静止背景运动目标识别

Moving Object Detection in Stationary Scene

摘要：随着计算机技术的不断提高，智能视频监控技术得到了很好的发展, 过去依靠人力监控视频中出现的人或汽车等既浪费人力物力，又不够准确，很容易发生遗漏，而智能监控就不存在这种问题，只需在程序中设定报警条件即可，能够准确地达到实时监控的目的。现在智能视频监控逐渐应用于城市道路、小区、银行等重要场所及对场景中的异常事件或人的异常行为的监控中, 应用前景广泛，正在逐步取代靠人力来观察视频信息。智能视频监控相比过去常用的靠人来监测的最重要的不同就是识别出需要监控的对象，通常是运动目标的提取。在本文中利用matlab视频处理功能，通过matlab程序来获取视频，使用背景减差法来检测出运动目标提取静止背景中的运动目标，并将结果显示出来，以进行进一步的分析处理。

关键字：视频监控；目标提取；静止背景；matlab；目标识别；背景减差法

基于视频的运动目标主要提取方法

目标检测是计算机视觉的一个重要组成部分，在军事及工业等领域有着重要的应用前景。运动目标的检测方法主要有光流法，差值法。光流法的计算量很大，实时性和应用性较差。而图像差值法比较简单，实时性较好，是目前应用最广泛，最成功的运动目标检测的方法。图像差值法可分为两类，一类是用序列图像的每一帧与一个固定的静止的参考帧做图像差分，但自然场景不是静止不变的，因而必须不断的更新背景。另一类是用序列图像的两帧进行差分，这种方法无法检测出两帧图像中重合的部分，只能检测出目标的一部分信息。在绝大多数视频监控图像应用中，每一个像素都可以用一个或多个高斯模型近似，因此，高斯背景模型是绝大多数目标检测方法常用的基本模型。许多学者对基于高斯混合背景模型的背景消除法作了改进并取得了较好的效果。Stauffer 等人提出了采用自适应混合高斯模型，作为背景统计模型的算法；Power 等人详细的讨论了混合高斯模型，并对模型中的参数选择及更新提出了很好的建议。Monnet 等人在文献[3]中对摆动的树叶，水纹的波动等动态纹理干扰作了深入研究，提出了在线的自动聚类模型来获得并预测场景中的这些变化以减少干扰。然而，由于光照条件的影响，大多数图像都存在阴影，阴影的存在干扰了目标的检测，使检测到的目标与真实的目标形状相差很大，这对后续处理如目标识别、行为判断等会产生很大的影响。混合高斯模型无法消除阴影的干扰，因此找到阴影消除的方法变得非常重要。近年来，提出了很多阴影消除方法，毛晓波提出了基于最大色度差分的阴影检测方法，A. Leone提出了基于纹理分析的阴影消除方法，通过分析纹理信息获取前景目标并消除阴影，取得了较好的效果。

运动目标检测常用的方法一般分为两大类，一种是基于特征的方法，另一种是基于灰度的方法。基于特征的方法是依据图像的特征来检测运动目标，它多用于目标较大、特征容易提取的场合。基于灰度的方法一般是依据图像中灰度的变化来检测运动目标。目前基于视频的检测方法主要有: 基于帧间差分的方法、基于光流场的方法、基于背景差的方法等。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, 具有很强的自适应性。但如果物体内部灰度分布均匀这种方法会造成目标重叠部分形成较大空洞，严重时造成目标分割不连通，从而检测不到目标。

光流场法是基于对光流的估算进行检测分割的方法。光流中既包括被观察物体的运动信息, 也包括有关的结构信息。光流场的不连续性可以用来将图像分割

成对应于不同运动物体的区域。但多数光流法的计算复杂、耗时, 难以满足实时监测的要求。

背景差法是运动检测中最常用的一种方法它将输入图像与背景图像进行比较，直接根据灰度的变化等统计信息的变化来分割运动目标。差分法一般计算量小实用价值大。缺点是受光线、天气等外界条件的影响较大。

N

Y

N Y

图1 程序流程图

1.背景建模

在进行运动检测时，常见的一种情况是摄像机处于静止状态，并且镜头的焦距是固定的，此时，图像中的背景区域固定不动在摄像头固定，也就是在静止背景条件下，背景差分是常用的运动目标检测方法，其基本思想是将当前图像与背景图像相减，若像素差值大于某一阀值，则判断此像素为运动目标上的点，通常的背景差分方法对光线、天气等光照条件的变化非常敏感，运动目标的阴影也常常被检测为运动目标的一部分，这将影响检测结果的准确性。使用背景差法很重要的一步是背景建模，要估计出一个不带有运动目标的背景模型，通过计算当前图像帧和该背景模型的差别来确定运动目标的位置。目前普遍采用的方法是对图像帧中每一个点，用一个统计模型来描述其亮度(颜色)的概率分布，在实际中使用最多的就是正态概率分布即高斯分布。高斯分布分为单高斯分布和多高斯分

布，其区别如下：

(1)单高斯分布[1]

单高斯分布的背景建模是一种静态的区分背景与前景的办法，假定取到n帧图像像素平均值是P，亮度平均值是I，每个图像点的颜色用一个高斯分布近似：

η（x,μn，）(1) x：第n帧图片灰度值

μn:第n帧时背景图片均值

Σn ：第n帧背景图片协方差，当某点观察颜色值与背景分布相差过大(闽值界定)时认为是前景点，否则为背景点。

μ=*(2)

σ=*(3)

通过公式（2）和公式（3），得到均方差后，由得到的值设置一个阈值来区分前景和背景。

(2)多高斯模型[1]

在多高斯分布背景模型中，每个图像点的颜色用多个高斯分布近似。设用来描述每个点颜色分布的高斯分布共有K个，用权值最大的若干高斯分布表示背景。但是它计算量大，难以满足实时要求，在多数场合下，与单个高斯分布的背景模型相比性能并没有显著提高，所以受硬件条件的限制，多高斯模型很少在实际应用中使用，而本例在视频背景亮度短时变化不大的情况下，使用单高斯分布背景模型即可满足任务要求。

输入一段avi格式的视频，转换成数据格式并读取,画出视频的最后一帧的原图：

avi = aviread('video.avi');

video = {avi.cdata};

%读入视频信息

for a = 1:length(video)

imagesc(video{a});

subplot(221)

axis image off

drawnow;