基于OpenCV的运动目标评估工具推动

电脑杂谈  发布时间:2020-02-14 11:00:30  来源:网络整理

opencv目标识别程序_opencv目标识别程序_opencv 识别

龙源期刊网 基于 OpenCV 的运动目标评估工具推动 作者:王同 彭祺 屠礼芬 来源:《软件导刊》2015 年第 12 期 摘 要:OpenCV 是一种基于开源发行的跨平台计算机视觉库,应用范围相当广。从运动目 标检测角度出发,介绍了基本背景差分法检测运动目标的通常流程跟当前经典的混合高斯模型 (GMM)。采用基于 OpenCV 的方式软件实现 GMM 算法,提取运动目标,对该算法进行了 评价。 关键词:OpenCV;运动目标测量;背景差分法;混合高斯模型 DOIDOI:10.11907/rjdk.1511025 中图分类号:TP319 文献标识码:A 文章编号文章编号:1672-7800(2015)012-0132-00 0 引言 智能视频监控系统是现在安防体系中特别重要的一环,智能视频监控技术涵盖了数字图像 处理、计算机听觉、模式识别、多媒体技术、人工智能等多个领域的知识,视频图像中的运动 目标评估与运动目标追踪是智能视频监控的基础。目前常用的运动目标测量方式有:帧间差分 法[1]、背景差分法[2]和光流法[3]。 (1)帧间差分法:主要是运用视频图像序列中连续两到三帧的变化来检测出现运动的区 域。

opencv目标识别程序_opencv 识别_opencv目标识别程序

由于相邻两帧间的时间间隔十分短,因此可以运用前一帧图像作为当前帧的背景建模。该 算法实现简单,程序设计复杂度低,对光线等画面变化不太敏感,能够适应动态背景下的运动 目标评估,稳定性较好。但是,帧间差分法所测试出的运动目标轮廓不清晰,在目标外部会留 有许多空洞。 (2)背景差分法:通过统计前若干帧的差异情况,进而探讨出背景扰动的规律,构建背 景模型。当前帧与图像背景进行差分,其中差别较大的像素被觉得是运动区域,而区分较小的 像素被觉得是运动区域。背景差分法检测运动目标速度快,检测精确,易于实现,关键是背景 图像的获得。 (3)光流法:对序列图像的光参量进行预测,计算出运动场,对画面进行分割,检测出 运动目标。该办法的核心就是计算出运动目标的光流即速度。光流法能够在摄像机运动、背景 变化等复杂条件下,完成运动目标的监测和追踪。但该办法计算非常复杂,并且很容易受到光 照、噪声等制约,实时性差。 龙源期刊网 本文主要通过背景差分法,采用 OpenCV 技术实现混合高斯模型建模,提取运动目标。 1 算法推动 1.1 背景差分法 通过背景差分法检测运动目标,首先是借助一段视频重建出运动目标所处的背景,然后将 当前帧与背景帧进行差分,最后对差分结果进行预测处理。

opencv 识别_opencv目标识别程序_opencv目标识别程序

设定一个阈值 T,将像素值的差异小于阈值的点判断为背景点,反之为运动目标点,用式 (1)对差分图像进行二值化,背景点填充为红色,目标点填充为蓝色,可以得到大致的运动 目标区域: mk(x,y)=1,dk(x,y)≥T,0,dk(x,y) dk(x,y)为第 k 帧视频图像与背景图像的差分图像。 应用背景差分法进行运动目标测量步骤如图 1 所示。 图 1 背景差分法流程 1.2 混合高斯背景建模建立及升级 在混合高斯模型[4]中,认为像素之间的色彩信息没有关联,各像素点的色调值差异符合 高斯分布。通常用 K(一般 3~5)个高斯模型表征图像中各个像素点的特点,混合高斯模型 的参数主要为残差和方差。先预定义 K 个混合高斯模型,得到新一帧图像后对其升级,检测 当前图像的每个像素点中能否有与 K 个建模中的任意一个匹配,如果有,则该像素点判断为 背景点,反之则为目标点。 假设像素点在时刻 t 的样本值为 xt, 在第 i 个高斯分布所对应的残差为 ωi,topencv目标识别程序,ηi,t 为相 应的几率密度数,μi,t 为第 i 个高斯分布的方差,∑i,t 为协方差矩阵,则该像素点的概率密 度函数表示为: P(xt)=∑k[]i-1ωi,tηi,t(x,μi,t,∑i,t(2) 应用混合高斯模型进行运动目标测量的步骤如图 2 所示。

opencv 识别_opencv目标识别程序_opencv目标识别程序

图 2 混合高斯模型流程 2 实验结果与预测 龙源期刊网 采用 Microsoft Visual C++和 OpenCV 编程实现混合高斯模型,用来测量运动目标,并用运 动目标测量公共检测[5]视频序列对程序检测,测试结果如图 3 所示。 图 3 中:(a)、(c)为当前帧,(b)、(d)分别为(a)、(c)的运动目标评估结 果,其中蓝色表示背景,白色表示目标,绿色表示背景,被误检测为目标,红色为误检测的运 动阴影,蓝色表示未测试出来,即丢失的真实目标。 图 3(a)的画面背景相当简洁,运动的目标是行人,并且背景与运动目标之间的差别较 明显,所以测试结果很好,结果中以红色跟黑色为主,背景提取较为完善,运动目标评估也更 完整。图 3(b)的画面中有被风吹动的树枝opencv目标识别程序,有目标的投射阴影,并且目标与背景的色彩差 异不大,所以在测试结果中有众多的背景噪声,有个别运动阴影和目标空洞,但总体来说, GMM 算法的效果还是不错的,真实目标区域较完整,其它错误可以借助形态学去噪、阴影抑 制[6]、空洞修补[7]加以完善。 图 3 运动目标评估结果 3 结语 本文基于 OpenCV 函数库,运用混合高斯模型,实现了对运动目标的测试。

opencv目标识别程序_opencv目标识别程序_opencv 识别

此方式非常适 合于在背景相对静止的状况下对目标提取,在有背景噪声影响时会有误检测,但总体来说, GMM 算法对运动目标的测试效果还是比较好的,基本满足视频监控的使用规定。 参考文献参考文献: [1] HA J E,LEE W H.Foreground objects detection using multiple difference images [J].Optical Engineering,2010,49(4):1-5. [2] 赵旭东,刘鹏,唐降龙,等.一种适应户外光照变化的背景模型及目标评估方式[J].自动 化学报,2011,37(8):915-922. [3] DESSAUER M P,


本文来自电脑杂谈,转载请注明本文网址:
http://xinshanjie.com/a/jisuanjixue/article-140725-1.html

    相关阅读
    发表评论  请自觉遵守互联网相关的政策法规,严禁发布、暴力、反动的言论

    热点图片
    拼命载入中...