運動目標檢測算法綜述

丁業兵

摘 ?要：運動目標檢測是將感興趣的動態目標從圖像背景中分割出來，主要應用于圖像分析和目標跟蹤中。該文主要介紹了幾種常用經典運動目標檢測算法，即基本差分法、高斯模型法和Ada boost檢測算法原理，并給出了相應實驗結果，最后總結了算法的應用場景和優劣性。

關鍵詞：目標檢測 ?圖像分析 ?差分法 ?高斯模型法 ?Ada boost檢測法

中圖分類號：TP393 ? 文獻標識碼：A 文章編號：1672-3791（2019）10（c）-0021-03

Abstract： Moving object detection is to separate interested dynamic objects from image background， which is mainly used in image analysis and target tracking. In this paper， several classical moving object detection algorithms are introduced， including the basic difference method， the Gauss model method and the principle of Ada boost detection algorithm. The corresponding experimental results are given. Finally， the application scenarios and advantages and disadvantages of the algorithm are summarized.

Key Words： Object detection; Image analysis; Difference method; Gauss model method; Ada boost detection

隨著人工智能的快速發展，基于圖像的運動目標檢測應用越來越廣泛，目標檢測是把圖像或視頻中的特定目標提取出來，以供后續進一步分析[1-2]。視頻跟蹤，往往是先進行目標檢測，再用跟蹤算法在視頻圖像中匹配目標位置，目標檢測為目標跟蹤服務，目標跟蹤也簡化了目標檢測的難度，目標跟蹤也為后續不間斷目標檢測服務[3]。該文主要介紹了幾種常用和經典的運動目標檢測算法。

運動目標檢測常用的方法有差分法、Adaboost（adaptive boosting）檢測法。差分法是基于靜態背景模型的方法，差分法有連續圖像幀的差分法、背景減法和混合高斯背景模型法。Ada boost檢測法是基于先驗知識的一種由弱分類級聯后得到的強分類方法[4]。

1 ?差分法

1.1 幀差分法

差分法往往是先將彩色圖像轉換為灰度圖像，再對灰度圖像進行差分運算。視頻圖像序列中連續圖像間的差分法是比較相鄰圖像的對應像素位置的像素大小差別，從而檢測出運動目標，運動目標所在位置的像素大小會發生相應變化，非目標的背景區域則保持不變或者變化較小[5]。

相鄰兩幀圖像，第k-1幀圖像位置（x，y）處的像素大小是fk-1（x，y），第k幀圖像在相同位置處的像素大小是fk（x，y），則相鄰圖像幀的像素大小之差為：

差分后圖像需要進行形態學處理，即膨脹和腐蝕組合在一起的運算[6]，因為差分后會產生孔洞和毛刺，也會因為光線變化影響，產生噪聲，采用形態學處理后可以適當消除孔洞和噪聲。

膨脹是擴張、擴展操作，設A為“二值化”后的圖像，B為對應結構元素，則B對A的膨脹運算為：

1.2 背景差分法

背景差分方法是用當前被檢測幀的圖像與未出現運動目標的背景圖像相減來得到運動目標。設Ak為第k幀圖像，B為背景圖像，（x，y）為坐標點位置，T是閾值，則采用背景差分后得到的“二值化”圖像為：

（7）

背景差分法通常需要選取自適應變化的背景模型，來減少場景和光照變化的影響，較容易實現的方法是使用平均統計方法，即用多幅背景圖像進行累加后再平均。

2 ?高斯模型法

由于光照等的影響，會使圖像背景發生變化，這種發生緩慢且有規律變化的背景，通常采用高斯建模的方法來進行運動目標的檢測。

高斯背景建模法通過計算像素點出現的概率大小來判讀此位置是屬于背景還是前景目標點，高斯模型主要有單高斯模型和混合高斯模型[7]。

3 ?Ada boost檢測法

Ada boost算法是將一種將多個弱分類器自適應的提升為強分類器的方法。Ada boost目標檢測算法是基于積分圖、級聯檢測器和Ada boost算法的方法，即可用于靜態背景也可用于動態背景，可在攝像頭運動情況下較好檢測出目標。Ada boost目標檢測主要由三大部分組成：第一，使用Harr特征表示目標，通過積分圖實現特征值的快速計算;第二，使用Ada boost算法選出弱分類器，按照加權方式將弱分類器構建成強分類器;第三，將訓練得到的強分類器串聯組成層疊分類器，這種級聯結構可以有效提高分類器的檢測速度。

4 ?實驗結果

相鄰圖像的幀差分缺點為相鄰幀的目標重疊部分較難檢測，重疊部分相似于靜態背景，像素大小基本不變，而且容易受到光照等變化，會產生較多噪聲點，如果目標在相鄰圖像內不發生運動變化，則無法檢測出目標，相鄰圖像幀的差分實驗結果如圖1所示。

背景差分的實驗結果如圖2所示，背景差分法的優點是不會生成空洞，也不會遺漏目標，能提取出目標完成區域，計算簡單，缺點是光照等外界環境影響，會導致產生背景噪聲，無法準確檢測出目標。

圖像的形態學運算能處理運動目標孔洞，消除雜散噪聲。閉運算運用于處理圖像幀的差分后留下的孔洞和噪聲問題，開運算處理背景差分圖像的較小噪聲和干擾區域，并起到填充運動目標的內部孔洞和平滑邊界的作用。

Ada boost人臉檢測的實驗結果如圖3所示，以正面人臉進行分類器訓練而得到的檢測器，在檢測側面人臉時，會發生漏檢情況，某些類似人臉的區域也會被造成錯誤檢測。

5 ?結語

基于圖像的運動目標檢測算法已經廣泛應用于模式識別等人工智能中，但視頻圖像容易受到外界環境的干擾，對檢測結果產生不確定影響，因而考慮不同的應用環境，選擇的相應算法也不同。圖像的幀差分法、背景差分法適合于背景環境變化不大的固定攝像頭視頻目標檢測，高斯混合模型法適合于背景有規律變化環境下的靜態背景，Ada boost算法適合能應用于動態背景，但要進行樣本分類訓練，對于訓練效果好的目標提取效果更好。

參考文獻

[1] Gary Bradski，Adrian Kaehler，著.學習OpenCV（中文版）[M].于仕琪，劉瑞禎，譯.北京：清華大學出版社，2009.

[2] 史忠科，曹力.交通圖像檢測與分析[M].北京：科學出版社，2007.

[3] 李培華.序列圖像中運動目標跟蹤方法[M].北京：科學出版社，2010.

[4] 盧榮，宋權予，周春暉.基于Adaboost算法的人臉檢測學生考勤系統的研究與應用[J].科技資訊，2017（10）：221-222.

[5] 張應輝，劉養碩.基于幀差法和背景差法的運動目標檢測[J].計算機技術與發展，2017（2）：25-28.

[6] 郭文強，侯勇嚴.數字圖像處理[M].西安：西安電子科技大學出版社，2009.

[7] 馬德智，李巴津，董志學.基于高斯混合模型的運動目標檢測方法研究[J].電子測量技術，2013（10）：47-50.