運動目標檢測演算法相關概念

原文地址：http://blog.csdn.net/tfygg/article/details/51761855

運動目標檢測演算法的研究

1 幀間差分法

幀間差分法是用來檢測固定攝像頭下的運動物體。該方法利用影象序列中相鄰幀的畫素值之間的相關性，先將影象序列中相鄰兩幀進行相減，然後對得到差值影象進行閾值判斷，進而提取動態前景。設I_t(i, j)代表t時刻的影象，B_t(i, j)為t時刻的背景影象，T為分割閾值，那麼

該演算法優點是計算簡單，適用於簡單場景以及光線變化的場景，但是該演算法過於簡單導致檢測結果精度不高，在連續兩幀的影象中，運動物體容易造成內部空洞現象，同時還會出現偽目標點，導致檢測出的目標要比實際目標大一圈。

2 背景減除法

背景減除是先在不同的應用場景中建立背景，然後檢測出場景中的運動目標的方法，也被叫做背景建模。獲取背景模型的最簡單方法是直接捕獲一副不包含任何移動物體的“乾淨”的背景影象。然而，在實際環境中，這樣“乾淨”的背景是很難被捕捉到的。實際情況中，攝像機捕捉到的每一幀視訊往往都是在變化的，如：變化的光照、運動目標被引入背景或從背景中刪除等。考慮到魯棒性和適應性的問題，研究者們提出了許多不同的背景建模方法。下圖展示了背景減除的基本步驟：

圖2-4 背景減除流程

Fig.2-4 The The process of background subtraction

其中，N表示用來進行背景初始化的幀數，B(t)和I(t)分別表示t時刻的背景影象和當然影象。

一般而言，背景減除都包含了以下步驟：

（1）背景初始化

背景初始化是指從視訊開始的前N幀影象中“訓練”出不包含任何運動目標的背景影象的過程。與背景更新不同的是，背景初始化僅僅完成從視訊第一幀到第N幀的背景建立工作。通常，使用一些相對“乾淨”的視訊幀（不包含運動前景）來“訓練”出高質量的背景。然而，實際環境中，視訊幀往往包含了很多干擾的運動前景。

（2）背景更新

隨著時間的推移，往往會發生光照變化、運動的物體停在背景中，而這些變化都會使背景發生變化。所以，背景更新是至關重要的。不同的演算法都有著不同的背景更新方法，但這一步驟通常涉及到以下幾個問題：

I、更新機制

目前，有全更新、選擇更新，以及模糊自適更新三種背景更新方法。全更新是指更新所有的畫素，如下式所示：

其中，α是學習率，B_t和I_t分別表示背景幀和當前視訊幀。這種方法的主要缺點是，前幀的前景將會被更新到背景模型中，這就導致了背景模型更新的不準確。為了解決此問題，一些學者就提出了自適應更新，即針對當前幀的背景和前景區域，採用不同的更新機制，如下所示：

通常，希望背景畫素更多的參與到背景模型中，而前景畫素採用較慢的更新機制，所以設定 α 值較大，β 值較小。特別的，當 β=0的時候，就是去除掉前景元素，只對背景元素進行更新。這樣就在一定程度上能夠加快背景更新的速率，然而，這種更新機制也存在一定的問題。當前景和背景的提取發生錯誤時，就可能更新為一個錯誤的背景模型。模糊自適應更新機制由於考慮到前景和背景提取的不確定性，所以能夠較好的解決這一問題，但是缺點是計算量較大。

II、學習率

學習率決定了背景模型變化的快慢，可以是固定的數字，或者動態的數字。

III、更新頻率

傳統的背景更新是對每一幀都進行背景更新，但背景往往並沒有任何顯著的變化，所以，有些學者提出了有選擇性地進行背景更新的方法。

（3）目標檢測。

目標檢測就是利用背景模型，將當前幀的畫素標註為背景或前景的過程。對於不同的演算法，其採用的檢測方法也各有不同。

此外，所有背景減除法都涉及特徵尺寸選擇和特徵型別選擇的問題。特徵尺寸的選擇有三種情況：畫素、塊和叢集；而特徵型別的選擇通常也有三種情況：顏色特徵、紋理特徵和幀特徵等。常用的顏色特徵是畫素點的灰度值或RGB值，它們是場景中視覺資訊的最直觀反映，但是兩者都極易受到光照變化的影響，所以，在光線變化的環境中，基於灰度值和RGB值的運動目標檢測方法都會產生大量的誤檢。針對顏色特徵的不足，研究人員又提出了紋理特徵以及幀特徵等，並應用到背景減除法上，有效克服了光線變化場景中的問題。顯然，選擇不同的特徵尺寸和特徵型別，那麼，在特殊情況下（如：光照變化，動態背景等）背景和前景的提取的方式也就不同。

背景減除法優點是：檢測的準確性比較高，實時性較好，並且魯棒性也較好；但是在實際複雜多變的環境中，很難找到理想的背景模型極其更新機制。所以，在近十幾年裡，眾多學者研究出很多背景減除演算法。在本文的第三章，將詳細介紹各種背景減除演算法，並通過實驗進行比較分析。

3 光流法

在非固定攝像頭下的視訊中，背景也是動態改變的，這種情況下對運動目標的檢測就不能採用以上兩種方法，而是採用光流法。由於光流包含了目標運動的資訊，所以，光流場近似於運動場。通常，視訊序列中背景的光流是一致，與運動目標的光流不同，因此，根據光流的不同就可以提取運動目標和背景區域。

如果在t時刻影象點(x,y)的亮度值為I(x,y,t)，而光流w=(u,v)在x與y軸的分量u和v的表示式如下式（2-4）所示，那麼，經dt時間後影象點運動到(x+dx, y+dy)，當dt趨向於0時，I值是不變，可得到式（2-5）。

為了定解光流(u, v)，必須給式（2-6）附加其他約束方程。由於從不同角度引入了不同約束條件，所以，光流的計算方法也是多種多樣的，有微分法、區域匹配法等。其中最經典的兩種演算法為HS（Horn-Schunck）演算法與LK（Lucas-Kanade）演算法。

光流法的優點是：針對運動的攝像頭下的視訊，也可以對運動目標與背景的進行提取。但是，在實際應用中，當複雜性與多變性的外界環境不滿足光流場的約束條件時，就不能正確的求解出光流場；此外，光流法的演算法複雜度高，用於運動檢測實時性差。

4 面臨的問題與難點

目前，雖然有大量的運動目標檢測演算法，但由於實際環境的複雜多變，所以這些演算法並不都是十分的健壯。本文參考了Toyama等人的文獻[28]，將實際環境中的特殊情況^[41-44]歸納總結為以下幾個方面：

（1）模型初始化問題：在背景初始化訓練時期，由於還沒有獲得高質量的背景模型，故常常導致運動目標的誤檢；

（2）偽裝現象：一些運動目標可能與背景極其相似，從而導致運動目標無法正確地與背景區分開；

（3）光照變化：分為光線的突變和漸變。背景模型要能夠適應白天室外環境中光線的逐漸變化；相應的，背景模型也能夠適應突然開啟燈光的室內環境。總之，光線的變化將強烈影響背景模型，極有可能導致錯誤的檢測；

（4）前景空洞現象：當運動目標有大量顏色一致的區域時，這些區域的內在變化可能將導致檢測不準確，使得前景的一些內部區域被錯誤判斷為背景；

（5）動態背景：最常見的就是樹葉的抖動，當然還有水面漣漪、小目標抖動；

（6）突然停滯的運動目標：有些運動物體進入場景後，停在了場景中。顯然，這種情況下的運動目標應該被識別為背景；

（7）陰影：能夠檢測出運動目標的陰影以及背景區域原有的陰影；

（8）噪聲干擾：這種情況基本上屬於由網路攝像頭傳輸或壓縮後的視訊影象而引起的資料質量不高；

（9）相機抖動：在一些條件下，風會引起攝像機的抖動；

（10）相機自調節：目前，很多攝像頭都具有自動控制的功能，如光照控制、白平衡以及放大縮小等功能。

以上分析了很多種特殊情況，其中，最主要的影響是動態背景和光照變化。