动态场景下运动目标检测方法研究

栾庆磊，朱广，赵为松，汪方斌，毕晓华，薛海波

(1.安徽建筑大学 机械与电气工程学院，安徽 合肥 230601；2.安徽省消防总队，安徽 合肥 230601)

Abstract:The research is carried out on the detection methods of moving targets in dynamic scenes,a popular research topic in the field of computer vision.In the wake of comparison and analysis of pros and cons of such three detection methods as adjacent frame difference,background difference method and statistical model method,there’s a new moving target detection method by combining time-space fusion compensation difference with target smoothing model.Then the motion estimation and motion compensation of such method will be further studied.Finally,the experimental results from its application are analyzed to prove the reliability and accuracy of the research plan.The experimental results show that the new moving target detection method proposed in this paper meets the detection requirements by presenting a clear and complete object contour with satisfactory detection accuracy.

Keywords:moving target detection；dynamic scenes；smoothing model?

0 引言

计算机视觉领域发展迅速，该领域的一项重要研究内容为运动目标检测，经过多年的技术积累，该项检测技术逐渐完善，在空间技术、国防技术、现代工业技术等领域应用比较广泛[1]。目前，我国视频监控方面的研究以静态场景中的运动目标检测为主，很少探究动态场景下运动目标检测方法[2]。所以，动态场景下的检测方法研究仍然需要进一步探究。为了探究动态场景下运动目标检测方法，本文将在众多运动目标检测方法中挑选一种展开实验研究。

1 运动目标检测方法的选取

本次研究将在相邻帧差分、背景差分法、统计模型法3种检测方法中挑选一种作为此次研究的核心方法，并在其基础上做出改进，提出新型运动目标检测方法。

1.1 相邻帧差分

该方法原理如下:假设第1个阶跃边缘信号在第1帧f1位置运动到在第1帧f2位置，对两帧做差分运算，可以得到3条曲线，位于中间的曲线较高位置处便是信号变化位置，依据该原理能够检测运动目标[3]。在实际操作中，如果将前后两帧图像像素做减法运算，观察到像素值相差不是很大，则认为该区域为背景区域，反之，判断图像中物体运动对像素造成影响，标记该位置，最终描绘出运动目标轮廓[4]。

1.2 背景差分法

该方法在静态背景下运动目标检测应用较多，属于图像差分的一种类型[5]。该方法的原理为选取背景帧图像和当前帧图像作为研究对象，对两者做差分运算，得到相应曲线，做出合理分析[6]。与相邻帧差分检测方法相似，找出图像中物体运动对像素造成影响的位置，多个点最终构成目标轮廓。

1.3 统计模型法

该检测方法建立在贝叶斯理论基础上构建运动估计模型，粗略估计运动场[7]。在其基础上，结合马尔可夫随机场理论，创建间断点分布模型，利用该模型检测运动场间断点，多个点最终构成目标轮廓，从而实现运动目标检测[8]。

1.4 方法的选取

为了选取一种适合本次研究的运动目标检测方法，本文对这3种方法的优势和劣势进行分析，统计结果见表1。

通过分析表1中的3种检测方法可知，每一种检测方法都有各自的优势和劣势，在动态背景下检测运动目标的效果不佳，为此，为有效降低摄像机运动产生的不良干扰，实现动态场景下对运动目标的准确检测，本文提出一种新型检测方法，在时空融合的补偿差分检测方法基础上，结合目标平滑模型检测方法，形成新的运动目标检测方法，从而提高检测效果。如图1所示为本文提出的新型运动目标检测方法。

图1 本文提出的新型运动目标检测方法

2 运动估计与运动补偿

为了更好地研究目标检测方法，本文将对一些基本的理论知识进行介绍，包括运动模型、估计参数、运动补偿。将这些理论知识作为下一个章节运动目标检测方法实验探究的研究依据。

2.1 运动模型

全局运动模型的创建需要依据背景特征点完成，通过计算求解背景运动参数，依据参模型的描述内容，构建运动模型[9]。

表1 3种算法运动目标检测方法对比统计表

2.2 估计参数

依据上述运动模型，参数矢量p的求解公式为p=(a,b,c,d,e,f)T。其中，特征点c和特征点f均与平移运动相关，剩余4个特征点与比例变化、旋转运动相关[10]。当前帧点坐标用(x，y)表示，上一帧点坐标用(x',y')表示。因为p只有6个特征点，构建1个方程需要3个特征点，显然，p的精准度较低，无法满足检测要求，而且随机性较强[11]。为了解决这一问题，本次研究采用最小二乘法求解。

假设变量为ζ，关于该变量的随机变量η对应的回归方程如下:

采用最小二乘法对参数a1,a2,…,ak进行估计，要求μ(x;a1,a2,…,ak)与η对应的观测值yi离差平方和降低，达到最小值，并对各个参数进行偏导计算，令该数值为零，可以得到各个参数对应的估计值[12]。

2.3 运动补偿

通过运动参数估计，可以求解全局运动矢量。由于矢量不一定是整数，需要对其采取插值处理。插值方法有很多，本文使用的方法为双线性插值法[13]。

设浮点坐标为(x',y')，与其相对应的像素值为I(x',y')。设i=[x']，j=[y']，其中，参数 i和参数 j均为整数。如图2所示为双线性插值。

图2 双线性插值

在图2中，“●”代表取小于●的最大数值，要求取整。

3 动态场景下运动目标检测实验分析

在运动估计与运动补偿理论知识基础上，本文将对新型运动目标检测方法进行实验研究，通过分析实验结果，验证方案的可靠性。建立背景模型的目的是准确地检测到动态场景中运动目标，降低检测结果的误检率以及漏检的现象。通过总结背景建模方法所涉及的不足之处和基于颜色特征和纹理特征融合的背景建模算法的研宂，利用背景样本集为每个像素点建立纹理特征和颜色特征。鉴于在运动目标检测中阴影和光照的突变问题，论文采用能量算子来描述纹理信息。同时，在利用颜色模型建模时利用归一化后RGB颜色空间三通道值，它对阴影和光照的变化有一定的抑制作用。背景更新时，论文利用类似PBAS背景更新的思想，除了采用一定的概率更新当前的背景样本值，也更新样本的邻域值，这样在很大程度上提高了背景模型的准确性。

3.1 实验目的

本次实验研究，建立在运动估计与运动补偿理论基础上，将时域差分与空域边缘检测融合到一起获取时空信息，在其基础上，结合目标平滑模型，形成新的运动目标检测方法。与其他方法检测效果进行对比，验证方案的可靠性。

3.2 实验方法

本次实验研究将时域差分与空域边缘检测融合到一起获取时空信息，从而去除补偿差分中的背景显示部分，不仅如此，还可以去除背景中含有的边缘，避免上述因素对检测结果造成影响[14]设补偿差分结果为Dk,k-1(x,y)，采用Sobel算子检测边缘结果为Sk(x,y)，经过融合处理后的时空信息结果为DSk(x,y)，则上述公式表达的意识是取补偿差分结果和检测边缘结果的交叉部分作为时空信息结果，从而达到提高检测效果的目的。在其基础上，结合目标平滑模型，形成新的运动目标检测方法。

目标平滑模型的创建是依据空间约束关系原理，考虑到数量较多的像素点会对运算速度造成一定影响，并且比较复杂，不容易计算[15]。为此，本实验将检测结果划分为3个部分，分别是噪声、目标、背景。由于背景占据整个实验结果的面积较大，经过补偿差分处理以后，大部分背景受到抑制，不利于计算流程简化。为了解决这个问题，本次研究以去噪为主，将空间约束关系施加在目标上，构架目标平滑模型，以此简化计算流程，达到提高处理速度的目的。如图3所示为目标平滑模型的创建。

图3 目标平滑模型的创建

因为在虚假目标区域中，目标点分布不均匀，所以，本次研究采用空间约束关系去除虚假目标，使得结果精度得以提升。在对实验参数进行选择时，是以changedetection数据集为依据，并在动态场景“fountaiin01”下，实现对运动目标检测的落实。在进行选择的过程中，是从canoe序列的角度进行模拟，参数min为2，固定参数为0.5，区域R为20，以此为基础，进行试验模拟。

完成模型创建以后，利用min-cut/max-flow算法处理初始结果，生成最终检测结果。

3.3 实验结果与分析

本文选择两组动态场景下的目标进行测试，同时进行四种方法的结果对比，第一组选择手持摄像机对行走中的人进行拍摄，在实际拍摄中发生了缩放、旋转以及平移运动；第二组选择车载摄像机对行进中的艇进行拍摄，背景较为复杂，且该运动为全局运动。按照上述实验方法得到的实验结果如图 4、5 所示，其中，图 4(a)、5(a)为原始图像序列，图4(b)、5(b)为相邻帧差分检测结果，图 4(c)、5(c)为背景差分法检测结果，图4(d)、5(d)为统计模型检测结果，图4(e)、5(e)为本文方法检测结果。

通过对比图4、5中的4种检测效果可知，本文提出的新型运动目标检测方法满足检测效果良好，满足检测要求，较其他检测方法目标轮廓更加清晰，目标完整，检测准确性较高。

图4(a) 原始图像序列

图4(b) 相邻帧差分检测结果

图4(c) 背景差分法检测结果

图4(d) 统计模型检测结果

图4(e) 本文方法检测结果

图5(a) 原始图像序列

图5(b) 相邻帧差分检测结果

图5(c) 背景差分法检测结果

图5(d) 统计模型检测结果

图5(e) 本文方法检测结果

4 总结

本文主要对动态场景下的运动目标检测方法展开研究。通过对比分析相邻帧差分、背景差分法、统计模型法3种检测方法，分析3种检测方法的优劣，将时域差分与空域边缘检测方法融合到一起获取时空信息，在其基础上，结合目标平滑模型，形成新的运动目标检测方法。将新型目标检测方法投入到实践应用中，制定实验方案。通过仿真验证，证明本文提出的新型运动目标检测方法，满足检测要求，目标轮廓清晰，目标完整，检测准确性较高。

虽然此次研究得到的结果验证了方案的可靠性，但是由于笔者自身能力有限，仍然存在很多需要改进之处。例如，目标平滑模型的构建，在处理图像上消耗了过多时间，增加了算法耗时。希望在今后的研究与学习当中，可以对本文提出的研究方案在此方面做出改进。