運(yùn)動(dòng)目標(biāo)檢測(cè)技術(shù)研究＊

畢 恒

（泰安市公安局，山東 泰安 271000）

1 前言

智能視頻監(jiān)控系統(tǒng)的智能視頻模塊可以自動(dòng)分析，并且當(dāng)有異常情況發(fā)生時(shí)就能發(fā)出報(bào)警，改變了由監(jiān)控人員實(shí)時(shí)監(jiān)控的監(jiān)視和分析的模式，解放了人力，減輕了人員的視覺負(fù)擔(dān)，同時(shí)也增加了監(jiān)控準(zhǔn)確性和精確度。正是因?yàn)檫@些傳統(tǒng)監(jiān)控沒有的優(yōu)點(diǎn)，并且在當(dāng)下監(jiān)控系統(tǒng)數(shù)字化、智能化、網(wǎng)絡(luò)化發(fā)展的大背景趨勢(shì)下，智能監(jiān)控正一步步取代傳統(tǒng)視頻監(jiān)控，廣泛應(yīng)用各個(gè)行業(yè)領(lǐng)域，同時(shí)還具有巨大的經(jīng)濟(jì)效益，視頻監(jiān)控系統(tǒng)受到了社會(huì)各界，尤其是學(xué)術(shù)界、產(chǎn)業(yè)界和管理部門的重視，成為了當(dāng)前智能視頻信息處理領(lǐng)域的研究熱點(diǎn)，這其中，運(yùn)動(dòng)目標(biāo)檢測(cè)是行為識(shí)別和分析的重要部分，是計(jì)算機(jī)視覺領(lǐng)域的重要研究方向，具有重要的價(jià)值和意義。

運(yùn)動(dòng)目標(biāo)檢測(cè)是將發(fā)生改變的部分從圖像的背景中檢索，它是監(jiān)控系統(tǒng)設(shè)計(jì)的初級(jí)部分，對(duì)于后續(xù)的跟蹤有著舉足輕重的影響，是目前一種重要的研究方向，具有重要的實(shí)際研究?jī)r(jià)值，對(duì)于計(jì)算機(jī)視覺研究有重要的意義，而且對(duì)計(jì)算機(jī)視覺的相關(guān)其它研究領(lǐng)域也有著重要的推動(dòng)作用，是目標(biāo)分類和行為理解分析的前提。

2 運(yùn)動(dòng)目標(biāo)檢測(cè)

2.1 運(yùn)動(dòng)目標(biāo)檢測(cè)的概念

運(yùn)動(dòng)目標(biāo)檢測(cè)算法的目標(biāo)是去掉靜止的部分，檢索出發(fā)生變化的部分，在這個(gè)過程中盡量的抑制相應(yīng)噪聲，從而能夠得到更精確的運(yùn)動(dòng)物體。也可以說運(yùn)動(dòng)目標(biāo)檢測(cè)的任務(wù)是去掉其他多余部分，檢索出需要的運(yùn)動(dòng)目標(biāo)，將需要的運(yùn)動(dòng)目標(biāo)信息檢測(cè)出來，但是由于檢測(cè)絕大多數(shù)情況都在室外，由于光照、天氣、影子等因素，還有設(shè)備的固有干擾，使得檢測(cè)會(huì)有些困難。

運(yùn)動(dòng)目標(biāo)：研究者研究的圖像中運(yùn)動(dòng)的物體；背景噪聲：由于干擾而漏檢的運(yùn)動(dòng)目標(biāo)；前景噪聲：不是運(yùn)動(dòng)目標(biāo)卻因?yàn)楦蓴_被誤檢為運(yùn)動(dòng)目標(biāo)；反射：物體邊緣或者具有較強(qiáng)反射能力的其他物體；陰影：運(yùn)動(dòng)目標(biāo)產(chǎn)生的陰影被當(dāng)做運(yùn)動(dòng)目標(biāo)被檢測(cè)出；鬼影：非當(dāng)前時(shí)刻的運(yùn)動(dòng)目標(biāo)被檢測(cè)成當(dāng)前時(shí)刻的運(yùn)動(dòng)目標(biāo)；干擾：設(shè)備的固有噪聲以及晃動(dòng)的物體等。它們之間的關(guān)系如圖1所示。

圖1 各設(shè)計(jì)概念關(guān)系圖

2.2 目前運(yùn)動(dòng)目標(biāo)檢測(cè)研究遇到的難點(diǎn)問題

運(yùn)動(dòng)目標(biāo)檢測(cè)技術(shù)的應(yīng)用領(lǐng)域是十分廣泛的，因此被檢測(cè)的運(yùn)動(dòng)目標(biāo)通常所處的環(huán)境是十分復(fù)雜多變的，因此各種各樣的干擾會(huì)給檢測(cè)帶來麻煩，主要的因素有：

2.2.1 光線

尤其在戶外進(jìn)行檢測(cè)時(shí)，光照的明暗隨時(shí)會(huì)發(fā)生變化，這使得圖像的光照明暗也是會(huì)跟著它產(chǎn)生變化，在這樣的條件下是很難精確地將運(yùn)動(dòng)目標(biāo)和背景圖像做分離的，光照的變化主要包括有：（1）突然的光照變化，例如在之內(nèi)開關(guān)燈以及烏云遮擋陽光的情況；（2）連續(xù)光照變化；（3）因?yàn)檎趽跷锿渡湓斐傻年幱埃苍S是運(yùn)動(dòng)目標(biāo)造成的，也許是其他部分存在的。

2.2.2 陰影

由于拍攝角度，光線以及遮擋物的因素使得拍攝的圖像會(huì)有很多陰影部分出現(xiàn)，這些都會(huì)影響目標(biāo)檢測(cè)的效果。另外，如果實(shí)際檢測(cè)目標(biāo)前相鄰兩幀之間的圖像太過相近，也很難將運(yùn)動(dòng)目標(biāo)從背景中檢測(cè)出來。如果背景圖像并非完全靜止，也會(huì)把背景圖像當(dāng)成運(yùn)動(dòng)目標(biāo)檢測(cè)出來。

同時(shí)，還有運(yùn)動(dòng)混亂，目標(biāo)重疊，監(jiān)測(cè)對(duì)象速度太慢，運(yùn)動(dòng)對(duì)象被誤認(rèn)為背景圖像等情況也是運(yùn)動(dòng)目標(biāo)檢測(cè)算法的問題。

3 背景差分法

3.1 概述

運(yùn)動(dòng)目標(biāo)檢測(cè)是以檢索出研究者感興趣的運(yùn)動(dòng)對(duì)象為目的，給之后的跟蹤做準(zhǔn)備，是目標(biāo)分類的前提。但是運(yùn)動(dòng)目標(biāo)檢測(cè)有很多干擾，精確度不高，這些為檢測(cè)出運(yùn)動(dòng)目標(biāo)造成了很大的困難，這就需要研究者解決算法的魯棒性和實(shí)時(shí)性，提高可靠性，使得算法在復(fù)雜環(huán)境中有尚佳的適應(yīng)能力，并且不太復(fù)雜。運(yùn)動(dòng)目標(biāo)檢測(cè)雖然是比較新的研究方向，但是國內(nèi)外卻有相對(duì)成熟的研究基礎(chǔ)了。目前國內(nèi)外相對(duì)常用的運(yùn)動(dòng)目標(biāo)檢測(cè)技術(shù)有：幀間差分法、背景差分法還有光流法。本文主要研究幀間差分法。

假設(shè)圖像中某一幀表示成

其中，Uk（x，y）為運(yùn)動(dòng)目標(biāo)，Bk（x，y）為背景，Nk（x，y）為干擾噪聲，下面主要介紹背景差分法的算法原理。

核心原理是圖像差分，運(yùn)動(dòng)目標(biāo)檢測(cè)算法的圖像差分是相鄰一段時(shí)間圖像做差表示圖像的變化，這種做差只是圖像中相應(yīng)像素大小的做差運(yùn)算。圖像差分是一種十分簡(jiǎn)單可行的方法，不僅可以表示前后圖像的變化，同時(shí)可以簡(jiǎn)單判斷運(yùn)動(dòng)的方向。但是仍有一些缺點(diǎn)：例如相鄰幀的差分圖像智能反映這兩幀圖像中檢測(cè)的運(yùn)動(dòng)目標(biāo)的變化；并且圖像差分是再忽略運(yùn)動(dòng)速度很小以及運(yùn)動(dòng)目標(biāo)很小的前提下進(jìn)行的。

3.2 背景差分法

背景差分法的原理：如果已知測(cè)定對(duì)象的背景圖像，那么只要將當(dāng)前一幀的圖像與已知的背景圖像做差，將做差后的差值同設(shè)定的閾值作比較，如果差值比閾值大，那么就認(rèn)為該點(diǎn)象素屬于檢測(cè)的運(yùn)動(dòng)對(duì)象，如果小于閾值，即為背景。因此使用背景差分法的主要困難是背景模型的獲取和背景模型的更新，但是，背景差分法需要在背景不發(fā)生變化的前提下進(jìn)行。同時(shí)光照和噪聲的干擾和影響都不計(jì)入考慮，另外，要求背景與檢測(cè)的運(yùn)動(dòng)對(duì)象差別較大，很容易區(qū)分，做差后數(shù)值很大。

在背景差分法中，我們將一幅圖像分為噪聲，運(yùn)動(dòng)目標(biāo)以及背景圖像三個(gè)部分，在忽略噪聲的影響條件下，開始，我們已知的是一個(gè)完整的背景，但是由于運(yùn)動(dòng)目標(biāo)的存在，反映在圖像中它一定會(huì)遮蓋住一定面積的背景，同時(shí)，由于運(yùn)動(dòng)目標(biāo)的位移變化，使得每一幀中所被遮蓋的背景圖像都不一樣。原來被遮蓋的部分在下一幀就會(huì)顯現(xiàn)，而沒有被遮蓋的部分則會(huì)隨著運(yùn)動(dòng)目標(biāo)的移動(dòng)被遮擋住。因此，從一個(gè)具有運(yùn)動(dòng)位移的目標(biāo)的背景中計(jì)算出完整的背景就是背景差分法的關(guān)鍵所在。

假設(shè)背景用Bk（x，y）表示，運(yùn)動(dòng)目標(biāo)用Mk（x，y）表示。如果忽略噪聲的影響，那么圖像可以表示為Fk（x，y）=Bk（x，y）+Mk（x，y）。上文已經(jīng)說明，因?yàn)檫\(yùn)動(dòng)目標(biāo)的運(yùn)動(dòng)性，對(duì)背景的遮擋，所以圖像中的完整背景實(shí)際上分為兩個(gè)部分：被遮擋的部分和沒有遮擋的部分，即上式中的Bk（x，y）。

整個(gè)的背景Bw（x，y）=Bk（x，y）+Ck（x，y），其中Ck（x，y）只的是被運(yùn)動(dòng)對(duì)象遮住的一些背景圖像，也就是與Mk（x，y）所表示位置相同的部分。接下來整個(gè)背景圖像Bw（x，y）和Fk（x，y）當(dāng)前幀圖像做差

不難發(fā)現(xiàn)，背景和當(dāng)前圖像做差后的值也是由兩個(gè)部分組成，即運(yùn)動(dòng)對(duì)象圖像和被運(yùn)動(dòng)對(duì)象遮擋住的背景部分。而且根據(jù)假設(shè)，我們知道這兩個(gè)部分實(shí)際上是一個(gè)區(qū)域，因此由上式做差得到的差值部分是不含因?yàn)檫\(yùn)動(dòng)目標(biāo)的移動(dòng)造成的背景顯露和遮擋的部分的。同時(shí)，根據(jù)上述假設(shè)，背景圖像和運(yùn)動(dòng)檢測(cè)目標(biāo)的差別很大，如果我們將做差后的圖像里的背景圖像的灰度設(shè)為零，那么就可以得到運(yùn)動(dòng)檢測(cè)目標(biāo)。

圖2 背景差分法步驟流程如圖

但是，上述的理論都是建立在忽略圖像噪聲的基礎(chǔ)上實(shí)現(xiàn)的，不過實(shí)際操作中這種理想條件是不存在的，因此，如何盡可能的減少噪聲就成為背景差分法準(zhǔn)確實(shí)現(xiàn)的重要步驟和關(guān)鍵技術(shù)。背景差分法步驟流程如圖2所示。

第一步：用公式計(jì)算出此刻圖像和完整背景的差分圖像Δ。

第二步：對(duì)Δ 進(jìn)行二值化，做法是將做差后的差分圖像Δ 同設(shè)定的閾值做比較，如果大于設(shè)定的閾值，即說明該點(diǎn)象素為運(yùn)動(dòng)目標(biāo)，像素值認(rèn)定為1；如果小于設(shè)定的閾值，即說明該點(diǎn)為背景圖像，像素值認(rèn)定為0。

第三步：將第二步得到的圖像中的噪聲去除，具體的做法是形態(tài)學(xué)濾波。同時(shí)濾波后的圖像進(jìn)行連通性分析：由于檢測(cè)的運(yùn)動(dòng)圖像一定會(huì)存在連通區(qū)域，這就會(huì)造成圖像的空洞，因此我們要對(duì)處理后的圖像采取進(jìn)一步分析，如果聯(lián)通的面積大于設(shè)定的閾值，即為運(yùn)動(dòng)目標(biāo)圖像，這樣我們會(huì)得到運(yùn)動(dòng)目標(biāo)數(shù)量。

3.2.1 手動(dòng)背景直接獲取法

手動(dòng)直接獲取是相對(duì)來說比較簡(jiǎn)單，而且獲得的背景圖像比較完整的一種方法，但是獲得背景比較麻煩，比如想要檢測(cè)一個(gè)馬路上運(yùn)動(dòng)的汽車，采用直接獲取方法則必須將該視頻攝像鏡頭中的所有運(yùn)動(dòng)的物體，人、車等全部清空，這時(shí)的圖像才是背景圖像。可是我們知道，隨著季節(jié)變化，時(shí)間改變，背景圖像是會(huì)發(fā)生變化的，因此，采用這種方法需要將每種可能出現(xiàn)變化的背景圖像全部記錄下來，先要判斷此時(shí)拍攝所處的天氣，季節(jié)，光線，時(shí)間等要素，然后再調(diào)取相應(yīng)的背景圖像，這種方法顯然耗時(shí)，耗力，前期的工作量巨大，而且干擾因素也太大，比如樹葉的搖動(dòng)，固定景物的細(xì)小晃動(dòng)，都會(huì)使得檢測(cè)的結(jié)果發(fā)生很大的偏差，是不太可行的方法。

3.2.2 幀平均背景提取法

這種方法就是將一段時(shí)間內(nèi)的圖像累加平均，將平均圖像先當(dāng)做背景圖像，這樣能減少干擾帶來的偏差，而且原理簡(jiǎn)單，程序短小易懂，計(jì)算量不大。不過，在開始采用的的背景圖像的基礎(chǔ)上，隨著時(shí)間的變化，背景圖像需要進(jìn)行實(shí)時(shí)更新，這樣才能適應(yīng)外界各種變化，提高目標(biāo)檢測(cè)的魯棒性（系統(tǒng)在一定的參數(shù)設(shè)東西啊，維持某些性能的特性）。在檢測(cè)的過程中，背景圖像很可能是一直不變的，也就是說，原來靜止被當(dāng)做背景圖像的部分一直是靜止的，而運(yùn)動(dòng)的部分一直是運(yùn)動(dòng)的，這種情況是最理想的。然而有時(shí)候也有這種情況：開始運(yùn)動(dòng)的部分，在某一時(shí)刻靜止了，而且一直保持靜止，那么這種情況下原來運(yùn)動(dòng)的部分在后期時(shí)候也成為了背景圖像的一部分，這就需要背景自適應(yīng)更新。

這種方法對(duì)每個(gè)像素點(diǎn)在一段時(shí)間內(nèi)進(jìn)行實(shí)時(shí)更新，優(yōu)點(diǎn)有：（1）抗干擾性強(qiáng)，對(duì)于外界的干擾帶來的影響可以盡量消減。（2）運(yùn)用的相鄰兩幀圖像比較獲得更新的背景圖像，使得運(yùn)算量減小，運(yùn)算速度增加，降低了內(nèi)存的占用率，檢測(cè)算法更加方便。（3）經(jīng)過實(shí)時(shí)更新，背景圖像更加完整，精確，切滿足了實(shí)時(shí)性要求。

3.3 閾值的選取

利用背景差分法，一個(gè)很重要的步驟就是二值化，也就是通過做差得到差分圖像后與設(shè)定的閾值作比較，從而得到1或者0的判斷，那么閾值的選取就是這個(gè)步驟的關(guān)鍵所在，合適的閾值是能否檢測(cè)出運(yùn)動(dòng)目標(biāo)的核心。

實(shí)際圖像采集過程中，絕大多數(shù)都是要在室外進(jìn)行的，如對(duì)汽車，對(duì)行人的目標(biāo)檢測(cè)，那么光線的變化是時(shí)時(shí)刻刻都會(huì)發(fā)生的，如果我們采用的是恒定不變的閾值，那么隨著光線的變化，圖像的采集就會(huì)出現(xiàn)很大的誤差。比如，在早晨的時(shí)候光線充足，那么背景圖像的亮度很高，然而到了傍晚日落，光線明顯不如早晨，背景圖像的亮度就會(huì)下降，此時(shí)做差后的兩個(gè)差分圖像的灰度一定是差別很大的，如果采用的是同一個(gè)閾值進(jìn)行比較，一定會(huì)有一種情況下的運(yùn)動(dòng)目標(biāo)是不能被完整的檢測(cè)出來的，所以我們就要采用到動(dòng)態(tài)的閾值。

目前，閾值的確定有很多辦法：例如3σ法確定閾值、最大間類法、迭代循環(huán)閾值法等等。最常用也是比較準(zhǔn)確的方法是迭代循環(huán)閾值法，步驟如下：

（2）根據(jù)最初的閾值將圖像進(jìn)行二值化處理，分理處運(yùn)動(dòng)目標(biāo)圖像和背景圖像；

（3）分別求出運(yùn)動(dòng)目標(biāo)圖像灰度平均值HA，以及背景圖像平均灰度值HB；

（5）若果新的閾值等于最初的閾值，那么結(jié)束，如果不等于，令th=th＊，再從步驟（2）開始。

3.4 形態(tài)學(xué)濾波

在實(shí)際情況下，一般拍攝環(huán)境會(huì)有很多干擾，比如刮風(fēng)引起的樹葉晃動(dòng)，光線隨著時(shí)間出現(xiàn)變化，背景中一些景物的微小運(yùn)動(dòng)，這些會(huì)造成大量的噪聲，反映在二值化后的圖像上就是出現(xiàn)許多噪聲斑點(diǎn)，為了使得結(jié)果更精確，檢測(cè)效果更理想，就需要用形態(tài)學(xué)的方法，對(duì)二值圖像進(jìn)行濾波。

數(shù)學(xué)形態(tài)學(xué)的原理是得到對(duì)象拓?fù)浜蜆?gòu)架信息，經(jīng)過運(yùn)算的方法使最終挖掘?qū)ο蟾_的形態(tài)。在運(yùn)動(dòng)目標(biāo)檢測(cè)算法中，形態(tài)學(xué)濾波主要是對(duì)獲取的圖片觀察改變，改善圖像的質(zhì)量。主要應(yīng)用到的有：腐蝕，膨脹，開閉運(yùn)算。

（1）結(jié)構(gòu)元素。結(jié)構(gòu)元素是膨脹和腐蝕運(yùn)算的基礎(chǔ)，主要作用是測(cè)試輸入圖像，是由零或一構(gòu)成的一個(gè)矩陣，其中0是指圖像中要處理的部分，而1指的是該部分圖像象素在腐蝕和膨脹過程中參與運(yùn)算。

（2）腐蝕膨脹。干擾的原因，二值化后的圖像有很多的噪聲斑點(diǎn)，造成的直接影響就是檢測(cè)出來的運(yùn)動(dòng)物體邊緣不清晰，有很多的邊緣點(diǎn)，這時(shí)需要腐蝕操作去掉這些邊緣點(diǎn)。但是，有時(shí)候一些物體中十分細(xì)小的點(diǎn)被誤認(rèn)為是噪聲邊緣點(diǎn)，這時(shí)候進(jìn)行腐蝕操作會(huì)使被檢測(cè)出來的運(yùn)動(dòng)對(duì)象整個(gè)被刪除，要解決這個(gè)問題，就需要再進(jìn)行膨脹操作，使得檢測(cè)出的物體便會(huì)原始大小，使物體的邊界向外擴(kuò)張，膨脹操作會(huì)使物體內(nèi)部的空洞被補(bǔ)上，就不會(huì)被誤認(rèn)為是邊界而把檢測(cè)目標(biāo)刪除了。

（3）開閉運(yùn)算。開運(yùn)算是指對(duì)圖像先腐蝕后膨脹，閉運(yùn)算是指對(duì)圖像線膨脹后腐蝕。閉運(yùn)算的效果是使得檢測(cè)目標(biāo)的邊緣變得平滑，而開運(yùn)算結(jié)果為消去鴻溝，孔眼，填補(bǔ)對(duì)象中邊緣線中斷部分。

4 仿真實(shí)驗(yàn)與結(jié)果分析

運(yùn)動(dòng)目標(biāo)檢測(cè)有很大的作用和影響，應(yīng)該積極投入實(shí)驗(yàn)研究，同時(shí)，運(yùn)動(dòng)目標(biāo)檢測(cè)也是一項(xiàng)十分復(fù)雜的工作，使用適當(dāng)?shù)难芯寇浖?duì)目標(biāo)檢測(cè)算法的實(shí)現(xiàn)、驗(yàn)證、比對(duì)是非常重要的。Matlab是美國Math-Works公司出品的商業(yè)數(shù)學(xué)軟件，用于算法開發(fā)、數(shù)據(jù)可視化、數(shù)據(jù)分析以及數(shù)值計(jì)算的高級(jí)技術(shù)計(jì)算語言和交互式環(huán)境。本文使用Matlab作為實(shí)驗(yàn)平臺(tái)，對(duì)算法進(jìn)行驗(yàn)證和研究。

4.1 Matlab概述

Matlab在圖像處理中是先對(duì)要處理的圖像進(jìn)行數(shù)據(jù)的運(yùn)算，然后對(duì)這些數(shù)據(jù)進(jìn)行相應(yīng)的轉(zhuǎn)化，進(jìn)而成為要處理的圖像，所以Matlab處理圖像靈活方便。另外，Matlab的圖像處理工具箱有很多可以直接拿來使用的命令，比如圖像集合運(yùn)算、正交變換、區(qū)域處理、圖像復(fù)原、圖像分析、圖像濾波、數(shù)據(jù)的編碼和壓縮，另外對(duì)圖像的讀寫現(xiàn)實(shí)，以及類型轉(zhuǎn)換使得Matlab處理圖像得心應(yīng)手，游刃有余。

Matlab也有很多圖像變換，比如傅里葉變化、離散變換、Radon變換、Walsh-Hadamard變換等等。Matlab還對(duì)圖像分析方面有很多應(yīng)用，例如分割應(yīng)用，邊緣檢測(cè)應(yīng)用，圖像的分解等等。

差分法中的圖像二值化，涉及很多函數(shù)，比如膨脹運(yùn)算、腐蝕運(yùn)算等等，這些在Matlab相應(yīng)的工具箱中都有操作函數(shù)可以直接拿來應(yīng)用。由此可見，Matlab的強(qiáng)大功能對(duì)于運(yùn)動(dòng)目標(biāo)檢測(cè)的研究有很大的作用。

4.2 背景差分法實(shí)驗(yàn)與結(jié)果分析

背景差分法的實(shí)現(xiàn)流程如圖3所示。

圖3 背景差分法流程圖

在Matlab程序中，需要編寫母函數(shù)和子函數(shù)，具體實(shí)現(xiàn)過程見下文。

4.2.1 母函數(shù)

第一步：清楚由關(guān)鍵詞keyword所表示的項(xiàng)目，并且顯示說明字符串：input video。取一段AVI電視頻到Matlab視頻緩存中并將AVI視頻文件信息保存為矩陣avi。

第二步：逐幀處理數(shù)據(jù)：將矩陣C 示為圖像格式，C 的每一個(gè)元素對(duì)應(yīng)于圖像中的一個(gè)矩形區(qū)域。C中元素都被寫入當(dāng)前決定沒個(gè)補(bǔ)丁顏色的偽彩色圖中。偽彩色圖，顯示強(qiáng)度在平面的分布（類似等值線圖，或地圖上的等深線圖等），伴隨它有色彩標(biāo)尺。

第三步：調(diào)用子函數(shù)tracking函數(shù)。

4.2.2 子函數(shù)（tracking）

第一步：定義tracking函數(shù)

第二步：讀取所需視頻信息。沿具體制定維將avi視頻數(shù)據(jù)分塊為由4個(gè)矩陣元素組成的矩陣，清楚工作空間緩存；把像素?cái)?shù)據(jù)編譯成為一個(gè)單獨(dú)的4維數(shù)組；將像素值pixels定義為矩陣。

第三步：圖像轉(zhuǎn)化。把RGB 轉(zhuǎn)化為灰度圖像。定義nFrames度數(shù)值大小，定義f為視頻圖像幀循環(huán)變量；將單獨(dú)的視頻幀轉(zhuǎn)化成索引圖像，得到圖像幀，生成一個(gè)視頻幀；將得到的圖像寫到硬盤。

第四步：標(biāo)定圖像。定義標(biāo)定中心點(diǎn)行號(hào)為240，列號(hào)為320。置圖像處理循環(huán)變量1，從第二針圖像開始處理為第一層循環(huán)；利用此刻幀圖像與第一幀圖像做差取絕對(duì)值利，并且將其轉(zhuǎn)存為矩陣；創(chuàng)建數(shù)字圖形對(duì)象以及像素區(qū)域工具面板與圖像處理指定所謂的目標(biāo)圖像，將剛剛幀間差分后的矩陣轉(zhuǎn)化為二值圖像，存為數(shù)組；判斷圖像相鄰像素值之差取絕對(duì)值是否小于閾值，如果是，則對(duì)應(yīng)像素點(diǎn)置0如果否，則保持。顯示二值圖像：0為黑色，1為白色，顯示變換后的圖像數(shù)據(jù)幀。

第五步：開始顯示圖像。

第六步：顯示相關(guān)圖像大小參數(shù)。

第七步：生成外接矩形。

4.2.3實(shí)驗(yàn)過程

第一步：根據(jù)背景差分法實(shí)現(xiàn)流程利用Matlab語言編寫程序，分別編寫兩份程序：母函數(shù)以及子函數(shù)tracking。

第二步：利用進(jìn)行幀間差分法實(shí)驗(yàn)的實(shí)驗(yàn)視頻運(yùn)行編譯好的程序，并截圖，通過對(duì)實(shí)際運(yùn)動(dòng)目標(biāo)圖像與檢測(cè)出的運(yùn)動(dòng)目標(biāo)圖像進(jìn)行對(duì)比得出實(shí)驗(yàn)結(jié)果。

4.2.4實(shí)驗(yàn)結(jié)果分析

通過實(shí)驗(yàn)結(jié)果分析，可以發(fā)現(xiàn)背景差分法能夠基本上檢測(cè)出運(yùn)動(dòng)目標(biāo)，而且相對(duì)于幀間差分法的實(shí)驗(yàn)結(jié)果，背景差分法檢測(cè)效果比較好，目標(biāo)特征信息相對(duì)完整，圖像也更為精確，運(yùn)動(dòng)檢測(cè)的結(jié)果很完整。但是實(shí)際操作過程中背景圖像并不容易獲得，而且也是不斷發(fā)生變化的，尤其在人員密集的場(chǎng)合，背景會(huì)隨著人員的走動(dòng)，外界光線的強(qiáng)弱變化發(fā)生改變，這樣不容易提取出完整的運(yùn)動(dòng)目標(biāo)信息。因此，使用背景差分法的前提條件是背景是固定不變，不會(huì)發(fā)生變化的場(chǎng)合，但是絕大多數(shù)情況下是不符合這樣的標(biāo)準(zhǔn)的，所以適用性差。

5 總結(jié)與展望

隨著目前科學(xué)技術(shù)的不斷發(fā)展前進(jìn)，視頻監(jiān)控技術(shù)的不斷提升，視頻監(jiān)控越來越多的被應(yīng)用于人們的生活之中，尤其是在公安領(lǐng)域發(fā)揮了重要的作用，對(duì)于打擊違法犯罪，提供有力證據(jù)都有著舉足輕重的影響。為了提升工作效率，解放過多的警力，運(yùn)動(dòng)目標(biāo)檢測(cè)技術(shù)應(yīng)運(yùn)而生，它的出現(xiàn)無疑對(duì)視頻監(jiān)控領(lǐng)域的研究是一個(gè)巨大的飛躍，已經(jīng)成為了國內(nèi)外計(jì)算機(jī)視覺研究領(lǐng)域的熱點(diǎn)。本文的主要工作是闡述了運(yùn)動(dòng)目標(biāo)檢測(cè)技術(shù)的相關(guān)概念，并且重點(diǎn)對(duì)這一技術(shù)中的背景差分法做了論述，最后通過在Matlab軟件平臺(tái)上進(jìn)行實(shí)際試驗(yàn)。

［1］馬頌德，張正友.計(jì)算機(jī)視覺：計(jì)算理論與算法基礎(chǔ)［M］.北京：科學(xué)出版社，1999：124-166.

［2］劉貴喜，邵明禮，劉先紅，等.真實(shí)場(chǎng)景下視頻運(yùn)動(dòng)目標(biāo)自動(dòng)提取方法［J］.光學(xué)學(xué)報(bào)，2006，26（8）：1150-1155.

［3］Franke U，Heinrich S.Fast Obstacle Detection for Urban Traffic Situations［J］.IEEE Trans.Intelligent Transportation Systems，2002，3（3）：173-181P.

［4］高韜.智能交通監(jiān)控中運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤算法研究［D］.天津：天津大學(xué)，2010.

［5］Tsai D M，Lai S C.Independent component analysis based background subtraction for ndoor surveillance［J］.IEEE Transactions on Image Processing，2009，18（1）：158-160.

［6］趙文哲，秦世引.視頻運(yùn)動(dòng)目標(biāo)檢測(cè)方法的對(duì)比分析［J］.科技導(dǎo)報(bào)，2009，27（10）：64-70.

［7］李玉山.數(shù)字視覺視頻技術(shù)［M］.西安：西安電子科技大學(xué)出版社，2006.

［8］岡薩雷斯，伍茲.數(shù)字圖象處理［M］.2版.北京：電子工業(yè)出版社，2003.

［9］Spagnolo P，Leo M.Robust Moving objects segmentation by background subtraction［J］.The international Workshop on Image Analysis for Multimedia Interactive Services，2004：21-23.

［10］Robert T.Collins，Alan J，Lipton.A System for’video surveillance and monitoring［A］.2000：497-501.

［11］沈海浪，平西建，許志勇.一種基于背景重建的運(yùn)動(dòng)目標(biāo)檢測(cè)算法［J］.信息工程大學(xué)學(xué)報(bào)，2004，5（3）：69-71.

［12］Otsu N.A threshold selection method from gray2leve 1histograms［J］.IEEE ransactions on System Man and Cybernetic，1979，9（1）：62-66.

［13］王耀明，董建萍，嚴(yán)煒，等.圖像閡值分割的統(tǒng)計(jì)迭代算法［J］.桂林電子工業(yè)學(xué)院學(xué)報(bào)，2000，20（2）：6-8.

［14］岡薩雷斯.數(shù)字圖像處理［M］.北京：電子工業(yè)出版社，2011.

［15］谷口慶，朱虹.數(shù)字圖像處理基礎(chǔ)［M］.北京：科學(xué)出版社，2005：292-297.