目標檢測-顧靜

目標檢測顧靜2014.06.26預備基礎(chǔ)知識：數(shù)字圖像是指由被稱作象素的小塊區(qū)域組成的二維矩陣。將物理圖象行列劃分后，每個小塊區(qū)域稱為像素（pixel）。每個像素包括兩個屬性：位置和灰度。對于單色即灰度圖像而言，每個象素的亮度用一個數(shù)值來表示，通常數(shù)值范圍在0到255之間，即可用一個字節(jié)來表示，0表示黑、255表示白，而其它表示灰度級別。預備基礎(chǔ)知識：彩色圖象可以用紅、綠、藍三元組的二維矩陣來表示。通常，三元組的每個數(shù)值也是在0到255之間，0表示相應的基色在該象素中沒有，而255則代表相應的基色在該象素中取得最大值，這種情況下每個象素可用三個字節(jié)來表示。

運動目標檢測是實現(xiàn)目標跟蹤、交通監(jiān)控、行為分析等任務的基礎(chǔ)。但由于運動目標的提取易受到背景、光線變化、陰影、運動速度等因素的影響而造成失敗,所以如何更好的實現(xiàn)運動目標檢測具有相當重要的意義。根據(jù)應用范圍它可以分為靜態(tài)目標檢測與運動目標檢測兩類:靜態(tài)目標檢測多指靜態(tài)圖像(數(shù)碼照片、掃描圖像等)中的目標檢側(cè),如人臉、姿態(tài)、手勢、車牌、文本等內(nèi)容的檢測;運動目標檢測多指視頻中的目標,如運動跟蹤、交通監(jiān)控、行為分析等內(nèi)容的檢側(cè)。

流行算法：運動目標檢測的分類方法較多,如根據(jù)攝像機是否運動來分、根據(jù)檢測是2-D還是3-D來分、根據(jù)是普通的圖像序列還是紅外或雷達圖像來分、根據(jù)運動的特點來分??本次講解主要關(guān)心在普通圖像序列中的運動檢測,其他類型檢測基本上是普通圖像序列檢測方法的擴充。這類檢測可以分為特征與灰度兩種檢測方法?；谔卣鞯臋z測多是依據(jù)圖像特征或由其組成的模型來檢測運動目標。基于灰度的方法則是依據(jù)圖像中灰度模式等來實現(xiàn)對運動目標的分割。從方法上來看常用的大體有如下幾類:幀差法、光流法、背景差法、基于統(tǒng)計學習的方法。

幀差法：該類方法主要利用時間信息,通過比較圖像序列中連續(xù)兩幀或三幀中所有的對應位置像素點,并根據(jù)規(guī)則計算對應像素點的差值,如果差值大于一定的閾值,就認為該點對應位置有運動目標存在并提取該運動目標。

幀差法采用單臺攝像機,對動態(tài)環(huán)境有較強自適應性,但一般來說使用該方法不能完全提取相關(guān)的特征像素點,得到的背景并非純背景圖像,所以檢測得到運動目標結(jié)果并不十分精確。比如如果有多人過近的聚集在一起的話,該運動區(qū)域可能會聚類成為一輛車。

光流法：物體在運動的時候，它在圖像上對應點的亮度模式也在做相應的運動，這種圖像亮度模式的表觀運動就是光流。光流的研究就是利用圖像序列中像素的強度數(shù)據(jù)的時域變化和相關(guān)性來確定各自像素位置的“運動”。光流表達了圖像的變化，因此可被觀察者用來確定目標的運動情況。一般情況下，光流由相機運動、場景中目標運動或兩者的共同運動產(chǎn)生。

光流場指的是景物中可見像素點的三維速度矢量在成像表面投影形成的二維瞬時速度場?？臻g中的運動場轉(zhuǎn)移到圖像上就表示為光流場，光流場反映了圖像上每一點的灰度變化趨勢，它是如今計算機視覺及有關(guān)研究領(lǐng)域中的一個重要組成部分。

光流法：光流法檢測運動目標，其基本思想是賦予圖像中的每一個像素點一個速度矢量，從而形成了該圖像的運動場。圖像上的點和三維物體上的點在某一特定的運動時刻是一一對應的，根據(jù)各像素點的速度矢量特征對圖像進行動態(tài)的分析。若圖像中不存在運動目標，那么光流矢量在整個圖像區(qū)域則是連續(xù)變化的，而當物體和圖像背景中存在相對運動時，運動物體所形成的速度矢量則必然不同于鄰域背景的速度矢量，從而將運動物體的位置檢測出來。

光流法：

光流法：在實際的應用中，由于存在多光源、遮擋性、噪聲和透明性等多方面的原因，光流場基本方程中的灰度守恒這個假設(shè)條件是得不到滿足的，因此不能求解出正確的光流場，同時由于其采用的是迭代的求解計算方法，故需要的計算時間比較長，從而無法滿足實時的要求，并且該方法受噪聲的影響較大，因而該方法多適用于目標運動速度不大，圖像噪聲比較小的情況。

背景差法：背景減法相對于其他方法而言簡單易于實現(xiàn),是最受歡迎的運動目標檢測方法之一,它利用當前圖像與背景圖像的差來檢測運動區(qū)域。一般而言背景減的步驟如下:首先對固定攝像機拍攝的視頻圖像序列進行計算,得到一個場景的靜態(tài)背景初始化模型,之后將當前幀與靜態(tài)背景圖像相比,從當前幀中將背景剔除,從而得到前景運動目標。不過由于背景可能發(fā)生變化,所以算法在實現(xiàn)的過程中,將不斷地自動實現(xiàn)背景更新,之后再次利用新的背景模型來確定前景目標,以期得到更精確的結(jié)果。

基于統(tǒng)計、學習的方法：由于這類方法對于噪聲、陰影、光線等變化比較每棒,正越來越多地應用于運動目標檢測的過程中,它利用了獨立或成組的像素特征來構(gòu)建/更新背景模型,采用學習概率來抑制誤識(即減少將不屬于目標集的目標標注為目標對象的概率)。這類算法對于噪聲、陰影、光線等外部環(huán)境變化比較魯棒,檢測到的運動目標比較準確,抗干擾能力較強。但由于運動的復雜性,致使該方法很難采用一種統(tǒng)一的概率分配模型來描述。學習過程中要遍歷圖像的所有位置,故訓練樣本大,計算復雜,計算量大