基于TMS320DM6437 DSP的运动目标检测系统【文献综述】

《基于TMS320DM6437 DSP的运动目标检测系统【文献综述】》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、毕业设计文献综述通信工程基于TMS320DM6437DSP的运动目标检测系统摘要：运动目标物体检测的目的是从序列图像中将发生变化的区域分析并提取出来。它作为目标分类、跟踪和行为分析理解等后期工作的基石，其准确、高效的检测对后续一系列处理工作意义重大。本文介绍了当前国内外运动目标检测技术的研究现状及发展趋势，介绍如光流法、帧差法及背景减法等三种目前运动目标检测的主要方法。关键词：运动目标检测；帧差法；背景差法一、背景1.1运动目标检测技术视频图像的运动目标检测是计算机视觉领域的一个重要研究课题[1]。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[2]，它

2、是后续目标分类、跟踪、行为分析等高级处理的基础，也是视频监控系统自动化、智能化和实时化的关键。运动目标检测拥有广阔的应用前景：如：交通状况监控、视频监控、自动导航[1]等。1.2运动目标检测技术研究现状进入2000年以来，从图像分割的角度出发产生了许多运动目标检测的算法，包括阈值分割、统计检验和检测滤波器三大类[3]，这些检测方式的缺陷在于：分割效果对图像噪声敏感；运算复杂，处理速度慢等。目前，国内主要通过两种途径区检测视频信号中的运动目标：对序列图像前后连续两帧的研究以及利用无运动目标的环境的先验知识。1.3运动目标检测技术发展趋势新一代基于内容的多媒体数据压缩编

3、码国际标准MPEG-4第一次提出了基于对象的视频编码新概念，MPEG-4实现基于内容交互的首要任务就是把视频图像分割成不同目标，即运动目标的检测。然后对不同对象采用相应的编码方法，以实现高效压缩，可以说，视频运动目标检测是MPEG-4视频编码的关键技术，也是新一代视频编码研究的热点和难点。二、运动目标检测的方法目前，常用的运动目标检测方法主要有：光流法、帧差法、背景减法，此外还有块匹配法和运动能量法等[4]。由于许多运动物体提取算法都是在文中前三种算法的基础上衍生而来，本文主要介绍光流法、帧差法以及背景减法。2.1光流法光流的概念是仿照流体动力学[5]产生的，它的原

4、理是给摄取的图像中每一个像素点赋予一个速度矢量，这就形成一个图像运动场，在运动的一个特定时刻，图像中的点与三维物体上的点一一对应。这种对应关系可由投影关系得到，根据各个像素点的速度矢量特性，可对图像进行动态分析。若图像中没有运动目标，则光流矢量在整个图像区域是连续变化的，当运动目标出现时，运动物体所形成的速度矢量必然和领域背景速度矢量不同，由此可将相似的运动矢量合并形成运动目标从而完成运动目标的检测。光流法检测目标无需预先知道背景信息，并且可以用于动态背景，但是这种方法计算量大、易受到噪声的影响，不适于实时检测。近年来，有学者提出将Canny边缘提取融入光流场分割技

5、术[6]，其实时性得到一定提高。但如何进一步提高其抗噪性及运算速度仍有待于深入研究。2.2帧差法帧差法是基于时间序列用差分方法来实现运动目标的检测[7]即：如果一副图像某一位置的物体发生变化，那么对应位置的灰度也将发生改变；反之，没有物体运动的画面的灰度则没有变化或变化很小。根据这一原理，此方法只要比较序列图像中相邻两幅图像的对应像素灰度是否发生改变来检测运动目标。其算法略述如下：（公式1）（公式2）其中，i，j表示像素位置坐标，t为时间，Th表示阈值，DF(i，j，t)表示相邻帧的帧差图像，I（i，j，t）表示当前帧图像，M(i，j，t)表示检测出的运动图像。经过

6、中值滤波和帧差之后的图像可能依然会存在较多的背景噪声，然而由于运动目标的边界是一个连续的封闭轮廓，噪声是离散的点，因此可以根据图像的连通性分析[8]来除去滤波之后的图像中那些不连续的离散点。此种方法动态环境有很好的适应性，算法简单，实时性好，对环境变化有较好的抑制效果，而且不需要考虑背景更新。但缺点在于不能提取出较完整的运动目标，只能是轮廓的提取，且如果运动目标运动缓慢有可能会发生漏检。因此有学者提出很多改进的帧差算法，如：RameshJain提出了累积差分法（ADP）[9]，朱颖、江泽涛提出累积差分方法[10]等。2.3背景减法背景减法的基本思想是将当前帧图像fk

7、与事先存储或者实时得到的背景图像Bk-1相减。如果像素差值Dk大于某一阈值T，则判定此像素为运动目标上的像素，反之则判定仍为背景画面像素没有运动目标存在。阈值操作后的结果直接给出了对象的位置、大小、形状等信息。其算法略述如下：（公式3）（公式4）由公式3以及公式4可以看出背景减法的两个关键：阈值和背景的选择。常用的阈值选取法有：灰度直方图法、最小误差法等等。构建背景的方法也有很多，如：统计平均法、单高斯分布背景模型[11]、混合高斯分布背景模型[12-13]等等。文献[11]介绍的单高斯分布背景模型适用于单模态背景情形，它为每个像素点的颜色分布建立了用单个高斯分