融合光流速度与背景建模的目标检测方法_张水发
光流法和显著性相结合的动态背景下运动目标检测方法
光流法和显著性相结合的动态背景下运动目标检测方法随着计算机视觉和深度学习技术的不断发展，运动目标检测成为了计算机视觉领域中的一个重要研究方向。
在实际生活中，通过视频监控系统进行运动目标检测是非常常见的需求，因此如何准确地检测出视频中的运动目标成为了一个具有挑战性的问题。
在动态背景下进行运动目标检测更加具有挑战性，因为背景的变化会对检测结果产生影响。
在这样的背景下，结合光流法和显著性检测技术可以提高运动目标检测的准确率和鲁棒性。
光流法是一种常用的用于检测视频中运动目标的方法，它通过分析连续帧之间的像素位移来推断出目标的运动轨迹。
光流法可以较准确地检测静止或缓慢移动的目标，但在动态背景下，由于背景的干扰，光流法容易产生误检测。
结合显著性检测技术可以有效提高运动目标检测的准确率。
显著性检测技术是一种用于分析图像或视频中显著目标的方法，通过计算像素的显著性值来确定图像中的显著目标。
在动态背景下，显著性检测可以帮助过滤掉背景中的干扰，从而使得光流法可以更好地检测出运动目标。
对视频帧进行显著性检测，得到每一帧图像中的显著性目标。
然后，对显著性目标进行目标跟踪，通过光流法计算目标的运动轨迹。
接着，利用背景差分的方法将运动目标和背景进行分离，得到运动目标的区域。
对运动目标的区域进行形态学处理和目标检测算法，得到最终的运动目标检测结果。
光流法和显著性相结合的动态背景下运动目标检测方法具有重要的实际意义和研究价值。
通过进一步的研究和实验，可以进一步提高该方法的准确率和鲁棒性，推动运动目标检测技术的发展。
相信在未来的研究中，这一方法将会得到更加广泛的应用和推广。
浅谈运动目标检测的基本方法
、
能获取完整 的运 动 目标区域 ，只能提取 出运 动 目标的大致边 界和位置 ，无法 检测 出两帧 间的重 叠区域，容易产生 目标 内 部 的空洞现象。 上面是用相邻两帧做差分来检测 目标 ，叫做二帧差分法 ， 为 了克服二帧差分法存在的不足，介绍一种它的改进算法一三 帧差分法 。三帧差分法是通过对相邻 的三帧 图像的处理来检测 目标，它的计算方法是分别计算前两帧图像和后两帧 图像的差 值 图像并对得到的两个差分 图像做二值化处理，然后将两个二 值 图像进行与运算 ，从而得到运动 目标的图像。三帧差分法的 检测结果包含了当前帧运动 目标 的边界点 ，因此轮廓信息 比二 帧差分法得到的运动 目标更为准确，避免 了二帧差分法在检测 中的空洞现象，是一种稳定性高 ，易实现 的检测方法。 三 、 光 流法 在运动 目标检测 的方法 中，光流法是具有代表 性的方法 ， 它 计算的是运动 目标 的光 流特 性，光流是物体表面 上的每个 像 素点所产生 的像素运动 的瞬时速度场 ，它主要研 究图像灰 度 在 每 一 时刻 的变 化 及 其 物 体 动态 行 为 的信 息 。 光流法 的基本 思想：假设视频序列 图像 中的每一个像素 点有一个速度矢量 ，也就 是光流矢量 ，它是 图像 平面上 的灰 度 瞬间变化率 ，若光 流矢 量是连续变化 的，说 明图像中没有 运 动 目标 ；若光流矢 量的变化不是连续 的，说 明运 动 目标所 形成的矢量和背景 的矢量不 同，即图像 中存在运动 目标 。 光流法 的优 点是能够将独立运动 的 目标检 测 出来 ；缺 点 是计算量大 ，对 电脑 的硬件要求较高 ，受光照变 化等外界条 件的干扰 ，计算 的准 确性会受到影响 。光流 的计算方法有基 于梯度 的方法 、基 于频域的方法和基于 匹配的方法 。在一些 环境变化较大 的场 景中可将三种计算方法 中的两种或三种一 起使用，提 高检测 的准确性 。
《2024年基于光流法的运动目标检测与跟踪技术》范文
《基于光流法的运动目标检测与跟踪技术》篇一一、引言随着计算机视觉技术的不断发展，运动目标检测与跟踪技术在智能监控、自动驾驶、人机交互等领域得到了广泛应用。
其中，光流法作为一种重要的运动目标检测与跟踪技术，因其能实时、准确地捕捉运动目标的轨迹和位置信息，被广泛地应用于各种实际应用场景中。
本文将介绍基于光流法的运动目标检测与跟踪技术的基本原理、方法及最新进展。
二、光流法基本原理光流法是利用图像序列中像素强度变化信息来检测运动目标的一种方法。
它通过分析图像序列中像素点的亮度变化情况，从而确定各像素点的运动矢量，即光流。
根据光流的大小和方向，可以确定图像中运动目标的轨迹和位置信息。
光流法具有计算简单、实时性较好等优点，在运动目标检测与跟踪中得到了广泛应用。
三、光流法在运动目标检测中的应用1. 背景建模与去除：通过光流法对图像序列进行背景建模，将背景与前景分离，从而实现对运动目标的检测。
该方法可以有效地去除背景噪声，提高运动目标检测的准确性。
2. 动态阈值设定：根据图像序列中像素点的光流大小和方向，设定动态阈值来区分运动目标和背景。
这种方法能够根据实际情况自动调整阈值，从而提高运动目标检测的鲁棒性。
3. 轮廓提取：利用光流矢量场对图像进行分割，提取出运动目标的轮廓信息。
这种方法可以有效地提取出运动目标的形状特征，为后续的跟踪和识别提供基础。
四、光流法在运动目标跟踪中的应用1. 特征点匹配：通过光流法计算的特征点与已知的特征点进行匹配，实现运动目标的跟踪。
该方法具有较好的鲁棒性，适用于复杂的场景和光照条件变化。
2. 基于区域的跟踪：利用光流场估计的区域内像素点的动态信息，对运动目标进行区域性跟踪。
该方法能够提高跟踪的准确性和稳定性，减少因噪声和遮挡等因素导致的跟踪失败。
3. 多线索融合：将光流法与其他传感器数据（如深度信息、声音信息等）进行多线索融合，实现多模态的跟踪方法。
这种方法能够提高跟踪的准确性和可靠性，适用于多种复杂场景。
《2024年基于光流法的运动目标检测与跟踪技术》范文
《基于光流法的运动目标检测与跟踪技术》篇一一、引言在计算机视觉和智能监控领域，运动目标检测与跟踪技术是一项至关重要的技术。
该技术通过实时获取并分析视频序列中的图像信息，对运动目标进行准确检测与跟踪，进而实现目标识别、行为分析、异常检测等功能。
光流法作为一种经典的运动目标检测与跟踪方法，具有广泛的应用前景。
本文将重点介绍基于光流法的运动目标检测与跟踪技术，分析其原理、方法及优缺点，并探讨其在实际应用中的发展前景。
二、光流法原理光流是指图像中像素点在单位时间内运动的速度和方向。
光流法基于图像序列中像素强度的变化来计算光流，从而实现对运动目标的检测与跟踪。
其基本原理是：在连续的视频帧之间，如果某个区域发生运动，那么该区域的像素强度变化将与周围区域产生差异。
通过分析这些差异，可以确定运动目标的轨迹和位置。
三、光流法在运动目标检测中的应用基于光流法的运动目标检测方法主要包括以下步骤：首先，通过计算图像序列中像素的光流，得到每个像素的运动矢量场；然后，根据预设的阈值或其他条件，从运动矢量场中提取出运动目标的轮廓信息；最后，通过形态学处理等手段对提取出的轮廓信息进行优化和整合，得到完整的运动目标区域。
该方法可以有效地从背景中分离出运动目标，为后续的跟踪和分析提供基础。
四、光流法在运动目标跟踪中的应用基于光流法的运动目标跟踪方法主要利用光流信息对运动目标进行连续的定位和跟踪。
具体而言，首先在初始帧中检测并确定运动目标的初始位置；然后根据后续帧中的光流信息，计算目标在连续帧之间的位置变化；最后通过一定的算法对目标的轨迹进行预测和更新，实现目标的跟踪。
该方法可以有效地解决因背景干扰、光照变化等因素导致的跟踪问题。
五、光流法的优缺点及改进方向优点：1. 适用于各种类型的运动目标，包括刚性物体和非刚性物体；2. 可以处理背景动态变化的情况；3. 在没有先验知识的情况下，能够自主地检测和跟踪运动目标。
缺点：1. 计算量大，实时性较差；2. 对光照变化和噪声较为敏感；3. 在复杂场景下，容易出现误检和漏检的情况。
《2024年基于光流法的运动目标检测与跟踪技术》范文
《基于光流法的运动目标检测与跟踪技术》篇一一、引言在计算机视觉和智能监控领域，运动目标检测与跟踪技术是研究热点之一。
其中，基于光流法的运动目标检测与跟踪技术因其高效、实时和准确的特性而备受关注。
本文将详细介绍基于光流法的运动目标检测与跟踪技术的原理、方法及其应用。
二、光流法的基本原理光流是一种描述图像序列中像素点强度变化的技术。
在运动场景中，光流反映了像素点在时间维度上的运动轨迹。
基于光流法的运动目标检测与跟踪技术，主要是通过计算图像序列中像素点的光流信息，进而确定运动目标的轨迹和位置。
三、光流法的计算方法光流法计算的基本思想是假设在相邻两帧图像中，像素点的运动速度是连续的。
根据这个假设，可以计算出每个像素点的速度矢量，即光流。
常用的光流计算方法包括稀疏光流法和稠密光流法。
稀疏光流法主要关注图像中的特征点，通过匹配特征点来计算光流；而稠密光流法则计算图像中每个像素点的光流信息。
四、运动目标检测与跟踪技术基于光流法的运动目标检测与跟踪技术主要包括以下步骤：首先，通过计算图像序列中每个像素点的光流信息，得到图像的运动场；然后，根据运动场的分布和特性，检测出运动目标的位置和轨迹；最后，利用一定的跟踪算法，对运动目标进行持续跟踪和轨迹预测。
五、技术应用及优势基于光流法的运动目标检测与跟踪技术在智能监控、智能交通、人机交互等领域有着广泛的应用。
其优势在于能够实时、准确地检测和跟踪运动目标，对光照变化、遮挡等复杂场景具有较强的适应性。
此外，该技术还能为后续的目标识别、行为分析等提供可靠的数据支持。
六、技术挑战与展望尽管基于光流法的运动目标检测与跟踪技术取得了显著的成果，但仍面临一些挑战。
例如，在处理高动态场景、多目标交互等复杂情况时，算法的实时性和准确性有待提高。
未来，该领域的研究将围绕提高算法的鲁棒性、降低计算复杂度、融合多源信息等方面展开。
同时，随着深度学习、机器学习等技术的发展，基于光流法的运动目标检测与跟踪技术将更加智能化和自动化。
光流法和显著性相结合的动态背景下运动目标检测方法
光流法和显著性相结合的动态背景下运动目标检测方法
光流法是一种用于计算图像序列中像素运动的方法。
它通过分析邻近帧之间的像素强度变化来估计每个像素的运动向量。
在运动目标检测中，光流法可以用于提取目标的运动信息，从而帮助我们区分目标与背景。
在复杂的动态背景下，光流法可能会受到干扰，导致运动目标的检测效果较差。
为了解决这个问题，可以引入显著性检测技术。
显著性检测可以帮助我们识别图像中的显著目标，即那些在视觉上能够吸引人的物体或区域。
通过结合光流法和显著性检测，我们可以更准确地检测出动态背景下的运动目标。
1. 视频预处理：首先对输入的视频进行预处理，包括帧间差分、帧间滤波等操作，以减少动态背景对目标检测的干扰。
2. 光流计算：使用光流法计算图像序列中每个像素的运动向量。
常用的光流计算方法有Lucas-Kanade光流和Horn-Schunck光流等。
3. 显著性检测：对光流计算结果进行显著性检测，以提取出运动目标。
常用的显著性检测方法有基于颜色、纹理和频域等特征的方法。
5. 目标分割：根据光流计算的结果，对运动目标进行像素级的分割，以获取更精确的目标检测结果。
6. 结果融合：将目标检测和分割的结果进行融合，得到最终的运动目标检测结果。
通过光流法和显著性相结合的动态背景下运动目标检测方法，可以提高在复杂环境中的目标检测准确率和鲁棒性。
这种方法不仅可以应用于视频监控、交通监测等领域，还可以用于自动驾驶、机器人导航等领域，具有广泛的应用前景。
光流法运动目标检测
光流法运动目标检测光流法是一种计算机视觉的方法，用于检测视频中的目标运动。
它通过分析连续帧之间的像素变化，获得目标在时间上的位移信息。
本文将介绍光流法的原理、优缺点以及在目标检测中的应用。
光流法基于一个假设：相邻帧之间的像素强度保持不变。
根据这个假设，光流法找出当前帧中的每个像素，在下一帧中的对应位置。
这个对应位置的偏移量就是该像素的光流向量。
在光流法中，最常用的算法是Lucas-Kanade算法。
该算法基于最小二乘法，使用了窗口特征和局部性质。
首先，选择一个窗口大小，在当前帧和下一帧中找到窗口内的特征点，并计算它们的灰度差。
然后，根据灰度差和窗口的局部性质，用最小二乘法求解光流向量。
光流法有许多优点，使其成为目标检测中常用的技术之一。
首先，光流法只需要计算相邻帧之间的像素变化，不需要额外的训练过程，因此计算速度较快。
其次，光流法对目标运动的估计较为准确，能够捕捉到细微的移动，例如运动模糊或者快速的目标运动。
此外，光流法还具有较好的鲁棒性，对光照条件的变化和背景杂乱的情况具有一定的容忍度。
然而，光流法也有一些限制。
首先，光流法假设相邻帧之间的像素强度保持不变，这个假设在一些情况下并不成立，例如光照变化或者背景混杂的情况下。
此外，想要获得准确的光流向量需要选择合适的窗口大小和特征点，这个过程对于不同的视频可能需要调整参数，不够智能化。
在目标检测中，光流法常被用于场景分析、目标跟踪和行为识别等任务中。
在场景分析中，光流法可以根据目标的运动信息，进行场景的聚类和分割，帮助检测出不同的目标区域。
在目标跟踪中，光流法可以追踪目标的运动轨迹，提供目标位置的估计。
在行为识别中，光流法可以提取目标的动作特征，用于动作识别和行为分析。
综上所述，光流法作为一种计算机视觉的方法，在目标检测中具有重要的应用。
它能够根据连续帧之间的像素变化，获得目标的运动信息，用于场景分析、目标跟踪和行为识别等任务中。
虽然光流法存在一些限制，但其优点使其成为目标检测中常用的技术之一。
结合单高斯与光流法的无人机运动目标检测
计算机系பைடு நூலகம்应用
在无人机视频监控场景中, 当前用于动态背景的 运动目标检测方法主要有两类, 分别为背景运动补偿 和光流法[2].
背景运动补偿的目的是将摄像机运动导致的背景 运动去除. 利用相邻帧图像中背景对应的特征点匹配 来估计背景运动模型的参数[3], 并根据计算得到的全局 运动参数计算出当前帧中每个像素的移动速度, 预测 该像素在下一帧图像中的位置, 将目标的检测转化到 静止背景条件下. 文献[4–7]通过建模从前一帧到当前 帧的背景模型, 来适应由相机运动造成的背景动态变 化, 分别取得了不错的效果, 但是它们都没有考虑所需 的计算资源, 很难在无人机平台上达到实时的效果. 在 此基础上, 文献[8,9]提出了改进的方法, 减少了检测时 间, 但仍无法满足移动计算平台的实时性要求. 文献[10] 进一步通过利用单高斯模型对图像块进行背景建模的 方法来降低时间开销, 有效地提高了运动目标检测的 效率, 但是对光照变化较为敏感, 当光照条件发生变化 时, 检测效果大打折扣.
人机所载重量有限, 需要在受限的计算资源条件下, 实 现近乎实时的检测效果. 此外, 在无人机视频监控场景 中, 不仅待检测目标是运动的, 摄像机也是运动的, 容 易造成前景与背景的混淆. 并且, 由于摄像机的运动、 天气的变化等因素, 光照条件极易发生改变 (甚至突 变), 这进一步增加了目标检测的难度.
引用格式: 范长军,文凌艳,毛泉涌,祝中科.结合单高斯与光流法的无人机运动目标检测.计算机系统应用,2019,28(2):184–189. /1003-3254/6737.html
Detection of Moving Objects in UAV Video Based on Single Gaussian Model and Optical Flow Analysis
- 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)。
运动目标检测得到的二值图像 , 白色部分表示运动
目标 。 从检测结果看出 , 在检测目标物体的同时 , 把
运动背景也检测为运动目标检测带来的影响 ,
我们提出了融合光流速度的背景建模方法 。
图 1 光流法运动目标检测 Fig.1 Objectdetectingbasedonopticalflow
本文试图跳出传统的基于像素背景建模方法 , 提出融合光流速度的背景建模算法 。 利用灰度值的 统计信息描述背景 , 综合利用像素的灰度信息 、空间 信息 、时间信息 , 以及光流速度在时间域上的统计信 息 , 从像素运动速度入手 , 对背景进行像素级建模 。 用基于梯度的方法计算光流速度 , 然后利用其在时 间域上的统计信息建立背景的光流速度场 [ 7] 模型 , 最后用于运动目标检测 ;同时在检测过程中实时更 新背景模型 , 适应背景变化 。本文算法利用光流速 度准确地描述了背景运动 , 克服了树叶晃动等背景 不规则运动对建模造成的不利影响 , 同时具有较好 的自适应性 , 当背景中光照变化 、物体被移走或遗留 时 , 算法均能自适应背景变化 。
背景减除法[ 1-6] 是目前最常用的运动目标检测 方法 , 通过对背景的学习得到背景模型 , 通过当前帧 与背景模型比较 , 将不符合背景模型分布的部分判 定为运动目标 。理想情况下 , 背景完全静止 , 可表示 为一帧背景图像 ;但大多数情况下 , 由于边缘像素抖
收稿日期 :2009-09-08;修回日期 :2009-12-11 基金项目 :国家基础研究发展计划项目 (973)(2004CB318103);国家高技术研究发展计划项目 (863)(2007AA012138578); 国家自然科学基金项目 (60033020);中国科学院海外杰出人才研究计划项目 (06S3011S01);软件工程国家重点实验室开放 基金 支持项目 (SKLSE2008-07-19)。 第一作者简介 :张水发 (1985— ), 男 。 现为中国科学院自动化研究所复杂系统与智能 科学重点实验室 模式识别与智 能系 统专业硕士研究生 , 主要研究方向为图像处理、行为识别 。 E-mail:zhangsf85@。
变化 , 即相邻的图像像素点之间具有相似的速度矢
量 。 速度矢量逐像素的变化可以通过速度矢量分量 的空间梯度的模平方和 (用 E2c表示 )来定 量给出 , 可以证明图像的速度场越平滑 , 梯度值就越小 。 因 此附加的光流平滑约束条件就是要求 E2c最小 。
定义像素点光流误差为
Eb = f(x, xy, t)u(x, y, t)+ f(x, yy, t)v(x, y, t)+
融合光流速度与背景建模的目标检测方法
张水发 , 张文生 , 丁欢 , 杨柳
(中国科学院自动化研究所 , 北京 100190)
摘 要 :为了克服传统基于像素的背景建模方法不能很好地描述 背景运动 的问题 , 提出了一 种融合光 流速度与背 景建模的目标检测方法 。结合像 素的灰度信息 、空间信 息和时 间信息计 算出每 个像素 的光流 速度 , 利用光 流速度 在时间域上的统计信息 为背景建立光流速度场模型 。 利用建立的背景模型快速 、准确地实 现运动目 标的检测 。 实 验结果表明 , 融合光流速度的背景建模方法能有效地描述背景的运动 , 显著降低运动 背景产生的 噪音 , 鲁棒地实现 运动目标检测 。 关键词 :背景建模 ;光流法 ;目标检测 ;混 合高斯
f(x, ty, t), n是迭代次数 。
通过 Gauss-Seidel迭代得到了每个像素 x方向
和 y方向的光流速度 , 通过判断该速度大小可以把
每个像素划分为前景点或背景点 , 实现运动目标检
测 。如图 1所示 , 图 1(a)是从 Vssn06 video4中截取 的一帧 , 图 1(b)是用 Horn-Schunck基于梯度的方法
第 2期
张水发等 :融合光流速 度与背景建模的目标检测方法
2 37
动 、光照变化 、设备噪音等因素 , 背景中的物体自身 存在或多或少的运动 。针对这种情况 , 国内外学者 采用 各种 模 型表 示 背景 , 其中 典 型的 有 :高 斯模 型 [ 2] 和混合高斯模型 [ 3] 用一个 或多个高斯分布表 示背景 , 可用于复杂 、运动的背景建模 , 但当背景快 速运动时 , 一个或者多个高斯模型并不能准确表示 背景 ;非参数方法 [ 4] 利用像素点最近几帧的灰度值 信息 , 使用窗函数密度估计得到该像素点的灰度值 分布 , 但该方法计算每帧图像需遍历全部训练集 , 计 算速度较慢 ;本征方法[ 5] 将视频帧投影到本征背景 空间 , 通过计算视频帧与背景帧在本征空间的差值 实现前景检测 , 该方法利用主成分分析方法实现降 维 , 检测速度快 , 但背景模型是通过初始化几十帧图 片获得 , 因此资源消耗大 , 自适应能力差 。 上述几种 建模方法均属于基于像素的背景建模方法 , 能够获 得较细致的运动目标形状 , 但由于对像素点的时间 信息和空间信息利用不充分 , 当背景物体不规则运 动时 , 不能准确地描述背景运动 。
提出用神经网络建立视觉运动感知的神经动力学模 型来测量光流 [ 15] , 但是这一技术尚不成熟 。 综上所
述 , 光流场的计算技术经过多年的发展 , 已经形成一 些比较经典的算法 , Barron等人 [ 11] 研究表明 , 基于
梯度的方法计算复杂度较低 , 并且能得到比较精确 的光流 , 因此本文选用基于梯度的方法 [ 9-11] 计算光
Abstract:Thetraditionalpixel-basedbackgroundmodelcannotrepresentthebackgroundmotionefficiently.Inthispaper, anovelstrategyisproposedtomodelbackgroundandtrackmovingobjectsbasedonopticalflowvelocityfield.Statisticson intensity, spatialandtemporalinformationofpixelsareextractedtogeneratetheopticalflowfield, whichisusedto formulateanovelbackgroundmodelfortrackingmovingobjectsefficientlyand exactly. Thisoptical-flow-field-based strategycanreducenoisegeneratedbybackgroundmotionsignificantlyandtrackmovingobjectsrobustly, asillustratedin ourexperiments. Keywords:backgroundmodeling;opticalflow;objectdetecting;mixtureofGauss
1 光流法
光流 (opticalflow)是空间运动物体被观测表面 上像素点运动的瞬时速度 , 光流按照空间位置排列 组成光流场 。 Barron等人 [ 8] 按理论基础与数学方法 不同 , 将 光流 计 算方 法分 成 5 种 :基 于梯 度 的方 法 [ 9-11] 、基于匹配 的方法 [ 12] 、基于能量 的方法 [ 13] 、 基于相位的方法 [ 14] 和神经动力学方法 [ 15] 。
基于梯度的方法又称为微分法 [ 9-11] , 利用时变 图像像素灰度的时空微分计算其速度矢量 , 由于基 于梯度的方法计算简单且结果较好 , 该方法得到了
广泛的应用和研究 ;基于匹配的光流计算方法 [ 12] 包
括基于特征和区域两种 , 对快速运动和亮度变化具
有鲁棒性 , 但其计算的光流通常很稀疏 , 而且特征提 取和精确匹配也十分困难 ;基于能量的方法 [ 13] 对输
第 16卷 第 2期 2011年 2月
中国图象图形学报 JournalofImageandGraphics
Vol.16, No.2 Feb., 2011
中图法分类号 :TP391.41 文献标志码:A 文章编号 :1006-8961(2011)02-0236-08 论文索引信息:张水发 , 张文生, 丁欢, 杨柳.融合光流速度与背景建模的目标检测方法 [ J] .中国图象图形学报, 2011, 16(2):236-243
f(x, y, t) =f(x+Δx, y+Δy, t+Δt) (1) 将式 (1)右 边用 泰勒 公式 展 开 , 略去 二次 无穷 小
项, 得
xfu+ yfv+ ft=0
(2)
式 (2)是基本的光流约束方程 , 它反映了运动图像
时间梯度与空间梯度间的时空微分关系 。
在整个视频图像范围内 , 运动速度矢量场平滑
流速度 。
在文献 [ 11]中 Horn-Schunck提出基于梯度的 方法 , 假设 f(x, y, t)是关于变量 x, y, t的连续函数 。
设 t时刻 ,点 (x, y)处的灰度值为 f(x, y, t);在 (t+Δt)
时刻 , 运动到点 (x+Δxy+Δy), 灰度值为 f(x+Δx,
y+Δy, t+Δt), 由于 Δt是一个极小的时间段 , 假设
2 基于光流速度场背景建模
光流法可充分利用像素的时空信息计算图像中 每一个像素点的速度矢量 , 形成图像运动场 , 且能在 不需要知道场景任何先验知识的条件下能得到完整 的运动信息 , 适合检测相对复杂的运动 , 可用于动态 背景 。 因此利用光流法计算出的光流速度场构造背 景模型 。
利用基于梯度的光流计算方法 , 提出了一种融 合光流速度场的背景建模方法检测运动目标 :首先 利用融合梯度的光流法综合每个像素的时间信息 、
f(x, y, t) t