基于视频监控的运动图像检测算法研究
罗芳
摘 要：运动图像的检测是目前智能监控技术发展的前沿技术，能够成功地将运动目标从背景图像中检测出来是该智能监控识别系统最关键的一步。文章将传统的图像处理方法运用在运动对象上，通过实验比较，分析背景差分法、光流法和帧间差分法的优点和缺点，为视频监控下的图像缺陷检测或智能识别技术提供一定的参考。
关键词：目标检测；视频监控；运动图像
视频监控识别系统技术是综合多媒体技术、计算机网络、工业控制和人工智能等技术的运用产物[ 1 ]。针对视频监控下动态运动目标的图像进行前期处理分析，从图像中提取感兴趣的运动目标，是智能监控分析系统中的重要过程。
视频监控中的人或动物处于运动状态，检测动态目标的运动状态从技术上分析，国内外主要是利用算法将运动的运动对象从背景中分离出来，但运动目标时刻受到周边环境、运动目标本身及设备等因素影响，所以能将运动对象成功分割出来是智能监控分析系统中一项非常有难度的工作[2]。
运动目标算法的检测已在国内外做了很多年，目前对运动对象检测的算法相对比较成熟，主流的方法主要有：一是利用灰度值的空间分布信息进行图形分割，通过检测对象的突出特征比如边缘、特殊点和线条的灰度值不同进行分割图形，但该方法容易丢失原始图像的信息。二是利用视频的时间序列方法分割图形，该方法建立在固定的背景下，通过时间差或者帧间差进行图形减除运算来完成图形分割，目前常见算法有帧间差分法、光流法及背景减除法，本文将这3种研究算法运用到人体行为检测分割上，并通过实验比较3种算法的优缺点。
1 运动目标检测的算法
1.1 帧间差分法
1.2 光流法
光流法是利用图像运动场的矢量变化来确定运动目标的光流变化，实现运动目标三维场景向二维平面的投影，如图1所示。
2 实验结果及实验分析
本文采用上述3种目标分割算法，对2段运动目标速度不同的视频图像进行检测分割实验，视频A是人体慢步走路的视频，视频B是骑着单车的视频，时速在20Km/h的视频。
2.1 帧间差分法实验结果及实验分析
本文采用连续图像间隔2帧的图像分别对视频A和B进行相减实验，实验结果如图2-5所示。
图2视频A分别取自图像第28帧和第37帧位置进行实验，实验时的帧间运动速度如图4所示第29帧和31帧的速度时间差为62.0296ms；图5视频B中第37帧和39帧的速度时间差为55.2924ms，前者速度缓慢，后者由于运动目标移动速度加快，检测出来结果背景杂质比较多，容易丢失运动目标的特征。图2为视频B在第6帧时候差分检测结果，第6帧与第8帧的速度为3.9463ms，从实验结果分析，视频B的运行速度比较快，导致本文的系统运算速度跟不上小车运行的速度，所以检测结果出现重影，视频的细节动作捕捉不详细，丢失了大部分的信息。
由此判断，帧间差分法对运动物体的速度把握非常重要，当运动目标速度缓慢时，需要增大时间间隔，反之，运动对象速度快时，应当适当选择间隔小时间差。对于视频监控而言，目标运动速度不确定，所以帧间差分法需要根据运动目标的速度进行调整时间间隔，这样会加大系统的运算量，而且现实中不能很好地把握运动目标的运行速度。
2.2 光流法法实验结果及实验分析
视频A采用光流法对运动目标进行检测，实验结果如图6所示。
光流法实验时捕捉到运动目标轮廓的关键运动点，但是丢失了运动区域的大部分细节内容，显然检测效果不佳，而且算法复杂，光流场不容易建立。
2.3 背景减除法实验结果及实验分析
视频A为固定场景和视频B存在飘动的树叶的动态场景，实验时分别用背景减除法进行分析比较。
实验时，以同样的视频采集速度视频A采用背景减除法进行检测，从图7中的检测结果图中出现双重人影，存在一定的干扰缺陷，但人体轮廓非常清晰，检测的图像结果比较完整。但是运动目标的轮廓和细节相比前文的两种算法都比较清晰和完整。图7中的视频B，在动态的背景下，用背景减除法不能消除动态因素产生的干扰，但能完整的检测运动目标。
3 结语
通过3种检测方法的实验比较，而视频监控下的动态行为，在面向不同的应用场所，视频监控背景是动态也可能是固定场所，帧间差分法在运动对象速度比较慢时检测效果最佳，算法简单，对于运行速度较快的运动对象，帧间之间的选取会影响到检测效果；背景减除法在运动对象速度较快时检测效果最佳，适应性强，但对于动态背景的检测处理存在一定的缺陷[5]；光流法对扑捉运动对象的轮廓效果最佳。针对以上3种传统算法的优缺点，如果应用在视频监控下的人体行为检测系统，需要结合三者优缺点进行改进，才能取得更好的动态检测效果。
[参考文献]
[1]杨建全，梁华，王成友.视频监控技术的发展与现状[J].现代电子技术，2006（21）：67-68.
