運動目標檢測方法

『壹』 運動目標檢測——光流法與opencv代碼實現

運動目標的檢測的其主要目的是 獲取目標對象的運動參數（位置、速度、加速度等）及運動軌跡 ，通過進一步分析處理，實現對目標行為更高層級上的理解。
運動目標檢測技術目的是 從序列圖像中將變化區域從背景圖像中提取出來 ，常用於視頻監視、圖像壓縮、三維重構、異常檢測等。

運動目標檢測主流方法有幀差法、背景差法、光流法等。光流法源於 仿生學 思想，更貼近於直覺，大量昆蟲的視覺機理便是基於光流法。
二十世紀五十年代心理學家Gibson在他的著作「The Perception of Visual World」中首次提出了以心理學實驗為基礎的光流法基本概念，而直到八十年代才由Horn、Kanade、Lucash和Schunck創造性地將灰度與二維速度場相聯系，引入光流約束方程的演算法，對光流計算做了奠基性的工作。

光流（optical flow）：由於目標對象或者攝像機的移動造成的圖像對象在連續兩幀圖像中的移動。

小球在連續五幀運動構成的光流 小球在連續五幀運動構成的光流

通俗說，對於一個圖片序列，把每張圖像每個像素在連續幀之間的運動速度和方向（ 某像素點在連續兩幀上的位移矢量 ）找出來就是光流場。

第t幀的時A點的位置是(x1, y1)，第t+1幀時A點位置是(x2,y2)，則像素點A的位移矢量：(ux, vy) = (x2, y2) - (x1,y1)

如何知道第t+1幀的時候A點的位置涉及到不同的光流計算方法，主要有四種：基於梯度的方法、基於匹配的方法、基於能量的方法、基於相位的方法。

光流法依賴於三個假設：

根據所形成的光流場中 二維矢量的疏密程度 ，光流法可分為稠密光流與稀疏光流。

基於區域匹配生成的稠密光流場 基於區域匹配生成的稠密光流場

稀疏光流只對有 明顯特徵的組點 （如角點）進行跟蹤，計算開銷小。

基於特徵匹配發生成的稀疏光流場 基於特徵匹配發生成的稀疏光流場

http://www.opencv.org.cn/opencvdoc/2.3.2/html/moles/video/doc/motion_analysis_and_object_tracking.html#calcopticalflowfarneback
（1）calcOpticalFlowPyrLK
基於金字塔LK光流演算法，計算某些點集的稀疏光流。
參考論文《Pyramidal Implementation of the Lucas Kanade Feature TrackerDescription of the algorithm》
（2）calcOpticalFlowFarneback
基於Gunnar Farneback 的演算法計算稠密光流。
參考論文《Two-Frame Motion Estimation Based on PolynomialExpansion》
（3）CalcOpticalFlowBM
通過塊匹配的方法來計算光流
（4）CalcOpticalFlowHS
基於Horn-Schunck 的演算法計算稠密光流。
參考論文《Determining Optical Flow》
（5）calcOpticalFlowSF
論文《SimpleFlow: A Non-iterative, Sublinear Optical FlowAlgo》的實現

LK光流法效果 LK光流法效果

『貳』 目前國際上最先進的運動目標檢測演算法

運動目標檢測

基於統計背景模型的運動目標檢測方法
問題： （1） 背景獲取：需要在場景存在運動目標的情況下獲得背景圖像 （2） 背景擾動：背景中可以含有輕微擾動的對象，如樹枝、樹葉的搖動，擾動部分不應該被看做是前景運動目標 （3） 外界光照變化：一天中不同時間段光線、天氣等的變化對檢測結果的影響 （4） 背景中固定對象的移動：背景里的固定對象可能移動，如場景中的一輛車開走、一把椅子移走，對象移走後的區域在一段時間內可能被誤認為是運動目標，但不應該永遠被看做是前景運動目標 （5） 背景的更新：背景中固定對象的移動和外界光照條件的變化會使背景圖像發生變化，需要及時對背景模型進行更新，以適應這種變化 （6） 陰影的影響：通常前景目標的陰影也被檢測為運動目標的一部分，這樣講影響對運動目標的進一步處理和分析 首先利用統計的方法得到背景模型，並實時地對背景模型進行更新以適應光線變化和場景本身的變化，用形態學方法和檢測連通域面積進行後處理，消除雜訊和背景擾動帶來的影響，在HSV色度空間下檢測陰影，得到准確的運動目標。
編輯本段背景模型提取
前提假設 在背景模型提取階段，運動目標在場景區域中運動，不會長時間停留在某一位置 視頻流中某一像素點只有在前景運動目標通過時，它的亮度值才發生大的變化，在一段時間內，亮度值主要集中在很小的一個區域中，可以用這個區域內的平均值作為該點的背景值。具體實現過程：在YUV顏色空間下，Y值的變化范圍為0~255，將該范圍劃分成若干區間[0,T][T,2T]…[Nt,255],n=255/T，對於每個像素點，統計一段時間內每個區間內亮度值的出現的次數。找出出現次數最多的那個區間，將該區間內所有值的平均值作為背景模型在該點的亮度值。這種方法不受前景運動目標的影響。
編輯本段運動目標檢測
檢測當前圖像和背景圖像中對應像素點的差異，如果差值大於一定閾值，則判定該像素為前景運動目標
編輯本段後處理
雜訊的影響，會使檢測結果中出現一些本身背景的區域像素點被檢測成運動區域，也可能是運動目標內的部分區域被漏檢。另外，背景的擾動，如樹枝、樹葉的輕微搖動，會使這部分也被誤判斷為運動目標，為了消除這些影響，首先對上一步的檢測結果用形態學的方法進行處理，在找出經過形態學處理的後的連通域，計算每個連通域中的面積，對於面積小於一定值的區域，將其拋棄，不看做是前景運動目標。[1]

『叄』 什麼是視頻分析

解析視頻就是視頻分析，視頻分析技術就是使用計算機圖像視覺分析技術，通過將場景中背景和目標分離進而分析並追蹤在攝像機場景內出現的目標。

視頻內容分析技術通過對可視的監視攝像機視頻圖像進行分析，並具備對風、雨、雪、落葉、飛鳥、飄動的旗幟等多種背景的過濾能力，通過建立人類活動的模型，藉助計算機的高速計算能力使用各種過濾器，排除監視場景中非人類的干擾因素，准確判斷人類在視頻監視圖像中的各種活動。

(3)運動目標檢測方法擴展閱讀

視頻分析技術主要包括：運動目標檢測、目標跟蹤、目標分類、行為理解四種智能視覺分析技術。其中，目標跟蹤與目標檢測是基礎部分，目標分類和行為理解是高級部分。

運動目標檢測：運動目標檢測是智能視頻處理技術的基礎，是從視頻圖像中去除掉背景成分，找出運動的物體或區域，在這個過程中盡可能地減少背景雜訊和前景雜訊的干擾，以便得到我們感興趣的運動目標。目前運動目標檢測方法主要包括時間差分法、光流法和背景差分法等。

行為理解：目標的行為理解是指對目標的運動模式進行分析和識別。行為理解可以簡單地被認為是時變數據的分類問題，即將測試序列與預先標定的代表典型行為的參考序列進行匹配。通過在跟蹤過程中檢測目標的行為以及行為變化，根據用戶的自定義行為規則，判斷被跟蹤目標的行為是否存在威脅。