运动目标检测算法简介及其应用

作者：sky-guo

运动目标检测的主要目的是从图片序列中将变化区域或者运动物体从背景图像中分离出来，常用于视频监控、异常检测、三维重建、实时定位与建图等领域。运动目标检测是许多领域应用落地的基础，近年来被广泛地关注和研究，对运动无人机检测亦是如此。目前，运动目标检测的基本方法主要包括背景消减法、帧间差分法和光流法。

背景消减法

背景消减法是运动目标检测的经典方法，也是目前的主流方法之一。其算法的核心在于将图片序列中的当前帧与确定好的或者实时更新的背景参考模型进行减法操作，找到不同的区域。它把与背景图像差异超过一定阈值的区域作为运动区域，把小于阈值的部分作为背景区域，从而确定运动目标。背景消减法中背景图像会受到外部光线变化、其他外部环境变化、相机运动等因素的影响，所以背景消减法成功的关键在于背景建模以及背景更新。

图1. 背景消减法流程

传统的背景建模方法主要包括中值法、均值法、单高斯分布模型、混合高斯模型等等。自适应混合高斯背景建模是图像背景建模的重要方法，它的工作原理是基于视频图像中像素点在时间域上的分布来得到像素点上的颜色分布，从而到达背景建模的目的。混合高斯背景建模法不仅对复杂场景的适应强，而且能通过自动计算的模型参数来对背景模型调整，检测速度很快，且检测准确。同时算法能够根据新获取的图像，对背景图像参数进行自适应更新。该方法能够可靠处理光照变化、背景混乱运动的干扰以及长时间的场景变化等，因此基于混合高斯模型建模的背景减法被广泛应用于运动目标检测中。

背景消减法虽然原理简单，但是主要应用于固定摄像头场景。在运动摄像头场景下，背景变化过快或者过于复杂，需要引入额外的图像对齐、复杂的背景更新方法等才能有效工作，这也导致出现计算量过高的问题。

帧间差分法

帧间差分法的核心是对时间上连续的两帧、三帧或者多帧图像进行差分运算来获取运动区域。首先求得相邻帧之间的像素值(通常使用灰度值)之差，然后类似于背景消减法设定参考阈值，逐个对像素点进行二值化处理。其中灰度值为255的是前景，灰度值为0的是背景。最后通过连通域分析，形态学操作等获取完整的运动目标图像。两帧差分法适用于目标运动较为缓慢的场景，当运动较快时，由于目标在相邻帧图像上的位置相差较大，两帧图像相减后并不能得到完整的运动目标，因此，人们在两帧差分法的基础上提出了三帧差分法、五帧差分法等来改善目标包络框。

图2. 帧间差分法流程图

由于帧间差分法是选用前一帧的图片作为背景，所以这使得它不仅仅具有实时性高的特点，相比于背景建模的方法更是在更新速度、算法复杂程度以及计算量方面都要有所优化。但是帧差法极容易受到噪声的干扰，对阈值的选择要求很高。阈值选择过低会导致检测结果总包含大量的噪声干扰，阈值选择过高则可能忽视图像中的关键信息，导致缓慢运动的目标被忽略或者目标提取不完整等问题。

光流法

光流法与上述两种方法不同，不需要对场景中的背景图像进行建模，而是利用图像序列中像素在时间域上的变化以及相邻帧图像中每个像素之间的相关性，计算得到光流场，进而提取出运动目标。根据所形成的光流场中二维矢量的稠密程度，光流法可以分为稠密光流和稀疏光流。其中，稠密光流计算图像上所有点的偏移量，得到稠密的光流场，可进行像素级别图像配准，但是计算量大、实时性差。稀疏光流只对于有明显特征的点(如角点)进行跟踪，但是计算量小，实时性好。

总体而言，上述经典运动目标检测方法虽然能够在一些场景中有效检测运动目标，但是主要适用于静止摄像头场景。在移动摄像头场景下普遍存在背景干扰噪声增多，小尺寸运动目标难以检测，计算复杂度高等缺点，难以直接应用到运动像头检测运动无人机等复杂场景中，需要进一步改进和研究。

审核编辑：汤梓红