运动目标精确检测算法

《运动目标精确检测算法》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、万方数据2009年第12期计算机系统应用运动目标精确检测算法①AnAccurateDetectionAlgorithmofMovingObjects白雪黄廷磊(桂林电子科技大学计算机与控制学院广西桂林541004)摘要：针对运动目标检测中背景多变和干扰多样的问题，提出了一种运动目标精确检测方法。首先在HSV空间，利用无约束的学习方式迅速建立三向量背景模型，各象素点根据其像素本身的混乱程度采取不同个数的三向量模型进行描述．然后在运动目标检测过程中及时的根据背景变化对背景模型进行更新，同时根据各种干扰的特点，分别实现了光照变化、物体的移入移出和运动目标短暂停留的千扰检测和排除，

2、使背景模型抗干扰性和收敛速度得到有效提高。实验结果表明，该算法准确性高、抗干扰性强。关键词：无约束学习运动目标检测背景建模干扰消除从现实场景中准确的检测出运动目标，在工业控制、机器人视觉、生物组织运动分析等诸多方面具有重要意义。学者们已经提出了很多运动目标检测的算法，目前应用较多的运动目标检测方法可归纳为以下三种：光流法【1，2l、帧间差分法【3．41、背景消减法【5—71。光流法检测准确，但是计算复杂，很难应用的实时视频处理中。帧间差分法运算速度快，对场景中光线的动态变化不太敏感，但目标提取效果差，经常出现检测的运动目标比真实物体大得多的情况。背景消减法实现简单，计算速度

3、很快，可以精确提取运动区域，完全的提供目标数据。然而在实际应用中，很难得到一副“纯净”的背景图像，场景往往存在许多干扰因素使背景发生变化，因此要实现对目标的精确检测，其算法必须具备较强的抗干扰性，主要有以下几个方面的干扰：(1)场景光线亮度变化的干扰；(2)场景中存在非静态的背景像素的轻微扰动；(3)场景中的背景物体移动。但是现存的运动目标检测算法，当背景存在上述干扰时，精度不高或实时性差。因此，本文提出了一种基于无约束学习的运动目标检测算法，在HSV空间建立背景模型，根据背景的混乱程度和各种干扰情况对模型进行更新，在检测速度和效果上都得到了满意的结果。①基金项目：2008

4、年广西研究生科研创新项目(2008105950811M421)收稿时间：2009—03—11背景建模1．1RGB到HSV的彩色转换将RGB颜色空间的图像转化到HSV颜色空间，因为HSV颜色空间较RGB彩色模型更有利于干扰消除。在HSV彩色模型18】中，表示色度；表示饱和度；表示纯度。RGB颜色空间到HSV颜色空间的转化公式为：日：』∞s-1臼／2万肽G(1)【(2n"-cos。e)／2xB>G其中，’9：—坠望些坠坠2、／(R—G)2+(尺一B)(G—B)(2)amax(R，G，B)一min(R，G，B)max(R，G，B)V=max(R，G，B)(3)其中R，G，B分别为

5、RGB颜色空间三个通道的归一化的值。1．2建立背景模型对于从0到T时刻的视频序列，可表示为时间序列瞄，五，⋯，■)={他／，f)，o≤f≤Mo≤_，≤Ⅳ，O

6、s，1，彩色分量。三分量模型的个数由该像素本身的复杂程度来决定。当然三分量模型的个数也不能任意增加，一部分在整个的视频序中出现极少的特征应被替换，算法设定描述某个像素的最大三分量模型的个数为L。。，=5。这样既提高了算法的计算效率，又保证了算法的精确性。1．3背景模型的学习和更新在长时间的视频监控测中，背景模型不可能是一成不变的，因此，需要对背景模型进行更新，以适应背景的变化。①背景模型的学习更新在背景模型的学习阶段本文采用无约束学习的方式。将t时刻的图像输入，像素点J，(f，／，，)，按照叫．i从大到小将匹配，设定经验阈值常量兄，即若满足慨。，一囊_川+hⅣ一s训8+Vi

7、。，--Vt,j,1ll<旯，则与1个模型匹配，若与几个模型的距离都不大于A，则根据距离最小准则。否则，若满足，