运动目标检测

由于场景的动态变化，如天气、光照、阴影及 杂乱背景干扰等的影响，使得运动目标的检测 与分割变得相当困难。运动检测分为静态背景 和动态背景两类。
常用的方法有帧差法、光流法、背景减除法等。
运动目标检测的预处理
帧间背景校正——首先对相邻帧进行全局运动 估计，补偿当前帧以实现背景校正 背景建模——混合高斯模型建模
运动目标检测的简介 运动目标检测的预处理
帧间背景校正 混合高斯模型建模
运动目标检测的方法 卡尔曼滤波 粒子滤波
运动目标检测的简介
运动目标检测是指在序列图像中检测出变化区 域并将运动目标从背景图像中提取出来。
通常情况下，目标分类、跟踪和行为理解等后 处理过程仅仅考虑图像中对应于运动目标的像 素区域，因此运动目标的正确检测与分割对于 后期处理非常重要。
斯分布的均值向量， i,t 是其相应的协方差
矩阵， 是高斯分布的概率密度函数 。为
了减少计算量，通常假定(R,G,B)三个颜色通
道是相互独立的，并且具有相同的方差，这样，
协方差矩阵Fra Baidu bibliotek有下面的形式：
i,t
2 i,t
I
假设图像中某像素点，在1~t时刻的状态为
X1, X2,..., Xt，权重wi,t 反应了像素点从1~t时间
K
P( X t )
wi,t ( X t , i,t ,
i,t )
i 1
(Xt , i,t ,
i,t )
1
n
(2 ) 2
1
exp{
1 2
(Xt
i,t
)T
i,t 2
1 i ,t
(
X
t
i,t )}
K是是第高i个斯高分斯布分的布个的数权，重一，般去i ,t3是至时5个刻，t第wi个i ,t高
光流法
光流是空间运动物体被观测面上的像素点运动产 生的瞬时速度场，基于光流方法的运动检测采用了运 动目标随时间变化的光流特性，通过计算位移向量光 流场来初始化基于轮廓的跟踪算法，从而有效地提取 和跟踪目标。该方法的优点是在摄像机运动存在的情 况下也能检测出独立的运动目标。然而，大多数的光 流计算方法相当复杂，且抗噪性能差，如果没有特别 的硬件装置则不能被应用于视频流的实时处理。
帧间背景校正
特征点提取
采用经典的Harris算子提取参考帧的特征点，
计算图像亮度I(x,y)在点(x,y)处的梯度： X I (1, 0,1)
Y
I
(1, 0,1)T
构造自相关矩阵
A X 2 w, B Y 2 w, C ( XY ) w
表示卷积算子, w exp((x2 y2 ) / 2 2 )
一个固定的阈值，参数k=0.04~0.06。。减号后面的部分是修正， 目的是抑制边缘点的误检。
特征点匹配
在当前帧找到参考帧中每一个特征点的唯一匹配点。
step1：以特征点pk 为中心，将其领域构造一个尺寸为M N的
模ste板p2图：像在I1当作前为图特像征中窗对应位置处，确定(M+2p) (N+2p)的搜索
段内满足第i个高斯分布的后验概率，X1, X2,..., Xt
中属于第i个高斯分布的观测样本越多，权重 wi,t
就越大，方差 i,t越小。
根据场景中任意点处大部分时间都呈现背景，而运动目标只是短 暂出现的基本认识，对背景进行建模：把
K个高斯分布按照 wi,t i,t
值从大 到小排序，wi,t
i,t
区域 I 2,其中p表示设定的水平和垂直方向最大偏移量
step3：从搜索区域的中心开始搜索，搜索路径采用菱形法，计 算每点的绝对误差和SAD(Sum of Absolute Difference）值，其 计算公式
MN
SAD(i, j) I1(m, n) I2 (m i p, n j p) (i, j p,.....p) m1 n1
滑函数
是高斯平
得到一个二阶实对称矩阵M=[A,C;C,B],必然存在两个特征值
代表2 自相关的主曲率。
和1
，
提取特征点
如果特征值1和2是极大值时，则点(x,y)是一个特征点。
即满足：R det(M ) k • trace2 (M ) T ，其
中，det M 1 2，traceM 1 ，2 这里T是
大者表示有较小的方差与较大的出现概率，说明这些点在1~t时 间段内出现的概率较大，因此这些分布可以作为背景的描述。
从由首权部重选wi取,t 和前阈B值t 个T高斯(0分,1)布决作定为：该B点t 处ar的g背m景in模(型b w，i,t时变T )参数 Bt
b
i 1
运动目标检测的方法
背景相减法 背景相减法是目前运动检测中最常用的一种方法，
帧间差分法是在连续的图像序列中两个或三个相 邻帧间采用基于像素的时间差分并且阈值化来提取出 图像中的运动区域。使用基于时间序列图像上的差分 图像检测运动目标，能够较好的适应环境变化大的情 况，但对于图像序列中运动缓慢的目标其检测效果不 好，难以有效的检测出图像序列中与运动目标相对应 但变化相对较小的像素点，运动实体内部容易产生空 洞现象。
帧间图像补偿
全局运动参数矩阵M代表的是背景的运动，即 摄像系统的旋转、水平和垂直偏移运动。对当 前帧的像素坐标利用M矩阵进行变换，得到新 的坐标，并将原图中像素赋给该新坐标，即可 获取补偿后的结果图像，实现对帧间背景运动 的校正。
混合高斯模型建模
假设图像中的每一点的像素观测值和其他像素
点的观测值相互独立，在某时刻t，设像素点 的观测值为 Xt ，则时刻t观测值为Xt的概率可 以用具有K个高斯分布的混合高斯模型建模：
基本思想是将输入的图像与背景图像或背景模型进行 比较，通过判定灰度特征的变化，或用直方图等统计 信息的变化来分割运动目标。它一般能够提供最完全 的特征数据，但对于动态场景的变化，如光照和外来 无关事件的干扰等特别敏感。传统的背景相减法包括 背景模型的建立，目标决策和背景模型更新三个步骤。
帧间差分法
step4：找出最小的SAD值，则其对应位置为 匹配特征窗，其中心点即为匹配特征点
全局运动参数计算
假定参考帧中点 x, y
T运动到当前帧的位置
xˆ, yˆ
T
则对应的坐标关系为：
xˆ yˆ
m0m1 m3m4
x
y
m2 m5
其中m2和m5表示两图的平移量，m0，m1，m3，m4表示尺度和旋转量， 即为图像仿射变换模型。 将特征点代入，求最小二乘解，求解的目标是使得各特征点的位置误差 达到最小。