目標檢測演算法(一)——常見演算法比較
一、分類:幀間差分法、背景減除法和光流法。
(1)背景減除法通過統計前若千巾貞的變化情況,從而學習背景擾動的規律。此類演算法的缺點是由於通常需要緩衝若干幀頻來學習背景,因此往往需要消耗大量的記憶體,這使其使用範圍受到了限制。此外,對於大範圍的背景擾動,此類演算法的檢測效果也不理想。Stauffer和Grimson[Stauffer99]提出的高斯混合模型是使用最為廣泛的背景建模方法。高斯混合模型通過多個高斯分佈對背景建模,每個分佈對應一種背景畫素的模態,從而能夠適應畫素層面上的背景擾動問題,並能通過對背景的不斷更新,使系統能對背景的變化自適應。但是,高斯混合模型對於全域性光照變化、陰影非常敏感
(2)幀間差分法的主要思想就是利用視訊影象序列中連續兩幀或三頓的差異來檢測發生運動的區域。Lipton等人提出的用於實時視訊流中運動冃標檢測的演算法就是頓間差分的方法[Lipton98]。頓間差分法的特點是動態性強,能夠適應動態背景下的運動目標檢測。但是,這類演算法檢測出的目標輪廓非常不理想,在目標內部會留有許多空洞,在目標運動較快時目標的輪廓會被擴大,在目標運動較慢時甚至有可能無法得到目標的邊界。
(3)基於光流的運動目標檢測演算法是利用光流方程計算出每個畫素點的運動狀態向量,從而發現運動的畫素點,並且能夠對這些畫素點進行跟蹤。在攝像機運動、背景變化時
二、比較
主要包括光流場法,幀差法,背景減法,並給出了相應的實驗結果。各個演算法的效能優缺點對比如表2-1所示。
三、總結
光流場法計算複雜, 不適用於實時監控系統;幀差法計算簡單,但是檢測結果不完整;背景減法效果較好,然而建立一個良好的背景模型需要花費很大計算量和儲存量的開銷。