运动目标检测与识别研究

兰胜坤，余景华

(福建工程学院国脉信息学院，福建 福州 350102)

运动目标检测与识别研究

兰胜坤，余景华

(福建工程学院国脉信息学院，福建 福州 350102)

运动目标检测与识别研究是计算机视觉中最重要的研究领域之一。在目标检测中存在场景动态变化、光照变化等问题，在目标跟踪中则存在目标的遮挡、重叠及目标关联等问题。提出一种有效的运动目标检测方法，较好地解决以上问题。首先利用背景差分方法建立背景模型，再对背景模型进行实时更新，以适应视频本身和光线的变化，最后使用形态学方法消除噪声和运动阴影带来的影响。并对检测到的目标应用区域跟踪技术，引入2个参数，实现跟踪匹配，很好地处理了目标之间的相互遮挡问题。实验结果表明，该方法快速有效，能够满足实时的需要。

视频信息处理；背景差分；目标跟踪；目标检测

0 引 言

运动目标的检测与识别在计算机视觉研究领域起着举足轻重的作用，它不仅有着重要的实际应用价值，也对计算机视觉的其他研究方向有着重要的促进作用。运动目标检测与识别近年来一直是很多学者所研究的重点课题，主要在于其实际应用价值较大[1]，被广泛应用于交通管制、安防、图像压缩等领域。

运动目标检测就是在一段序列图像去除静止不动的区域即背景区域，检测出运动的区域，并尽量减少噪声的影响，以精确得到运动目标[2，3]。运动目标检测的研究内容是指从视频流中按照一定采样速率采取出一系列静态序列，就时间而言这些图像具有一定的时间连续性。运动目标检测的最终目的是从采集到的静态序列中利用检测算法检测有没有变化的区域，如果有，则认为变化的区域就是运动前景区域，并将运动目标从中提取出来。运动目标的识别与跟踪是指从检测到的目标中提取它的图像特征，可提取的特征有图像的直方图、目标的颜色等，并且对提取出来的特征进行匹配识别，最后利用算法对运动目标进行定位。这一过程中处理是分成两个层次的，其中对运动目标的提取是低层次的处理，是图像处理的内容，而对检测到的目标进行识别与跟踪，属于高层次的处理，是人工智能领域的内容[4]。对运动目标的检测是对运动目标识别的基础，也是运动目标跟踪的前提，所以对运动目标的检测结果将对识别和跟踪产生重要的影响。

1 运动目标检测与跟踪算法

在对运动目标检测与跟踪的研究当中，国内外学者提出了很多实用并且有效的检测算法，然而许多方法都是在以下的3种常用的方法中改进而来。运动目标检测算法概括起来主要分为3大类，即光流法、背景差分法和帧间差分法。

1)光流法[5，6]。由于视频中图像是时变的，从视频中提取到的目标是运动的，导致它的图像所对应的亮度模式不停地在变化，这种由于图像亮度模式表现出的表观运动，就是光流。如果说光流表示了图像的运动，它里面应该有人们感兴趣的目标的运动信息，所以可以用光流来确定目标的运动特征。光流中既含有目标物体的运动信息，还包括相关的结构信息。由于光流场具有不连续性，因此可以用来把将要研究的图像分割成对应不同的运动物体的区域。用光流的方法检测运动目标时，由于运动目标的位置是随时间变化的，所以光流也随时间变化，但是在实际应用中，由于物体在运动中会遇到阴影、或者障碍物的遮挡和噪声，造成光流方程条件不满足，从而不能得到正解。此外，大部分光流方法的计算复杂度大，计算量大，并且只能得到稀疏的光流场，实时处理时会造成大的延迟。因此，如果系统对于实时性和精确性要求高的话，一般不建议采用该方法。

2)背景差分法[7]。背景差分法在运动目标检测技术中是一种最常用的、行之有效的方法。它一般是预先选定一帧图像作为背景图像，然后将当前图像与所选择的背景图像对应位置的像素亮度相减，以实现差分运算，这样检测出来的就是运动区域。由于该方法不受运动目标速度的限制，因此能够较完整地提取出运动目标，但是其检测性能与背景图像提取的好坏有很大的关联，并且对光照条件和外部条件造成的场景变化过于敏感，如果在非受控环境下，该算法还需要加入对背景图像的更新机制，并且该方法不适用于背景灰度有很大变化的情况。

3)帧间差分法[8，9]。帧间差分法是目前最常用到的目标检测方法之一，尤其是在背景不变的情况下。它是对视频中相邻两帧图像进行比较，将提取到的相邻两帧图像的灰度值的对应位置相减，得到相邻两帧图像灰度差的绝对值，并且看它是否大于设定的阈值，根据这个判断条件，我们可以得出图像的二值化图像，并以此来分析视频或图像序列的运动特性，确定图像序列中是否有物体运动[10]。这种方法监控的场景中背景是不动的，如果有物体运动时，所提取出来的相邻两帧之间的亮度值就会明显的不同。该方法对动态环境有较好的适应性，如光照或外部条件变化引起的场景不同的情况下，帧间差分法具有良好的适应能力。帧间差分算法中不需要像背景差分法一样提取背景区域，并且差分图像受光线变化影响小，检测的结果有效而稳定，但是运动目标与背景区域图像的灰度值相差不大时，这种方法只能得到运动目标的大概轮廓，并且当运动目标速度快时，会使得运动目标在速度方向上进行拉伸，导致对运动目标特征参数的提取变得非常困难，因此这种方法也有一定的局限性。

2 基于背景差分算法的运动目标检测与跟踪

本文主要分析了背景差分方法在运动目标检测与跟踪中的应用。论文算法的主要流程图如图1所示。

1)视频处理

由于有些视频并不能直接用来输入OpenCV所编程序处理，需要将其转化为无压缩的avi格式。利用软件WinAVI Video Converter，转换为ZJMedia uncompressed RGB24格式。

2)背景建模

利用背景差分方法来求取背景，并实时对背景进行更新。由于考虑到ExhibitionHall.avi视频中运动物体所占场景比例少，运动轨迹为直线，为了处理更简单，这里不刻意区分物体和背景像素点。

3)前景提取

灰度图像的处理比彩色图像的处理过程简单。本研究小组将读入的彩色图像变成灰度图像，并二值化；同样，背景也进行二值化。两者做差值，得到一些离散的黑白点块，也就是要识别的目标。但是，这样得到的块是分散开的，程序并不能完整的把它们识别成一个人形，而是一个本来很完整的人形被分块识别成多个目标。为此，实验组做了一些简单的后处理。先腐蚀元素，去除不必要的杂点，然后进行膨胀块处理，自定义块的大小，使其膨胀成能被识别成一个人形的目标。另外还做了简单的高斯低通滤波，使得到的结果光滑些。其流程图如图2所示。

4)目标检测

根据前景处理的结果，得到一些连续的块目标。利用帧间差，可以提取出目标的轮廓。根据轮廓的位置分布，计算出检测目标的形心和大小，并予以标记。目标检测的流程图如图3所示。

5)目标跟踪

用目标帧间的位移差值计算出运动目标在x、y方向上的运动速度，这个关系可以判断下一帧目标的位置。设置一个合适的阈值，就可以实现目标的跟踪。在此，还引入了重叠判断机制。如果目标重叠，即通过遍历，发现块重叠大于一定阈值后，根据前面得到的位置预测判断当前物块位置；如果不重叠，则遍历这幅图像中的所有物块，寻找临近最优物块，以保持编号连续性。并且在目标跟踪过程中，还进行了Kalman滤波，对目标轨迹进行滤波处理，以消除部分噪声的影响。目标跟踪流程图如图4所示。

3 实验结果与分析

实验是在IntelCore(TM)2硬件平台、以及VS2005下结合opencv1.0库下进行的。

实验结果表明，在背景相对比较固定条件下，背景差分法能够比较准确地从背景区域中将运动目标提取出来，并且对复杂环境有一定的适用能力，该方法对光照的变化也有一定的鲁棒性。同时，也可以看出背景差分法虽然能够从背景中提取出前景运动物体，但如果前景区域的亮度值与背景区域的亮度值比较接近的话，会造成提取的部分像素点丢失。

[1]侯志强,韩崇昭.视觉跟踪技术综述[J].自动化学报,2006,32(04):603-617.

[2]王欢.运动目标检测与跟踪研究[D].南京：南京理工大学,2009.

[3]王孝艳,张艳林,董慧颖,等.运动目标检测的三帧差分算法研究[J].沈阳理工大学学报,2011，30(06):83-85.

[4]王亮,胡卫明,谭铁牛.人运动的视觉分析综述[J].计算机学报，2002,(03):1-16.

[5]Kaew T P,Bowden R.An improved adaptive background mixture model for real-time tracking with shadow detection[A].Proc of 2nd European Workshop on Advanced Video-Based Surveillance System:Computer Vision and Distributed Processing[C].US:Springer,2001:1-5.

[6]Talukder A,Matthies L.Real-time detection of moving object from moving vehicles using dense stereo and optical flow[A].IEEE Conference on Intelligent Robots and Systems[C].US:Springer,2004,4:3718-3725.

[7]Sass G,Loncaric S.Spatio-temporal image segmentation using optical flow and clustering algorithm[A].First Intl Work-shop on Image and Signal Processing and Analysis Croatia[C].IWISPA:2000:63-68.

[8]Doucet A,Gurdon N,Krishnamurthy V.Particle filter for state estimation of jump Morkov linear systems[J].IEEE Trans Signal Process,2001,24:613-624.

[9]Kim J B,Kim H J.Efficient region-based motion segmentation for a video monitoring system[J].Pattern Recogn Lett,2003,24:113-128.

[10]Oliver N M,Rosario B,Pentland A P.A Bayesian computer vision system for modeling human interactions[J].IEEE Transact Pattern Analysis Mmach Intell,2000,22(08):831-843.

[责任编辑：刘守义 英文编辑：刘彦哲]

Detection and Recognition of Moving Objects

LAN Sheng-kun,YU Jing-hua

(Guomai Information College,Fujian University of Technology,Fuzhou,Fujian 350012,China)

Detection and tracking of moving objects is one the most important parts of computer vision and video processing.The difficulties,such as how to deal with dynamic changing scenes,moving objects’overlap and occlusion on detection and recognition effectively are perplexing people.An effective method was proposed to solve these problems.First,an effective detection model of moving object was built,which addressed the problems aforementioned.And then,the background model was updated real-timely in order to accommodate the changes of illumination and others.After that,morphological operation was used to reduce the negative impact of disturbance and noise.Regional tracking technology was applied to detected targets and two parameters were introduced to process the overlapping between many objects.Experimental results showed that the model has a better performance in effectiveness and real-time aspects.

video information processing;background modeling;object tracking;object detection

兰胜坤(1977-)，女，河北定州人，助教，硕士，主要从事通信理论、模式识别方面的研究。

TP 391.41

A

10.3969/j.issn.1673-1492.2015.06.004

来稿日期：2015-09-22