李秀丽+李旭健+高林

摘 要：为了克服帧间差分法和HS光流法在运动目标检测中的缺点，提高视频运动目标检测准确性，提出了一种将改进的三帧差分法和基于灰度梯度优化计算的光流法相结合的運动目标检测算法。首先利用改进的三帧差分算法对图像进行预处理，使用最大类间方差法对图像进行二值化，获得全局二值化阈值，得到准确度较高的运动目标区域；然后利用优化灰度计算的光流法处理，排除光线等因素的干扰，从而更加准确地提取运动目标区域。实验结果表明，该方法能够有效提高运动目标检测的准确性。

关键词关键词：HS光流法；三帧差分法；灰度梯度优化；最大类间方差法

DOIDOI：10.11907/rjdk.161773

中图分类号：TP312

文献标识码：A 文章编号：1672-7800（2016）008-0026-04

0 引言

随着计算机技术的不断发展，计算机视觉研究方兴未艾，而运动目标检测在智能交通、军事等领域成为热点。视频图像中的运动目标检测在计算机视觉领域成为一个重要的研究课题。

传统的视频运动目标检测方法有背景差分法、帧间差分法和光流法。背景差分法是利用图像序列中当前帧图像和背景图像相对于参考模型进行比较的一种检测运动目标方法[1]。此算法相对简单，检测效率较高，其性能依赖于所使用的背景建模技术。但是一旦图像背景发生变化或被其它物体干扰时，就不能准确地检测出运动目标，即背景差分法的抗干扰能力较弱。传统的帧间差分法是用图像序列中的连续两帧图像进行差分，然后二值化该灰度差分图像来提取运动信息[1-2]。这种方法的优点是算法实现简单，程序设计复杂度低，对光线等场景变化不太敏感，能够适应各种动态环境，稳定性较好。缺点是不能提取出对象的完整区域，只能提取边界，同时依赖于选择的帧间时间间隔。对快速运动的物体，需要选择较小的时间间隔，如果选择不合适，物体在前后两帧中没有重叠时会被检测为两个分开的物体。而对慢速运动的物体，应该选择较大的时间差，如果时间选择不适当，物体在前后两帧中几乎完全重叠时则检测不到物体。光流法是给图像中的每个像素点赋予一个速度矢量，形成图像运动场。在不同的时刻，根据各像素点的速度矢量特征对图像进行动态分析。当图像中有运动物体时，目标和图像背景存在相对运动，运动物体所形成的速度矢量必然和邻域背景速度矢量不同，从而检测出运动物体及位置[2，6-7]。它的优点在于光流不仅携带了物体的运动信息，而且还携带了有关景物三维结构的丰富信息，能够在不知道场景任何信息的情况下检测出运动对象。但是这种方法计算耗时，实时性和实用性都较差。

文献[3]利用Harris角点作为特征像素点，用LK算法对这些特征点进行稀疏光流计算，三帧差分起到了补充作用。Harris 角点检测子对图像的尺度变化非常敏感，小的尺度变化就会造成Harris 角点的复现率快速下降，图像的尺度伸缩将使由Harris 检测子提取的特征不具有重复性，效率不高。文献[4]利用帧间差分和光流法相结合的方法检测视频序列中的运动目标，相比之前的检测方法有了一定的提高，但是光流法本身计算较复杂耗时，应用性不强。

为了充分发挥三帧差分的作用，本文提出了一种改进的三帧差分方法和优化灰度图像计算的光流法相结合的方法，简化了计算过程，提高了计算效率。

1 改进的视频运动目标检测算法

为了克服上述算法的缺点和不足，本文提出一种改进算法：首先利用改进的三帧差分算法对图像预处理，降低图像背景对运动目标的影响，经过膨胀得到运动目标的大致区域，接着对预处理过的图像用基于灰度优化的光流法计算光流，得到运动目标的精确区域，检测到运动目标。算法流程如图1所示。

1.2 提取运动目标

HS光流法最早由Horm和Schunck在1981年提出，两人结合了二维的瞬时速度场和图像灰度，又根据图像灰度守恒原理提出了古典的光流约束方程：

Ixu+Iyv+It=0（7）这个方法前提条件是场景中光照环境保持不变，即图像的变化仅仅是由物体的运动产生。假设某个时刻t，点（x，y）在图像中的亮度由I（x，y，t）表示，由于图像中任意指定点的亮度是保持不变的，所以有：

dIdt=0（8）可以计算得到光流的约束方程，这个方程中包含了u和v两个未知变量，一个方程中含有两个未知变量显然没法解决问题。这里要添加平滑性约束条件，令约束方程成立。具体内容为：图像上任意一点光流并不是独立存在的，光流在整个图像范围内进行平滑变化，因此给出了平滑约束方程为：

上述改进方法减少了光流法的迭代次数，简化了光流的计算过程，提高了光流计算的准确性，为准确检测出目标打下了基础。

2 实验结果与分析

由于传统的光流法与三帧差分法都有各自的优缺点，为了充分利用两者的优点，改善它们的不足，本文提出一种结合改进的三帧差分法和基于灰度变化率的改进的光流法进行运动目标检测。

本实验中，使用MATLAB软件开发工具，使用的图像资源是车辆检测的官方视频，本实验命名为cartracking.avi。视频总长度为4s，视频帧率设置为15帧/s。经过多次实验后总结出阈值为T=25时能较好地去除图像噪声。

为了能够清晰地体现本文方法的优越性，对原有的视频图像分别进行了传统光流法实验、优化灰度计算的光流法实验、传统的三帧差分方法实验、改进的三帧差分方法实验以及本文方法实验。实验中选取的经验值为5，通过实验可以发现：

对图3 （a）、图3（b） 和图3（c），使用传统方法得到的检测目标区域图像轮廓不太清晰，区域范围不是很明确。

图4是实验视频中11帧（d） 、16帧（e） 和21帧（f） 三帧的检测图像，可以看出改进的三帧差分检测方法在出现重叠部分的区域，所检测出的目标区域清晰度明显增加，检测出的目标信息更加全面，边缘线相比传统的方法较连续，检测结果有比较大的提高。

图5为经典的HS光流法实验图。 可以看出，光流的密度比较稀疏，没有全面计算出运动目标的運动光流，所以不能够显示整个运动目标区域，距离理想中的检测结果差距较远。利用改进的光流法得到的运动目标检测结果计算的光流如图6所示。

图7为本文改进算法的检测结果。可以看出，本文方法可以清晰地检测出运动目标，清晰度超越了两者结合之前的程度，同时检测效率也得到了提高。

3 结语

本文针对三帧差分和光流法的优缺点，提出了改进的三帧差分与基于灰度梯度优化计算的光流法相结合的方法，使用最大类间方差法进行阈值选择，能够相对快速准确地检测运动目标。改进的三帧差分算法实现简单，检测效果有了明显提升。此方法也可同时对多个目标进行检测。优化灰度计算后的光流法，算法较简单，两者相结合提高了检测效率，具有一定的实用价值。本文不足之处在于研究的前提是光照环境保持不变，而在实际视频情景中，光线强度是不断变化的。因此本文是在理想条件下进行的实验，考虑光线变化的工作有待下一步开展。

参考文献：

[1] 屈晶晶，辛云宏.连续帧间差分与背景差分相融合的运动目标检测方法[J].光子学报，2014（7）：219-226.

[2] 季鸣，王红茹，童伟.基于改进差分和光流的新型运动目标检测方法[J].计算机系统应用，2015（10）：111-115.

[3] 袁国武，陈志强，龚健，等.一种结合光流法与三帧差分法的运动目标检测算法[J].小型微型计算机系统，2013（3）：668-671.

[4] 李春华，李宁.序列图像运动目标的新型快速检测方法[J].小型微型计算机系统，2014（8）：1916-1921.

[5] 郝颖明，朱枫.二维Otsu自适应阈值的快速算法[J].中国图像图形学报，2005（4）：484-488.

[6] 盛旭锋，朱方文，李校祖，等.基于三帧时间差分法的独居老人运动检测[J].计算机工程与应用，2010（13）：239-241.

[7] 胡觉晖，李一民，潘晓露.改进的光流法用于车辆识别与跟踪[J].科学技术与工程，2010（23）：5814-5817.

[8] 杨叶梅 .基于改进光流法的运动目标检测[J].计算机与数字工程，2011（9）：108-160.

[9] 朱璐瑶.改进的Horn-Schunck光流法在目标追踪中的应用[J].中国体视学与图像分析，2015（3）：218-226.

[10] 桂本烨，钱徽，朱淼良.一种优化梯度计算的改进HS光流算法[J].中国图像图形学报，2005（8）：117-123.

[11] XIAOWEI HAN，YUAN GAO.Research on moving object detection algorithm based on improved three frame difference method and optical flow[C].Proceedings of IEEE Conference on Instrumentation and Measurement，Computer，Communication and Control，2015.

（责任编辑：杜能钢）