智能視頻監(jiān)控中運(yùn)動(dòng)目標(biāo)檢測(cè)技術(shù)

1、科協(xié)論壇 2007年第 7期 (下 技術(shù)與應(yīng)用法和國(guó)標(biāo)法對(duì)過(guò)氧化值 (I2% 進(jìn)行多次平行測(cè)定 , 結(jié)果見(jiàn)表3, 由表中結(jié)果可以看出 , 本方法與國(guó)標(biāo)法無(wú)顯著差別。表 3本方法與國(guó)標(biāo)法比較 (n=56結(jié)論采用可見(jiàn)分光光度法對(duì)油脂過(guò)氧化值進(jìn)行測(cè)定 , 方法簡(jiǎn) 便 , 試劑用量少 , 污染小 , 精密度好 , 準(zhǔn)確度高 , 適用于過(guò)氧化 值較低的油脂樣品的測(cè)定。樣品編號(hào)0.07210.1680.03040.04201引言隨著社會(huì)安全事件接連不斷地發(fā)生 , 視頻監(jiān)控系統(tǒng)作為 一種安防的有效手段 , 在許多方面得到了廣泛的應(yīng)用。然而 傳統(tǒng)的數(shù)字視頻監(jiān)控系統(tǒng)僅僅提供了視頻的捕獲、存儲(chǔ)、 分 發(fā)等簡(jiǎn)單的功

2、能 , 對(duì)視頻內(nèi)容只能靠人來(lái)判斷 , 不能主動(dòng)提 供監(jiān)測(cè)信息。智能視頻監(jiān)控則能通過(guò)自動(dòng)地、 實(shí)時(shí)地分析所 監(jiān)控場(chǎng)景的視頻圖像序列來(lái)發(fā)現(xiàn)場(chǎng)景中的活動(dòng)目標(biāo) , 并識(shí)別 和跟蹤目標(biāo) , 給出信息反饋以及不正常現(xiàn)象的警報(bào)等。 因此 , 從一個(gè)視頻序列中檢測(cè)動(dòng)態(tài)目標(biāo)是視頻監(jiān)控的首要的任務(wù)。 通常 , 背景物體的特征應(yīng)為一段時(shí)間固定不變的物體 , 運(yùn)動(dòng) 物體為移動(dòng)或短暫出現(xiàn)的物體。 然而 , 在實(shí)際環(huán)境中 , 由于背 景圖像 的 動(dòng) 態(tài) 變 化 , 如 天 氣 、光 照 、 影 子 及 混 亂 干 擾 等 的 影 響 , 運(yùn)動(dòng)目標(biāo)的檢測(cè)成為一項(xiàng)相當(dāng)困難的工作。本文主要討論分析了目前常見(jiàn)的幾種檢測(cè)運(yùn)動(dòng)目標(biāo)的

3、 技術(shù)的特點(diǎn)與不足 , 提出了基于顏色和紋理特征的運(yùn)動(dòng)目標(biāo) 檢測(cè)法。2相關(guān)技術(shù)的分析運(yùn)動(dòng)目標(biāo)檢測(cè)是指通過(guò)監(jiān)控畫面識(shí)別監(jiān)控區(qū)域的圖像 變化 , 從監(jiān)控場(chǎng)景中將目標(biāo)提取出來(lái)。目前運(yùn)動(dòng)目標(biāo)檢測(cè)通 常有背景相減法、 光流法、 時(shí)間差分法和不變矩特征檢測(cè)法 幾種方法。2.1背景相減法背景相減法是目前運(yùn)動(dòng)分割中最常用的一種方法 , 它是 利用當(dāng)前圖像與背景圖像的差分來(lái)檢測(cè)出運(yùn)動(dòng)區(qū)域的一種 技術(shù) , 在實(shí)際運(yùn)用中通常分為學(xué)習(xí)和測(cè)試兩個(gè)階段。在學(xué)習(xí) 階段 , 研究人員通過(guò)收集多張背景圖像來(lái)構(gòu)建背景模型 , 在 測(cè)試階段 , 用當(dāng)前圖像與背景圖像進(jìn)行點(diǎn)對(duì)點(diǎn)的比較來(lái)完成 對(duì)目標(biāo)的檢測(cè)。它一般能夠提供最完全的特征數(shù)

4、據(jù) , 但對(duì)于 動(dòng)態(tài)場(chǎng)景的變化 , 如光照和外來(lái)無(wú)關(guān)事件的干擾等特別敏 感。最簡(jiǎn)單的背景模型是時(shí)間平均圖像 , 大部分的研究人員 目前都致力于開發(fā)不同的背景模型 , 以期減少動(dòng)態(tài)場(chǎng)景變化 對(duì)于運(yùn)動(dòng)分割的影響。如 Stauffer 與 Grimson 對(duì)每個(gè)像素利 用混合高斯分布建模 , 利用自適應(yīng)的混合高斯背景模型 , 并 利用在線估計(jì)來(lái)更新模型 , 從而可靠地處理了光照變化、 背 景混亂運(yùn)動(dòng)的干擾等影響。2.2時(shí)間差分時(shí)間差分方法是利用前后圖像來(lái)進(jìn)行直接相減。 一般的 視頻圖像是三維圖像的二維投影 , 三維圖像發(fā)生變化時(shí)其二 維投影圖像也會(huì)發(fā)生相應(yīng)的改變。 連續(xù)視頻流的場(chǎng)景具有連 續(xù)性 ,

5、當(dāng)圖像沒(méi)運(yùn)動(dòng)時(shí) , 連續(xù)幀圖像之間變化值很小 , 反之如 有運(yùn)動(dòng)產(chǎn)生則會(huì)引起幀差 , 當(dāng)像素的時(shí)間差分大于一個(gè)閾 值 , 則判斷為有運(yùn)動(dòng)目標(biāo)。時(shí)間差分運(yùn)動(dòng)檢測(cè)方法對(duì)于動(dòng)態(tài)智能視頻監(jiān)控中運(yùn)動(dòng)目標(biāo)檢測(cè)技術(shù)李露(武漢職業(yè)技術(shù)學(xué)院電信工程學(xué)院 湖北 武漢430074摘 要 本文主要討論分析了目前常見(jiàn)的幾種檢測(cè)運(yùn)動(dòng)目標(biāo)的技術(shù)的特點(diǎn)與不足 , 提出了一種基于顏色和紋理特征的運(yùn)動(dòng)目標(biāo)檢測(cè)法 , 此方法結(jié)合圖像顏色的地區(qū)性影像結(jié)構(gòu) , 可正確地區(qū)分背景的圖像與運(yùn)動(dòng)目標(biāo)。關(guān)鍵詞運(yùn)動(dòng)目標(biāo)背景模型圖像紋理 中圖分類號(hào) :TP309文獻(xiàn)標(biāo)識(shí)碼 :A文章編號(hào) :1007-3973(2007 07-13-02"

6、"""""""""""""""""""""""""""""""""""""""""""13技術(shù)與應(yīng)用環(huán)境具有較強(qiáng)的自適應(yīng)性 , 但如果區(qū)域比較大 , 而活動(dòng)目標(biāo) 較小 ,

7、 也會(huì)產(chǎn)生誤報(bào)。而且一般不能完全提取出所有相關(guān)的 特征像素點(diǎn) , 在運(yùn)動(dòng)實(shí)體內(nèi)部容易產(chǎn)生空洞現(xiàn)象。2.3光流 (Optical Flow 物體與攝像機(jī)之間的任何相對(duì)運(yùn)動(dòng)都將導(dǎo)致視平面上 與空間物體對(duì)應(yīng)點(diǎn)發(fā)生變化 , 空間運(yùn)動(dòng)在視平面上引起的對(duì) 應(yīng)運(yùn)動(dòng)稱為運(yùn)動(dòng)場(chǎng)。 基于光流方法的運(yùn)動(dòng)檢測(cè)采用了運(yùn)動(dòng)目 標(biāo)隨時(shí)間變化的光流特性 , 通過(guò)計(jì)算位移向量光流場(chǎng)來(lái)初始 化基于輪廓的跟蹤算法 , 從而有效地提取和跟蹤運(yùn)動(dòng)目標(biāo)。 光流法的優(yōu)點(diǎn)是能夠檢測(cè)獨(dú)立運(yùn)動(dòng)的對(duì)象不需要預(yù)先知道 場(chǎng)景的任何信息 , 并且可用于攝像機(jī)運(yùn)動(dòng)的情況 , 但大多數(shù) 的光流計(jì)算方法相當(dāng)復(fù)雜 , 且抗噪性能差 , 除非有特殊的硬 件支持

8、, 否則很難實(shí)現(xiàn)實(shí)時(shí)檢測(cè)。2.4不變矩特征檢測(cè)法搜索所有可能為目標(biāo)的區(qū)域 , 計(jì)算區(qū)域的直方圖不變矩 特征 , 認(rèn)為滿足一定條件且與模板匹配程度最高的區(qū)域?yàn)槟?標(biāo) 。此算法由于需要進(jìn)行直方圖不變矩的匹配和矩函數(shù)的 求解 , 計(jì)算量較前兩種方法大 , 在實(shí)時(shí)性要求高的環(huán)境不適 用。3基于顏色和紋理特征的運(yùn)動(dòng)目標(biāo)檢測(cè)法本方法利用光學(xué)的成像原理 , 定義了一種相鄰像素點(diǎn)顏 色對(duì)比的算法。將相鄰兩點(diǎn)的顏色構(gòu)成相對(duì)關(guān)系 , 然后將一 定區(qū)域內(nèi)相鄰點(diǎn)構(gòu)成多種結(jié)構(gòu) , 得到任何一點(diǎn)與其相鄰的顏 色的關(guān)系組合 , 這種顏色構(gòu)成的相對(duì)關(guān)系可以有效地反應(yīng)出 圖像之間的紋理關(guān)系。 根據(jù)相鄰兩點(diǎn)的顏色構(gòu)成相對(duì)關(guān)系來(lái)

9、描述兩像素點(diǎn)關(guān)系 , 相鄰像點(diǎn)顏色對(duì)比算法定義如下 :設(shè)定 (x =P 0, P 2, P n 為一組 n+1像素點(diǎn)集合 , 它定 義了哪些像素點(diǎn)被選擇與 x 點(diǎn)在顏色上的構(gòu)成關(guān)系。 根據(jù)一 組 (x , 我們可獲得一組地區(qū)性影像結(jié)構(gòu)值 。 (x 可用來(lái)描述 x 相鄰點(diǎn)集合 (x 間所形成的結(jié)構(gòu)關(guān) 系。 如想得到整體結(jié)構(gòu) , 可定義 m(m>=1 組像素點(diǎn)集合 , 從而 得到地區(qū)性影像結(jié)構(gòu)值。然后采用背景相減法或時(shí)間差分法來(lái)檢測(cè)運(yùn)動(dòng)目標(biāo) , 首 先收集一組背景的 M 張圖像 , 建構(gòu)出高斯混合模型為 :除了建構(gòu)背景模組 外 , 同時(shí)要計(jì)算得到此點(diǎn)相對(duì)于 1, m , 這 m 組地區(qū)性圖像

10、結(jié)構(gòu)值。在檢測(cè)階段 , 將先前所 建 構(gòu) 的 背 景 模 組 和 實(shí) 際 模 組 S 進(jìn) 行 比 對(duì) , 得 到 相 似 度 LK , 如果此值大于所設(shè)定的 臨 界 值 TH , 則 判 斷 圖 像 為 背 景 像素點(diǎn) , 反之則為目標(biāo)物體像素點(diǎn)。相似度求取方法如下 :最 后 判 斷 影 像 點(diǎn) 為 前 景 物 件 影 像 或 背 景 影 像 的 方 式 為 :當(dāng) D(X=0, 則 X 為背景像素點(diǎn) ; 當(dāng) D(X=1, 則 X 為目標(biāo) 物體像素點(diǎn)。 4結(jié)論運(yùn)動(dòng)目標(biāo)檢測(cè)是數(shù)字視頻監(jiān)控的基礎(chǔ) , 根據(jù)當(dāng)前幀的像 素值與背景模型的偏離程度 , 來(lái)判斷該像素是目標(biāo)像素還是 背景像素是一項(xiàng)非常重要且關(guān)鍵的技術(shù)。 本論文提了一種新 的運(yùn)動(dòng)目標(biāo)提取方法 , 結(jié)合圖像顏色的地區(qū)性影像結(jié)構(gòu) , 可 正確地區(qū)分背景的圖像與運(yùn)動(dòng)目標(biāo)。參考文獻(xiàn) :3D.Dekel and C.Gatti, “ Video pose tra