基于背景重构的运动目标检测算法

合集下载

运动目标检测光流法

运动目标检测光流法一、引言在计算机视觉领域中，运动目标检测是一个重要研究方向，其目的在于从视频序列中分离出运动的目标。

光流法作为其中的一种方法，通过估计像素点的运动矢量来检测运动目标。

本文将详细介绍光流法在运动目标检测中的应用。

二、光流法的基本原理光流法是一种基于像素点运动估计的方法，其基本原理是通过计算图像序列中每个像素点的运动矢量，从而得到运动目标的信息。

光流场是光流法在图像上的表现形式，它反映了图像中每个像素点的运动状态。

光流场的计算可以通过多种方法实现，如基于梯度的方法、基于匹配的方法等。

三、光流法在运动目标检测中的应用在运动目标检测中，光流法的主要应用包括以下几个方面：运动目标的分割：通过计算光流场，可以将运动目标与背景进行分割。

由于运动目标与背景的光流矢量存在差异，因此可以通过设定阈值将运动目标从背景中分离出来。

运动目标的跟踪：利用光流场可以实现对运动目标的跟踪。

通过计算连续帧之间光流矢量的变化，可以估计出运动目标的运动轨迹，从而实现目标的跟踪。

运动目标的识别：通过对光流场的分析，可以提取出运动目标的特征信息，如形状、大小、速度等。

这些特征信息可以用于运动目标的识别，如行人、车辆等。

四、光流法的优缺点分析光流法在运动目标检测中具有以下优点：可以处理复杂背景下的运动目标检测问题；可以实现对运动目标的精确分割和跟踪；可以提取出丰富的运动目标特征信息。

然而，光流法也存在一些缺点：对光照变化敏感：当光照条件发生变化时，光流场的计算结果可能会受到影响，从而导致检测精度的下降；计算复杂度高：光流场的计算涉及到大量的数学运算，因此其计算复杂度较高，难以实现实时处理；对噪声敏感：当图像中存在噪声时，光流场的计算结果可能会受到影响，从而导致检测精度的下降。

为了克服这些缺点，研究者们提出了许多改进方法，如基于深度学习的方法、基于滤波的方法等。

五、结论与展望光流法作为一种基于像素点运动估计的方法，在运动目标检测中具有广泛的应用前景。

变化检测基础论文推荐

变化检测基础论文推荐摘要变化检测的研究对社会经济发展、国防建设、社会治安有着重要的意义，它的应用领域十分广泛，包括遥感图像分析、城市规划、智能监控、医疗诊断和治疗、水下测量等领域,它是目前图像模式识别里面比较经典的一个研究方向。

变化检测是通过对不同时期图像的比较分析，根据图像之间的差异来得到所需要的目标变化信息，来完成最后的检测。

变化检测可以运用于静态目标检测和运动目标检测。

本文详细分析了目前广泛使用的几种变化检测算法，对光流场的计算、基于背景的建模、以及差分方法都进行了一定的研究和讨论，最后采用基于背景差分的变化检测方法。

接着针对背景差分中的背景问题，分开对序列图像的背景建立和背景更新进行研究，在背景建立阶段提出了在空域基于象素灰度出现频率最大值的改进快速算法，完成原始背景的建立；在检测阶段，采用自适应卡尔曼滤波器参数的学习来完成背景的更新和恢复。

紧接着对变化检测中的几种分割算法作了深入的研究和比较，根据差分图像的特点进行了大量的试验，决定在系统中采用基于三峰模型的分割方法。

最后将变化检测分别应用到人脸检测和室外单目标的跟踪场合，根据各种算法的特点和不足，针对具体的场景采用多种算法相结合，取得了不错的试验效果。

关键词：变化检测背景差分高斯模型背景重构运动分割人脸检测跟踪绪论1.1国内外的研究现状目前国内外关于变化检测的算法研究较多，大致可以分为五类：基于特征的运动检测、基于光流技术的运动检测、基于背景建模的方法、背景相减法、时间差分法。

（1）基于特征的变化检测对运动序列图像进行特征提取，然后检测出运动目标。

特征可以是物体的边缘、角点等。

人眼的视觉过程中有一个重要的特点是对梯度变化大的部分比较敏感，总是能最先注意到物体的相交部位，这些部位一般对应于物体的边缘、拐角，因此检这些特征对检测整个运动物体具有重要意义。

特征也可以采用肤色，譬如在人脸检测的时候往往采用皮肤颜色信息对人脸进行定位。

采用基于特征的运动检测往往在运动目标具有某方面比较明显的特征时候非常有效，对于那些目标特征往往不是很明显的时候则往往无能为力。

一种改进的基于背景差分的运动目标检测方法

ｄｆｅｅｃｔｏｏｂｅｔｄｔｃｉｎｉｒｎｅｍｅｈｄｆｒｏｊｃｅｅｔｏ．Ａｔｔｅｓｍｅｔｍｅｔｅｂｃｇｏｎｐａｉｇａｇｒｔｍｓｎｉｒｒｈｃｌｂｔｅｏｕｉｎｔｅｆｈａｉｈａｋｒｕｄｕｄｔｌｏｉｎｈｕｉｇｈｅａｃｉａｅｔｒｓｌｔｈｏ
“
ｓａ ” ｎｈａｇ — ｃｌｈｎｅｎｉｕｎｔｏｏｄｔｎ，ｎｌｍｅｒａｄｔｅｌｒｅｓａｅｃａｇｓｉｌｍｉａｉｎｃｎｉｏｓＦｉａｌｌｉｙ，ｔｅｐｐｒｐｏｏｅｉｌｌｏｉｈｔｏｖｈｒｂｅｈａｅｒｐｓｄａｓｍｐｅａｇｒｔｍＯｓｌｅｔｅｐｏｌｍ
运动目标检测就是从整幅场景图像中把感兴趣的运动目标检测出来。是后续的各种高级处理，目标它如跟踪、目标分类及行为分析的基石，也是视频监控系统
动等影响较大并且不能很好地解决 “ 拖影 ” 和背景区域
大面积变化等问题。对以上问题，针本文在对图像前期和后期进行处理的基础上对背景差分法的关键部分：
ｐｘｌｎｅｓｔｌｓｉｃｔｎａｄｔｅｓｎｌｕｓａｄｌａｅａｋｒｕｄｒｃｎｔｕｔｎａｇｒｔｍ，ＴｈｎｕｅｈａｋｒｕｄｉｅｔｎｉｃａｓｆａｉｎｈｉｇｅＧａｓｉｎｍｏｅｓｄｂｃｇｏｎｅｏｓｒｃｉｌｏｉｈｉｙｉｏｂｏｅｓｄｔｅｂｃｇｏｎ

基于DWT的自适应在线聚类运动目标提取方法

ｂ光流法 ’ ）。它检测运动物体的基本原理是：给图像中的每一个像素点赋予一个速度矢量，形成一个图像运动场，在
收稿日期：２１一１１０２Ｏ．３；修回日期：２１．２２０２０ — ５
（１Ｋｏ８）１Ｊ１ｏ
的研究，出了许多行之有效的方法。这些方法主要可分为两提大类：）ａ建立背景模型并采用自适应方法对模型参数进行调整，从而获得新的背景图像，括非参数模型法、包混合高
基金项目：国家自然科学基金资助项目（１００５；西省教育厅专项科研计划６１２９）陕
ＡｂｓｒｔＢａｅｎｔｅｈｐｏｈｓｓｔａｈｃｒｕｎｉｅｎｅｓｔｐａｓｉｍａｅｓｑｎｅｗｉｈｍａｉｍｏａｉｉｙ，ｔａｃ：ｓｄｏｈｙｔｅｉｈｔｔｅｂａｋｇｏｄｐｘｌｉｔｎｉａｐｅｒｎｉｇｅｕｅｃｔｘｍｕｐｒｂｂｌｔｙ
ａｏｔｂｕ，ｍｕ —ａｇｔｏｉｇ．ｈｉｔｒｅｓｍｖｎ
ＫｙｗｒｓＷＴｄｓｒｔｗｖｌａｓｒ；ｉｌｃｓｒｇａｋｒｕｄｒｃｎｔｃｏ；ｏｉｇｔｇｔｅｔｃｎｅｏｄ：Ｄ（ｉｅａｅｅｔｎｆｍ）ｐｘｓｌｔｉ；ｂｃｇｏｎｅｏｓｕｔｎｍｖｎｅｘｒｔｇｃｅｔｒｏｅｕｅｎｒｉｒａｓａｉ
灰度值（，）的直方图１１点灰度值（１６）的直方图７，８点

改进的基于高斯混合模型的运动目标检测算法

ｒｌａｄｅｕｅｎｎｗＧａｓｉｎｉｔｉｕｉｎｅｅａｉｎｕｅｕｉｇｈｍｏｅｕｄｔ．ｈｅｐｒｅｔｌｅｕｔｄｍｏｓａｅｈｉｕｓａｄｓｒｔｇｎｒｔｒｌｄｒｎｔｅｂｏｏｄｌｐａｅＴｅｘｅｉｎａｒｓｌｍｓｅｎｔｔｔｅｍ－ｒ
Ｌｎ，ＨＡＯＸｕｊｅｍｐｏｅｖｎｂｅｔｄｔｃｉｎａｇｒｈｂｓｄｏｕｓｎｍｉｔｒｄ１ｍｐｔｒＥｇ－ＩＭｉｇＺｎｉＩｒｖｄｍｏｉｇｏｊｃｓｅｅｔｌｏｉｍａｅｎＧａｓｉｘｕｅｍｏｅＣｏｕｅｎｉ．ｏｔａ．
ｎｅｉｇａｄＡｐｌａｉｎ，０１４（）２４２６ｅｒｎｎｐｉｔｓ２１，７８：０ —０．ｃｏ
Ａｂｔａｔｎａｖｄｏｓｒｅｌｎｅｓｓｍｔｔｔａｒｓｔｅｍｏｉｂｅｔ’ｒｓｎｅｄｒｇｔｅｉｉａｉｔｎｔｈｒ－ｓｃ：Ｉｉｅｕｖｉａｃｙｔｗｉｓｉｃｍｅａ，ｖｎｏｊｃｓｐｅｅｃｕｉｈｎｔｌａｉｏｔｅｔｒｌｅｈａｃｈｇｎｉｚｏａｄｔｎｌｍｏｉｇｏｊｃｅｅｔｎａｏｔｍａｅｎＧａｓｉｘｕｅｍｏｅｏｅｅｕｓｉｔｅｌｗｃｎｅｇｎｅｓｅｄＴｉｏａｉｖｎｂｅｔｄｔｃｏｌｒｈｂｓｄｏｕｓｎｍｉｔｒｄｌｆｎｒｓｌｎｈｏｏｖｒｅｃｐｅ．ｏｓｉｇｉａｔｔ
ｉｃｅｓｔｅｎｒａｅｈｍｏｅｃｎｅｇｎｅｓｅｄ，ｎｍｐｏｅｄｔｃｉｎｌｏｉｍｉｐｅｅｔｄＴｈｉｒｖｄｄｌｏｖｒｅｃｐｅａｉｒｖｄｅｅｔａｇｒｈｏｔｓｒｓｎｅ．ｅｍｐｏｅｍｅｏＵｅｏ —ｉｅｈｔｄＳＳｎｌｎＫ－ａｓｃｕｔｒｎａｇｒｔｍｏｉｉａｉｅｈｍｅｎｌｓｅｉｇｌｏｉｈｔｎｔｌｔｅｍｏｅ．ｌｏａｅｅｍｅｏｙｐｃｗｉｈｍｐｏｅｎｏｈｔｈｎｉｚｄ１ｔａｓｓｖｓｔｍｒｓａｅＩｈｔｔｅｉｒｖｍｅｔｔｔｅｍａｃｉｇｈ

基于背景重构的运动目标检测算法研究与应用

文章编号：０２８３（０７１ — １９０文献标识码：中图分类号：Ｐ９１０ — ３１２０）６０９ — ３ＡＴ３
ｌ前言
车辆检测是智能交通中经常用到的功能．目前的车辆检测方法主要有地感线圈检测、频检测、波检测、光检测等方视微激法，中，感线圈检测方法因其成本低、度高、能稳定、其地精性抗干扰能力强等优点而得到广泛应用。其缺点是需要切割路面，不仅工程量大、响交通、响美观．且切割后的路面容易损影影而坏；频检测虽然克服了地感线圈检测方法的缺点，用方便，视使其单独使用或与地感线圈混合使用的面越来越广；波检测和微
维普资讯
Ｃｍｕｅ，ｅｒｇａｄＡｐｉｔｎｏｐｔｒＥｎｅｉｎｐｌａｉｓ计算机工程与应用ｎｃｏ
２０，３１）０７４（６
１９９
基于背景重构的运动目标检测算法研究与应用
２视频运动目标检测过程２１背景模型建立．
比较相邻帧图像会发现背景像素点是随时间缓慢变化的，
在一定的时间里差别不大，合高斯分布［而运动目标变化区符９１，
域对应的像素点变化很大．此．以对选取的背景帧的每一因可个像素点利用高斯模型建模。假设在一定的时间段里．同由

一种高速密集视频监控场景背景重构方法

Ｂａｒｏｔｇ
（，）一÷［ｆ１（一）Ｂ
（，）（，）＋ｚ］
（）１
该算法的特点是模型简单、算方便。是，计但在
实际应用中，往是图像中的某些区域有亮度高的往运动目标，而某些区域有亮度低的运动目标经过，
３７４
用自适应方法对模型参数进行调整，而获得新的从背景图像；２从过去的一组观测图像中按照一定（）
的假设选择像素灰度构成当前的背景图像。在第１
问题之一，运动目标检测算法的基础。因此出现是了许多致力于背景模型［］５的研究，以期减少动态场景对于准确分割的影响，里主要介绍两种较普这遍使用的技术，而不包括那些需要特殊视频资源和复杂参数设置的背景模型，并设所讨论的场景序为
｛（，）。ｚ）
类方法中，献［—］文５７采用高斯及其线性组合进行背景建模；ｄｅＥ等人对背景图像中的每个像素Ｒｉｄｒ］。
进行Ｋａｍａｌｎ滤波，系统在光线发ｒａｇｕ９Ｈａｉｏｌ［等人提出的采用最大值、ｔ最小值与最大帧间变化建立背景模型的Ｗ４算法。上述方法都需要进行模型初始化（文献［ｏ中称为在１］
基金项目：国家自然科学基金（０７０２资助项目。１７１２）收稿日期：０１０ — ３修订日期：０１１－２２１ —３０；２１ — １０

403 Forbidden-4页精选文档

403 Forbidden视频检测技术[1]作为智能交通管理系统的核心，已成为一个热门的研究领域。

视频检测技术通过对视频图像的检测与识别，可以对道路交通流、路况等实时监控，提取车流量信息（车流量、车速等），实现对道路车辆状况的智能化监控。

常用的基于视频的运动目标提取[2]算法有：灰度等级法、帧间差分法、背景差分法等等。

背景差分法由于具有算法简单、计算量小和不容易产生空洞等优点，在视频检测技术中得到广泛应用。

背景差分法是一种最为简单和有效提取运动前景的方法，完全克服帧间差分法的缺点，故提背景提取算法以及背景更新策略是该算法的核心内容。

在传统背景重构算法中，基于统计的灰度归类算法[3]由于实现简单得到较为广泛的应用。

但是其算法复杂度随着训练帧数和帧分辨率的增加呈线性增长，这在实时交通视频处理中不能得到较为广泛的应用。

由于灰度归类算法对像素点采用一视同仁的方式处理，这在计算上造成了极大的冗余。

于此，本文提出快速自适应灰度归类算法以降低灰度归类算法的复杂度。

1快速自适应灰度归类算法1.1背景重构算法本文根据如下准则重定义前景像素点和背景像素点：在视频图像序列中，所有出现过运动前景的像素点称为前景像素点F（x，y）、未出现过运动前景的像素点称为背景像素点B（x，y），x，y为像素点的横纵坐标，k 为样本序列的第k帧。

本文借鉴帧间差分法的思想，它是基于背景像素点的灰度值和位置都不变这一原则来检测前景运动目标的，通过对不同时刻的2幅图像进行差分运算得到差分图像。

在实际计算过程中，差分是指将两帧相邻目标图像逐点相减，形成差分图。

帧间差分法能够大致估计存在于两帧图像中的前景像素点，但它利用相关性极强的相邻帧序列进行检测，运动前景在相邻两帧的位置相距较近，帧差图像中容易产生孔洞，导致将前景像素点F（x，y），误判为背景像素点B（x，y），导致提取的背景参考帧中含有运动前景。

综上所述，本文提出快速自适应灰度归类算法重构背景，基本思想是在视频序列中选取相距较远的两帧差分将图像像素分为F（x，y）、B（x，y）,然后保留B（x，y），对前景像素点F（x，y）进行统计分析，得出背景像素点灰度值。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

第20卷第6期重庆邮电大学学报(自然科学版)Vo.l 20 No .62008年12月Journal of Chongq i ng Un i versity of Posts and Te leco mm un i cations(Natu ral Sc ience E d iti on)D ec .2008基于背景重构的运动目标检测算法收稿日期:2008-05-05 修订日期:2008-10-23基金项目:重庆市重点自然基金项目(CS TC,2008BA1008)董文明1,吴乐华1,姜德雷2(1.重庆通信学院信号与信息处理实验室,重庆400035;2.重庆通信学院图像通信实验室,重庆400035)摘要:针对背景差分算法中的参考帧提取问题,引入动态时间弯折(DTW )算法,给出了一种新的基于块的背景重构方法。

该算法根据相邻两帧图像所对应的背景区域灰度变化不大的特点,利用DTW 算法从帧中提取出背景区域所对应的块,再确定出背景帧。

仿真结果表明,即使是在图像存在几何畸变和部分像素点缺省的情况下该算法仍能准确地重构背景,实现对运动目标的提取。

关键词:运动物体检测;背景差;背景重构;DTW 算法中图分类号:TP391 文献标识码:A文章编号:1673-825X (2008)06-0754-04M ovi ng object detection algorith m based on background reconstructi onDONG W en -m ing 1,WU Le -hua 1,JI A NG D e -lei2(1.S i gnal and Infor m ati on Proces s i ng Lab ,Chongq i ng C o mm un i cati on Insti tute ,Chongqi ng 400035,P .R .Ch i na ;2.I m age Comm un i cati on Lab,Chongqi ng Comm un i cati on In stitute ,Ch ongq i ng 400035P .R .C h i na)Abstrac t :A i m ed at the proble m o f obta i n i ng backg round fra m e i n backg round subtracti on a l gor ith m,a new m ethod based on backg round reconstructi on is presented by us i ng t he dyna m i c ti m e w arp i ng (DTW )algorith m.Based on the feature t hat the va l ues o f background a re a l m ost the sa m e ,and usi ng the DTW algor i th m to get t he b l ock o f background fro m the fra m e ,the background frame w as bu ilt .S i m ulati on results show tha t the background can be reconstructed even the p i cture i s t w is -ted or som e pi x el is N a N,and t he ta rget can be ex trac ted .K ey word s :mov i ng object detecti on ;background subtrac ti on ;backg round reconstructi on ;DTW algor it h m0 引言从视频序列中检测出运动物体是计算机视觉和图像编码等应用领域的一个重要研究内容,目前已成为热点研究问题[1]。

准确地将运动物体从视频图像中分割出来是许多智能视频监视系统(视频监视,交通自动监控)、人体检测与跟踪等后续处理的基础。

目前,常见的运动目标检测算法有3类:光流法[2]、相邻帧差法[3]、背景差法[4]。

近年来,人们对如何实现背景图像的重构和更新问题进行了大量的研究,主要的方法分为2类:第1类是通过建立背景模型的方法实现[5];第2类是从过去的参考图像中按照一定的假设选择像素灰度构成当前的背景图像[6]。

基于块的背景重构方法是将整帧图像分成M @N 大小的子块,对每一子块进行判别,可以在较短时间内逐块地恢复背景。

文献[5]中介绍了一种利用高阶累计量理论、图像能量以及块处理技术进行背景重构的方法。

这种基于块处理技术的背景重构算法所需帧数较小,重构结果比较理想。

但是,算法中作为约束条件之一的四阶累计量的计算相对比较复杂,并且四阶累积量的实验门限值与理想门限值相差很大,实际情况下不好确定。

鉴于此,在背景提取阶段,本文中我们给出一种新的基于块的背景重构算法,该算法通过迭代实现,不涉及阈值选取问题。

1 运动目标检测过程1.1 基于块的背景重构算法在进行运动物体检测时,一种常见的情况是摄像机处于静止状态,并且镜头焦距是固定的,此时,图像中的背景区域固定不动。

这种情况下,相邻两帧图像之间,背景区域的灰度值基本没有变化,而运动物体所对应区域的灰度值变化相对较快。

每幅图像都由2类区域组成:一类是背景区域,由灰度变化较小的像素点组成;另一类是前景区域,由灰度变化较大的像素点组成。

本文中的算法是从一组观察数据中,按照一定的检测准则,选择一定的像素块构成当前的背景参考图像。

假设每隔一段时间采集一帧图像,收集一段时间(0,,,t)内获得的图像f 0,,,f t 分别将相邻2帧图像f k (x,y )和f (k+1)(x ,y )(k 为帧序0,,,k -1)按从上到下,从左到右的空间顺序分成大小为ro w @co l(row 为子块行数,col 为子块每行像素数)的图像子块集合{FK (i ,j ,k )}h @wi=1,j=1和{FK (i ,j ,k +1)}h @wi=1,j=1(h @w 为子块总数),如图1所示。

图1 图像子块划分关系F i g .1 Partiti on of i m age sub -b l ock本文采用动态时间弯折算法(dyna m ic ti m e w ar -pi n g ,DTW )算法[6]对相邻2帧图像的对应子块作匹配计算。

通常我们都假设所拍摄到的图像没有发生几何畸变。

事实上,由于一些不稳定因素的影响,实际拍摄的图像(特别是一些遥感图像)往往会产生几何畸变[7]。

对于一些视频流解码所得的图像也通常会存在一些像素点的失真。

而DTW 算法很好地解决了几何畸变及像素点失真对重构背景帧的影响。

假设相邻2帧图像对应子块的特征向量分别为I k :(i 1,,,i m )和I k+1:(r 1,,,r n )。

如果I k 中得到的特征向量不存在缺少像素点或出现过多像素点等情形,只需将其与I k+1中连续的m 个元素相对比即可。

在规正过程中将向量I k 与I k+1均延长到10000。

I c k =10000@I k E m i=1I k ,I c k+1=10000@I k+1E mi=1I k+1(1)(1)式中:|#|表示向下取整。

在随后的比较过程中使用向量I c k 和I c k+1计算相邻2帧图像对应块之间的距离。

将长度放大的目的是在随后的DTW 算法中采用整数运算以提高速度,同时精度也得到相应的提高。

若规正的过程中将其延长至100,由于精度不高,重构出的背景参考帧不完整。

实验表明延长至10000即可达到很好的效果。

为了描述方便,将规正后的2个向量仍分别用I k :(i 1,,,i m )和I k+1:(r 1,,,r n )表示,然后采用DT W 算法计算两者的距离。

当相邻帧对应图像块的特征向量的长度不相等时,我们引入代价因子,|r j-1+r j -i k |+G 1和|i j-1+i j -r k |+G 2。

该算法的边界条件如(3)式所示D (j ,0)=0,j =0,,,mD (0,k )=0,k =0,,,n(3)DT W 最优路径的代价是D (m,n),也称为DT W 距离。

对于采集的k +1帧图像f 0-f k ,寻找相邻2帧图像的最小DTW 距离所对应的子块位置(i ,j)及当前的帧号k 。

最后将不同位置的子块组合就实现了背景的重构,背景重构过程如图2所示。

图2 背景的重构过程图F ig .2 Background rebu il d i ng process diag ram1.2 运动物体的检测及后处理背景差方法的基本思想就是当前每1帧图像与事先存储或实时得到的背景图像中对应像素点作差,若像素差值大于一定的阈值则判断为运动目标的像素点。

若将背景参考帧中像素点的灰度值记为B (i ,j),当前帧图像中对应位置的像素点的灰度值#755#第6期董文明,等:基于背景重构的运动目标检测算法记为f(i ,j ),差值记为d (i ,j )=|f (i ,j)-B (i ,j)|,则检测规则如公式(4):M (i ,j )=1if ifd (i ,j)<T d (i ,j)\T(4)(4)式中:T 为灰度阈值。

目前,T 的选取主要是靠经验。

由于噪声的影响,往往会使一些本属于背景区域的像素点被检测为运动区域,也可能会使运动目标内的部分区域被漏检。

另外,背景的扰动,如树枝、树叶的轻微摇动,会使这部分也被误判断为运动目标,为了消除这些影响,首先对上一步的检测结果M (i,j)用形态学的方法进行处理[8],再找出M (i,j)经形态学处理后的连通域,计算每个连通域中的面积,对于面积小于一定阈值的区域,将其抛弃,不看作运动目标。

我们使用3@2的矩阵算子,首先对图像进行形态闭合运算,然后进行形态开操作,从而填充图像内部的空洞,删除图像中误检的噪声点。