先验信息光流法在运动目标检测中的应用

李倩倩，刘彦隆

（太原理工大学通信与嵌入式实验室，太原 030024）

先验信息光流法在运动目标检测中的应用

李倩倩，刘彦隆

（太原理工大学通信与嵌入式实验室，太原 030024）

针对运动目标的智能跟踪检测提出一种基于先验信息的光流检测法。首先，通过利用区域生长法获取的道路先验信息并结合帧差法确定运动目标的大致范围。其次，采用光流法对处理后的图像进行分割，并由形态学方法对进行图像处理后检测出运动目标。最后，基于MATLAB平台对其进行仿真计算。结果表明，该方法克服了传统光流法在运动目标检测中易受干扰的问题，并为军事人员对运动目标跟踪检测提供了有效的辅助。

运动目标智能跟踪检测，光流法，区域生长，先验信息，MATLAB

0 引言

运动目标智能跟踪检测技术是一种对监控视频中运动目标的状况进行跟踪检测、统计和分析的技术。通过运动目标智能跟踪检测技术不仅可以锁定军事侦察领域内的地面运动目标，还可以对当前环境状况进行分析、判断，因此，被广泛研究。

传统光流法对运动目标进行检测存在一些不足。例如：光照的变化会引起光流场的变化，导致检测环境存在大量干扰信息。所以分析运动目标所在的环境、道路结构对目标的检测有着重要的作用。因此，结合道路结构及其先验信息对运动目标进行检测，可以达到去除干扰的目的。

本文提出了一种结合先验信息的光流检测方法，该方法在车辆智能跟踪过程中，首先应用区域生长法获取的道路先验信息初步确定运动目标的大致范围的方法，其次利用光流法对运动的目标进行检测与处理。通过上述方法可以有效地解决传统光流法在现实应用中易受道路环境干扰的问题。

1 光流法检测原理

传统光流法的基本思想是三维空间运动的目标，其三维速度矢量在投影平面上具有二维速度场矢量。此二维速度场不仅包含着被观察物体的运动信息，而且包含着相关景物的三维结构信息。在二维投影面上通过求解光流方程，找到二维速度矢量场，进而重构出三维物体的运动信息，并最终检测出运动目标。

图1 中以x，y，z为坐标系的三维空间中的物体A在以h，v为坐标系的二维空间中具有相应的投影图像B，当空间中的三维物体A运动时，二维平面上投影的图像B也相应产生运动矢量。当存在于三维空间中的物体A以位移矢量d1从位置a1移动到a2点时，在二维投影面的投影B也以运动矢量d2由b1移动到b2，这个位置的相对变化矢量d2就是光流。

给二维图像中的每一个像素点赋予一个速度矢量，形成一个光流矢量场［1］。每帧视频可以看作是一幅图像，引入时间点则像素点P（x，y）的灰度值为I（x，y，t），时间点t+Δt的视频帧为I（x，y，t+ Δt），当Δt→0，则可以认为这两帧中对应的像素点灰度不变。图像的光流场包含两个分量，引入光流的平滑性约束：

利用松弛迭代方程进行求解，令平滑约束项得到最小值，就可以得到该幅图像的光流场［2］：

图像运动以一个像素点为中心的窗口Ω为范围，小空间领域Ω内图像的光照是连续的，光流方程在像素点周围的窗口Ω内均是成立的。假设在小空间领域Ω上运动矢量保持恒定，使用加权最小二乘法估计光流。则在小空间领域Ω上，光流估计误差为：

其中W（x）是窗口权重函数，其使得邻域的中心部分对约束产生的影响比外围部分更大。设：

误差的解可以由式（7）给出：

在某个特定的时刻t的n个点xi∈Ω，有：

于是：

在实际应用中对运动目标利用光流法进行检测时，由于道路上存在大量的标志信息如保护杆、道路白线等，导致当前帧图像梯度计算较大，使得运动目标与干扰物的光流信息无法被分辨，从而无法将运动目标与背景图像区分开来。理论上，传统光流法不需要预先知道场景的任何信息即可检测出运动目标，同时可以很精确地计算出运动目标的速度、方向等运动信息。但传统光流法的缺点在于当外部照明条件发生变化（如室外云彩遮挡天气变化、室内照明变化等），即使目标没有处于运动状态，仍然有光流产生。类似的噪声严重影响了光流法的精确度。另外，光流法所采用的迭代算法计算量大、算法复杂，相应的硬件条件要求也非常高。

图2 展示了传统光流法处理道路上运动目标的效果。在道路白线、保护杆等处由于图像梯度较大，形成了明显且数量众多的干扰信息，在图2中出现的干扰性极强的光流信号，严重影响了目标的识别。可见在运动目标检测中直接应用光流算法存在着明显不足。

3 结合先验信息的运动目标智能检测法

针对运动目标检测应用时直接运用传统光流算法产生的道路信息干扰，本文提出了结合先验信息的运动目标检测方法，将运动目标运行的道路结构化信息作为先验信息检测出来，利用感兴趣区域代替整帧图像进行光流计算，达到减少干扰的目的。算法的流程如图3所示：

3.1 区域生长算法提取道路信息

结构性道路信息主要是指道路上的标识白线以及道路的边界等，提取信息可以通过样本训练的方法训练出道路的描述信息，总结出一种符合人类视觉的知识规则以达到获取道路信息的目的。

使用区域生长算法提取道路信息，是一种基于特征级别的提取算法，从图像特征角度出发，提取出道路信息［3］。考虑运动目标行驶的特点，利用运动目标前部的影像作为种子区，利用图像特征进行区域增长，最终获取整幅图像的道路信息。区域生长过程中对于阈值的选取决定了道路提取的精度，由于道路环境十分复杂，选取固定的阈值全局提取道路信息是一个很大的挑战。为了保证道路提取的准确性，加入相邻帧的视频信息，将获取的道路信息进行特征融合，最终确定道路区域［4］。其算法流程图如图4所示。

区域生长［5］是将整幅图像看作是一个整体区域R，选取种子点通过区域生长的方法。区域生长将R分成若干个子区域R1，R2，…，Rn，具有如下特征：

3.2 帧差法提取车道信息

分析监控视频运动目标运行的区域主要集中在视频的三角区域，确定运动目标所在的区域可以进一步摒除道路信息产生的干扰，如图5所示。蓝线之外的区域均为道路的结构性信息，蓝线之内的区域是运动目标运行的区域，考虑到蓝线内的道路信息可以由区域生长算法提取出来，完全可以消除，在这里可以不作考虑。

帧差图像可以检测到两帧视频中的变化，根据变化提取出目标所在区域，该变化可以反应运动目标的运动历程［7］。根据帧差图像可以大致分辨出运动目标的位置，并且简单地估计运动方向。I（x，y，t）表示为视频序列在t时刻的图形帧，I'（x，y，t+1）表示视频序列在t+1时刻的图像帧，即I帧的下一帧。I'也可以选择与I帧非相邻的图像帧。帧差图像D（x，y，t）定义为：

如果像素点的绝对值差大于某一个阈值，判断其为运动目标的一部分保留；反之，如果小于此阈值则被认为是背景而被去除。I（x，y）为视频中某帧图像的灰度值集合，假设其灰度级L，则视频某帧图像的灰度值取值范围为［0，L-1］。灰度值T为二值化阈值，则图像被分成两个部分，即运动目标obj∈{I（x，y）≤T}和背景back∈{I（x，y）≥T}。为了得到较好的分割效果，必须使目标与背景的类内方差σ1、σ2最小，同时目标与背景类间方差σ12最大。

具体计算公式如下：

方差实质就是灰度分布均匀程度的一种度量方法。类内方差值越大说明在此阈值下分割后的目标与背景的差别就越大，分割效果就越好。类间方差反应的是目标与背景错误划分的程度，类间方差越小，则说明错误划分的概率最小。利用此方法自适应选择阈值，可以使图像找到最佳的阈值从而达到比较好的分割效果。

由此区分、确定图像序列中运动目标的大致位置［7］，如图6所示。

4 实验结果分析与讨论

本文在MATLAB平台上搭建了运动目标的智能检测系统。通过对传统光流法以及先验信息的光流法进行比较，分别从区域生长、帧差法、形态学图像处理等几个方面对其进行优化，具体步骤如下：

首先通过区域生长的方法得到道路的先验信息。本文采用前三帧图像进行道路区域的确认，其结果如图7所示，通过区域生长算法将先验信息提取了出来，从中能明显辨识出现实条件下道路的主要干扰信息，如车道线、护栏等。

其次进行图像差值处理，帧差法得到的帧间差值图像如图8所示，这些差值图像大致确定了运动目标的位置。然而在图像中车道线和护栏位置明显存在干扰信息，在之后的步骤中这些干扰信息将会结合先验信息被有效剔除。

在结合了利用区域生长法获取的道路先验信息和帧差法初步确定运动目标大致范围的方法之后，对图像进行光流法处理，得到如图9的结果。对比直接运用光流法得到的结果，运用改进后的方法得到光流场中的干扰因素得到了有效抑制与减少，使得光流法在运动目标智能检测的应用中具有了现实应用价值。

由图9可以很直观地看到，传统光流法对每帧图像的识别，存在较多的干扰点，在运动物体数量比较多的情况下，干扰点也呈现块状分布，严重影响接下来的数据分析处理。而经过先验信息，干扰点明显减少，个别干扰点也呈离散分布，非常容易剔除。

下页表1列出了传统光流法和先验信息光流法在数据识别中的对比。第1帧图像为在没有运动物体经过时的图像，识别出的数据点大致相同，第2帧是有少量物体经过时，先验信息后可把干扰点有效去除，得到有效数据点的数量为传统光流法的一半；第101帧是有多个物体经过时的识别效果；先验信息光流法平均识别点数比传统光流法减少大约35%，对运动物体的识别正确率提高约40%，改进效果非常明显。

然后对光流场进行形态学处理，如图10（a）所示。由图10（a）可知，对图像进行形态学处理后，可以将目标所在区域很好地标记出来。最后对目标进行识别圈定如图10（b）所示，至此完成运动目标智能跟踪检测功能。

5 结束语

本文在运动目标智能检测领域提出了一种结合先验信息的光流检测方法。该方法首先利用区域生长法获取的道路先验信息，同时结合帧差法初步确定运动目标的大致范围，再通过光流法进行运动目标跟踪检测。通过实验证明了此方法提高运动目标检测的准确率，增强了光流算法鲁棒性，同时对军事侦查领域中的地面车辆及坦克的实时检测和报警有着重要的应用价值。

［1］Horn B K，Schunck B G.Determining Optical Flow［C］// Technical Symposium East.International Society for Optics and Photonics，1981.

［2］Beauchemin S S，Barron J L.The Computation of Optical Flow［J］.ACM Computing Surveys（CSUR），1995，27（3）: 433-466.

［3］Pavlidis T，Liow Y T.Integrating Region Growing and Edge Detection［J］.Pattern Analysis and Machine Intelligence，IEEE Transactions on，1990，12（3）:225-233.

［4］林丽群，肖俊.结合先验知识和图像特征的道路提取方法［J］.计算机工程与应用，2012，47（33）:236-239.

［5］魏国剑，侯志强，李武，等.融合颜色不变量的彩色图像光流估计算法［J］.电子与信息学报，2013，35（5）:12.

［6］杨亚东.光流法在运动目标识别领域的理论与应用［J］.电子设计工程，2013，21（5）:24-26.

［7］Otsu N.A Threshold Selection Method from Gray-level Histograms［J］.Automatic，1975，11（285-296）:23-27.

Based on Optical Flow Method with Priori Information in the Application of Detecting Moving Target Tracking

LI Qian-qian，LIU Yan-long
（Communication and Embedded System Lab，Taiyuan University of Technology，Taiyuan 030024，China）

The paper proposes an improved method that based on optical flow algorithm in moving target tracking detection application.Firstly，it obtain the road priori information which use region growing method and range of moving target which through frame difference algorithm.Secondly，target moving objects is detected that through optical flow algorithm and morphological processing.Finally，through MATLAB platform simulation reveals that the new method overcomes interference problem in moving target detection that exist traditional optical flow method.Meanwhile it is provides the effective auxiliary for military.

moving target tracking，optical flow，priori information，region grow，MATLAB

TP391

A

1002-0640（2015）10-0156-05

2014-08-20

2014-10-10

李倩倩（1987- ），女，山东龙口人，硕士。研究方向：数字图像处理。