监控图像中运动目标检测技术概述

柯善发，阮若林，伍连启，伍聃文

(湖北科技学院 电子与信息工程学院，湖北 咸宁 437100)

运动目标检测是视频监控研究领域中的一个极其重要研究方向，运动目标的快速、准确检测是进行后续识别、分类、分析和跟踪的关键环节和技术基础。它要求从视频监控图像中分割出目标和背景，因为识别、分类、分析和跟踪只对运动目标感兴趣，这样可以使识别、分类、分析和跟踪更快速更有效。下面将对运动目标检测过程中常用到的帧差分法、背景减法、光流法等几种方法进行了研究、分析和比较。

一、帧差分法

帧差分法是基于背景像素点灰度值不变这一原则来检测运动目标的，利用视频流中相邻两帧或几帧图像之间的差异进行差分运算得到差分图像，从而进行目标的检测和提取。在实际应用中，差分就是首先将相邻两帧图像对应位置像素点的值相减，然后对结果取绝对值后形成的灰度图像就是差分图，接着对差分图像进行二值化处理，将差分图中像素点的值与事先确定的阈值进行比较，大于阈值就取“1”，就可以将这些像素标为目标像素，利用目标像素所在区域就可以确定运动目标在图像中的位置；否则就取“0”，可以认为此像素为背景像素。这样就将运动目标提取出来了[1]。

视频信号录制的帧率通常在15-60帧/秒，所以相邻两帧间之间的时间间隔一般都很短，而监控图像背景相对固定，可用上一帧图像作为当前帧的背景，算法简单、计算量小，且实时性好、背景不积累、更新速度快。但是环境噪声对该查分算法的影响较大，关键是如何选择恰当的阈值，阈值过大会造成图像中有用变化部分的丢失，反之，不能较好抑制图像中的噪声。同时，对于拥有大块颜色一致的运动目标，可能会在目标内部产生空洞，导致无法完整地提取运动目标[2]。

在Matlab7.0中实现该帧差分法，并对监控图像进行实验[3，4]，实验结果如图1所示。

从实验结果中可以看出帧差分法提取的运动对象区域并不是完整的，而只是运动对象的一个边界轮廓。同时提取效果与所选两帧之间的时间间隔关系密切，如果运动对象运动速度较快，那么就要使得所选两帧间时间间隔较小，如果选择时间间隔过大，就会出现运动物体在所选两帧中没有重叠部分而导致检测成两个分开的不同物体的现象；反之，如果运动对象运动速度较慢，那么就要使得所选两帧间时间间隔较大，如果选择时间间隔过小，就会出现运动物体在所选两帧中位置几乎重叠而导致检测不到物体现象。

二、背景减法

背景减法是运动目标检测的主流技术之一，也是运动目标检测技术的研究热点。其基本原理是：对于给定图像进行背景建模后，将给定图像与背景模型进行比较，通过利用灰度特征变化或直方图变化来检测和分割出运动目标，主要包括预处理、背景建模和后处理三个部分。其中预处理过程主要有3个作用：第一，对输入的每帧图像进行滤波处理，以消除各种噪声；第二，将每帧图像的尺寸和帧率转换成具体系统及算法所需要的要求；第三，将输入图像数据转换成系统及算法所需要的格式。

背景建模是背景减法的关键，是进行运动目标检测以及背景更新的基础，可以从两个方面评价一个背景模型的好坏：一是能较好适应场景中的一些变化，即具有鲁棒性，二是检测出运动目标的准确性较高。但是视频图像中运动目标出现的位置是不固定的，同时视频图像中外部各种动态场景的会影响到图像背景，所以，背景减法中如何建立与真实背景相吻合的背景模型是关键。基于高斯统计模型的背景图像估计算法是背景建模的常用方法[5]，该算法主要分背景图像初始化和背景图像自适应更新。

背景减法目标检测就是利用检测图像与背景模型差分的方法来检测图像中运动目标，然后通过与设定的阈值进行比较来判定目标像素和背景像素。如果检测图像与背景图像对应像素点差分差值比设定阈值大，就该像素点为白色，即运动目标；反之，则该像素点为黑色，即背景图像。

后处理就是对检测后的运动目标图像进行处理，去除运动目标图像的毛刺和填充可能发生的散点(噪声块、运动区域的空洞和遮挡等)以得到比较真实的前景运动目标。

实验结果说明，基于高斯统计模型提取的图像背景一般比较准确，通过背景差分检测出的运动对象区域也比较完整，而且检测速度也比较快，但是由于高斯背景模型会受到背景扰动、外界光照变化、背景中固定对象的移动、前景阴影等因素的影响，因此，该背景模型并不能用于长期和复杂的场景。[6]

背景模型建立后采用背景相减法获取运动前景图像时，分割阈值的选取是关键。分割阈值取的过大，容易产生漏检，会将原本属于目标对象的像素点看作是背景像素；反分割阈值过小，则会产生误检现象，即将原属于背景的像素点看作是目标点。针对该问题研究人员给出了阈值选取的主要原则：在对比度比较低的区域，阈值应小些，而在对比度比较高的区域，阈值应设高些的原则。但在理想情况下，所设阈值应该随着像素点坐标位置的不同而不同。所以为了取得较好的分割效果，理论上来讲应该为每个像素点设置一个分割阀值，因此需要采用基本自适应阈值分割法[7]。

三、光流法

视觉心理学家认为，当被检测物体和人之间有相对运动时，人们通过物体表面带有光学特性的部分来获得物体运动信息。当摄影机与运动目标之间存在相对运动时，人们所观测到的亮度模式运动就称为光流。光流计算用来确定物体图像点上的运动方向和运动速率，对光流图像的分析研究的直接目标就是确定运动物体。光流是一种抽象概念，是机器视觉计算方法努力追求的典型，在图像的进一步处理中，它表示所需要的与运动相关的亮度变化，这种变化可以用来确定目标的运动情况。因此，利用光流场来提取运动目标必须事先估计出视频图像的运动场，然后根据运动场的运动特征来分割进行运动目标[8]。

光流场的概念是由Gibso于1950年首先提出的，而光流场计算方法是由Horn和Schunck最先提出来的，称之为Hom-Schunck法。光流场计算方法是假定视频图像相邻图像间的时间间隔(即帧率)不大，同时外界光照亮度变化很小的前提下，计算给出了视频灰度图像基本光流约束方程[9]。

从光流的定义可以看出，它包含三方面意思：一是速度场，这是光流形成的必要条件；二是带光学特性的部分(例如有灰度变化的像素点)，它能携带信息；三是成像投影(从场景到图像平面)，因而能被观察到。光流在视觉运动的研究中有很重要的作用。

光流法就是计算视频图像光流场的方法，根据光流场分析图像运动场的变化，并根据这种变化来提取视频图像中的运动目标，计算光流场的方法主要有全局光流法和特征点光流法。Lueas-Kanada法(即L-K法)和Hom-Schunck法(H-S法)是最经典的两种全局光流法，主要原理是在获得全局光流场后，通过比较图像中的运动目标与图像背景之间的运动差异检测运动目标，但是计算量很大；而特征点光流法是通过特征匹配来求特征点处的流速的方法计算机光流场，该算法快速灵活且计算量小，但光流分布稀疏很难精确地提取运动目标的形状。因此，光流法的最大优点是不需要预先知道视频场景中的任何信息就能够检测到运动对象，同时还能较好处理背景运动的情况，但是计算机太大、实时处理难，且受到外界光照变化、噪声、遮挡和阴影等因素的影响[10]。

通过对帧差分法、背景减法、光流法的原理及各自的实现方法的研究分析，可以发现各自的特点及它们之间的差异。

(1)帧差分法是依据视频图像相邻两帧图像间的强相关性和他们之间的差异来检测运动目标，具有算法简单、计算量小实时性好、背景不积累、更新速度快的优点，但帧差分法提取的运动对象区域并不是完整的，而只是运动对象的一个边界轮廓。同时提取效果与所选两帧之间的时间间隔关系密切，因此，帧差分法适合于具有在背景变化小且目标像素点对比度大的图像中检测运动目标。

(2)背景减法是通过对背景建模后根据输入图像与背景模型间的差异来检测运动目标，该方法基于高斯统计模型提取背景准确，对目标像素点的对比度没有要求，检测出的运动对象区域也比较完整，且检测速度快，但是由于高斯背景模型会受到背景扰动、外界光照变化、背景中固定对象的移动、前景阴影等因素的影响，因此，背景减法并不适合于具有长期和复杂的场景的视频图像，一般只适合于背景相对静止的场景的目标检测。

(3)光流法是基于视频图像相邻图像帧率不大且外界光照亮度变化很小的前提下来检测运动目标的，光流法的最大优点是不需要预先知道视频场景中的任何信息就能够检测到运动对象，同时还能较好处理背景运动的情况，但是计算机太大、实时处理难，且受到外界光照变化、噪声、遮挡和阴影等因素的影响，因此，光流法适合于在具有视频帧率相对较小且外界光照变化也不大的视频图像中检测运动目标。

四、结束语

视频图像运动目标检测是智能视频监控领域的重要研究方向，运动目标的快速、准确检测是进行后续识别、分类、分析和跟踪的关键环节和技术基础。它要求从视频监控图像中分割出目标和背景，因为识别、分类、分析和跟踪只对运动目标感兴趣，这样可以使识别、分类、分析和跟踪更快速更有效。帧差分法适合像素点对比度较大的图像；背景差分法对于环境变化较小的图像有较好的提取效果，且能够提取完整的运动目标；而光流法则可用于背景运动的图像，但是这种方法的计算量大而复杂。

参考文献：

[1]陈勇.智能视频监控中运动目标检测技术研究[D].武汉:武汉理工大学，2007.

[2]王勇.基于统计方法的运动目标检测与跟踪技术研究[D].武汉:华中科技大学，2009.

[3]陈景波，陆建明，邬正义.交通场景中多目标的监测与跟踪[J].现代电子技术，2008,15(1):177～180.

[4]高展宏，徐文波.基于MATLAB的图像处理案例教程[M].北京:清华大学出版社，2011.

[5]王丽娟.基于OpenCV与混合高斯建模的运动目标检测[J].电子测试，2009，(9):86～90.

[6]侯宏录，李宁鸟，刘迪迪，陈杰.智能视频监控中运动目标检测的研究[J].计算机技术与发展，2012，22(2):49～52.

[7]J Q.Zang，R.Kleue.Robust Background Subtraction and Maintenance[A].Proc，Intl.Conf Pattern Recognition，2004，(2):90～93.

[8]Yijun Xiao，Bangpin Wang，Xiaochun Lu and Xinrong Jiang.Novel motion object extraction algorithm，Proceedings of SPIE -The international Society for Optical Engineering,v 6786，MIPPR 2007:678646.

[9]李宏，杨延梧，任朴舟等.基于光流技术的复杂背景下运动目标跟踪[J].光电工程，2006，(10):13～17.

[10]Barron J，Fleet D，Beauchemin S.Performance of optical flow techniques [J].International Journal of computer Vision，1994,12 (1):42～77.