檢測跟蹤文獻綜述

近年來，智能視頻監(jiān)控技術(shù)的研究與應(yīng)用備受人們關(guān)注。作為其基本處理部分，視頻監(jiān)控圖像的運動目標檢測是一個非?；钴S的研究方向，屬于計算機視覺領(lǐng)域的重要研究內(nèi)容，在智能監(jiān)控、視頻壓縮、自動導(dǎo)航、人機交互、虛擬現(xiàn)實等方面有著廣泛的應(yīng)用前景。隨著計算機軟硬件技術(shù)的發(fā)展，計算機技術(shù)與監(jiān)控技術(shù)相結(jié)合成為了一個新興的應(yīng)用研究方向。這種監(jiān)控系統(tǒng)與傳統(tǒng)意義上的監(jiān)控系統(tǒng)的本質(zhì)區(qū)別在十其智能性。視頻監(jiān)控的目的主要是用十對入侵者的監(jiān)視、交通流量的監(jiān)測，以及大門出入人員的保安監(jiān)控等。傳統(tǒng)的監(jiān)控系統(tǒng)大都需要人工配合進行監(jiān)控，存在各種問題。采用紅外傳感器等半自動的檢測方法又存在對貓犬等動物產(chǎn)生誤報警等問題。因此，對智能化的監(jiān)控系統(tǒng)的研究就非常有必要。簡言之，不僅僅用攝像機來代替人眼簡單的獲取現(xiàn)場圖像信息，應(yīng)用計算機技術(shù)來協(xié)助監(jiān)控人員甚至代替監(jiān)控人員來完成監(jiān)控任務(wù)，從而既獲得良好的監(jiān)控效果，又大大地減輕監(jiān)控中的人力投入。由此可見，智能監(jiān)控系統(tǒng)有著廣泛的應(yīng)用前景和潛在的市場價值。然而要使監(jiān)控系統(tǒng)達到智能化，就必須使計算機能夠從監(jiān)控攝像機里所獲取的視頻圖像序列中提取出感興趣的目標，并對其進行目標分類和跟蹤，從而達到對目標行為進行理解與描述的目的。智能視頻監(jiān)控是計算機視覺領(lǐng)域一個新興的應(yīng)用方向和備受關(guān)注的前沿課題。視頻監(jiān)控技術(shù)的發(fā)展大致經(jīng)歷了以下二個階段：第一代視頻監(jiān)控系統(tǒng):早期的視頻監(jiān)控都是以模擬設(shè)備為主的閉路電視監(jiān)控系統(tǒng)，稱其為模擬視頻監(jiān)控系統(tǒng)。通常采用同軸電纜的傳輸方式進行信號傳輸，但是這種模擬方式的傳輸要保證寬帶信號具有高的信噪比和較小失真是十分困難的，所以第一代監(jiān)控系統(tǒng)的可靠性和抗干擾性都較差，功能也相對簡單。第二代視頻監(jiān)控系統(tǒng):隨著數(shù)字技術(shù)的發(fā)展，圖像數(shù)據(jù)壓縮編碼技術(shù)及標準的改進，芯片成本的不斷下降，數(shù)字視頻監(jiān)控系統(tǒng)也迅速發(fā)展起來。人們利用計算機的高速數(shù)據(jù)處理能力進行視頻采集和處理，大大提高了圖像質(zhì)量，增強了視頻監(jiān)控的能力，提高了系統(tǒng)的可靠性，增強其可擴展性，其功能也越來越專業(yè)化、多樣化。第二代視頻監(jiān)控系統(tǒng):隨著網(wǎng)絡(luò)帶寬、計算機處理能力和存儲容量的迅速提高，以及各種實用視頻信息處理技術(shù)的出現(xiàn)，視頻監(jiān)控進入了全數(shù)字化的網(wǎng)絡(luò)時代，即全數(shù)字視頻監(jiān)控系統(tǒng)。該系統(tǒng)以網(wǎng)絡(luò)為依托，以數(shù)字視頻的壓縮、傳輸和存儲為核心，以智能實用的圖像分析為特色，引導(dǎo)視頻監(jiān)控技術(shù)向智能化和網(wǎng)絡(luò)化的方向不斷發(fā)展。智能監(jiān)控系統(tǒng)是采用圖像處理、模式識別和計算機視覺技術(shù)，通過在監(jiān)控系統(tǒng)中增加智能視頻分析模塊，借助計算機強大的數(shù)據(jù)處理能力，在不需要人為干預(yù)的情況下對拍攝到的圖像序列進行動態(tài)分析，過濾掉視頻畫面無用的或干擾信息，自動識別不同目標，分析抽取視頻源中關(guān)鍵有用信息，快速準確地定位事故現(xiàn)場，判斷監(jiān)控畫面中的異常情況，并以最快和最佳的方式發(fā)出警報或觸發(fā)其它動作，從而有效進行事前預(yù)警，事中處理，事后及時取證的全自動、全天候、實時監(jiān)控的智能系統(tǒng)。要完成智能視覺監(jiān)控的任務(wù)，需要用到計算機視覺、模式識別、數(shù)字圖像處理和人工智能等多門學(xué)科的知識。對運動目標的檢測與跟蹤就是其中的核心技術(shù)，處十整個視覺監(jiān)控系統(tǒng)的底層，是各種后續(xù)處理的基礎(chǔ)。運動目標的檢測與跟蹤技術(shù)不僅在智能監(jiān)控系統(tǒng)中有重要應(yīng)用，已經(jīng)廣泛應(yīng)用十軍事和工業(yè)機器人等多個領(lǐng)域中，因此對運動目標檢測與跟蹤的研究無疑是一項既有理論意義又有實用價值的課題。一、目標跟蹤的種類（1）基于區(qū)域的跟蹤基于區(qū)域的跟蹤方法首先要得到包含目標的區(qū)域模板,模板的提取一般通過圖像分割獲得或者是預(yù)先人為確定,模板通常為略大于目標的矩形,也可以是不規(guī)則形狀,然后設(shè)定一個相似性度量,在序列圖像中搜索目標,把度量取極值時對應(yīng)的區(qū)域作為對應(yīng)幀中的目標區(qū)域。由于提取的目標模板是以目標整體作為對象,它包含了較完整的目標信息,因而具有較高的可信度。由于該方法以目標的整體特征信息作為跟蹤依據(jù),所以在目標發(fā)生較小形變等情況下仍然可以準確的對目標進行跟蹤;在目標未被遮擋時,跟蹤的準確性和魯棒性也較好。其缺點首先是這種方法需要對整個圖像區(qū)域進行搜索,要求獲取的信息較多,因此比較耗時,不能滿足實際應(yīng)用中視頻監(jiān)控實時性的要求,這種方法一般用于跟蹤較小的目標或者對比度較低的目標;而且跟蹤的目標變形不能太大,否則會導(dǎo)致跟蹤精度下降甚至目標丟失;而且,當目標出現(xiàn)太大遮擋時,也容易造成跟蹤目標的丟失。針對這些缺陷,近年來,對于基于區(qū)域跟蹤方法研究最多的是如何處理包含目標的模板更新,以保證跟蹤的連續(xù)性和穩(wěn)定性。（2）基于活動輪廓的跟蹤基于活動輪廓跟蹤的基本思想是提取物體的邊界輪廓作為輪廓模板,利用封閉的曲線輪廓來表達運動目標,在后繼幀的二值邊緣圖像中跟蹤目標輪廓。由于這種方法所使用的模板是目標輪廓,并且匹配。過程是在二值圖像中進行,所以相對基于區(qū)域的跟蹤算法來說,它的優(yōu)點是計算量較小,而且在目標被部分遮擋的情況下也能連續(xù)的進行跟蹤。近來發(fā)展很快的兩種基于輪廓匹配的跟蹤算法:一是主動輪廓線跟蹤算法（Snake模型），Kass等人在1987年提出了主動輪廓模型，也稱其為蛇模型,它是一條可變形曲線（Snake曲線），可任意調(diào)整曲線形狀使其與目標輪廓保持一致。另一種是基于Hausdorff距離的輪廓跟蹤算法?；贖ausdorff距離的形狀匹配不同于其他的形狀匹配,一方面,Hausdorff距離不需要建立兩個點集中的點之間一一對應(yīng)的關(guān)系,并且對圖像噪聲和晃動具有較好的魯棒性。其缺點是當所匹配的點的數(shù)目比較大時,匹配效率會迅速降低,通常計算量也較大。在基于活動輪廓方法中,初始化輪廓是整個算法的核心和關(guān)鍵,如何準確的獲取運動目標的初始輪廓也是算法研究中的一個難題,而且運動物體輪廓的更新比較困難,這也決定了基于活動輪廓的方法無法在目標跟蹤中得到普遍應(yīng)用。（3） 基于特征的跟蹤算法基于特征的跟蹤方法基本思想是,在跟蹤過程中首先提取目標的某個或某些具有不變性的特征,然后利用相關(guān)算法實現(xiàn)對運動目標的跟蹤。該方法包括特征提取和特征匹配兩個過程。目前常見的特征選擇有角點、紋理、色彩等,但在序列圖像中,單一的特征選取往往無法實現(xiàn)跟蹤的準確性。因此,基于多特征融合的目標跟蹤成為當前研究的趨勢?；谔卣鞯姆椒ㄆ鋬?yōu)點是能夠在部分遮擋的情況下,仍舊實現(xiàn)目標跟蹤,在準確選取特征點的前提下,還可以克服關(guān)照改變以及目標發(fā)生幾何形變時帶來的跟蹤障礙。同時,該方法還可以將與粒子濾波器、mean-shift算法等結(jié)合使用，提高跟蹤的實時性和魯棒性。（4） 基于模型的跟蹤基于模型的跟蹤方法首先是對目標物體的外形特征進行建模,然后通過一定的匹配方法跟蹤目標,并進行模型的實時更新。常用的表征物體模型的形式一般分為三類:線圖模型、2D模型和3D模型。目前應(yīng)用較多的是利用物體的三維立體模型?；谀Ｐ偷母櫡椒词乖谀繕俗藨B(tài)變化和部分遮擋的情況下,仍舊可以精確分析目標的運動軌跡,實現(xiàn)可靠的跟蹤,因而它有較強的魯棒性。但是由于在現(xiàn)實生活中獲得所有運動目標的精確模型是非常困難的,因此限制了基于模型的跟蹤算法的使用。其次,該跟蹤方法需要大量的時間來計算復(fù)雜的模型,比較耗時,不能滿足跟蹤過程中的實時性和迅速性要求。二、運動背景和運動特性一般說來，運動目標檢測方法的確定主要取決于目標的運動背景和運動特性。（1） 目標運動背景目標運動背景指運動目標所處的環(huán)境，是分析和討論運動目標檢測的前提條件。一般情況下，目標運動背景主要表現(xiàn)為目標的運動區(qū)域（即所處地理位置）。在視頻監(jiān)控系統(tǒng)中，目標運動背景的變化主要取決于攝像機工作方式，但天氣條件（如光線變化、風雨雷電、霜雪等）以及其他干擾情況（如攝像機抖動、遮擋、孔徑和陰影）等也會對其產(chǎn)生重大影響。根據(jù)攝像機工作方式的不同，可以將目標運動背景分為靜態(tài)背景和動態(tài)背景。靜態(tài)背景在通常使用中經(jīng)常碰到，其運動目標檢測的研究應(yīng)用比較多;而對動態(tài)背景的運動目標檢測研究，有學(xué)者借助于DSP芯片取得了一些進展，但還存在某些缺陷，譬如在大面積遮擋情況下目標會丟失等，因此有待于進一步深人和改進。另外，在現(xiàn)實應(yīng)用中運動目標背景一般存在著各種噪聲和擾動問題，目前研究的比較多，但還存在著這樣那樣的問題。針對目標運動背景的變化，當前一些研究人員提出了建立自適應(yīng)背景模型，實現(xiàn)了背景的實時更新，比較準確地檢測出運動目標。背景陰影的檢測和去除也是一個十分重要的問題。目前檢測陰影的方法主要有:1） 在HSV彩色空間，利用色度、飽和度和亮度的信息建立背景模型2） 在RGB彩色空間，用矢量來表征像素點，并以當前圖像中的像素點矢量與對應(yīng)背景點的矢量相減得到表征亮度和色度的彩色模型，在此基礎(chǔ)上建立背景模型叭。3） 利用陰影的光學(xué)特性，結(jié)合其紋理特征，采用區(qū)域生長的方法來檢測陰影。此外，采用光照評估方法判斷陰影是否存在，進而運用梯度分析和二值圖像的聚類算法檢測出陰影，從而有效地去除了陰影。（2） 運動目標特性一般視頻監(jiān)控系統(tǒng)中，運動目標情況比較復(fù)雜，主要有時間特性、區(qū)域特性、矢量特性和形態(tài)特性等。時間特性和區(qū)域特性作為運動目標的基本特性，是視頻幀時間差分和圖像分割的主要依據(jù)。考慮到運動像素的時間和空間相關(guān)性，提出了一種有效的基于圖像塊和HVS彩色圖像差值相結(jié)合的高速運動目標檢測算法，該方法快速、準確。但在前景運動目標與背景亮度很接近時，運動目標很難被檢測出來，另外闌值的選取也過于經(jīng)驗化。對復(fù)雜背景的多目標運動速度檢測進行了探討，但還存在著不足之處。劉長欽等根據(jù)運動信息的生物視覺處理機制，給出了基于持久一暫態(tài)細胞組合的二維運動方位細胞（MOC）濾波器運動方向檢測模型，在計算機仿真實驗中得到了預(yù)期的效果。另外，高媛媛等基于立體視覺對多目標運動速度檢測進行了理論性探討。目前單目標速度檢測已經(jīng)廣泛應(yīng)用于我國公安交通管理中，如電子測速器等，而多目標運動速度檢測還沒有推廣。形態(tài)特性是指目標運動時在形狀、大小、數(shù)量、剛度和強度等方面呈現(xiàn)出來的特征。小目標運動檢測一方面目標的信噪比比較低，另一方面整個圖像復(fù)雜而目標很小，一般僅由若干個像素組成，這兩個原因?qū)е滦∧繕说倪\動檢測比較困難。自20世紀70年代以來，國內(nèi)外學(xué)者提出了許多有實際意義的檢測算法，如二維匹配濾波器法、動態(tài)規(guī)劃法、神經(jīng)網(wǎng)絡(luò)法和高階相關(guān)法等。從理論上講，上述檢測算法都能取得較好的效果，但大多數(shù)計算量大，實用性不強。多目標運動在實際環(huán)境中比較普遍，對其進行檢測有一定價值，但當背景過于復(fù)雜且目標不明顯時，還存在著一些問題。根據(jù)剛度大小的不同可以將物體分為剛體和非剛體。常見的剛體如車輛等，其運動檢測研究已經(jīng)非常成熟，一些成果得到普遍應(yīng)用，如各地公安交通管理部門使用的“電子眼”。非剛體尤其人的運動檢測，由于其形狀、甚至拓撲結(jié)構(gòu)的變化，仍然面臨著許多困難，例如圖像分割模型的使用等，還未找到解決問題的最有效途徑。（3）運動目標檢測方法1）背景減除法背景減除法是將視頻幀與背景模型進行比較，通過判定灰度等特征的變化，或用直方圖等統(tǒng)計信息的變化來判斷異常情況的發(fā)生和分割出運動目標。用背景減除法進行運動目標檢測的主要過程包括預(yù)處理、背景建模、前景檢測和運動區(qū)域后處理等。背景建模是背景減除法的核心環(huán)節(jié)，目前主要方法有:基于背景的時間差分法、中值濾波法、W4方法、線性預(yù)測法、非參數(shù)模型法（又稱內(nèi)核密度估計法）、混合Gaus，法、隱馬爾科夫模型法（HMM）、本征法、基于均值替換的背景估計法、碼本方法等。背景減除法適用于靜態(tài)或準靜態(tài)背景下面積不大的目標運動檢測，實現(xiàn)比較簡單，能夠完整地分割出運動目標檢測。但在動態(tài)背景或復(fù)雜背景（如存在遮擋和陰影等）的情況下，用其實現(xiàn)運動目標檢測實時性差。2） 相鄰幀間差分法相鄰幀間差分法即圖像序列差分法，主要利用兩幀圖像亮度差的絕對值來分析視頻和圖像序列的運動特性，確定圖像序列中有無物體運動。如果差的絕對值小于某一閉值，則沒有運動;反之，則存在運動。針對背景與前景灰度交叉的情況，近年來許多人提出了用局部闌值的方法來提高算法的自適應(yīng)性，主要有基于假設(shè)檢驗的幀差法和高次統(tǒng)計法。相鄰幀間差分法可用于動態(tài)變化的場景，但一般不能很好地提取出運動目標的所有特征像素;主要以靜態(tài)背景為條件，適應(yīng)于目標運動稍快且圖像分割精度要求不高的場合。3） 光流法光流計算技術(shù)是Gibson于1950年提出的。光流法檢測運動目標的基本原理是給圖像中的每一個像素點賦予一個速度矢量，這就形成了一個圖像運動場，在運動的一個特定時刻圖像上的點與三維物體上的點一一對應(yīng)，這種對應(yīng)關(guān)系可由投影關(guān)系得到;根據(jù)各個像素點的速度矢量特征，可以對圖像進行動態(tài)分析。目前基于光流的計算方法主要有微分法（梯度法）、塊匹配法（區(qū)域匹配法）、能量法、相位法和小波法等。光流法能夠檢測出獨立運動的目標，不需要預(yù)先知道場景的任何信息，并且可用于動態(tài)背景。但這種方法計算量大、易受噪聲影響，必須借助特殊的硬件支持來實現(xiàn)實時檢測。張澤旭等將Canny邊緣提取融人光流場分割技術(shù)，對單運動目標和多運動目標均取得了比較滿意的效果，實時性也大大提高。光流法在航天、醫(yī)學(xué)和交通等領(lǐng)域得到了初步應(yīng)用，但如何進一步提高其抗噪性、實時性和運算速度，有待于深人研究。主動輪廓線法基于Snake的主動輪廓線法是由Kass等人于1987年提出的，其原理是先用背景補償?shù)姆椒▽⑾噜弮蓭瑘D像進行配準，然后對配準后的圖像進行差分運算，并用主動輪廓線模型來跟蹤目標邊界，從而實現(xiàn)運動目標的檢測。為了加快處理速度、實現(xiàn)實時處理，該方法必須借助于DSP芯片。主動輪廓線法適合于動態(tài)背景下的多目標運動檢測;當目標運動速度緩慢的時候，該方法不能準確地檢測出運動目標。統(tǒng)計法提出并實現(xiàn)了基于統(tǒng)計模型的運動目標檢測算法。文中首先利用較簡單的算法對運動場進行了粗略的估計，然后根據(jù)馬爾可夫隨機場理論構(gòu)造出運動場的間斷點分布模型，利用此模型來檢測運動場間的斷點，實現(xiàn)運動目標的檢測。實驗表明，這一方法運算較少，并可通過DSP實現(xiàn)實時檢測。Rosenberg等人提出了另外一種基于統(tǒng)計模型的方法，在攝像機做劇烈拉伸、旋轉(zhuǎn)運動時，仍可以實時檢測并跟蹤運動目標。將改進的GVF-Snake模型與統(tǒng)計模型相結(jié)合，對靜態(tài)背景下的運動目標檢測作了深人研究，取得了較好的效果。統(tǒng)計法適用于復(fù)雜背景下的運動目標檢測，借助DSP芯片來完成實時檢測。由于運動場的估計憑先驗知識，這種方法的準確度不是很高。高階統(tǒng)計法高階統(tǒng)計(H0S)法主要利用圖像信號的四階累計或者四階矩來提取運動區(qū)域。要將運動區(qū)域提取出來，則要先計算局部估計的幀差零延遲四階矩，自適應(yīng)地設(shè)定與背景相適應(yīng)變化的闌值，將計算出的四階矩與此值相比較，然后確定運動區(qū)域和背景，從而分離出有別于背景波動和噪聲的運動區(qū)域。如果閾值設(shè)定不當，可能導(dǎo)致部分噪聲不能被消除;由于物體內(nèi)部紋理信息的一致，可能導(dǎo)致檢測出的信息內(nèi)部出現(xiàn)空洞現(xiàn)象。所以還要進行邊緣提取和區(qū)域填充等工作，最終實現(xiàn)運動目標的檢測。H0S法由于存在著運動場的估計，準確度不是很高。另外，計算量比較大，實時性不是很理想。小波法小波理論是在20世紀80年代后期發(fā)展起來的一種新的信號處理工具。由于它具有良好的時頻局部化特征和方向性特征，使得它在圖像處理、模式識別、分形分析等領(lǐng)域得到了廣泛的應(yīng)用，應(yīng)用小波變換進行目標及目標特征檢測的應(yīng)用也較多。在分析了小波變換特性的基礎(chǔ)上，提出了基于Har小波變換的低信噪比小目標檢測算法。理論分析與仿真結(jié)果表明，該方法可有效地提高小目標（信噪比小于2,目標大小為2x2）的信噪比。小波法主要適用于復(fù)雜場景下弱小目標的運動檢測，有著較好的實時性和魯棒性，但實際應(yīng)用還不多。8） 人工神經(jīng)網(wǎng)絡(luò)法近些年來，基于人工神經(jīng)網(wǎng)絡(luò)的目標檢測方法得到了極大的發(fā)展。首先是將每幀圖像分為40x40的圖像塊,預(yù)處理后將這些圖像塊投影到一個線性濾波器組，得到不同的圖像模式;然后把這些不同的圖像模式根據(jù)預(yù)先計算得到的聚類原形進行分類;最后用訓(xùn)練得到的神經(jīng)網(wǎng)絡(luò)分類器來判斷圖像模式是否包含目標。該方法的識別率很高，而誤檢測率卻極小。另外，該方法對尺度、旋轉(zhuǎn)變形的目標有很好的適應(yīng)性。該方法適用于復(fù)雜背景下的運動目標檢測，但其計算復(fù)雜度較高，準確性不夠理想。9） 擴展的EM法擴展的EM法由Friedman與Russell提出的。其基本思想是給每個像素建立混合Gauss，分類模型，該模型可以自動更新并能自適應(yīng)地將每個像素分為背景、影子或者運動前景，在目標運動速度緩慢的情況下，也能較好地完成運動區(qū)域的分割，從而檢測出運動目標，同時可以有效地消除影子的影響。但由于其計算量較大，現(xiàn)在不常用。10） 能量運動檢測法能量運動檢測法主要通過計算圖像的瞬間差分，設(shè)定適當?shù)臑V噪門限，把圖像分割成運動區(qū)域和非運動區(qū)域，通常對圖像的時變微分進行估計，該方法適用于:1、 連續(xù)圖像中背景灰度變化（主要由光照和攝像機抖動引起）緩慢;2、 目標的運動速度和背景的運動速度存在一定差異。在實際應(yīng)用中，考慮到目標運動檢測的實時性，往往需要將該方法與其他方法結(jié)合起來。11） 數(shù)學(xué)形態(tài)學(xué)法數(shù)學(xué)形態(tài)學(xué)法是法國數(shù)學(xué)家G.Matheron和J.Serra于上世紀60年代提出的。它是一種非線性濾波方法，其基礎(chǔ)是Minkowski結(jié)構(gòu)和差運算，即形態(tài)和差（腐蝕與膨脹），在目標運動檢測過程中可用于邊緣檢測、圖像分割、圖像恢復(fù)與重建和圖像濾波（抑制噪聲）等?；跀?shù)學(xué)形態(tài)學(xué)的目標運動檢測方法的主要形式有:1、 基本理論范疇:二值形態(tài)學(xué)、灰度（多值）形態(tài)學(xué)和彩色圖像形態(tài)學(xué);2、 非線性圖像處理應(yīng)用范疇:模糊數(shù)學(xué)形態(tài)學(xué)、軟數(shù)學(xué)形態(tài)學(xué)、模糊軟數(shù)學(xué)形態(tài)學(xué)、小波形態(tài)學(xué)、參考半格形態(tài)學(xué)。在實際應(yīng)用中，基于數(shù)學(xué)形態(tài)學(xué)的目標運動檢測方法對彩色圖像處理算法比較復(fù)雜，形態(tài)運算的通用性和適應(yīng)性不夠強。12）立體視覺法立體視覺法主要針對多目標運動檢測，首先用雙目攝像機對圖像進行拍攝，獲取立體圖像序列對，然后對立體圖像對進行匹配求取場景的視差圖，再運用基于視差的背景差分法獲得含有運動目標的前景區(qū)域，最后根據(jù)前景區(qū)域的視差和位置分布準確定位各運動目標。立體視覺方法有效解決了單目視覺檢測方法中的一些難點問題，可以克服光線的變化和陰影干擾對目標檢測帶來的影響，在多個目標發(fā)生部分遮擋時仍能正確區(qū)分各運動目標。證明該方法是一種準確、實用的運動目標檢測方法。13）水平集方法水平集方法由Osher等人提出來的，它依賴于時間的演變曲線，避免了曲線演變過程對拓撲結(jié)構(gòu)變化的影響，計算比較穩(wěn)定。水平集方法通過一種基于幀間差分的算法，自動提取初始背景圖像，并使用相減法，檢測出當前圖像中的運動像素;定義了一種新的基于差分圖像的局部梯度