运动目标检测算法综述

丁业兵

摘  要：运动目标检测是将感兴趣的动态目标从图像背景中分割出来，主要应用于图像分析和目标跟踪中。该文主要介绍了几种常用经典运动目标检测算法，即基本差分法、高斯模型法和Ada boost检测算法原理，并给出了相应实验结果，最后总结了算法的应用场景和优劣性。

关键词：目标检测  图像分析  差分法  高斯模型法  Ada boost检测法

中图分类号：TP393   文献标识码：A 文章编号：1672-3791（2019）10（c）-0021-03

Abstract： Moving object detection is to separate interested dynamic objects from image background， which is mainly used in image analysis and target tracking. In this paper， several classical moving object detection algorithms are introduced， including the basic difference method， the Gauss model method and the principle of Ada boost detection algorithm. The corresponding experimental results are given. Finally， the application scenarios and advantages and disadvantages of the algorithm are summarized.

Key Words： Object detection; Image analysis; Difference method; Gauss model method; Ada boost detection

随着人工智能的快速发展，基于图像的运动目标检测应用越来越广泛，目标检测是把图像或视频中的特定目标提取出来，以供后续进一步分析[1-2]。视频跟踪，往往是先进行目标检测，再用跟踪算法在视频图像中匹配目标位置，目标检测为目标跟踪服务，目标跟踪也简化了目标检测的难度，目标跟踪也为后续不间断目标检测服务[3]。该文主要介绍了几种常用和经典的运动目标检测算法。

运动目标检测常用的方法有差分法、Adaboost（adaptive boosting）检测法。差分法是基于静态背景模型的方法，差分法有连续图像帧的差分法、背景减法和混合高斯背景模型法。Ada boost检测法是基于先验知识的一种由弱分类级联后得到的强分类方法[4]。

1  差分法

1.1 帧差分法

差分法往往是先将彩色图像转换为灰度图像，再对灰度图像进行差分运算。视频图像序列中连续图像间的差分法是比较相邻图像的对应像素位置的像素大小差别，从而检测出运动目标，运动目标所在位置的像素大小会发生相应变化，非目标的背景区域则保持不变或者变化较小[5]。

相邻两帧图像，第k-1帧图像位置（x，y）处的像素大小是fk-1（x，y），第k帧图像在相同位置处的像素大小是fk（x，y），则相邻图像帧的像素大小之差为：

差分后图像需要进行形态学处理，即膨胀和腐蚀组合在一起的运算[6]，因为差分后会产生孔洞和毛刺，也会因为光线变化影响，产生噪声，采用形态学处理后可以适当消除孔洞和噪声。

膨胀是扩张、扩展操作，设A为“二值化”后的图像，B为对应结构元素，则B对A的膨胀运算为：

1.2 背景差分法

背景差分方法是用当前被检测帧的图像与未出现运动目标的背景图像相减来得到运动目标。设Ak为第k帧图像，B为背景图像，（x，y）为坐标点位置，T是阈值，则采用背景差分后得到的“二值化”图像为：

（7）

背景差分法通常需要选取自适应变化的背景模型，来减少场景和光照变化的影响，较容易实现的方法是使用平均统计方法，即用多幅背景圖像进行累加后再平均。

2  高斯模型法

由于光照等的影响，会使图像背景发生变化，这种发生缓慢且有规律变化的背景，通常采用高斯建模的方法来进行运动目标的检测。

高斯背景建模法通过计算像素点出现的概率大小来判读此位置是属于背景还是前景目标点，高斯模型主要有单高斯模型和混合高斯模型[7]。

3  Ada boost检测法

Ada boost算法是将一种将多个弱分类器自适应的提升为强分类器的方法。Ada boost目标检测算法是基于积分图、级联检测器和Ada boost算法的方法，即可用于静态背景也可用于动态背景，可在摄像头运动情况下较好检测出目标。Ada boost目标检测主要由三大部分组成：第一，使用Harr特征表示目标，通过积分图实现特征值的快速计算;第二，使用Ada boost算法选出弱分类器，按照加权方式将弱分类器构建成强分类器;第三，将训练得到的强分类器串联组成层叠分类器，这种级联结构可以有效提高分类器的检测速度。

4  实验结果

相邻图像的帧差分缺点为相邻帧的目标重叠部分较难检测，重叠部分相似于静态背景，像素大小基本不变，而且容易受到光照等变化，会产生较多噪声点，如果目标在相邻图像内不发生运动变化，则无法检测出目标，相邻图像帧的差分实验结果如图1所示。

背景差分的实验结果如图2所示，背景差分法的优点是不会生成空洞，也不会遗漏目标，能提取出目标完成区域，计算简单，缺点是光照等外界环境影响，会导致产生背景噪声，无法准确检测出目标。

图像的形态学运算能处理运动目标孔洞，消除杂散噪声。闭运算运用于处理图像帧的差分后留下的孔洞和噪声问题，开运算处理背景差分图像的较小噪声和干扰区域，并起到填充运动目标的内部孔洞和平滑边界的作用。

Ada boost人脸检测的实验结果如图3所示，以正面人脸进行分类器训练而得到的检测器，在检测侧面人脸时，会发生漏检情况，某些类似人脸的区域也会被造成错误检测。

5  结语

基于图像的运动目标检测算法已经广泛应用于模式识别等人工智能中，但视频图像容易受到外界环境的干扰，对检测结果产生不确定影响，因而考虑不同的应用环境，选择的相应算法也不同。图像的帧差分法、背景差分法适合于背景环境变化不大的固定摄像头视频目标检测，高斯混合模型法适合于背景有规律变化环境下的静态背景，Ada boost算法适合能应用于动态背景，但要进行样本分类训练，对于训练效果好的目标提取效果更好。

参考文献

[1] Gary Bradski，Adrian Kaehler，著.学习OpenCV（中文版）[M].于仕琪，刘瑞祯，译.北京：清华大学出版社，2009.

[2] 史忠科，曹力.交通图像检测与分析[M].北京：科学出版社，2007.

[3] 李培华.序列图像中运动目标跟踪方法[M].北京：科学出版社，2010.

[4] 卢荣，宋权予，周春晖.基于Adaboost算法的人脸检测学生考勤系统的研究与应用[J].科技资讯，2017（10）：221-222.

[5] 张应辉，刘养硕.基于帧差法和背景差法的运动目标检测[J].计算机技术与发展，2017（2）：25-28.

[6] 郭文强，侯勇严.数字图像处理[M].西安：西安电子科技大学出版社，2009.

[7] 马德智，李巴津，董志学.基于高斯混合模型的运动目标检测方法研究[J].电子测量技术，2013（10）：47-50.