基于OpenCV的运动目标识别算法和实现

Longyuan Journal基于网络的移动目标识别算法和OpenCV的实现: ROCKETS Peng，四来源: “现代电子技术” 2009 22摘要: 在视频序列中结合背景减法和时差方法识别运动目标算法. 该算法采用瞬时差分法获取当前帧中运动目标的轮廓信息，在更新背景模型时不更新运动目标轮廓内的区域，避免了运动引起的背景模型更新错误. 目标. 给出了使用OpenCV实现算法的具体过程和关键代码. 实验结果表明，该方法可以实现视频序列中运动目标的识别，具有实时性，可以获得较好的识别效果. 关键词: 运动目标识别背景差异法；瞬时差分法CLC: TP273的打开过程. 它是提取计算机视觉信息中的重要问题，也是高级视频分析的基础，例如基于对象的视频编码，目标跟踪和运动分析. 目前，用于运动目标识别的主要方法有三种: 背景差法，瞬时差法和光流法. 背景差分方法可以获得相对完整的运动目标信息，但是很难获取和更新背景模型. 瞬时差分法易于在目标上产生孔洞，并且无法获得完整的目标信息. 光流法更复杂并且抗噪性能差. 没有特定的硬件支持，通常很难用于移动目标识别的实时操作.

这里介绍一种结合背景差分法和瞬时差分法的运动目标识别算法，并给出了基于OpenCV实现该算法的过程和实验结果. 1算法思想背景差异法是利用当前图像和背景图像之间的差异来识别运动目标. 获取和更新背景模型是该方法的关键技术. 获取背景图像的一种简单方法是在场景中没有目标出现时捕获背景图像. 这种获取背景图像的人工非自适应方法仅适用于短期视频监视. 目前，大多数龙源期刊网络算法已经放弃了这种非自适应背景图像估计方法. 当场景环境不是很复杂时，您可以使用统计过滤来完成场景中背景图像的估计. 在大多数情况下，您可以获得正确的背景估计图像，但是当场景的各个部分都可以随机运动，会造成场景像素值不断变化，造成估计误差. 基于高斯统计模型的背景估计方法可以在某些区域不断变化的场景中更准确地估计背景模型，但是其计算更为复杂，识别过程中的其他操作可能无法满足实时性要求. 瞬时差方法是一种使用视频序列中两个相邻帧之间的基于像素的时间差和阈值来提取运动对象的方法. 即，两个相邻图像逐像素相减目标识别opencv，并且设置阈值. 如果相减后的值大于阈值，则视为前景图像（移动目标）；否则，它将被视为背景图像.

瞬时差分方法更适合动态环境，无需获取背景图像. 当两个相邻帧的纹理，灰度等信息相对接近时，该方法通常无法完全检测出目标的特定内容，并在物体内部产生空隙. 但是它可以更准确地获取运动对象的外部轮廓. 在此，将背景差方法与瞬时差方法组合使用. 首先，基于一定数量的视频序列，通过基于高斯统计模型的方法获得背景图像. 在随后的处理中，对于视频图像的每一帧，首先使用瞬时差分方法识别运动目标的轮廓，然后使用背景模型基于统计滤波对背景图像的外部区域进行更新，以更新背景模型. 此框的移动目标的轮廓. 这样目标识别opencv，可以减少场景中运动目标对更新后的背景模型的影响，同时可以保证系统运行时间的实时性能，还可以提供更完整的目标识别信息. 获得. 2算法实现根据以前的算法思想，可以如图所示获得系统流程图. 开源计算机视觉类库OpenCV（开源计算机视觉库）是英特尔研究实验室免费提供和开发的一组功能和类. 它用于实现一些库. 常用的图像处理和计算机视觉算法. 下面给出了使用OpenCV的算法的具体过程和关键代码. （1）捕获视频帧定义捕获源: （2）高斯统计估计背景模型定义高斯背景模型: 将高斯背景模型的背景图像复制到预先定义的背景图像中pBkImg: 龙源期刊网（3）使用瞬时差分法获取不包含运动区域的当前帧，并更新背景.

将当前帧pFrame和前一帧pFrame0之间的差异放入差异图像diff中并进行二值化: 下一步操作是在差异图像中找到轮廓并获得其外接矩形. 面积较小的矩形被视为噪声抑制，其余的被视为运动目标. 同时，将当前帧pFrame和背景pBkImg的ROI设置为移动目标的外接矩形. 首先将当前帧的ROI设置为0，然后对当前帧的ROI和背景执行逻辑或运算. 这样，对于移动目标所在的区域，当前帧和背景的图像信息是相同的，从而达到了消除移动目标对背景更新的影响的目的. 此代码使用上述过程获得了不包含运动目标信息的当前帧更新背景模型，如下所示: （4）执行背景差以获得当前帧运动目标识别结果的二进制图像pFrImg: 3实验结果是基于以上算法思想，实现过程采用OpenCV 1.0实现对运动目标的识别. 经过计算，该算法大约需要16毫秒来处理图像的每一帧，可以满足实时系统的要求. 使用该算法识别交通监控图像部分中的运动目标，结果如图2所示. 其中，图2（a）是当前帧图像，图2（b）是当前帧图像不包含运动信息. 矩形框用于标记通过帧间差异检测到的移动目标的位置. 当前的背景模型，图2（d）是背景差异的结果.

4结论从以上实验结果可以看出，本文介绍的算法可以更准确地获取背景图像，并实现对运动目标的识别. 系统仍然需要改进的地方是对移动物体边缘的检测不够清晰；如果可以增加阴影检测和去除，则应实现更好的[LL]识别效果. 这些将是进一步研究的工作. 参考文献龙源期刊网[1]刘雪. 基于图像序列的运动目标检测与跟踪算法研究[D]. 山东: 山东大学[2]徐志

本文来自电脑杂谈，转载请注明本文网址：
https://www.pc-fly.com/a/jisuanjixue/article-222371-1.html