基于視頻監控的運動圖像檢測算法研究

羅芳

摘 要：運動圖像的檢測是目前智能監控技術發展的前沿技術，能夠成功地將運動目標從背景圖像中檢測出來是該智能監控識別系統最關鍵的一步。文章將傳統的圖像處理方法運用在運動對象上，通過實驗比較，分析背景差分法、光流法和幀間差分法的優點和缺點，為視頻監控下的圖像缺陷檢測或智能識別技術提供一定的參考。

關鍵詞：目標檢測；視頻監控；運動圖像

視頻監控識別系統技術是綜合多媒體技術、計算機網絡、工業控制和人工智能等技術的運用產物[ 1 ]。針對視頻監控下動態運動目標的圖像進行前期處理分析，從圖像中提取感興趣的運動目標，是智能監控分析系統中的重要過程。

視頻監控中的人或動物處于運動狀態，檢測動態目標的運動狀態從技術上分析，國內外主要是利用算法將運動的運動對象從背景中分離出來，但運動目標時刻受到周邊環境、運動目標本身及設備等因素影響，所以能將運動對象成功分割出來是智能監控分析系統中一項非常有難度的工作[2]。

運動目標算法的檢測已在國內外做了很多年，目前對運動對象檢測的算法相對比較成熟，主流的方法主要有：一是利用灰度值的空間分布信息進行圖形分割，通過檢測對象的突出特征比如邊緣、特殊點和線條的灰度值不同進行分割圖形，但該方法容易丟失原始圖像的信息。二是利用視頻的時間序列方法分割圖形，該方法建立在固定的背景下，通過時間差或者幀間差進行圖形減除運算來完成圖形分割，目前常見算法有幀間差分法、光流法及背景減除法，本文將這3種研究算法運用到人體行為檢測分割上，并通過實驗比較3種算法的優缺點。

1 運動目標檢測的算法

1.1 幀間差分法

1.2 光流法

光流法是利用圖像運動場的矢量變化來確定運動目標的光流變化，實現運動目標三維場景向二維平面的投影，如圖1所示。

2 實驗結果及實驗分析

本文采用上述3種目標分割算法，對2段運動目標速度不同的視頻圖像進行檢測分割實驗，視頻A是人體慢步走路的視頻，視頻B是騎著單車的視頻，時速在20Km/h的視頻。

2.1 幀間差分法實驗結果及實驗分析

本文采用連續圖像間隔2幀的圖像分別對視頻A和B進行相減實驗，實驗結果如圖2-5所示。

圖2視頻A分別取自圖像第28幀和第37幀位置進行實驗，實驗時的幀間運動速度如圖4所示第29幀和31幀的速度時間差為62.0296ms；圖5視頻B中第37幀和39幀的速度時間差為55.2924ms，前者速度緩慢，后者由于運動目標移動速度加快，檢測出來結果背景雜質比較多，容易丟失運動目標的特征。圖2為視頻B在第6幀時候差分檢測結果，第6幀與第8幀的速度為3.9463ms，從實驗結果分析，視頻B的運行速度比較快，導致本文的系統運算速度跟不上小車運行的速度，所以檢測結果出現重影，視頻的細節動作捕捉不詳細，丟失了大部分的信息。

由此判斷，幀間差分法對運動物體的速度把握非常重要，當運動目標速度緩慢時，需要增大時間間隔，反之，運動對象速度快時，應當適當選擇間隔小時間差。對于視頻監控而言，目標運動速度不確定，所以幀間差分法需要根據運動目標的速度進行調整時間間隔，這樣會加大系統的運算量，而且現實中不能很好地把握運動目標的運行速度。

2.2 光流法法實驗結果及實驗分析

視頻A采用光流法對運動目標進行檢測，實驗結果如圖6所示。

光流法實驗時捕捉到運動目標輪廓的關鍵運動點，但是丟失了運動區域的大部分細節內容，顯然檢測效果不佳，而且算法復雜，光流場不容易建立。

2.3 背景減除法實驗結果及實驗分析

視頻A為固定場景和視頻B存在飄動的樹葉的動態場景，實驗時分別用背景減除法進行分析比較。

實驗時，以同樣的視頻采集速度視頻A采用背景減除法進行檢測，從圖7中的檢測結果圖中出現雙重人影，存在一定的干擾缺陷，但人體輪廓非常清晰，檢測的圖像結果比較完整。但是運動目標的輪廓和細節相比前文的兩種算法都比較清晰和完整。圖7中的視頻B，在動態的背景下，用背景減除法不能消除動態因素產生的干擾，但能完整的檢測運動目標。

3 結語

通過3種檢測方法的實驗比較，而視頻監控下的動態行為，在面向不同的應用場所，視頻監控背景是動態也可能是固定場所，幀間差分法在運動對象速度比較慢時檢測效果最佳，算法簡單，對于運行速度較快的運動對象，幀間之間的選取會影響到檢測效果；背景減除法在運動對象速度較快時檢測效果最佳，適應性強，但對于動態背景的檢測處理存在一定的缺陷[5]；光流法對撲捉運動對象的輪廓效果最佳。針對以上3種傳統算法的優缺點，如果應用在視頻監控下的人體行為檢測系統，需要結合三者優缺點進行改進，才能取得更好的動態檢測效果。

[參考文獻]

[1]楊建全，梁華，王成友.視頻監控技術的發展與現狀[J].現代電子技術，2006（21）：67-68.