1運動目標檢測方法

　　運動目標檢測算法可以分為靜態背景下運動目標檢測和動態背景下運動目

　　標檢測。靜態背景下運動目標檢測是指攝像機在整個監視過程是靜止的：動態

　　背景下運動目標是指在監視過程中攝像機發生了移動，如平動、旋轉或多自由

　　度運動。

　　靜態背景下常用的運動目標檢測方法有：

　　（1）瞬時差分法【10】【l】J：瞬時差分法是在連續的圖像序列中兩個或三個相鄰

　　幀間，采用基于像素的幀間差分并閾值化來提取出圖像中的運動區域。

　　（2）背景減除法【12】：背景減除方法是目前目標檢測中最常用的方法之一，

　　它利用當前圖像與背景圖像的差分來檢測運動區域。該方法一般能夠提供完整

　　的特征數據，但對于動態場景的變化，如光照和外來無關事件的干擾特別敏感。

　　（3）光流法【13‘15】：光流法根據連續的幾幀圖像計算各像素運動的大小和方

　　向，利用運動場區分背景和運動對象。光流法的主要優點在于能夠檢測出獨立

　　的運動對象，而不需預知場景的任何信息；缺點是大多數光流方法的計算比較

　　復雜，且抗噪性能差，如果沒有特定的硬件支持，一般很難用于序列圖像中運

　　動目標的實時性操作。

　　運動目標檢測還有一些其它的方法，如Friendman與Russel利用擴展的EM

　　算法為每個像素建立了混合高斯分布模型，該模型可以自動更新，并能自適應

　　地將每個像素分類為背景、影子或運動前景，在目標運動速度緩慢的情況下亦

　　能較好地完成運動區域的分割，并可以有效地消除影子的影響。動態背景下的

　　運動目標檢測由于目標與攝像機之間存在著復雜的相對運動，所以檢測算法要

　　比靜態背景下的運動目標檢測算法復雜的多。常用的動態背景下運動目標檢測

　　算法有塊匹配法、光流估計法、圖像匹配法以及全局運動估計法等。

　　l。2。2運動目標跟蹤方法

　　運動目標跟蹤是確定同一物體在圖像序列不同幀中位置的過程，當運動物

　　體被正確檢測出來時，跟蹤等價于在連續的圖像幀間創建基于位置、速度、形

　　狀、紋理、色彩等有關特征的對應匹配問題。目標跟蹤的主要工作就是選擇好

　　山東大學碩士學位論文

　　的目標特征和采用適當的搜索方法。根據匹配原理，把現有的跟蹤方法分為基

　　于模型、區域、特征以及活動輪廓的跟蹤。

　　（1）基于模型的跟蹤

　　基于模型的跟蹤是通過一定的先驗知識對所跟蹤目標建立模型，然后通過

　　匹配跟蹤目標，并實時更新模型。

　　（2）基于特征的跟蹤

　　基于特征的跟蹤是指根據目標特征利用某種匹配算法在圖像序列中尋找目

　　標，進而跟蹤運動目標。該算法通常包括特征提取、特征匹配以及計算運動信

　　息三個過程。

　　（3）基于區域的跟蹤

　　基于區域的跟蹤算法基本思想是：把預先提取的運動區域作為匹配的目標

　　模板，設定一個匹配度量，然后在下一幀圖像中匹配搜索目標圖像，把度量取

　　極值時的位置判定為最佳匹配點。

　　（4）基于活動輪廓的跟蹤

　　基于活動輪廓的跟蹤方法是利用一條封閉的參數化曲線來表達運動目標輪

　　廓，在由圖像構造的特征場中通過極小化以曲線函數為參數的能量來進行動態

　　迭代，使得該輪廓能夠自動連續更新。

　　1．2．3機器人視覺導航研究現狀

　　近年來，機器視覺理論與技術有了迅速發展，視頻設備及計算機硬件運行

　　速度也得到了很大提高，很大程度上加快了視覺導航的研究進程。

　　Martin Marietta公司開發的Alvin在1986年進行首次道路跟蹤演示，完

　　成了避障任務。Camegie．Mellon大學開發的Navalab最有特色，它的視覺系統

　　研究較為深入，其中的SCARF（Supervised Classification Applied to Road Finding）

　　視覺系統采用了彩色模型分類和基于模型的Hough變換投票表決的方法，結合

　　一個掃描景物的距離圖像數據，可以獲得可靠的導航性能。Trahaniastl61利用視

　　覺探測陸標來完成機器人導航，其中陸標不是事先定義的人工陸標，而是在學

　　習階段自動抽取的自然陸標。Torii【171通過處理視覺信息選擇機器人行走基準

　　線。類似的研究在美國軍方也有明顯的應用。Active Media公司生產出的