智能視頻監(jiān)控中運(yùn)動目標(biāo)檢測算法研究綜述

毛亮

[摘要]隨著科學(xué)技術(shù)的發(fā)展以及人們對安全防范意識的不斷增強(qiáng)，具有智能分析功能的新一代視頻監(jiān)控系統(tǒng)將成下一代視頻監(jiān)控技術(shù)發(fā)展的趨勢。其中，運(yùn)動目標(biāo)檢測技術(shù)對是智能視頻分析技術(shù)的基本前提。因此，針對智能視頻分析技術(shù)的需求，研究運(yùn)動目標(biāo)檢測算法是一個重要課題。本文分析了運(yùn)動目標(biāo)檢測算法的國內(nèi)外相關(guān)研究現(xiàn)狀，綜述了基本概念，主要技術(shù)，發(fā)展?fàn)顩r及趨勢。

[關(guān)鍵詞]視頻監(jiān)控；智能視頻分析；運(yùn)動目標(biāo)檢測；

[中圖分類號]TP391.4 [文獻(xiàn)標(biāo)識碼]A [文章編號]1672-5158（2013）06-0203-01

1 引言

隨著科學(xué)技術(shù)的發(fā)展以及人們對安全防范意識的不斷增強(qiáng)，具有智能分析功能的新一代視頻監(jiān)控系統(tǒng)，已經(jīng)開始滲入到我們的日常生活當(dāng)中。

智能視頻監(jiān)控是指在不需要人為干預(yù)的情況下，利用計(jì)算機(jī)視覺分析方法對視頻序列進(jìn)行自動分析，實(shí)現(xiàn)運(yùn)動目標(biāo)檢測、分類、識別、跟蹤等，并在此基礎(chǔ)上，通過預(yù)先設(shè)定的規(guī)則對目標(biāo)的行為進(jìn)行分析，從而為采取進(jìn)一步措施提供參考（比如在對象進(jìn)入設(shè)防區(qū)時自動報(bào)警）。其中，運(yùn)動檢測的目的是通過對監(jiān)控視頻圖像序列的分析，確定監(jiān)控場景中有無運(yùn)動目標(biāo)，進(jìn)而把運(yùn)動區(qū)域（也稱前景區(qū)域）從檢測圖像中提取出來。在智能視頻監(jiān)控中扮演著重要的角色，是后續(xù)目標(biāo)跟蹤和運(yùn)動分析的基礎(chǔ)。

2 運(yùn)動目標(biāo)檢測算法發(fā)展?fàn)顩r

國外對運(yùn)動目標(biāo)檢測的理論及應(yīng)用的研究較早，尤其在1996年至1999年間美國國防高級研究項(xiàng)目署的視頻監(jiān)控重大項(xiàng)目VSAM（Videosurveillance and Monitoring）。主要目標(biāo)是通過視頻理解、傳感器融合、網(wǎng)絡(luò)通信技術(shù)實(shí)現(xiàn)對未來戰(zhàn)場、城市、機(jī)場等進(jìn)行自動監(jiān)控。

在國內(nèi)，中國科學(xué)院自動化研究所里的生物識別與安全技術(shù)研究中心CBSR（Center for Biometrics and Security Research）研究開發(fā)有行人與車輛的多目標(biāo)檢測、跟蹤以及分類、目標(biāo)異常行為的識別與報(bào)警等智能分析技術(shù)，并實(shí)現(xiàn)一個動態(tài)場景集成、分析和演示系統(tǒng)，并最終推向?qū)嵱谩?/p>

3 現(xiàn)有的運(yùn)動目標(biāo)檢測算法

根據(jù)序列圖像的背景情況，運(yùn)動目標(biāo)檢測算法可以分為靜態(tài)背景下運(yùn)動目標(biāo)檢測算法和動態(tài)背景下運(yùn)動目標(biāo)檢測算法。靜態(tài)背景是指攝像機(jī)在整個監(jiān)視過程是靜止的，而動態(tài)背景是指在監(jiān)視過程中攝像機(jī)發(fā)生了移動，如平動、旋轉(zhuǎn)或多自由度運(yùn)動。動態(tài)背景下的運(yùn)動目標(biāo)檢測由于目標(biāo)與攝像機(jī)之間存在著復(fù)雜的相對運(yùn)動，所以檢測算法要比靜態(tài)背景下的檢測算法復(fù)雜的多。目前，—般的視頻監(jiān)控系統(tǒng)都是采用固定攝像頭的方式，因此這里主要是研究靜態(tài)背景下的運(yùn)動目標(biāo)檢測算法。

運(yùn)動目標(biāo)檢測方法主要有以下幾種：幀間差分法、背景差分法、光流法以及混合高斯模型法。這些方法基于的原理不同，且各有優(yōu)劣，以下詳細(xì)介紹這幾種方法。

3.1 幀間差分法

幀間差分法是一種基于像素的運(yùn)動檢測方法，它通過對視頻圖像序列中相鄰兩幀或相鄰幾幀圖像進(jìn)行差分運(yùn)算來獲得運(yùn)動物體輪廓。

該法是運(yùn)動目標(biāo)檢測方法最簡單的一種，具有較低的時間復(fù)雜度以及運(yùn)算簡單等特點(diǎn)，可用于實(shí)時檢測的系統(tǒng)。但是，這種算法存在一些局限性：（1）檢測的運(yùn)動目標(biāo)區(qū)域大小與目標(biāo)的運(yùn)動速度有直接關(guān)系。當(dāng)物體運(yùn)動緩慢時，相鄰兩幀間的目標(biāo)移動的距離小，檢測的區(qū)域和實(shí)體相差也小，但如果速度慢到一定程度就會檢測不到；當(dāng)運(yùn)動目標(biāo)的速度很大時，檢測的區(qū)域相應(yīng)的會變大，從而造成檢測的運(yùn)動目標(biāo)準(zhǔn)確性偏低。（2）提取的運(yùn)動區(qū)域會產(chǎn)生“空洞”現(xiàn)象。

3.2 背景差分法

背景差分法是通過對給定的視頻序列圖像進(jìn)行學(xué)習(xí)，使用特定的數(shù)學(xué)模型來對圖像中場景的背景進(jìn)行建模并存儲起來，然后用當(dāng)前的視頻序列圖像與存儲的背景模型做差分并通過選定適當(dāng)?shù)拈撝祦矶祷罱K就得到相應(yīng)的運(yùn)動區(qū)域。該法在場景比較簡單時，使用簡單的背景模型可得到很好的檢測效果，但在復(fù)雜多變的場景，就會出現(xiàn)過多的漏檢現(xiàn)象。

因此，該方法仍需解決以下問題：（1）如何獲取理想的背景模型以及建立理想的背景模型；（2）如何保持與更新背景。但是在環(huán)境比較復(fù)雜的情況下，背景都會隨著時間的推移、外界光線變化以及現(xiàn)場環(huán)境的變化而發(fā)生改變，該法還是不能準(zhǔn)確完整地提取運(yùn)動目標(biāo)。

3.3 光流法

光流是指圖像中灰度模式的運(yùn)動速度，它是圖像中景物的三維速度矢量在成像平面上的投影，它表示了景物在圖像中位置的瞬時變化，而光流場是運(yùn)動場在二維圖像上的投影，該物理量包含了有關(guān)運(yùn)動和結(jié)構(gòu)的重要信息。一般情況下，可以通過物體的運(yùn)動場研究物體的運(yùn)動，把光流看作運(yùn)動場，通過研究光流場來估計(jì)圖像序列的運(yùn)動情況。

光流法的優(yōu)點(diǎn)是檢測精度較高，適合做精確分析，可以獲得目標(biāo)的運(yùn)動參數(shù)等信息，也可以解決傳統(tǒng)的基于特征的運(yùn)動目標(biāo)檢測難以解決的遮擋，重合等問題。但實(shí)際應(yīng)用中，存在運(yùn)算量大、件要求較、對噪聲非常敏感等問題。

3.4 混合高斯模型法

Grimson等人首先提出了基于混合高斯模型的背景建模算法，它的基本思想是：每一個像素的顏色值用個單高斯分布描述，的選取依賴于像素值的分布情況，通常值取3～5。由于彩色圖像顏色通道之間相關(guān)性很小，可以忽略各通道間的之間相關(guān)性，假定了三個通道相互獨(dú)立，且具有相同的方差，因此只需對均值、方差和協(xié)方差三個參數(shù)進(jìn)行初始化、計(jì)算、更新，即可實(shí)現(xiàn)混合高斯模型的背景建模。

因此，該算法具有魯棒性強(qiáng)，受外界條件變化的影響較小，能夠適應(yīng)復(fù)雜環(huán)境下運(yùn)動目標(biāo)檢測，不僅克服了幀間差分法容易出現(xiàn)遺漏的缺點(diǎn)，也很好地解決背景差分法對光照等外部條件造成的動態(tài)場景變化過于敏感的問題，能夠?qū)\(yùn)動目標(biāo)進(jìn)行快速準(zhǔn)確的定位。由于混合高斯模型有其自身的優(yōu)點(diǎn)，所以得到廣泛學(xué)者的研究。

結(jié)論與展望

本文對智能視頻監(jiān)控中的運(yùn)動目標(biāo)檢測算法進(jìn)行了分析，其中混合高斯模型在運(yùn)動目標(biāo)檢測算法中實(shí)際應(yīng)用較廣泛，但也存在一些問題，如計(jì)算量大且比較復(fù)雜，處理時間比較長，同時還存在背景和前景的相互轉(zhuǎn)化時長時間的“影子”滯留、運(yùn)動目標(biāo)移動出現(xiàn)拖影等。針對這些問題，可以從采用隔幀更新策略或?qū)Ρ尘案侣逝c權(quán)值相關(guān)聯(lián)，使更新率自適應(yīng)改變來進(jìn)一步研究，解決現(xiàn)有混合高斯模型中存在的不足，最終找到一種既快速又準(zhǔn)確的運(yùn)動目標(biāo)檢測算法。