基于背景差分法的运动目标检测 - 图文

(b) 均值滤波后的图像 (c) 中值滤波后的图像

图2.2 均值滤波和中值滤波效果的比较

通过上图可以看出，中值滤波的处理效果相比均值滤波后的效果更好一些。中值滤波不仅有效的滤除了噪声污染，并且很好的保存了图像的边缘等细节信息。

中值滤波与均值滤波相比较，有以下优点： (1) 滤除噪声的效果比较明显。

(2) 在灰度变化比较小的情况下图像可以得到很好的平滑处理。 (3) 降低了图像边界的模糊程度，滤波后图像中的轮廓比较清晰。

因此本文采用中值滤波的方法对采集到的图像进行消除噪声处理。

2.3 图像的阈值化处理

图像的二值化处理是一种常用的阈值化处理方法，即选择一个合适的阈值，将图像转化成为黑白二值图像，常常用于图像边缘特征的提取和轮廓的识别。图像阈值化处理的一般变换函数表达式为：

0 f(x,y) ＜ T

f(x,y)= (2.7)

255 f(x,y) ≥ T

式中T为阈值，根据图像的信息自行选取，也可以根据自适应的方法求出。 图像的阈值化处理是一种非线性运算，它将图像中灰度值小于阈值T的像素的灰

- 9 -

度值全部置为0，反之则置为255。阈值化的效果直接取决于阈值的选择，阈值选择是否恰当直接关系到后续图像处理的结果，直接影响图像描述、分析、理解和识别的正确性。对于那些目标区域和背景区域灰度相差很大的图像，其直方图一般具有双峰一谷的特征，这个时候就可以讲其谷底的灰度值设定为阈值。但是在大多数图像中，目标区域的灰度和背景区域的灰度并不会相差很多，甚至有的非常接近，这个时候就很难用一个统一的阈值来进行分割。所以要具体问题具体分析，实际处理图像时可以将图像分成若干子区域分别选择阈值，或者动态的根据一定邻域范围选择每点处的阈值来进行处理。

2.4 本章小结

本章主要阐述了视频图像预处理的必要性，图像预处理能有效地消除噪声，改善图像质量，使图像清晰化。中值滤波是一种非线性滤波方法，它不但对图像噪声消除非常有效，而且能够较好地保护图像边缘信息，所以本文决定首先用中值滤波来对获取的视频图像进行去噪处理，而后对图像进行阈值化，为下一步对图像进行差分、比较，从而实现运动目标的检测提供了良好的基础

- 10 -

第三章 运动目标检测的方法与分析

运动目标检测是将运动的像素点和静止的像素点分离出来，从而实现将运动目标从背景中提取出来。运动目标检测在动态图像分析与理解系统中有着非常重要的作用，目标跟踪、目标分类、模式识别等计算机视觉方面的应用都是基于运动目标检测的。运动目标检测面临的问题和主要的影响因素有：不同角度下物体位置形状的变化，光照条件的变化，物体的阴影，物体间的相互遮挡等等。运动检测多种不同的算法，而在相同的环境下不同的运动检测算法各有其优缺点，所以通过比较来明确每个算法的特点以及它们的使用环境对于下一步在实际应用中选择合适的方法做检测是十分必要的。传统的运动目标的检测有三种方法：光流法、时域差分法、背景差分法，其中时域差分法又分为两帧差分法和三帧差分法。下面主要介绍三种传统的运动检测方法并作出对比。

3.1 光流法

光流法最初是由Horn和Schunck在1981年提出的[12]，是一种基于灰度梯度基本不变或着亮度恒定的约束假设条件的对运动目标进行检测的有效方法。所谓光流是指图像中灰度模式运动的速度，它是景物中可见点的三维速度矢量在成像平面上的投影，表示了景物表面点在图像中位置的瞬时变化。一般可以认为光流场与运动场没有区别，可以根据光流场中的图像变化来估计相对运动。

基于光流法的运动检测原理是根据运动目标随时间变化的光流特性，把通过光流计算所得到的运动量作为识别特征来判断是否有运动目标。光流法可以检测独立运动的对象，无需预先知道场景的任何信息，适用于静止背景和运动背景两种环境，因此可用于摄像机运动的情况，对背景的变化有较好的适应性。但是光流法也存在着一些问题：当运动目标与背景图像的灰度太接近，或图像存在噪音时，如果简单的从图像灰度出发来探测目标的光流场方法会导致很多的错误判断，而且光流法需要很大的计算量，需要有特殊的硬件设备支持，因此也不适合实时监测。

目前光流法在航天、医学等高端领域得到了初步的应用，但是如何进一步提

- 11 -

高其运算速度、抗噪性和实时性，仍是需要解决的问题。

3.2 时域差分法

比较常用的时域差分法有两种：两帧差分法和三帧差分法。

两帧差分法是对图像序列中的相邻帧采用基于像素点的时间差分[13]，然后对差分结果进行阈值化来提取运动区域的方法。由于视频图像序列的场景具有时间连续性，因此如果在环境亮度变化不大的情况下，相邻帧的差分值很小，甚至可以忽略不计：但是如果有运动物体出现的话，则会出现明显的差值。设在t时刻和t-1时刻采集的两幅图像用f(x,y,t)和f(x,y,t-1)表示，则

1 if |f(x,y,t)-f(x,y,t-1)|>T

dt(x,y)= (3.1)

0 else

其中T为选取的阈值，dt(x,y)表示对差分值进行阈值化的结果。dt(x,y)中为1的像素点对应两图像中发生变化的区域，即由目标物体在两帧图像中的相对运动所产生的，为0的点则是没有发生变化的区域。

两帧差分法算法简单易于实现，受环境光照变化影响较小，有较强的适应性，所以得到了比较广泛的应用。然而两帧差分法并不能完全提取运动目标的所有像素点，而且在运动物体内部易形成空洞，会在运动方向上会形成拉伸，包含了由于运动而引起的背景显露部分，所以两帧差分法对运动目标的检测也不是很准确。

三帧差分法是改进后的两帧差分法，基本的思想与两帧差分法类似，但是在检测运动目标的判断条件上有所不同。首先，采集视频图像序列中相邻的三帧图像F(x,y,t-1)、F(x,y,t)、F(x,y,t+1)，然后对前两帧和后两帧分别做差分并进行阈值化，得到两个差分图像Diff1，Diff2，最后将得到的两个差分结果Diff1，Diff2的二值掩膜相乘，得到最终的差分结果Diff，即可认为将目标从背景中提取出来。三帧差分法比两帧差分法提取的运动目标更为精确。

- 12 -