基于视频信息运动目标分析研究综述

基于视频信息的运动目标分析研究综述

摘要：合理地处理视频信息，并从中得到有用的信息，已经成为了目前研究的一个热点。对于视频信息中运动目标的分析一般从运动目标检测和运动目标跟踪两方面进行。本文分别对这这两方面的现有的算法和问题进行了深入探讨，比较了相关方法的优缺点。在最后的部分，讨论了运动目标分析技术发展的趋势。

关键词：图像处理；计算机视觉；运动目标检测；运动目标跟踪中图分类号：tp391 文献标识码：a 文章编号：1007-9599 （2012）24-0036-03

1 引言

近年来，视频监控系统被广泛地应用在日常生活的各个领域。在很多情况下，大量视频仅在危险发生后才会被调用以审查其内容，这种做法会导致大量的视频信息浪费。正是在这种情况下，对视频信息的进行智能分析成为了一个重要的研究热点；尤其是在无人操作的情况下，自动通过对所采集到的视频内的运动目标的行为作分析，从而采取预警、报警等相关反应。对运动目标的行为分析一般都是由运动目标检测、运动目标跟踪、目标分类、行为理解与描述、多摄像机数据融合等多个方面组成。目前，基于视频信息的运动目标行为分析中最基础的两个问题就是是运动目标检测和运动目标

跟踪。虽然有关学者做了较多的研究工作，但由于目标所处场景的复杂性，以及目标本身可能发生的姿态变换、缺损、模糊和遮挡，及视频受天气，光照、阴影等自然条件和人为干扰的影响，使得目

标检测和跟踪技术仍是一个相当困难、有待深入研究的课题。

2 运动目标检测方法

对于基于视频信息的分析技术来说，准确高效的从大量视频信息中提取出有效的运动目标，是进行可靠分析的重要基础。目标检测就是在序列图像中将变化的区域从背景区域中区分出来的过程。在这个过程中存在许多干扰因素，例如：背景扰动，光照条件的变化，背景的选取和阴影的影响等等。为了解决这些干扰，不同的学者提出了各自不同的方法。其中最常见的方法有：光流法，背景减除法和帧间差分法。

2.1 光流法

光流法的基本原理是对于图像中的每个像素点都赋予一个速度

矢量，使之形成了一个图像运动场。在运动的每个特定时刻，图形上的点与三位物体上的点一一对应，这种对应关系可由投影关系得到，根据各个像素的速度矢量特征，可以对图像进行动态分析。

光流法的不仅能够在不知道场景的条件下检测出独立的运动目标，还能适用于动态背景，但由于其计算量大、易受噪声影响等缺点，所以学者们对光流法的改进也在不断进行中。张泽旭等[1]将canny算法和光流法结合起来，利用图像分割和canny算法得到目标区域的边缘图，再使用光流场中的流速值完成分割图和边缘图的融合，从而得到完整的运动目标；施家栋等[2]将光流法和肤色融合方法结合起来用于人体运动检测，通过对视频图像序列进行光流分析，以确定目标的运动区域，与此同时，基于马氏距离检测出肤

色区域，然后将光流分析和肤色区域所得到的信息进行数据融合，从而达到分割出人体的运动区域的目的。

2.2 背景减除法

背景减除法是目前在运动目标检测中使用最广泛的算法，其基本思想是利用背景的参数模型来近似背景图像的像素值，将当前帧与背景图像进行差分比较实现对运动区域的检测，区别较大的像素区域被认为是运动区域，反之则被认为是背景区域。背景减除法的实现必须要有背景图像，由于背景图像是随着光照或外部环境的变化而实时变化的，因此背景减除法的核心是对背景建模以及实时更新。研究人员已提出了多种背景建模算法，bohyung han等[3]提出的一种基于密度的多特征背景减除方法，通过使用支持向量机的方法对每个像素的颜色、梯度、haar-like特征的特征值进行融合从而实现对它时间空间的处理。通过这种方式和有效的核密度估计来产生背景模型，从而实现对目标物体的检测。而在国内，刘丁等人[4]提出用pic算法对背景进行重构，从而达到目标检测的目的。根据图像序列中出现频率最高的像素均值为背景点的思想，对像素灰度归类算法进行改进，将所选取的用于重构背景的序列图像像素值进行归一化、量化统计、量化范围等拓展，从而重构背景图像，从而实现对运动目标的检测。

2.3 帧间差分法

帧间差分法是一种通过对视频图像序列中相邻两帧或多帧作差分运算来获得运动目标轮廓的方法。当监控场景中出现物体运动

时，连续帧之间会出现较为明显的变化，各帧相减，得到图像亮度差的绝对值，判断它是否大于阈值来分析视频或图像序列的运动特性，以确定是否有物体运动。该方法可以很好地适用于存在多个运动目标和摄像机移动的情况。

此外，由于其算法实现简单，复杂度低；对光线等场景变化不太敏感，能够适应各种动态环境的优点，帧间差分法也被广泛应用于科学研究和实际应用中。例如zhan chaohui等[5]将边缘检测和帧间差分法结合起来。新算法先对连续图像做边缘检测，从而得到相邻两帧边缘化后的差，再得到的图像分成几个小块，确定小块所属区域，在根据块连接组件的原理，标记得到的包含运动目标最小矩形以完成检测。而在智能交通系统的实际应用中，li，qiu-lin等[6]将三帧差分和二维交叉熵阈值分割法结合起来，用于移动车辆的检测。他们通过三帧差分法从序列图像中检测到移动目标，再通过二维交叉熵阈值分割的方法进行处理，从而提取出完整的移动车辆的图像。

在实际生活中，上述三种常用算法经常被结合起来使用。例如孙承志等[7]将背景差分法和光流法结合起来，用背景差分法对图像进行预处理之后使用光流法对预处理的结果进行计算。改进后的算法在继承之前两者的优势的同时，可以更有效的提高运动目标跟踪的实时性，同时具有更好的系统稳定性。

在上述所说的方法之外，近年来，随着人工智能算法的快速发展，我们可以看到在目标检测领域，出现了更多与智能算法相结合的新

型方法。例如丁莹等[8]就提出了一种基于choquet模糊积分的运动目标检测算法。该方法将模糊测度和模糊积分理论应用于运动目标与背景分类中，提出了自适应阈值的choquet积分算法，实现了图像的颜色特征和纹理特征相融合；选择ycbcr颜色空间代替传统rgb空间，将图像亮度与色度分离，降低了光照变化对运动检测的影响；利用局部二元模式纹理特征对亮度级的单调变化具有不变性的特点，将其融合到检测算法中，有效抑制了阴影的干扰.而和硬件的结合也是一种实现运动目标检测的方法，上海交大的rongxing duan等[9]在基于 tms320dm643（dm643）芯片的基础上开发了一个用于目标检测的嵌入式系统。将一种基于改进的高斯混合模型的检测算法集成到dsp芯片上。

3 运动目标跟踪

对得到的目标进行跟踪观察是进行行为分析的必要条件。运动目标跟踪就是利用目标特征与在序列图像中检测出的区域进行匹配，得到目标在每一帧的位置和姿态。对运动目标跟踪算法的研究主要为了提高对运动目标的搜索速度和提高目标匹配的准确性。根据跟踪方法的不同，大致可分为基于mean shift的目标跟踪方法、基于粒子滤波理论的目标跟踪方法和基于偏微分方程的目标跟踪方法。各种跟踪方法在实时性，鲁棒性，目标匹配精度和目标分割准确性方面各有侧重，相互制约。

3.1 基于mean shift的目标跟踪方法

mean shift算法是一个迭代的过程，它先算出当前点的偏移均值，