论文部分内容阅读
【摘要】 运动目标检测技术是智能视频监控技术中的一项核心技术，在视频监控系统中，对运动目标的检测是整个系统的流程中关键的第一步，其检测结果的好坏直接关系到整个系统的运行效果。本文主要研究了智能视频监控系统中的运动目标检测技术。
【关键词】 智能视频监控；运动目标检测
中图分类号： TN941.2 文献标识码： A 文章编号：
引言
运动目标检测是指从序列图像中将变化区域从背景中分割出来，它的基本任务是从图像序列中检测出运动信息，简化图像处理过程，得到所需的运动矢量，从而能够识别与跟踪物体，是数字图像处理技术的主要部分，同时它也是智能视频监控研究领域的关键，由于运动目标的检测与分割影响着运动目标能否被正确跟踪与分类，因此运动目标检测成为视频监控系统研究中的一项重要的课题。
一、运动目标检测概述
1.1运动目标检测的定义
运动目标的检测是指从图像序列中将变化的区域从背景图像中提取出来，使之成为一个有意义的实体。运动目标的检测是智能监控中一个基础但很关键的部分，是实现运动目标跟踪、识别和事件监测的前提，运动目标的正确检测和分割会直接影响运动目标的跟踪和分类，目标检测的好坏将决定后续处理的效果。
1.2视频监控系统中运动目标检测流程
1.2.1视频监控系统的硬件组成
目前已有的视频监控系统分为实时监控系统和非实时监控系统，实时监控系统要在需要监控的场所的合适位置安装摄像头，实时采集该场景中的景象，然后利用信号网络传输线路和网络交换机传给监控中心，监控中心对信号进行分析和判断，从而对监控场景中的运动目标进行行为分析。但实时监控系统对计算机处理信息的速度要求很高，因此实时监控系统无法兼顾实时性和准确性，因此，在实际的生产生活中，实时监控系统的运用范围很有限，还没有得到广泛的运用。非实时视频监控系统是指对已经存在的“过去时”的视频进行分析和判断，是目前实际生活中常用的方法。
1.2.1视频监控系统对视频的处理流程
不管是在实时视频监控系统还是在非实时视频监控系统，计算机对视频的处理都是整个监控系统的关键所在。视频监控系统对视频的处理流程主要有五个部分：获得序列图、图像预处理、目标分割提取、目标匹配跟踪和目标行为分析。在对视频进行处理时，要首先对噪声进行处理，对噪声的处理是计算机对图像处理的第一步，也是整个系统的基础，决定系统的实用性，处理了噪声后，将运动目标从图像中找到，提取出运动目标的信息，然后，将提取出的运动目标的信息和原有的目标信息进行对比，计算机通过信息对比来进行目标判断，最后得出目标的真实信息，从而实现对运动目标的检测。
二、运动目标检测技术
对运动目标的检测是计算机视觉领域中最基本、最重要的研究方向之一[1]。多年来，人们一直都在对运动目标检测技术进行研究，希望可以研究出一种适应所有普遍场景的运动目标检测技术，但由于运动目标特征的多样性和监控背景的复杂性，这种可用于所有场景的运动目标检测技术还没有研究出来，根据不同的场景和不同的运动目标，需要利用不同的检测方法来进行运动目标检测[2]。目前，常用的运动目标检测技术有以下几种：
2.1光流法
光流是指空间运动物体在被观测面上的像素点运动时产生的瞬时速度场，它携带了物体表面结构和动态行为等重要的信息。光流法检测运动目标的基本原理吲是给图像中的每一个像素点赋予一个速度矢量，这就形成了一个图像运动场，在运动的一个特定时刻，图像上的点与三维物体上的點一一对应，这种对应关系可由投影关系得到，根据各个像素点的速度矢量特征，可以对图像进行动态分析。光流计算法分为基于匹配的光流计算法、基于频域的光流计算法和基于梯度的光流计算法。
2.1.1基于匹配的光流计算法
基于匹配的光流计算法又分为基于特征和区域两种方法。前者是通过对目标的主要特征进行实时监控，不断进行定位和跟踪，对大目标的运动和亮度变化的监测具有较好的效果，但由于光流的稀疏性，使得对特征的提取和匹配难度较大，精确度不高。基于区域的方法是通过对类似的区域进行定位，对相似区域的位移进行光流计算，这种方法在视频编码中的运用效果较好，但是，在光流的稠密性的计算上仍然存在问题。
2.1.2基于频域的光流计算法
基于频域的光流计算法是利用速度可调的滤波组输出频率或相应的信息，可以获得高精度的初始光流估计[3]，但其计算非常复杂，也很难进行可靠性的评价。
2.1.3基于梯度的光流计算法
基于梯度的光流计算法是利用图像序列的时空微分来计算光流，它的计算方法简单，而且在早期的试验中取得较好的效果，因此目前在广泛的研究中，但由于在选择计算光流时需要的可调参数的人工选取和可靠性评价因子上比较困难，即使基于梯度的计算方法虽然在光流估计上取得好的实验效果，但在利用光流对目标进行实时检测和自动跟踪上仍然不完善，存在不少的问题。
基于光流场分析的运动目标检测方法，根据每个光流矢量包含的每个像素的动态信息，可以很精确的计算出运动目标的速度，并且在摄像机运动的情况下也能检测出运动目标运动。但是，由于受噪声的影响，在背景部分也会得到光流矢量，因此就不能得到单一的光流，并且这种方法采用迭代的求解计算，计算量非常大，除非有特殊的硬件支持[4]，否则很难实现运动目标的实时检测。因而它多适用于图像噪声比较小，目标运动速度不大的情况。
2.2背景差值法
背景差值法是常用的运动目标检测法，运用于静态背景下的运动目标检测。背景差值法的原理是将前帧图像和已有的背景模型图像做差，得到的不同部分就作为运动目标的信息。这种方法的基础是构造背景模型，常用的背景建模算法是高斯背景建模算法[5]，而且这种算法还可以进行实时更新。背景差值法的优点是可以提取出运动目标的完整信息，但视频监控中的场景是真实的场景，会受到很多天气因素的影响，也会受到噪声的影响，这些影响因素会影响运动目标信息的提取，有时候这些影响因素甚至会被当做运动目标的信息被提取出来，所以当使用背景差值法时，要对其结果进行再处理再运用到视频监控系统中，这样才能保证效果。
2.3帧间差分法
帧间差分法是通过对连续两帧或多帧的视频图像进行相减来得到差分图像，在差分图像上检测运动变化区域，最后根据区域上的灰度信息来恢复原来的运动目标。这种方法是在运动目标检测中使用得最多的一类算法。帧间差分法在运动目标检测中的优点是计算简单、检测目标速度快、自适应性较强、易于实现，但缺点是不能检测到完整的目标，不能对目标进行进一步的分析和识别，增加后续处理的难度，在运动实体内部容易产生空洞现象。
2.4运动能量法
运动能量法是将把连续图像看作由二维空域加上时间为构成的三维空间，计算空时梯度。因为运动对象所经过位置的像素空时梯度一致性高，梯度能量就大，因此可用来检测运动对象。这种方法可以有效消除振动的像素，使一个方向运动对象突出，适合复杂多变的监控环境，但运动能量法不能准确的分割出对象，方法也非常复杂，实现难度大。
2.5基于人工神经网络的方法
目前，基于人工神经网络的方法在运动目标的检测中发展很快，这种方法通过将每帧图像分成图像块,将这些图像块进行预处理后投影到线性滤波器组[6]，得到图像模式，然后根据算好的聚类原形对这些图像模式进行分类，最后利用训练后的神经网络来判断运动目标存在于哪个图像模式中，这种方法可以识别出尺度和旋转变形的目标，效果较好。
三、结语
智能视频监控中的运动目标检测是智能视频监控技术中的一项核心技术，而随着社会生活和生产的进步和发展，人们对视频监控将会提出更高的要求，智能视频监控将会在人们的生产和生活中运用的越来越广泛，作为核心技术之一的运动目标检测技术将会得到越来越多的关注，因此，应加强对运动目标检测技术的研究和运用，促进其技术的完善和发展，从而推动智能视频监控的广泛运用，推动社会生活的进步。
参考文献
【1】．张正友，马颂德．计算机视觉[M]．北京：科学出版社，2001：53--59
【2】．代科学，李国辉，涂丹，袁见。监控视频运动目标检测背景技术的究现状和展望[J]。中国图像图形学报。2006，11(7)；919．927
【3】李宏，杨延梧，任朴舟，等．基于光流技术的复杂背景下运动目标跟踪[J]．光电工程，2006(10)：13—17．
【4】万卫兵．霍宏，赵宇明．智能视频监控中目标检测与识别[M]．上海：上海交通大学出版社．2009．
【5】王丽娟．基于OpenCV与混合高斯建模的运动目标检测[J]．电子测试，2009(9)：86—90．
【6】金克琼．视频监控中运动目标检测与跟踪的研究[D]．武汉：武汉理工大学2010
【关键词】 智能视频监控；运动目标检测
中图分类号： TN941.2 文献标识码： A 文章编号：
引言
运动目标检测是指从序列图像中将变化区域从背景中分割出来，它的基本任务是从图像序列中检测出运动信息，简化图像处理过程，得到所需的运动矢量，从而能够识别与跟踪物体，是数字图像处理技术的主要部分，同时它也是智能视频监控研究领域的关键，由于运动目标的检测与分割影响着运动目标能否被正确跟踪与分类，因此运动目标检测成为视频监控系统研究中的一项重要的课题。
一、运动目标检测概述
1.1运动目标检测的定义
运动目标的检测是指从图像序列中将变化的区域从背景图像中提取出来，使之成为一个有意义的实体。运动目标的检测是智能监控中一个基础但很关键的部分，是实现运动目标跟踪、识别和事件监测的前提，运动目标的正确检测和分割会直接影响运动目标的跟踪和分类，目标检测的好坏将决定后续处理的效果。
1.2视频监控系统中运动目标检测流程
1.2.1视频监控系统的硬件组成
目前已有的视频监控系统分为实时监控系统和非实时监控系统，实时监控系统要在需要监控的场所的合适位置安装摄像头，实时采集该场景中的景象，然后利用信号网络传输线路和网络交换机传给监控中心，监控中心对信号进行分析和判断，从而对监控场景中的运动目标进行行为分析。但实时监控系统对计算机处理信息的速度要求很高，因此实时监控系统无法兼顾实时性和准确性，因此，在实际的生产生活中，实时监控系统的运用范围很有限，还没有得到广泛的运用。非实时视频监控系统是指对已经存在的“过去时”的视频进行分析和判断，是目前实际生活中常用的方法。
1.2.1视频监控系统对视频的处理流程
不管是在实时视频监控系统还是在非实时视频监控系统，计算机对视频的处理都是整个监控系统的关键所在。视频监控系统对视频的处理流程主要有五个部分：获得序列图、图像预处理、目标分割提取、目标匹配跟踪和目标行为分析。在对视频进行处理时，要首先对噪声进行处理，对噪声的处理是计算机对图像处理的第一步，也是整个系统的基础，决定系统的实用性，处理了噪声后，将运动目标从图像中找到，提取出运动目标的信息，然后，将提取出的运动目标的信息和原有的目标信息进行对比，计算机通过信息对比来进行目标判断，最后得出目标的真实信息，从而实现对运动目标的检测。
二、运动目标检测技术
对运动目标的检测是计算机视觉领域中最基本、最重要的研究方向之一[1]。多年来，人们一直都在对运动目标检测技术进行研究，希望可以研究出一种适应所有普遍场景的运动目标检测技术，但由于运动目标特征的多样性和监控背景的复杂性，这种可用于所有场景的运动目标检测技术还没有研究出来，根据不同的场景和不同的运动目标，需要利用不同的检测方法来进行运动目标检测[2]。目前，常用的运动目标检测技术有以下几种：
2.1光流法
光流是指空间运动物体在被观测面上的像素点运动时产生的瞬时速度场，它携带了物体表面结构和动态行为等重要的信息。光流法检测运动目标的基本原理吲是给图像中的每一个像素点赋予一个速度矢量，这就形成了一个图像运动场，在运动的一个特定时刻，图像上的点与三维物体上的點一一对应，这种对应关系可由投影关系得到，根据各个像素点的速度矢量特征，可以对图像进行动态分析。光流计算法分为基于匹配的光流计算法、基于频域的光流计算法和基于梯度的光流计算法。
2.1.1基于匹配的光流计算法
基于匹配的光流计算法又分为基于特征和区域两种方法。前者是通过对目标的主要特征进行实时监控，不断进行定位和跟踪，对大目标的运动和亮度变化的监测具有较好的效果，但由于光流的稀疏性，使得对特征的提取和匹配难度较大，精确度不高。基于区域的方法是通过对类似的区域进行定位，对相似区域的位移进行光流计算，这种方法在视频编码中的运用效果较好，但是，在光流的稠密性的计算上仍然存在问题。
2.1.2基于频域的光流计算法
基于频域的光流计算法是利用速度可调的滤波组输出频率或相应的信息，可以获得高精度的初始光流估计[3]，但其计算非常复杂，也很难进行可靠性的评价。
2.1.3基于梯度的光流计算法
基于梯度的光流计算法是利用图像序列的时空微分来计算光流，它的计算方法简单，而且在早期的试验中取得较好的效果，因此目前在广泛的研究中，但由于在选择计算光流时需要的可调参数的人工选取和可靠性评价因子上比较困难，即使基于梯度的计算方法虽然在光流估计上取得好的实验效果，但在利用光流对目标进行实时检测和自动跟踪上仍然不完善，存在不少的问题。
基于光流场分析的运动目标检测方法，根据每个光流矢量包含的每个像素的动态信息，可以很精确的计算出运动目标的速度，并且在摄像机运动的情况下也能检测出运动目标运动。但是，由于受噪声的影响，在背景部分也会得到光流矢量，因此就不能得到单一的光流，并且这种方法采用迭代的求解计算，计算量非常大，除非有特殊的硬件支持[4]，否则很难实现运动目标的实时检测。因而它多适用于图像噪声比较小，目标运动速度不大的情况。
2.2背景差值法
背景差值法是常用的运动目标检测法，运用于静态背景下的运动目标检测。背景差值法的原理是将前帧图像和已有的背景模型图像做差，得到的不同部分就作为运动目标的信息。这种方法的基础是构造背景模型，常用的背景建模算法是高斯背景建模算法[5]，而且这种算法还可以进行实时更新。背景差值法的优点是可以提取出运动目标的完整信息，但视频监控中的场景是真实的场景，会受到很多天气因素的影响，也会受到噪声的影响，这些影响因素会影响运动目标信息的提取，有时候这些影响因素甚至会被当做运动目标的信息被提取出来，所以当使用背景差值法时，要对其结果进行再处理再运用到视频监控系统中，这样才能保证效果。
2.3帧间差分法
帧间差分法是通过对连续两帧或多帧的视频图像进行相减来得到差分图像，在差分图像上检测运动变化区域，最后根据区域上的灰度信息来恢复原来的运动目标。这种方法是在运动目标检测中使用得最多的一类算法。帧间差分法在运动目标检测中的优点是计算简单、检测目标速度快、自适应性较强、易于实现，但缺点是不能检测到完整的目标，不能对目标进行进一步的分析和识别，增加后续处理的难度，在运动实体内部容易产生空洞现象。
2.4运动能量法
运动能量法是将把连续图像看作由二维空域加上时间为构成的三维空间，计算空时梯度。因为运动对象所经过位置的像素空时梯度一致性高，梯度能量就大，因此可用来检测运动对象。这种方法可以有效消除振动的像素，使一个方向运动对象突出，适合复杂多变的监控环境，但运动能量法不能准确的分割出对象，方法也非常复杂，实现难度大。
2.5基于人工神经网络的方法
目前，基于人工神经网络的方法在运动目标的检测中发展很快，这种方法通过将每帧图像分成图像块,将这些图像块进行预处理后投影到线性滤波器组[6]，得到图像模式，然后根据算好的聚类原形对这些图像模式进行分类，最后利用训练后的神经网络来判断运动目标存在于哪个图像模式中，这种方法可以识别出尺度和旋转变形的目标，效果较好。
三、结语
智能视频监控中的运动目标检测是智能视频监控技术中的一项核心技术，而随着社会生活和生产的进步和发展，人们对视频监控将会提出更高的要求，智能视频监控将会在人们的生产和生活中运用的越来越广泛，作为核心技术之一的运动目标检测技术将会得到越来越多的关注，因此，应加强对运动目标检测技术的研究和运用，促进其技术的完善和发展，从而推动智能视频监控的广泛运用，推动社会生活的进步。
参考文献
【1】．张正友，马颂德．计算机视觉[M]．北京：科学出版社，2001：53--59
【2】．代科学，李国辉，涂丹，袁见。监控视频运动目标检测背景技术的究现状和展望[J]。中国图像图形学报。2006，11(7)；919．927
【3】李宏，杨延梧，任朴舟，等．基于光流技术的复杂背景下运动目标跟踪[J]．光电工程，2006(10)：13—17．
【4】万卫兵．霍宏，赵宇明．智能视频监控中目标检测与识别[M]．上海：上海交通大学出版社．2009．
【5】王丽娟．基于OpenCV与混合高斯建模的运动目标检测[J]．电子测试，2009(9)：86—90．
【6】金克琼．视频监控中运动目标检测与跟踪的研究[D]．武汉：武汉理工大学2010