智能监控系统中运动目标检测算法的研究
仪器仪表与检测技术 Ｉｎｓｔｒｕｍｅｎｔａｔｉｏｎ ａｎｄ Ｍｅａｓｕｒｍｅｎｔ 自动化技术与应用》 ２０１６年第３５卷第３期 智能监控系统中运动目标检测算法的研究 孙永欣 ，邓广龙 一．张博文 （１．黑龙江省科学院自动化研究所，黑龙江哈尔滨１５００９０；２．黑龙江省科学院高技术研究院，黑龙江哈尔滨ｌ５００２０）） 摘 要：本文主要针对智能监控系统中的目标检测算法做了改进，采用Ｃａｎｎｙ边缘检测算子，结合帧间差分法、背景减除法、颜 色偏差法三种方式的改进算法，实现对光扰噪声、阴影噪声和边缘断裂的去除，从而准确提取出了目标物体边缘，实现对 目标物体的检测与分割。 关键词：目标检测；边缘背景查分法；帧间查分改进算法 中图分类号：ＴＰ２７７．２ 文献标识码：Ｂ 文章编号：１００３—７２４１（２０１６）０３—００７３—０６ Ｒｅｓｅａｒｃｈ ｏｎ Ｄｅｔｅｃｔｉｏｎ ｏｆ Ｍｏｖｉ ｎｇ ０ｂｊｅｃｔｓ ｉ ｎ Ｉ ｎｔｅｌ ｌ ｉｇｅｎｔ Ｍｏｎ ｉｔｏｒｉ ｎｇ ａｎｄ Ｃｏｎｔｒｏｌ Ｓｙｓｔｅｍ ＳＵＮ Ｙｏｎｇ－ｘｉｎ ，ＤＥＮＧ Ｇｕａｎｇ－ｌｏｎｇ ，ＺＨＡＮＧ Ｂｅ－ｗｅｎ （１．Ｉｎｓｔｉｔｕｔｅ ｏｆＡｕｔｏｍａｔｉｏｎ Ｈｅｉｌｏｎｇｊｉａｎｇ Ａｃａｄｅｍｙ ｏｆ Ｓｃｉｅｎｃｅ，Ｈａｒｂｉｎ １ ５００９０ Ｃｈｉｎａ； ２．Ｉｎｓｔｉｔｕｔｅ ｏｆＡｄｖａｎｃｅｄ Ｔｅｃｈｎｏｌｏｇｙ Ｈｅｉｌｏｎｇｊｉａｎｇ Ａｃａｄｅｍｙ ｏｆ Ｓｃｉｅｎｃｅｓ，Ｈａｒｂｉｎ １ ５００９０ Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ｔｈｉｓ ａｒｔｉｃｌｅ ｆｏｃｕｓｅｓ ｏｎ ｔｈｅ ｉｎｔｅｌｌｉｇｅｎｔ ｍｏｎｉｔｏｒｉｎｇ ｓｙｓｔｅｍ ｉｎ ｔａｒｇｅｔ ｄｅｔｅｃｔｉｏｎ．Ｔｈｅ ｐａｒｔ ｏｆ ｔａｒｇｅｔ ｄｅｔｅｃｄｏｎ ｕｓｅｓ Ｃａｎｎｙ ｅｄｇｅ ｄｅｔｅｃｔｉｏｎ ｏｐｅｒａｔｏｒ，ｃｏｍｂｉｎｅｓ ｗｉｔｈ ｔｈｅ ｉｎｔｅｒ－ｆｌａｍｅ ｄｉｆｅｒｅｎｃｅ ａｎｄ ｂａｃｋｇｒｏｕｎｄ ｓｕｂｔｒａｃｔｉｏｎ ｍｅｔｈｏｄ，ｔｏ ｉｍｐｒｏｖｅ ｔｈｅ ａｌｇｏｒｉｔｈｍ， ｔｏ ｒｅｍｏｖｅ ｔｈｅ ｏｐｔｉｃａｌ ｉｎｔｅｒｆｅｒｅｎｃｅ ｎｏｉｓｅ，ｓｈａｄｏｗ ｎｏｉｓｅ ａｎｄ ｅｄｇｅ ｂｒｅａｋｉｎｇ，ａｎｄ ｔｏ ａｃｃｕｒａｔｅｌｙ ｅｘｔｒａｃｔ ｔｈｅ ｅｄｇｅ ｏｆ ｔｈｅ ｔａｒｇｅｔ ｏｂｊｅｃｔ ｔｏ ａｃｈｉｅｖｅ ｔｈｅ ｔａｒｇｅｔ ｏｂｊｅｃｔ ｄｅｔｅｃｔｉｏｎ ａｎｄ ｓｅｇｍｅｎｔａｔｉｏｎ． Ｋｅｙ ｗｏｒｄｓ：ｔａｒｇｅｔ ｄｅｔｅｃｔｉｏｎ；ｅ ｅ－ｂａｃｋｇｒｏｕｎｄ ｄｉｆｆｅｒｅｎｃｅ ｍｅｔｈｏｄ；ｉｎｔｅｒ－ｆｌａｍｅ ｄｉｆｆｅｒｅｎｃｅ ｍｅｔｈｏｄ １ 引言 新一代智能监控系统的相关功能正日趋完善，向着智 能化、数字化和网络化的方向迈进，在国防安全、交通管 理、商业监控等领域有着广泛的应用。在智能视频监控系 统的实际应用中，往往需要研究的只是运动目标，为了实 现对运动目标的正确分析，首要的就是通过计算机等设备 将视频序列图像中捕捉到的感兴趣的区域（即运动目标） 分割出来，这就是运动目标检测。作为智能视频监控系统 算法中最基础的部分，它的检测效果会直接影响到后续运 动目标分类、目标跟踪和行为理解等环节，因为后期的处 理主要在于对像素的考虑。但是外界环境的干扰以及背景 的变化也给检测和分割工作带来了很大的难度。 目前常见的运动目标检测方法有帧间差分法、背景 减除法、光流法三种。并且这三种方法的实现方式和效 果均不同…。在实际应用中通常将帧间差分法和背景减 除法结合起来，从而推出一种新的改进算法，以便解决 收稿日期：２０１５—１０－１２ 两者算法上存在的不足，虽然这种方法在运动目标检测 上确实使结果得到了改进，但是共性问题却没有得到本 质的改变，光照和阴影的影响依然很突出 。然而图像 边缘检测法却可以填补上述两种方法中共同的漏洞，它 具有受光照影响小、弱光情况下不显示阴影边缘等特点， 因此本文将帧间差分法、背景减除法、边缘检测法，这 三种方法的优势提炼出来，组合成一种改进算法。 ２算法的原理与操作步骤 本文的算法改进是在图像边缘检测法的基础上演变 而来的，利用Ｃ ａｎｎｙ算子本身具备的特性，先构造出 简单的边缘背景模型，再利用边缘减除法，将提取出的 边缘检测结果与所构造的背景边缘做差，从而得到背景 边缘的检测结果，再将其融合到改进的帧间差分法和背 景减除法中，这样便会得到精确的效果，再将轮廓用双 向模板进行填充，最后运用数学形态学滤波方法得到完 整的运动目标图像。
仪器仪表与检测技术 Ｉｎｓｔｒｕｍｅｎｔａｔｉｏｎ ａｎｄ Ｍｅａｓｕｒｍｅｎｔ 自动化技术与应用 ２０１６年第３５卷第３期 像序列中的每一个点，假设稳定的背景边缘图像是在Ｔ 帧后建立的，那么经过Ｔ时刻，图像中的每一点表示为 Ｆｂ（ｘ，ｙ）＝砉 其中，其中（ｘ，ｙ）为图像中的一点，Ｆ （ｘ，Ｙ）代表 边缘概率，通过一点的概率函数，我们不难推出所有点 的概率分布。假设 为阈值，得出最终边缘背景图像 的表达式为 ｆＯ， Ｒ＜ （ １１， （２） 设置过大或者过小都会对图像造成影响，过大则 可能造成背景边缘的丢失，过小将有可能涵盖目标边缘， 图３为背景图像在不同①值下所构建的图像。 ３．２更新边缘背景 由于光照对图像边缘的影响较小，因此不需要对背 景的每一个时刻进行更新，通过大量的实验可知，每隔 ５０帧更新一次背景，效果很好。背景在更新过程中，将 像素点分为两种，一种是没有更新的点，为前景点，另 外一种是参与更新的点，为背景点。其原理与背景原理 一样，具体公式如（３）、（４）所示。 ∑ （ Ｊ， ｆ）＋Ｂ （ Ｊ，） （蕾Ｊ ） —旦 —————一 （３） ‘∑ｗ（ｘ，Ｊ ，ｆ）＋ （ ，Ｊ ） 其中 （Ｘ，Ｙ，ｔ）表示背景点中边缘出现情 况， （ｘ，ｙ，ｔ）代表边缘中前景点的分布，式（４）代表更 新完的最终结果 乏三三 （４） 假设阈值是０，每隔Ｔ 时间更新一次。Ｔ ＝５０， ０＝０．８为本文实验所选取的值。 ３．３背景边缘差分法 背景边缘图像建立后，用Ｃａｎｎｙ算法对当前帧进 行边缘检测，并和背景边缘进行差分，假定Ｐ（ ，）：｛ ｏ’ Ｌ ， 为当前帧边缘图像，Ｂ （ｘ，ｙ）为构造的背景边缘，则背 景边缘检测差分图像为 Ｄ（ｘ，ｙ）＝Ｐ（ｘ，ｙ）一Ｂ （ｘ，Ｙ） （５） Ｄ（ｘ，Ｙ）为所得的边缘差分图像，该图像可描述如 下：（１）如果Ｄ（ｘ，ｙ）＝１，则Ｐ（ｘ，ｙ）值为１，Ｂ （ｘ，Ｙ） 值为０，那么当前帧中该点可判定为物体边缘。（２）如果 Ｄ（ｘ，ｙ）＝０，则Ｐ（ｘ，ｙ）＝Ｂ （ｘ，ｙ），Ｐ（ｘ，ｙ）＝Ｂｇ（ｘ， Ｙ）＝０时，可判定该点为目标上非边缘点或者为背景非 边缘点，因此可以得出为非运动物体边缘。Ｐ（ｘ，Ｙ）＝ Ｂｇ（ｘ，ｙ）＝１时，分两种情况讨论，（ａ）Ｐ（ｘ，Ｙ）与Ｂ （ｘ， ｙ）二者都是背景边缘，此刻该点不是运动物体边缘。（ｂ） Ｐ（ｘ，Ｙ）记为运动目标边缘，Ｂ （ｘ，ｙ）记为不动物体边 缘，当运动物体边缘与背景边缘一致时，该点是目标边 缘。所以，Ｄ（ｘ，Ｙ）为０的点不能确定是否是运动物体 边缘，为了方便后文的叙述，我们将情况２所描述的点 记做“Ｄ点”，即Ｄ（ｘ，Ｙ）＝０且Ｐ（ｘ，ｙ）＝Ｂ （ｘ，ｙ）：１ 的情况。（３）如果Ｄ（ｘ，ｙ）＝－Ｉ时，说明出现了目标遮挡 情况，该点是边缘点的说法也被否定，而准确的说法是 该点是背景边缘，从而得出背景边缘差分图像 。ｉｆ（ｘ） ＝ 。ｐｏｉ （６） ３．４帧间差分算法的改进算法 通常情况下摄像机存在噪声，这其中包括光学的和 量化的，噪声又会影响差分图像的结果 ，使其不等于０， 但在时间和空间上，相邻两帧背景点却都近似的服从高 斯分布Ｎ（ ，ｏ ）， 『一（△Ｌ（ Ｊ ，ｆ）一 ） ］ Ｐ（ （ ，）ｌ ＝ｅｘｐ Ｊ— ｝ （７） 【 ｊ 其中，ｔ时刻（ｘ，Ｙ）处的亮度差分值为△Ｌ（ｘ，Ｙ，ｔ） ，背景点的假设条件Ｈ。，因此，依据高斯分布中的“３ ａ 法则”，当阈值设定合理时，就可以有效的分离背景与 前景，将差分图像产生的噪声抑制掉。一般图像中的前 景区域面积远小于背景区域，先将相邻图像做差分，再 选择其均值，均方差视为噪声均值与标准偏差的估计。 本文为了增加均值与均方差估计值的可靠性，采用了如 下公式确定Ｓ （ｔ），其中Ｓ （ｔ）为帧间差分阈值。 ’（，）： （，）＋３ （，） （８） ． （９） （，）＝ ∑∑址（蕾Ｊ’ ｔ）＊ｏ－（Ｆ（ｘ，ｙ．，）） （１０） Ａ ｘ＝Ｏ１＝０ ： ／ １ Ｍｚ－ １ ｈｚ＇－Ｉ Ｌ Ａ ，￣＊ ．ａ（『）＝１ 厶厶Ｌ ， ，一 ，Ｊ ， ．ｆ）） （１１） Ｖ丑 ０ Ｊ＝０ Ａ＝∑∑ａ（Ｆ（ｘ， ｆ）） （１２） 由于图像中服从高斯分布规律的点不包括前景点，
因此与背景点灰度差很多的前景点容易干扰运算，使结 《自动化技术与应用》 ２０１６年第３５卷第３期 仪器仪表与检测技术 ｌｎｓｔｒｕｍｅｎｔａｔｉｏｎ ａｎｄ Ｍｅａｓｕｒｍｅｎｔ 果不准确。所以，为了使均值与均方估计更合理，应 避开这种前景点的参与 】。本文为了消除这类前景点， 先做了一次处理，然后再估计差分图像的阈值。其中 给定初值Ｓ（ｔ）为１００，然后经ｉ．５．Ｓ （ｔ－１）进行调整， 以便消除干扰的前景点。估计的均值与标准差分别为 Ｏ）与ｏ－（ｔ），背景区域面积为Ａ，图像宽度与高度分别 为Ｍ和Ｎ。 ３．５ 背景边缘检测差分与帧间差分和颜色 偏差的结合法 帧间差分的优点是可以消除高斯噪声，缺点是会产 拖影现象，而背景边缘检测差分法优点是不会产生拖影 现象，且受光照和阴影影响较小 。本文采用将背景边 缘检测差分与帧间差分相与，取结果的公共部分的方法， 使其将两者的优势发挥出来，但是该方法仍得不到完整 的目标边缘，在背景相对复杂的情况下，仍会有运动边 缘与背景边缘相重合的地方，因此，本文为了消除边缘 断裂，又在帧差法的基础上，结合了基于亮度与颜色偏 差法。流程如图４所示。 针对图４所示流程，做如下描述：先找到目标边缘 点，再依次进行有规律的顺序扫描，然后判断是否是边 缘点，如果是，在考虑Ｄ点，看ｎ ｎ范围内是否存在， 如果不存在，重复之前的操作，否则，在ｍ ｍ范围 内，判断所有像素点。具体步骤：１．进行亮度帧差判别， 然后跟阈值做比较，小于阈值认为是背景点，大于阈值， 则继续进行运算。２．如果既满足亮度帧差判别条件，又 满足颜色偏差，那么可以判定该点是前景点，相反是背 景点。因为目标边缘能量集中的位置可以防止误差扩散， 使结果相对准确、可靠，所以本文限定了ｍ与１２值的大 小，综合考虑，设ｎ为８，ｍ为３。 实验证明大部分噪声来自帧差图像的边缘处，为了 避免大量背景噪声的引入，考虑到不能单纯的引用亮度 帧差，因此本文引人了颜色偏差法来二次判定边缘，旨 在避免光扰及阴影的再次介入。与亮度帧差相比，颜色 偏差所需计算量较大，而Ｄ点又大量存在于待检测图像 中，因此本文通过亮度帧差法滤除大部分背景边缘，然 后用颜色判别法找出大于亮度帧差阈值的点，以保证为 运动目标边缘。 专表示为二者的颜色偏差，设前一帧像素点为ｘ ＝｛Ｂｉ，Ｇｊ，Ｒｊ｝，当前帧像素点为ｘ ＝｛Ｂ ，Ｇ ，Ｒ ｝，最终的判 别结果为 撕 ’ ，ｘｊ） ＞ ｌ－ 经过大量的实验，最终选取颜色判别阈值 ＝１０。
运动目标检测
运动目标检测(Moving Object Detection，MOD)是指实时观测、定位序列
图像中感兴趣的运动物体，并将其从图像中提取出来的一种方法。运动目标检
测是一个复杂而重要的课题，涵盖了数字视频分析、数字图像处理等技术以及
统计、几何、随机过程等复杂的数学理论。“运动目标检测与跟踪”作为计算机
视觉的核心问题，是一个富有挑战性的研究方向，同时也是近年来学术界争相
研究和应用的热点问题【28】【291。
自20世纪60年代初开始，运动目标检测与跟踪技术的研究就得到了学术
界和相关应用部门的高度重视，但由于当时技术水平的限制，其研究一直未得
到很好的发展。直到上世纪80年代，超大规模集成电路技术、微处理器技术以
及各种复杂算法都得到了高速的发展，而且随着人类对自身视觉系统认识的不
断深入，人们也正不断地将运动目标检测的理论研究逐步转向实际应用中。近
年来，随着现代生活、工业和军事的不断发展，人们对运动目标检测的研究需
求更为显著，如智能视频监控、车流量统计、以及军事上的ATR(Auto Targets
Recognition，自动目标识别)系统等。这些需求促使着国内外学术界和工程界
不断加大对其投入和研究，以满足人们的应用需求。运动目标检测一般可分为
两类：静态场景下的运动目标检测和动态场景下的运动目标检测，即摄像机静
止，物体运动的情况(Stationary camera，moving object，SCMO)； 摄像机运动，
物体运动的情况(Moving camera，moving object，MCMO)。
根据前人对运动目标检测的研究成果可以得知，一个好的检测算法必须能
够适应不同的环境，其特征可以总结如下：
(1)能够适应环境的缓慢变化(如光照的渐变等)；
(2)能够适应场景中个别物体持续的干扰(如摆动的钟摆、摇摆的树枝、
水面的波纹等)；
(3)对复杂的背景和多目标仍旧有效；
motion detection 算法
motion detection 算法
Motion Detection算法，也称为运动检测算法，是计算机视觉和图像处理领域的一种重要技术。它能够通过对视频或图像序列进行分析，检测出其中的运动物体，并对其进行跟踪和分析。
运动检测算法在很多领域都有广泛的应用，例如监控系统、智能交通系统、视频分析等。它可以提供实时的监测和警报功能，帮助人们及时发现异常情况或者非法行为。
运动检测算法的实现主要包括以下几个步骤：
1. 图像预处理：首先，需要对输入的图像进行预处理，以提高后续运动检测的效果。常用的预处理方法包括图像平滑、灰度化、边缘检测等。
2. 背景建模：运动检测算法通常需要建立一个背景模型，用于描述图像中的静态背景。背景建模可以通过多帧图像的平均值或者高斯混合模型等方法来实现。
3. 运动物体检测：在背景模型建立好之后，就可以进行运动物体的检测了。常见的方法有帧差法、光流法、差分法等。这些方法通过对当前帧图像与背景模型进行比较，找出像素值差异较大的区域，从而检测出运动物体的位置。
4. 运动物体跟踪：一旦检测到运动物体，就需要对其进行跟踪，以便后续的分析和处理。常用的跟踪算法包括卡尔曼滤波、粒子滤波等。
5. 运动物体分析：在运动检测的基础上，可以对运动物体进行更深入的分析。例如，可以提取运动物体的特征，计算其轨迹、速度、加速度等信息，以及进行目标识别、行为分析等。
运动检测算法在实际应用中还面临一些挑战和问题。首先，图像中的噪声和光照变化会对运动检测结果产生干扰，需要进行相应的抑制和校正。其次，对于复杂场景中的多个运动物体，如何进行有效的分割和跟踪也是一个难点。此外，运动检测算法的实时性和稳定性也是需要考虑的因素。
为了提高运动检测算法的性能，研究者们不断提出改进和优化的方法。例如，基于深度学习的运动检测算法可以通过卷积神经网络来提取图像特征，从而实现更准确和鲁棒的运动检测。
运动检测算法是一种重要的计算机视觉技术，可以广泛应用于各种领域。通过对图像序列进行分析，它能够高效地检测出运动物体，并对其进行跟踪和分析。在未来，随着计算机技术和图像处理算法的不断发展，运动检测算法将会变得更加精确、高效和智能化，为人们的生活和工作带来更多便利和安全。
帧间差分法运动目标检测过程及原理
帧间差分法运动目标检测过程及原理
帧间差分法是一种常用的视频运动目标检测技术，它通过比较视频序列中相邻帧之间的差异来检测目标的运动。该方法常用于视频监控、智能交通系统、视频分析等领域。本文将介绍帧间差分法的运动目标检测过程及原理，以及其在实际应用中的优势和局限性。
一、帧间差分法的原理
帧间差分法的原理基于一个简单的假设：如果某个像素点在相邻两帧之间的亮度发生了变化，那么这个像素点所对应的物体就有可能发生了运动。根据这个假设，可以通过计算相邻两帧之间的像素点亮度差异来确定目标的运动。
在实际应用中，帧间差分法通常使用以下公式来计算相邻两帧的像素点差异：
D(x,y,t) = |I(x,y,t) - I(x,y,t-1)|
D(x,y,t)表示在时间t时刻的像素点(x,y)的差分值，I(x,y,t)表示在时间t时刻的像素点(x,y)的亮度值，t-1表示时间t之前的时刻。
通过计算相邻两帧之间的像素点差异，可以得到一副差分图像，该图像中像素点的数值表示了该点在帧间差分中的差异程度。接着，可以对差分图像进行阈值处理，将高于阈值的像素点标记为目标像素点，从而实现目标的运动检测。
帧间差分法的运动目标检测过程包括以下几个步骤：
1. 视频帧获取和预处理
首先需要从视频流中获取连续的视频帧，并对每一帧进行预处理，包括灰度化、降噪、边缘检测等操作，以便后续运动目标检测的准确性和鲁棒性。
2. 帧间差分计算
对相邻两帧的视频进行帧间差分计算，得到差分图像。可以使用绝对差值、差分平均值等方式来计算差分图像。
3. 阈值处理
对差分图像进行阈值处理，将高于阈值的像素点标记为目标像素点。阈值的选择是帧间差分法中需要仔细考虑的一个关键问题，合适的阈值能够更好地区分目标和背景，提高检测准确度。
4. 目标区域提取 通过连通域分析、形态学处理等方法，将标记为目标像素点的区域进行进一步的提取和分割，得到目标的位置信息。
校园智能视频监控中的运动目标异常行为检测与识别
龙源期刊网
校园智能视频监控中的运动目标异常行为检测与识别
作者：李毕祥 刘芳 李德刚
来源：《软件导刊》2016年第02期
摘要摘要：首先分析高校现有监控系统的不足，提出使用智能监控系统对校园进行监控和管理；然后对校园环境下的场景进行粗分类，分别描述3种不同场景下的常见异常行为；最后提出使用马尔科夫随机场模型（MRF）对智能监控系统中运动目标的异常行为进行检测与识别。该方法能识别智能监控中的常见异常行为，对于高校加强校园安全管理、防范学生异常事件的发生具有理论和应用价值。
关键词关键词：校园安全；智能监控系统；异常行为检测；异常行为识别
DOIDOI：10.11907/rjdk.1511246
中图分类号：TP319
文献标识码：A文章编号文章编号：16727800（2016）002013400
0引言
校园安全与每个师生、家长有着切身关系，如何保障广大师生和社会人员在校园内的安全一直是社会关注的热点问题。校园作为典型的公共场所，主干道路上人流量大，混合交通现象比较普遍，极可能造成一些异常状况，例如交通事故、人群拥堵、学生打架等事件。这些事件持续时间短、造成的危害大，它们的发生会扰乱正常的校园秩序，对校园安全造成威胁。出于对校园安全管理方面的迫切需求，很多高校建立了庞大的视频监控网络。
随着视频信息量呈现几何级数增长，从视频中对异常行为进行检测在近年来成为一个非常活跃的研究领域[1]。传统的视频监控依靠人工方法已无法达到当今对于监控系统的要求，而随着以计算机视觉技术为基础的智能监控技术的发展，用摄像机和电脑代替人眼对目标进行识别、跟踪与测量以及后续的行为分析、异常行为检测已成为现实。目前，大学校园内广泛使用了视频监控系统，然而大部分监控系统依然使用的是传统系统，通常通过视频回放功能来实现对异常行为和可疑情况的取证，而无法满足实时监控的要求，更难以实现即时的事故预防或预警[2，3]。尤其是昆明“3.1”火车站暴力恐怖案件发生后，社会各界对现有的安防系统进行了反思：视频监控作为安防的重要环节，如果不能做到“安全防护”，则无法发挥应有的价值。现有大部分监控系统依靠专人值守，对视频显示器进行人工监控，很难保证监控效率，而且长时间监控会引起监控者视觉疲劳和注意力下降，易造成报警的不准确、不及时甚至错报、漏报等情龙源期刊网
视频监控系统算法的使用技巧与行为识别分析
视频监控系统算法的使用技巧与行为识别分析
随着科技的发展，视频监控系统在各个领域得到了广泛的应用，它不仅可以提高安全性和管理效率，还能提供大量的数据用于行为分析和决策支持。然而，视频监控系统的操作并不简单，需要掌握一定的技巧和算法知识，特别是在行为识别分析方面。本文将介绍一些视频监控系统算法的使用技巧以及行为识别分析的方法和应用。
首先，我们要了解视频监控系统中常用的算法。在视频监控系统中，常见的算法包括运动检测、目标跟踪、行为分析等。运动检测算法可以通过比较相邻帧之间的像素差异来检测到物体的运动，从而触发报警或者执行其他操作。目标跟踪算法是基于运动检测结果的基础上，对运动目标进行跟踪和识别，可以用于追踪特定人物或物体的运动轨迹。行为分析算法则是通过分析目标的运动轨迹和动作特征来判断其行为是否可疑或危险。
在使用视频监控系统算法时，我们需要注意以下几点技巧。首先，合理设置算法的参数。不同的场景和需要会有不同的要求，我们可以根据实际需求调整算法的参数，如灵敏度、阈值等，以达到更好的效果。其次，选择适合的算法。不同的算法适用于不同的应用场景，我们需要根据实际情况选择适合的算法，以提高算法的准确性和效率。此外，对于大规模的视频监控系统，我们可以考虑使用分布式算法和GPU加速等技术，以提高系统的并行处理能力和效率。
行为识别分析是视频监控系统中非常重要的应用之一，它可以通过对目标的运动和动作进行分析，来判断其行为是否可疑或危险。在行为识别分析中，我们需要掌握一些常见的方法和技巧。首先是基于规则的方法，通过定义一系列的规则来判断目标的行为是否符合预期，如禁止进入某个区域、禁止停留等。这种方法简单直观，但需要手动设置规则，不适用于复杂场景。其次是基于机器学习的方法，可以通过训练一个分类器来判断目标的行为类别，如奔跑、打架、偷窃等。这种方法需要大量的训练数据和复杂的特征工程，但可以适应更复杂的场景。最后是基于深度学习的方法，可以通过深度神经网络来学习目标的行为模式，如异常行为检测、人物识别等。这种方法需要更多的计算资源和数据量，但准确性较高。
帧间差分法运动目标检测过程及原理 2
帧间差分法运动目标检测过程及原理
帧间差分法是一种常用的运动目标检测方法，它通过比较视频序列中不同帧之间的差异来检测运动目标，从而实现目标跟踪和识别。本文将介绍帧间差分法的运动目标检测过程及原理。
帧间差分法的运动目标检测过程主要包括以下几个步骤：
1. 视频帧获取：首先需要获取视频序列，可以通过摄像头、摄像机等设备来获取。
2. 帧间差分处理：将视频序列中相邻的两帧进行差分处理，得到两帧之间的差异，以检测目标的运动情况。差分处理可以使用像素级的差异或者区域级的差异进行计算。
3. 运动目标检测：通过帧间差分处理得到的差异图像，可以进行阈值处理、边缘检测、连通域分析等操作，以提取出视频序列中的运动目标。
4. 目标跟踪与识别：最后可以对提取出的运动目标进行跟踪和识别，以实现对目标的监控与分析。
二、帧间差分法的原理
帧间差分法的原理是基于视频序列中连续帧之间的差异来进行运动目标检测的。具体来说，帧间差分法的原理包括以下几个方面：
1. 差分图像计算：帧间差分法首先通过比较视频序列中相邻帧的像素值，计算出两帧之间的差异。常见的计算方式包括绝对差分、均方差分等，可以得到表示两帧之间差异的差分图像。
1. 视频监控：帧间差分法可以用于视频监控系统中对目标的运动进行检测与跟踪，从而实现对监控区域的实时监控与预警。
2. 交通监控：在交通监控系统中，帧间差分法可以用于车辆与行人的运动检测与识别，以实现交通流量统计、违规行为检测等功能。
3. 智能驾驶：在智能驾驶系统中，帧间差分法可以用于实时检测路面上的车辆、行人等运动目标，以实现自动驾驶、避障等功能。
4. 人体姿态识别：帧间差分法可以用于对人体姿态的运动进行检测与分析，从而实现人体姿态识别、动作分析等功能。
优点： 2. 对光照变化不敏感：帧间差分法在运动目标检测过程中对光照变化不敏感，能够适应不同光照条件下的目标检测需求。
基于视频监控的运动目标检测
科技信息 。本刊重稿ｏ ＳＣＩＥＮＣＥ ＩＮＦＯＲＭＡＴＩＯＮ ２００７年第１期 基于视频监控的运动目标检测 吴静须德 （北京交通大学计算机与信息技术学院 中国 北京 １０００４４） 摘要：运动目标检测是计算机视觉、视频信息处理等应用领域的重要研究内容。本文采用基于减背景技术的运动目标实时检测：首先利用 统计的方法得到背景模型，并实时的对背景更新以适应光线和场景本身的变化，然后用当前帧和背景差分，得到运动目标，利用形态学方法和 检测连通域面积消除噪声和背景扰动带来的影响，得到较为准确的运动目标。 关键词：运动目标检测；减背景：背景更新 １．引言 运动目标检测是指从视频流中实时提取目标。在现有的视频监控 系统中，如能自动检测并跟踪运动对象，将大大提高视频监控系统的智 能化程度。 视频监控ｌ＿１中常见的运动目标检测算法主要有３类：光流法，邻帧 差法和减背景方法。光流法【卅的优点是对动态环境有很好的适应性， 但复杂度高．抗噪性差，难以符合视觉监视实时处理的要求；邻帧差法 虽然算法简单，易于实时监控，但难以获得精确目标，容易产生空洞； 减背景技术 是最为常用的，它把序列中的每帧与固定的静止的参考 帧（如静止的背景）做帧差，若象素的差值大于某一阈值，就判断此象 素的为运动目标上的。阈值操作后得到的结果直接给出了目标的位 置、大小、形状等信息。 减背景技术允许检测与背景不相关的对象，检测的精度相对较 高，恢复完背景后作帧差，实时性也较高，所以本系统采用基于减背景 的技术来检测运动目标。 ２．运动目标的检测和提取 ２．Ｉ背景模型的获取 由于视频序列记录了视频目标在一段时问 内的运动和变化信息．对视频画面中某一像素点进行一段时问的观测， 可以发现，只有在前景目标通过该点时，它的亮度值才发生大的变化 。 因此理想的视频分割方法是在较长的时问范围内对数据进行分析并 充分利用帧问的相关信息。给予这样一种思路，我们可以对各个象素 点沿时间轴的变化规律进行分析，并根据统计规律在整个序列中挑选 合适的点对背景进行恢复。 我们定义图像序列为Ｉ（ｘ，Ｙ，ｉ），其中ｘ，ｙ代表空间坐标，ｉ代表帧数（ｉ＝ Ｉ…一Ｎ），Ｎ为序列总帧数，序列的亮度分量为Ｉ， ｘ，Ｙ，ｉ）则视频帧差反映了 相邻帧之间的灰度变化： ＣＤＭ（ｘ，ｙ，泸话 ｄ：１ Ｉ）嘶 １ 其中阈值Ｔ被用来去处噪声。对固定的坐标位置ｘ，ｖ），ＣＤＭ（ｘ，ｙ，ｉ） 可以表示为帧数ｉ的函数，它记录了在位置（ｘ，ｖ）处象素点沿时间轴的 变化曲线。可以根据ＣＯＭ（ｘ，ｙ，ｉ）是否大于零对坐标点按帧分类。并将其 中被检测到的连续不变的帧用集合ｓ， ｙ），Ｉ ≤ 表示。其中ｓ 的起 点和终点分别是ｓＴ．和ＥＮ，。下一步，在每一个位置（ｘ，ｙ）对应的｛Ｓ＿ｌ集合 中，挑选最长的静止分段并记录该分段中点的对应帧号为Ｍ（ｘ’ｖ）。最 后，第Ｍ（ｘ，ｙ）帧处来填充视频背景中的相应位置，该逻辑可用下面的公 式描述： ｘ，ｙ）＝（ＳＴ ｙ）＋ＥＮ（ｘ，ｙ））／２ Ｂ ，ｙ）：ｌ ，ｙ，Ｍ ，ｙ１１ 其中，ＳＴ（ｘ，Ｙ）和ＥＮ（ｘ，ｙ）是对应于最长静止分段的起点和终点，Ｓ（ｘ， ｙ）为重建的视频背景。 ２．２背景模型的更新外界光线变化，背景中固定的部分也可能 发生移动，故必须实时地对背景模型进行更新。另外，对于长时间停止 在场景中的区域，本文可以在一段时间后将其看作是背景的一部分。 对于光线的变化，我们采用的方法与文献 一致，对于检测到的运 动目标的区域不更新，而只对没有检测到运动目标的区域更新，对于这 部分区域： Ｂ ｌ（ｘ，ｙ）＝ｃｔＢ ｙ）＋（Ｉ一０【） 其中Ｂ ｙ） ． ｙ）分别代表当前和下一帧背景值，厶 ｙ）代表一 段时间内没有检测到目标的当前帧的象素点。０【代表更新速度。这个 方法直接将第厶 ，ｙ）点代替原来背景图像对应的Ｂ ｙ）点．在对背景做 了这种更新后，背景的很大区域已经就是当前图象的一部分了．所以 以这个背景去和下一幅图象进行差分，在很大的区域内实际上就是时 间间隔图象差分方法，因此它不仅继承了时间问隔图象差分方法对场 景微小变化，特别是光线变化的适应性，基本消除了积累性误差．而且 具有固定背景差分方法检测运动物体准确的优势，从而实现了两种方 法的优势互补。 设计算法时还需考虑如下两种情况：（Ｉ）物体永久性移人或移出， （２）光线突然出现相对比较大的变化。由于它们处在时间间隔图象差 分方法的变化区域中而不能得到更新，尤其是全场景光线的变化会导 致整个图象区域被认为是运动物体而不做更新。这个问题解决如下： 对于每个像素点 ，ｙ１统计它连续被检测为前景的次数ｎｕｍ（ｘ，Ｙ），如果 ｎｕｍｆｘ＇ｖ１超过一定阈值删一则该点的背景用当前的前景替代。 一 选择得太大，则对背景中永久性变化的更新就会比较慢；删一较小， 则会出现将一些慢速运动的物体当作永久性变化而被错误更新。 ２－３目标获取运动目标检测是检测当前图像和背景图像中对应 像素点的差异，如果差值大于一定阈值，则判定该像素是前景运动目 标。设给定的第ｋ帧灰度图像上的每个象素点的灰度＾ ，背景上相 应的点的灰度Ｂ ｙ）。ＴＨ为设定的阈值．灰度分割算法如下： Ｄ ｘ，ｙ）： （ｘ．ｙ）一 一ｘ，ｙ）１ ＾ … 、一』ｏ Ｂａｃｋｇｒｏｕｎｄ ｗｈｅｎ Ｄ （ ｙ）＜ ，－１ （ｘ，ｖ） Ｆｏｒｅｇｒｏｕｎｄ ｗｈｅｎ Ｄ ｙ）≥７Ｈ 这样的得到的就是背景干净的．目标保留原灰度的目标图像。如 果把前景的灰度变成值Ｉ，这就是我们所讨论的二值化分割。 ２．４形态学后处理 二值化后得到的图像中往往会含有许多孤立 的点，小间隙和孔洞，这些都给判定背景是否存在着变化带来了干扰。 这里我们采用图像形态学中对二值图像的膨胀和腐蚀方法来改善。本 系统中，腐蚀方法如下：扫描图中以点（ｉ，ｉ）为中心，边长为２Ｘ ｎＥｒｏｄｅＨａｌ１ｗｉｎ的窗Ｅｌ内所有（ｉ，ｉ１的邻域点，如果邻域中不为０的个数 小于设定的阈值，则强行设（ｉ，ｉ）为０。膨胀的方法如下：运用四方向递归 的方式，判断点（ｉ，ｉ）上下和左右的四个点是否属于前景象素的点，只要 有一点属于，则将ＯＪ）的值设为２５４。当形态学处理完图像后，一些小的 干扰区域已经被去除，小的间隙也已经被连接．小的孔洞也被填充了。 ３．实验结果 我们在ＷｉｎｄｏｗｓＸＰ以及ＶＣ＋＋６．０的环境下实现了本系统。另外 本系统所采用的视频序列是用ＵＳＢ摄像头拍摄的分辨率为３２０ｘ２４０ 的ａｖｉ格式彩色视频流，处理速约为２Ｏ帧，ｓ。 ３．Ｉ背景恢复与更新结果 我们先利用开机后的２Ｏ～３Ｏ秒对原始 场景进行恢复。通过背景更新策略．我们查看背景实时更新的效果的 积累图序列，图Ｉ和图２，比较结果见表Ｉ： 视频－（ａ）
基于MATLAB的运动目标检测和识别技术研究
Ｖａｌｕｅ Ｅｎｇｉｎｅｅｒｉｎｇ ・２０３・
基于ＭＡＴＬＡＢ的运动目标检测和识别技术研究
Ａ Ｓｔｕｄｙ ｏｎ Ｍｏｖｉｎｇ Ｏｂｊｅｃｔ Ｄｅｔｅｃｔｉｏｎ ａｎｄ Ｒｅｃｏｇｎｉｔｉｏｎ Ｂａｓｅｄ ｏｎ ＭＡＴＬＡＢ
郗华ＸＩ Ｈｕａ；朱春燕ＺＨＵ Ｃｈｕｎ－ｙａｎ
（西安工业大学北方信息工程学院，西安７１００３２） ｆ Ｘｉ＊ａｎ Ｔｅｃｈｎｏｌｏｇｉｃａｌ Ｕｎｉｖｅｒｓｉｔｙ Ｎｏｒｔｈ Ｉｎｓｔｉｔｕｔｅ ｏｆ Ｉｎｆｏｒｍａｔｉｏｎ Ｅｎｇｉｎｅｅｒｉｎｇ，Ｘｉ＇ａｎ ７１００３２ Ｉ Ｃｈｉｎａ）
摘要：针对智能视频监控系统中视频序列图像，本课题利用ＭＡＴＬＡＢ７．０仿真工具采取背景差分法对视频序列图像进行处理，提 出了利用分块法和统计方法相结合的算法改进背景图像的提取算法，实现运动目标的检测和跟踪，并基于ＭＡＴＬＡＢ ＧＵＩ编制了运动
目标检测界面。
Ａｂｓｔｒａｃｔ：Ａｎ ａｌｇｏｒｉｔｈｍ ｂａｓｅｄ ｏｎ ｂａｃｋｇｒｏｕｎｄ—ｄｉｆｆｅｒｅｎｃｅ ｍｅｔｈｏｄ ｂｙ ＭＡＴＬＡＢ７．０ ｉｓ ｐｒｏｐｏｓｅｄ ｔｏ ｐｒｏｃｅｓｓ ｖｉｄｅｏ ｓｅｑｕｅｎｃｅｓ ｏｆ Ｉｎｔｅｌｌｉｇｅｎｔ ｖｉｄｅｏ ｓｕｒｖｅｉｌｌａｎｃｅ ｓｙｓｔｅｍ，Ｔｈｅ ａｌｇｏｒｉｔｈｍ ｉｓ ｔｈｅ ｃｏｍｂｉｎａｔｉｏｎ ｏｆ ｓｅｇｍｅｎｔａｔｉｏｎ ｍｅｔｈｏｄ ａｎｄ ｔｈｅ ｓｔａｔｉｓｔｉｃａｌ ｍｅｔｈｏｄ ｔｏ ｉｍｐｌｅｍｅｎｔ ｔｈｅ ｄｅｔｅｃｔｉｏｎ
ａｎｄ ｔｒａｃｋｉｎｇ ｏｆ ｍｏｖｉｎｇ ｏｂｊｅｃｔ，ｔｈｅ ｉｎｔｅｒｆａｃｅ ｏｆ ｍｏｖｉｎｇ ｔａｒｇｅｔ ｄｅｔｅｃｔｉｏｎ ｉｓ ｅｓｔａｂｌｉｓｈｅｄ ｂｙ ＭＡＴＬＡＢ ＧＵＩ． 关键词：目标检测；背景差分法；灰度图像 Ｋｅｙ ｗｏｒｄｓ：ｔａｒｇｅｔ ｄｅｔｅｃｔｉｏｎ；ｂａｃｋｇｒｏｕｎｄ－ｄｉｆｆｅｒｅｎｃｅ ｍｅｔｈｏｄ；ｇｒａｙ ｉｍａｇｅ 中图分类号：ＴＰ３９１．４ 文献标识码：Ａ 文章编号：１ｏｏ６ ３１１（２０１３）１８—０２０３—０２
路面交通监控系统的视频图像目标检测与跟踪技术研究
路面交通监控系统的视频图像目标检测与跟踪技术研究
随着城市人口的增加和车辆数量的增长，路面交通管理变得越来越重要。路面交通监控系统的视频图像目标检测与跟踪技术是一种有效的手段，可用于实时监控和处理交通违法行为、交通拥堵和事故等情况。本文将探讨该技术的研究进展、方法和应用。
首先，路面交通监控系统的视频图像目标检测与跟踪技术是指通过分析监控视频图像，识别和跟踪出交通场景中的各个目标，如车辆、行人、交通标志等。这项技术的研究主要包括目标检测和目标跟踪两个方面。
目标检测是指识别出图像中感兴趣的目标，并给出目标的位置和边界框。在路面交通监控系统中，目标检测主要针对车辆和行人两类目标。目标检测技术涉及很多方法和算法，如传统的边缘检测算法、颜色和纹理特征提取算法、深度学习算法等。其中，深度学习算法近年来成为目标检测的主流方法，由于其具有较高的准确率和鲁棒性，尤其是卷积神经网络（CNN）在目标检测中的应用取得了很大的突破。
目标跟踪是指在连续帧图像中追踪目标的位置和运动轨迹。由于交通场景中目标的运动速度较快、遮挡和相似目标多，目标跟踪是一个具有挑战性的任务。目标跟踪的方法主要包括基于特征点的跟踪方法、基于颜色和纹理特征的跟踪方法、基于卡尔曼滤波的跟踪方法和基于深度学习的跟踪方法等。近年来，深度学习方法在目标跟踪中也取得了显著的成果，如基于循环神经网络（RNN）的长短时记忆（LSTM）模型和基于卷积神经网络和循环神经网络的融合模型，在目标跟踪中取得了较好的效果。
此外，路面交通监控系统的视频图像目标检测与跟踪技术在实际应用中有着广泛的应用前景。首先，在交通拥堵监测方面，该技术可以实时监测路面上的车辆数量、车速和车流密度，及时发现并处理交通拥堵情况，提供交通指引和优化路况。其次，该技术还可以用于交通事故的监测和处理。通过实时检测交通场景中的异常行为和事故情况，及时通知交警部门和救援组织进行处理，提高事故的响应速度和处理效率。另外，在交通违法行为监控方面，该技术可以自动识别出交通违法行为，如闯红灯、逆行和违规超车等，提供线索和证据供执法部门追踪和处理。
基于OpenCV的运动目标检测与跟踪算法仿真与分析毕业设计论文
摘要
在当今社会，安全问题越来越受到人们的关注，而视频监控是保障人民群众生命财产
安全的重要技术手段，同时也是目前计算机视觉与模式识别领域的研究热点之一。视频监
控历经了普通监控、网络监控到现在的智能监控三个发展阶段。近几年来，智能监控在交
通、银行、博物馆等安全性要求比较高的场所发挥了举足轻重的作用。但由于其应用范围
的广泛性、应用场景的多样性，就其技术而言仍未达到人们所期望的要求。其算法实时性、
稳定性情况还不甚理想，受雨雪等恶劣天气的影响也比较大，还需要进一步研究出更好的
算法，因此它是一个十分有意义的课题。
本文设计了基于ｏｐｅｎｃｖ的运动目标检测与跟踪系统。进行了大量的实验，并在实验
中通过多次改进系统的结构和相关的算法，达到了提高系统实时性的目的。该系统能够打
开视频文件，并对视频文件中的运动物体进行实时有效检测与跟踪。
本文的主要工作包括：在运动目标检测阶段，本文介绍了目前常用的背景差法、帧间
差分法、光流法，并通过实验对其进行了多次改进，最终采用了自适应背景更新算法、以
及最经典的混合高斯背景建模算法进行运动检测。在运动目标跟踪阶段，本文利用了颜色
范围和面积大小这两个简单的特性来识别目标，在满足了识别要求的前提下，大大提高了
识别的速度，再一次提升了系统的实时性；在目标跟踪阶段采用Ｍｅａｎｓｈｉｆｔ的改进算法
Ｃａｍｓｈｉｆｔ，并根据实验结果对算法中的优缺点进行分析。
关键词：运动目标检测，运动目标跟踪，ＯｐｅｎＣＶ，高斯背景建模算法，Ｃａｍｓｈｉｆｔ算法。Abstract
Today,securityproblemsarebecomingincreasinglysubjecttopeople’sattention.Video
surveillanceisthemostimportanttechnicalmeanstoprotectpeople’slivesandproperty.Itis
alsothemostpopularproblemsinthecomputervisionandpatternrecognitionresearchfields.