推荐星级：
- 1
- 2
- 3
- 4
- 5
动态背景下基于光流场分析的运动目标检测算法
资料介绍
针对现有动态背景下运动目标检测算法的不足,提出一种基于光流场分析的运动目标检测算法.首先根据前背景在光流梯度幅值和光流矢量方向上的差异确定目标的大致边界,然后通过点在多边形内部原理获得边界内部的稀疏像素点,最后以超像素为节点,利用混合高斯模型拟合的表观信息和超像素的时空邻域关系构建马尔可夫随机场模型的能量函数,并通过使目标函数能量最小化得到最终的运动目标检测结果.该算法不需要任何先验假设,能够同时处理动态背景和静态背景两种情况.多组实验结果表明,本文算法在检测的准确性和处理速度上均优于现有算法.
部分文件列表
| 文件名 | 大小 |
| 动态背景下基于光流场分析的运动目标检测算法.pdf | 525K |
部分页面预览
（完整内容请下载后查看）物 理 学 报 Acta Phys. Sin. Vol. 66, No. 8 (2017) 084203
∗
动态背景下基于光流场分析的运动目标检测算法
崔智高1)2)† 王华1) 李艾华1) 王涛1) 李辉1)
1)(火箭军工程大学, 西安 710025)
2)(清华大学自动化系, 北京 100084)
( 2016 年 10 月 21 日收到; 2017 年 1 月 24 日收到修改稿 )
针对现有动态背景下运动目标检测算法的不足, 提出一种基于光流场分析的运动目标检测算法. 首先根
据前背景在光流梯度幅值和光流矢量方向上的差异确定目标的大致边界, 然后通过点在多边形内部原理获得
边界内部的稀疏像素点, 最后以超像素为节点, 利用混合高斯模型拟合的表观信息和超像素的时空邻域关系
构建马尔可夫随机场模型的能量函数, 并通过使目标函数能量最小化得到最终的运动目标检测结果. 该算法
不需要任何先验假设, 能够同时处理动态背景和静态背景两种情况. 多组实验结果表明, 本文算法在检测的
准确性和处理速度上均优于现有算法.
关键词: 动态背景, 运动目标检测, 光流场分析, 马尔可夫随机场模型
PACS: 42.30.Tz, 07.05.Pj, 02.50.–r
DOI: 10.7498/aps.66.084203
值化分割, 从而获得具有稳定外观和持续运动的假
设组, 最后使用已被排序的假设组得到所有帧像素
级的目标检测结果, 该算法的不足之处在于其准确
率对物体的外观假设和位置先验依赖较大; Li等 [9]
通过条件随机场模型将利用像素点运动轨迹获得
的目标内部稀疏像素点进行有效集成, 算法不需要
通过任何训练数据来获取先验知识和条件假设, 能
够鲁棒处理前景目标形状和姿态的任意变化, 但是
该方法在运动轨迹稀疏区域会出现大块的误检测;
Zhang 等 [10] 首先根据运动目标的空间连续性和运
动轨迹的局部平滑性建立目标样本集, 然后利用所
有的目标样本集建立层状有向无环图, 图中最长的
路径满足运动评分函数最大且代表了可能性最大
的目标样本, 最后这些目标样本被用于建立目标和
背景的混合高斯模型, 并利用最优化图割方法求解
模型获取准确的像素级分割结果, 该算法要求每一
环节中的参数设置都必须准确合理, 一般在实际场
景检测中较难实现; Elqursh 和 Elgammal [11] 提出
了一种基于轨迹聚类分析和颜色模型迭代学习的
运动检测方法, 其中作者在使用运动轨迹时未用到
1 引
言
运动目标检测是指从视频序列中提取出感兴
趣的运动物体或区域, 是后期实现目标跟踪、行为
分析的基础 [1−3]. 在实际应用中, 根据摄像机运动
与否, 可分为静态背景下和动态背景下的运动目标
检测两类: 应用于静态背景下的运动目标检测方法
主要有帧差法和背景差分法 [4,5]; 而动态背景下由
于摄像机的不规则运动会造成背景和前景目标的
相对运动, 给目标的检测带来了非常严峻的挑战.
因而致力于研究摄像机运动下的目标检测方法具
有非常重要的意义 [6]
.
动态背景下的运动目标检测方法主要分为基
于背景补偿的方法、基于初始背景模型构造的方法
和基于运动线索的方法三类 [7], 其中第三种是当前
的主流方法和研究难点, 此类方法一般以视频序列
获得的像素点运动轨迹作为运动线索的基本载体.
例如: Lee 等 [8] 首先根据像素点运动轨迹确定类似
目标的候选关键区域, 然后计算候选关键区域的二
∗
†
国家自然科学基金 (批准号: 61501470) 资助的课题.
通信作者. E-mail:
© 2017 中国物理学会 Chinese Physical Society
084203-1
物 理 学 报 Acta Phys. Sin. Vol. 66, No. 8 (2017) 084203
未来信息, 即轨迹是在线延长的, 因此在视频序列
标 (u, v) 处的光流场矢量可表示为 ft(u, v), 其中
1 6 t 6 N − 1. 本文把获得的光流场分为两类: 由
摄像机运动产生的背景光流场和由运动物体产生
的目标光流场. 本节将通过对光流梯度幅值和光流
矢量方向的分析, 获得背景光流场和目标光流场的
大致边界.
的初始阶段, 由于运动轨迹缺乏足够的运动信息,
容易造成聚类错误并影响后续的颜色模型学习和
前景背景分割; 高文等 [12] 将目标检测问题视为一
种更普遍的二分类问题, 并利用 1 bit BP 特征通过
三个级联分类器实现运动目标检测, 该算法对摄像
机微小晃动、背景模糊等复杂情况具有良好的检
测效果, 但在背景剧烈变化时检测精度较低; 崔智
高等 [13] 首先利用多组单应约束对背景运动进行建
模, 然后通过累积确认策略实现前背景轨迹的准确
分离, 最后将轨迹分离信息和超像素的时空邻域关
系统一建模在以超像素为节点的马尔可夫随机场
模型中, 求解模型得到最终的前背景标记结果, 该
算法的计算复杂度较高, 并且在前背景的边缘区域
会出现较大的误检率.
众所周知, 像素点运动轨迹的提取基于帧间获
取的光流场 [14,15], 即首先求得帧间光流场, 然后利
用匹配方法 [16−18] 获得像素点之间的匹配对应, 因
此若直接以帧间光流场作为运动线索的基本载体,
则可以有效避免匹配过程中的误差累积和时间消
耗. 基于上述思想, 本文提出一种基于光流场分析
的运动目标检测方法. 算法首先利用光流的梯度幅
值和矢量方向确定前景目标的大致边界, 然后根据
点在多边形内部原理获得边界内部的稀疏像素点,
最后以超像素为节点构建马尔可夫随机场模型的
目标能量函数, 利用混合高斯模型构建数据项, 利
用超像素时空邻域关系构建平滑项, 并通过使目标
函数能量最小化得到最终的运动目标检测结果. 本
文所提算法不需要物体运动和场景估计的先验假
设, 并且在静态场景和动态场景下均能实现准确、
鲁棒的运动目标检测.
2.1 光流梯度幅值确定边界
尽管目标运动和背景运动具有较大差异性, 但
目标内部像素点的运动或者是背景内部像素点的
运动则具有高度一致性, 具体表现在目标与背景边
缘区域光流矢量梯度的幅值是较大的, 其余区域则
接近 0. 因而可通过设置合适的阈值, 将梯度幅值
超过阈值的像素点确定为边界点. 基于上述分析,
本文引入目标边界强度系数smt (u, v) ∈ [0, 1],
eη ·∥∇f (u,v)∥ − 1
m
t
stm(u, v) =
,
(1)
eη
m·∥∇ft(u,v)∥
其 中, ∥∇ft(u, v)∥ 表 示 像 素 点 ft(u, v) 的 光 流 梯
度幅值, ηm 表示将 stm(u, v) 控制在 [0, 1] 范围内的
参数.
2.2 光流矢量方向确定边界
背景内部像素点或目标内部像素点的光流矢
量方向基本趋于一致, 而在背景与目标的边界区
域, 光流矢量方向的差异则较为明显. 因此, 可将当
前像素点的光流矢量方向与其8邻域像素点的光流
矢量方向做比较, 获取最大的夹角值, 并将夹角超
过阈值的像素点确定为边界点. 基于上述分析, 本
文引入另一个目标边界强度系数sta(u, v) ∈ [0, 1],
eη ·max θ(f (u,v),Φ (u,v)) − 1
a
t
t
sta(u, v) =
,
(2)
eη ·max θ(f (u,v),Φ (u,v))
a
t
t
2 基于光流梯度幅值和光流矢量方向
其中, max θ (ft(u, v), Φt(u, v)) 表示像素点 ft(u, v)
与其 8 邻域像素点集合 Φt(u, v) 的最大夹角, ηa 表
示将sat (u, v) 控制在[0, 1] 范围内的参数.
一般情况下, 利用上述的其中一种强度系数即
可实现目标边界的检测, 但在实际场景中往往存在
各种噪声的干扰. 为了提高鲁棒性, 本文将光流梯
度幅值确定的边界和光流矢量方向确定的边界进
行融合处理, 并通过阈值判断得到目标边界的二值
的目标边界检测
对于摄像机运动的场景, 背景所对应的光流场
是由背景运动产生的, 而目标所对应的光流场则是
上述运动与场景中目标运动叠加产生的, 二者的光
流矢量存在着较大差异, 因而可通过对光流矢量的
分析确定背景与目标的大致边界.
基于上述思想, 本文提出了一种基于光流梯
度幅值和光流矢量方向的目标边界检测方法. 首
先利用文献 [19] 提出的算法计算视频序列的光流
场, 若视频序列包括 N 帧图像, 则第 t 帧图像坐
图, 如下式所示:
1, smt (u, v) · sat (u, v) > η,
0, 其他,
st(u, v) =
(3)
084203-2
全部评论(0)