运动目标检测与跟踪算法的研究进展.pdfVIP

运动目标检测与跟踪算法的研究进展

0引言

人类感知的环境信息大多是通过视觉获得的，而在接受到的所有视觉信息中，人们又往往对动态信息更感兴趣。随着多媒体技术的发展，人们正在

接触越来越多的视频信息。一方面，要获得较高压缩比来存储这些信息，另一方面，需要对感兴趣的区域或对象进行操作[1]。因此对视频图像中

运动目标的提取、分类识别和跟踪，已成为对运动目标的行为进行理解和描述视频图像中动态信息的主要内容。

运动目标的检测与跟踪在技术上融合了计算机视觉、视频图像处理、模式识别和自动控制等相关领域的知识[2]。运动目标的检测与跟踪是视频技

术的一个重要研究方向，其应用十分广泛。在交通流量的监测、安全监控、军事制导、视觉导航，以及视频编码中都有涉及。目前，运动目标的检

测与跟踪已经取得了很多成果，并且不断有新技术、新算法涌现。但是，在实际环境中，由于自然环境的复杂（光照、气候的变化等），目标的高

机动性，干扰了目标检测与跟踪，造成检测不准确且跟踪效率不高。因此，研究改进运动目标检测与跟踪算法有很现实的意义和应用价值。

1运动目标检测常用算法

运动目标检测就是从视频图像中将变化的区域从背景中提取出来，此类算法依照目标与摄像机之间的关系可以分为静态背景下运动检测和动态背景

下运动检测。静态背景下只有被监视目标在摄像机的视场内运动；而动态背景下摄像机也发生了运动，这个过程就产生了目标与背景之间复杂的相

对运动，造成动态背景下的运动检测和跟踪难度很大。目前对于动态背景下运动检测和跟踪的研究较少，因此本文暂不涉及运动背景下的运动目标

检测与跟踪。在静态背景下，运动目标检测主要算法有三种：帧间差分法、背景差分法和光流法。下面分别对这三种算法进行分析。

1.1帧间差分法

帧间差分法[3]的基本原理就是相邻帧的图像对应像素点的灰度值相减，通过差分图像进行二值化处理以确定运动目标。帧间差分法的主要优点

是：算法实现简单，程序设计复杂度低；不存在背景的获取、更新和存储的问题；对场景中光线的变化不太敏感，实时性好。但在实际环境中，当

目标运动速度过快时，容易产生空洞，也可能把一个运动目标分割为两个或者多个，并且运动目标的获取存在着模糊的边缘。

针对帧间差法存在的问题，人们提出了很多方法改进，如采用三帧差分法、加入颜色信息进行判别等。例如Shahinfard等提出对相邻5场的视频序

列作差分处理，并且综合视频序列的RGB分量信号进行运动检测[4]。因此，该方法即适用于高速运动目标，同时也适用于低速目标。针对光线变

化的环境，Crnojevic等提出将小波变换加入差分算法中[5]，取得了较好的效果。聂?等提出了一种复合差分算法，利用两次差分之间的相关性来检

测运动目标，并且将前景像素面积作为判别目标漏检程度的依据，有效的减少了目标漏检[6]。

1.2光流法

光流是空间运动物体在观测成像面上的像素运动的瞬时速度。物体在光源照射下，其表面的灰度呈现一定的空间分布，称之为灰度模式。当人的眼

睛观察运动物体时，物体的景象在人眼的视网膜上形成一系列连续变化的图像称之为光流。光流表达图像的变化，包含目标运动的信息，可用来确

定目标的运动。光流算法评估了两幅图像的之间的变形，它假设一个物体的颜色在前后两帧没有巨大而明显的变化。基于这个思路，我们可以得到

图像约束方程。不同的光流算法解决了假定了不同附加条件的光流问题。Horn和Schunck于1981年创造性地将二维速度场与灰度相联系，引入

光流约束方程，得到光流计算的基本算法[7]。Lucas和Kanade同年提出了LK光流算法[8]。

虽然光流携带了有关物体运动和景物三维结构的丰富信息，在实际应用中，由于遮挡、多光源和噪声等原因，使得光流方程的灰度守恒假设条件得

不到满足，不能正确的解出光流场；同时大多数的光流计算方法相当复杂，计算量大，难以实时应用，因此在对实时性要求较高的监控系统中一般

并不采用这种算法。因此减少光流算法的运算复杂度是应用光流法的关键。为此，戴斌等人提出了最优估计的点匹配技术和光流均匀采样策

略[9]，同时进行运动目标的检测和跟踪，并能在一定程度上解决光流技术中的计算量和信息量的矛盾。为改善HS算法中最小均方差迭代的最终收

敛点产生的偏移，桂本烨等提出了新的能够循环求精的梯度算法[10]，并将该算法与多分辨率光流算法结合，提高了算法的鲁棒性和准确度。

而LeeYeeSiong等人更是将HS和LK算法作了整合，并且进行了滤波处理[11]，收到了较好的结果。

1.3背景差分法

背景差分法又称减背景法，是一种最基本、应用最广泛的