間差分法 5204451.2.3光流法 8141221.2.4常用的目標(biāo)檢測算法的比較分析 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檢測結(jié)果的優(yōu)化與分析 131.1實驗環(huán)境與素材本課題所使用的的電腦為基于x64的intel（R）Core（TM）i9-9900KCPU@4.00GHz。實驗仿真視頻總共有五種三類，具體內(nèi)容如下表展示：表3-1本文采用的五種三類視頻詳情視頻名視頻特點視頻時長視頻幀數(shù)分辨率viptraffic路面交通監(jiān)控視頻，主要運(yùn)動對象為車輛8s90160*120visiontraffic17s509640*360atrium路面監(jiān)控視頻，主要運(yùn)動對象為行人39s570640*360walker79s1975768*576vipmosaicking鏡頭運(yùn)動的視頻，主要運(yùn)動對象為車輛4s60320*240由于運(yùn)動目標(biāo)檢測的效果缺少客觀的評價標(biāo)準(zhǔn)，本次實驗中所獲得的結(jié)果都由人工判斷檢測質(zhì)量。并且運(yùn)動目標(biāo)檢測算法的最終目的是獲得運(yùn)動的目標(biāo)，與其整體范圍內(nèi)的其他細(xì)節(jié)并無直接聯(lián)系，因此，若檢測出的范圍為實際運(yùn)動物體的范圍則表示檢測正確同時檢測到的運(yùn)動目標(biāo)范圍像素占原運(yùn)動目標(biāo)像素的比例越大則表示檢測質(zhì)量越好。1.2常用的目標(biāo)檢測算法1.2.1背景差分法背景差分法[17]的主要原理是在不考慮噪聲n(x,y,t)的情況下，視頻幀的圖像?x,y,t可以看做是由背景圖像bx,y,t和運(yùn)動目標(biāo)m?x,y,t所以運(yùn)動目標(biāo)的表示方法為：mx,y,t但是在實際情況中，由于噪聲的干擾，式（3-2）并無法得到真正的運(yùn)動目標(biāo)而是由運(yùn)動目標(biāo)和噪聲組成的差分圖像dx,y,tdx,y,t最后通過對差分圖像dx,y,t進(jìn)行進(jìn)一步的處理，去除噪聲的干擾從而得到真正的運(yùn)動目標(biāo)。此處一般通過閾值分割的方法進(jìn)行處理得到運(yùn)動圖像mmx,y,t=?背景差分算法的主要優(yōu)點是算法較為簡單，并且能快速獲得運(yùn)動目標(biāo)的整個區(qū)域還有較高的準(zhǔn)確性，算法的主要難點是背景建模的算法，具有較好的魯棒性，能一定程度上克服光線的干擾。該算法的缺點是只能用于固定的攝像頭上，當(dāng)背景變化時需要實時更新背景建模，較為復(fù)雜。本次仿真使用了均值法對背景進(jìn)行建模。圖3-1背景差分法的流程圖圖3-1展示了背景差分法的基本流程，通過對背景建模，獲取背景幀圖像，然后再通過與待檢測的儀表獲得圖像進(jìn)行差分獲得二值化的差分結(jié)果。對結(jié)果進(jìn)行一定的連通域分析或者形態(tài)學(xué)運(yùn)算可以獲得更好的計算結(jié)果。圖3-2visiontraffic通過背景差分法的結(jié)果由圖3-2可以看出背景差分法可以區(qū)分出前景目標(biāo)與背景的區(qū)別，車輛都獲得了一定識別，但是輪廓并不是很清晰，這是由于算法中使用了固定閾值的算法，對于一些邊界區(qū)域無法明確識別是否為運(yùn)動目標(biāo)部分。圖3-3閾值為28時visiontraffic的背景差分法結(jié)果 如圖3-3所示，閾值的設(shè)定也是影響背景差分法結(jié)果準(zhǔn)確性的因素之一，不同的場景所需的最優(yōu)閾值也不一定為同一個值，需要進(jìn)行按需調(diào)整。閾值越小說明對運(yùn)動目標(biāo)像素灰度變化的判定越苛刻，可能在減少環(huán)境影響的同時，減小運(yùn)動目標(biāo)的區(qū)域。圖3-4中展現(xiàn)了不同閾值下背景差分法的檢測結(jié)果。圖3-4閾值分別為15(左)和28(右)時visiontraffic的檢測結(jié)果圖3-5閾值為12時walker的檢測結(jié)果如圖3-5所示，當(dāng)主要運(yùn)動對象為行人時，背景差分法也有較好的檢測效果。圖3-6閾值為12時vipmosaicking的背景模型與檢測結(jié)果由圖3-6可知，當(dāng)鏡頭在移動時，基礎(chǔ)的背景差分法已不能完成運(yùn)動目標(biāo)檢測的效果，因為相對于背景模型，整個畫面中所有的像素都是運(yùn)動的。1.2.2幀間差分法幀間差法有多種實現(xiàn)方法，最基礎(chǔ)的有兩幀差法、三幀差法，在此基礎(chǔ)上還有五幀差法[18]、七幀差法等改進(jìn)算法。幀間差法的主要原理是視頻具有連續(xù)性的特點，如果場景中有運(yùn)動的目標(biāo)，相鄰的幀之間會有較明顯的差異，通過對這個差異的辨別來確定運(yùn)動的目標(biāo)。以兩幀差法為例，設(shè)第t幀的圖像為Dx,y,t，第t+1幀的圖像為Dx,y,t+1，對這兩幀的圖像作差分得到ΔDx,y,Δt，由于背景的運(yùn)動量很小，則背景的ΔDx,y,Δt也會很小，前景目標(biāo)的即設(shè)t時間的圖像為It，其下一幀圖像為It+1，那么差分圖像Dx,y=當(dāng)Dx,y=1時，其表示的即為前景目標(biāo)，而當(dāng)圖3-7背景差分法的流程圖圖3-7展示了幀間差分法的基本流程，以兩幀差分法為例，幀間差分直接通過兩幀之間像素的變化來識別運(yùn)動目標(biāo)，因為運(yùn)動目標(biāo)在固定的背景下，整個運(yùn)動目標(biāo)的像素都會整體運(yùn)動，通過對相鄰兩幀作差可以獲得鎮(zhèn)檢查分的結(jié)果，此后對結(jié)果進(jìn)行一定的連通域分析或者形態(tài)學(xué)運(yùn)算可以獲得更好的計算結(jié)果。圖3-8visiontraffic幀間差分法的結(jié)果由圖3-6可以看出幀間差分法能夠較好地識別出運(yùn)動目標(biāo)，其輪廓也較為完整，這是因為幀間差分法對于閾值的要求并沒有背景差分法那么嚴(yán)格。但是幀間差分法所獲得的運(yùn)動目標(biāo)有較多的空洞，僅僅顯示范圍的輪廓，這是因為相鄰幀之間變化幅度較小，大范圍的運(yùn)動目標(biāo)除了輪廓以外，其中心部分被識別為了背景部分。通過改變作差的幀數(shù)如提高到三幀差分，可以改善這一問題。圖3-9visiontraffic兩幀差分法的結(jié)果圖3-10visiontraffic三幀差分法的結(jié)果通過比較圖3-7與圖3-8可以看出，三幀差分法相對于兩幀差分法，獲得的運(yùn)動目標(biāo)空洞減少，識別的準(zhǔn)確度有了一定的提升。但是相應(yīng)的，由于作差的幀數(shù)增大，兩幀之間背景的干擾也會增大，需要適當(dāng)調(diào)整閾值以便減少背景的干擾。圖3-11walker的幀間差分法結(jié)果如圖3-11所示，當(dāng)主要運(yùn)動對象為行人時，幀間差分法也正確識別出了行人，但是“空洞”現(xiàn)象仍比較明顯。圖3-12vipmosaicking的幀間差分法結(jié)果由于幀間差分法的原理是相鄰幀之間作差，因此在移動鏡頭下仍然會有檢測結(jié)果出現(xiàn)，如圖3-12所示，但由于是像素相對于鏡頭的運(yùn)動，因此畫面中的所有物體都被識別為運(yùn)動對象，檢測效果非常差。1.2.3光流法光流是指圖像中亮度模式運(yùn)動的速度，光流場是由光流引申出來的，它指的是景物中可見像素點的三維速度矢量在成像表面投影形成的二維瞬時速度場[19]。通過研究光流場不僅能獲得運(yùn)動的目標(biāo)，還能獲取目標(biāo)的三維結(jié)構(gòu)等信息。圖3-13運(yùn)動場與光流場圖3-13展示了圖像中光源與光流場的關(guān)系，在使用光流來檢測運(yùn)動目標(biāo)上，首先要做的就是光流場的計算，這是實現(xiàn)目標(biāo)檢測的基礎(chǔ)。在理想情況下，光流場等價于運(yùn)動場。根據(jù)光流場基本方程:Ix其中Ix=?I?x，光流法中也分稠密光流和稀疏光流。稠密光流是指將圖像中每個點都與速度建立聯(lián)系，稀疏光流僅指定一組點進(jìn)行跟蹤計算，相比于稠密光流，稀疏光流計算量小得多，不過需要指定的點要有明顯的特征以方便跟蹤計算。其中，稀疏跟蹤方法中最著名的是Lucas-Kanade(L-K)法。圖3-14L-K光流法檢測visiontraffic的結(jié)果1圖3-15L-K光流法檢測visiontraffic的結(jié)果2由圖3-8和圖3-9可以看出，通過光流法準(zhǔn)確識別出了運(yùn)動目標(biāo)的光流場，并且對目標(biāo)有較好的跟蹤能力，所以光流法多用于目標(biāo)跟蹤：對于一個連續(xù)的視頻幀序列進(jìn)行處理，針對每一個視頻序列，利用一定目標(biāo)檢測方法，檢測可能出現(xiàn)的前景目標(biāo)。如果某一幀出現(xiàn)了前景目標(biāo)，找到其具有代表性的關(guān)鍵特征點。對之后的任意兩個相鄰視頻而言，尋找上一幀中出現(xiàn)的關(guān)鍵特征點在當(dāng)前幀中的最佳位置，從而得到前景目標(biāo)在當(dāng)前幀中的位置坐標(biāo)，如此迭代進(jìn)行，便可實現(xiàn)目標(biāo)的跟蹤。圖3-15L-K光流法檢測vipmosaicking的結(jié)果如圖3-15展示，光流法在鏡頭移動的情況下，識別出了移動車輛的光流場，但是仍有大量背景的光流作為干擾被識別為運(yùn)動目標(biāo)。這一情況是由鏡頭轉(zhuǎn)向?qū)е挛矬w相對運(yùn)動造成的。但是相對于背景差分法和幀間差分法已經(jīng)有了一定的識別效果。1.2.4常用的目標(biāo)檢測算法的比較分析以上三小節(jié)對常用的三種目標(biāo)檢測算法進(jìn)行了簡單的介紹，并且對三種算法分別進(jìn)行了仿真實驗并分析。通過比較實驗結(jié)果，可以看出三種算法都有各自的優(yōu)缺點，并且適用范圍也不盡相同。本小節(jié)將對這三種算法進(jìn)行橫向的比較分析。在算法的運(yùn)算量上，由于幀間差分法僅需要對兩幀圖像進(jìn)行作差即可得出結(jié)果，所以幀間差分法的運(yùn)算量最小。背景差分法相對于幀間差分法，多了背景建模這一步驟，不同的背景建模算法也有不同的復(fù)雜度，因此運(yùn)算量較大。光流法在這三種算法之中有最大的運(yùn)算量，每一幀都要參與光流場的計算，因此也獲得了最高的識別效果。在算法的通用性上，光流法能有效追蹤運(yùn)動目標(biāo)的光流場，進(jìn)行運(yùn)動目標(biāo)的識別與提取，因此擁有最高的通用性。而背景差分法和幀間差分法，在背景大幅變化的情況下，由于檢測的本質(zhì)是像素之間的相對運(yùn)動，所以檢測的效果非常差，同比之下更加依賴背景固定的背景差分法，有著最差的通用性，較為適合固定視角下的運(yùn)動目標(biāo)檢測。光流法的優(yōu)點是能檢測所有獨立的運(yùn)動目標(biāo)并且在攝像機(jī)視角運(yùn)動的情況下也能有效，但是缺點也很明顯，當(dāng)沒有運(yùn)動目標(biāo)，而是光照發(fā)生大幅變化時，也會有光流的出現(xiàn)。并且由于算法復(fù)雜度高，實時性比較差，比較適于后期的視頻處理。背景差分法和幀間差分法算法相對簡單、運(yùn)算量小，因此有較高的實時性，可以對獲得的視頻立即處理。背景差分法對背景建模較為敏感，并且需要對背景進(jìn)行實時更新才能獲得最好的效果。而幀間差分法最明顯的缺點就是運(yùn)動目標(biāo)會產(chǎn)生“空洞”，同時三幀差分或以上的差分算法還會產(chǎn)生較大的“拖影”現(xiàn)象，造成檢測出的運(yùn)動目標(biāo)比實際大的效果。1.3基于高斯混合模型的背景差分法通過均值法進(jìn)行背景建模的背景差分法獲得的運(yùn)動目標(biāo)結(jié)果輪廓并不明確，為了對識別的結(jié)果進(jìn)行改善，本節(jié)將通過高斯混合模型來對背景進(jìn)行建模以求獲得更好的檢測結(jié)果。高斯模型是通過高斯概率密度函數(shù)(正態(tài)分布曲線)精確地量化事物，將一個事物分解為若干的基于高斯概率密度函數(shù)(正態(tài)分布曲線)形成的模型[20]。本節(jié)將對基于高斯混合模型的背景差分法進(jìn)行仿真實驗并進(jìn)行分析1.1.1基于高斯混合模型的背景建模圖像的灰度直方圖能形象地反映灰度圖中某一個特定灰度值出現(xiàn)的次數(shù)，也可以看作是圖像某一灰度出現(xiàn)的可能性。如果圖像中包含的前景目標(biāo)和背景的對比度比較大，并且背景區(qū)域和目標(biāo)區(qū)域的灰度有較大的對比度，那么該灰度圖的灰度直方圖就會表現(xiàn)出兩個峰值。在峰值階段之一，表示與目標(biāo)匹配像素信息，另一個峰值所包含的像素則與背景的中心灰度相匹配。對于相對復(fù)雜的灰度圖像，他們的灰度直方圖通常有多個峰值。根據(jù)條形圖的多峰特征作為若干高斯分布的累加，可以處理圖像分割問題。在視頻監(jiān)控系統(tǒng)軟件中，核心內(nèi)容是對運(yùn)動目標(biāo)的檢測。在運(yùn)動目標(biāo)的識別中，背景的建模對目標(biāo)的檢測以及跟蹤尤為重要。該模型恰好是獲取背景目標(biāo)的關(guān)鍵且有效的步驟。混合高斯模型使用K個（通常為3到5個）高斯模型來表示圖像中每個像素的特征。得到新的一幀圖像后，會對原有的混合高斯模型進(jìn)行更新[21]，使用當(dāng)前圖像中的每個像素與混合高斯模型相配對。如果與背景模型相似，則判斷該點為背景點，否則為前景的像素點。在所有高斯模型中，有兩個起決定性作用的參數(shù)：標(biāo)準(zhǔn)偏差和平均值。對于平均值和標(biāo)準(zhǔn)差的學(xué)習(xí)和訓(xùn)練，使用不同的學(xué)習(xí)和訓(xùn)練方式會立即反應(yīng)在模型的可靠性、準(zhǔn)確性和收斂性上上。1.1.2檢測結(jié)果的優(yōu)化與分析通過對前50幀空閑道路圖像內(nèi)容的學(xué)習(xí)，建立三個高斯模型，完成高斯混合模型的背景建模，再通過被檢測幀中的像素點與混合高斯模型進(jìn)行匹配獲得前景的運(yùn)動目標(biāo)。圖3-10被檢測幀圖3-11前景目標(biāo)的檢測結(jié)果由圖3-10和圖3-11可以看出，與一般的背景差分法比較可以發(fā)現(xiàn)，基于高斯混合模型的背景差分法的運(yùn)動目標(biāo)范圍更加清晰完整，識別結(jié)果中，大范圍黑色背景中仍有不少不少被識別為前景的白色像素點，通過對獲得的檢測結(jié)果再進(jìn)行一次形態(tài)學(xué)開運(yùn)算來去噪后獲得更加清晰的結(jié)果。圖3-12進(jìn)行形態(tài)學(xué)開運(yùn)算后的檢測結(jié)果(左)與