運動目標檢測的主要目的是從圖片序列中將變化區(qū)域或者運動物體從背景圖像中分離出來，常用于視頻監(jiān)控、異常檢測、三維重建、實時定位與建圖等領域。運動目標檢測是許多領域應用落地的基礎，近年來被廣泛地關注和研究，對運動無人機檢測亦是如此。目前，運動目標檢測的基本方法主要包括背景消減法、幀間差分法和光流法。

▌背景消減法

背景消減法是運動目標檢測的經典方法，也是目前的主流方法之一。其算法的核心在于將圖片序列中的當前幀與確定好的或者實時更新的背景參考模型進行減法操作，找到不同的區(qū)域。它把與背景圖像差異超過一定閾值的區(qū)域作為運動區(qū)域，把小于閾值的部分作為背景區(qū)域，從而確定運動目標。背景消減法中背景圖像會受到外部光線變化、其他外部環(huán)境變化、相機運動等因素的影響，所以背景消減法成功的關鍵在于背景建模以及背景更新。

傳統(tǒng)的背景建模方法主要包括中值法、均值法、單高斯分布模型、混合高斯模型等等。自適應混合高斯背景建模是圖像背景建模的重要方法，它的工作原理是基于視頻圖像中像素點在時間域上的分布來得到像素點上的顏色分布，從而到達背景建模的目的?；旌细咚贡尘敖７ú粌H對復雜場景的適應強，而且能通過自動計算的模型參數來對背景模型調整，檢測速度很快，且檢測準確。同時算法能夠根據新獲取的圖像，對背景圖像參數進行自適應更新。該方法能夠可靠處理光照變化、背景混亂運動的干擾以及長時間的場景變化等，因此基于混合高斯模型建模的背景減法被廣泛應用于運動目標檢測中。

如下視頻為基于混合高斯模型的運動目標檢測。

背景消減法雖然原理簡單，但是主要應用于固定攝像頭場景。在運動攝像頭場景下，背景變化過快或者過于復雜，需要引入額外的圖像對齊、復雜的背景更新方法等才能有效工作，這也導致出現(xiàn)計算量過高的問題。

如下視頻為基于背景消減法的無人機檢測。

▌幀間差分法

幀間差分法的核心是對時間上連續(xù)的兩幀、三幀或者多幀圖像進行差分運算來獲取運動區(qū)域。首先求得相鄰幀之間的像素值（通常使用灰度值）之差，然后類似于背景消減法設定參考閾值，逐個對像素點進行二值化處理。其中灰度值為255的是前景，灰度值為0的是背景。最后通過連通域分析，形態(tài)學操作等獲取完整的運動目標圖像。兩幀差分法適用于目標運動較為緩慢的場景，當運動較快時，由于目標在相鄰幀圖像上的位置相差較大，兩幀圖像相減后并不能得到完整的運動目標，因此，人們在兩幀差分法的基礎上提出了三幀差分法、五幀差分法等來改善目標包絡框。

由于幀間差分法是選用前一幀的圖片作為背景，所以這使得它不僅僅具有實時性高的特點，相比于背景建模的方法更是在更新速度、算法復雜程度以及計算量方面都要有所優(yōu)化。但是幀差法極容易受到噪聲的干擾，對閾值的選擇要求很高。閾值選擇過低會導致檢測結果總包含大量的噪聲干擾，閾值選擇過高則可能忽視圖像中的關鍵信息，導致緩慢運動的目標被忽略或者目標提取不完整等問題。

如下視頻為基于幀間差分法的運動目標檢測。

▌光流法

光流法與上述兩種方法不同，不需要對場景中的背景圖像進行建模，而是利用圖像序列中像素在時間域上的變化以及相鄰幀圖像中每個像素之間的相關性，計算得到光流場，進而提取出運動目標。根據所形成的光流場中二維矢量的稠密程度，光流法可以分為稠密光流和稀疏光流。其中，稠密光流計算圖像上所有點的偏移量，得到稠密的光流場，可進行像素級別圖像配準，但是計算量大、實時性差。稀疏光流只對于有明顯特征的點（如角點）進行跟蹤，但是計算量小，實時性好。

如下視頻為基于Lucas Kanade稀疏光流法的運動無人機跟蹤。

總體而言，上述經典運動目標檢測方法雖然能夠在一些場景中有效檢測運動目標，但是主要適用于靜止攝像頭場景。在移動攝像頭場景下普遍存在背景干擾噪聲增多，小尺寸運動目標難以檢測，計算復雜度高等缺點，難以直接應用到運動像頭檢測運動無人機等復雜場景中，需要進一步改進和研究。

參考資料

[1] https://zhuanlan.zhihu.com/p/348113539

[2] https://zhuanlan.zhihu.com/p/42940310

[3]??. Deliba?o?lu, "PESMOD: Small Moving Object Detection Benchmark Dataset for Moving Cameras," 2022 7th International Conference on Frontiers of Signal Processing (ICFSP), Paris, France, 2022, pp. 23-29, doi: 10.1109/ICFSP55781.2022.9924854.

[4] Zivkovic Z. Improved Adaptive Gaussian Mixture Model for Background Subtraction[C]// Proceedings of the 17th International Conference on Pattern Recognition, 2004. ICPR 2004. IEEE, 2004.

本文共1585字

由西湖大學智能無人系統(tǒng)實驗室博士生sky-guo原創(chuàng)

申請文章授權請聯(lián)系后臺相關運營人員

▌公眾號：空中機器人前沿

▌知乎：空中機器人前沿（本文鏈接：https://zhuanlan.zhihu.com/p/599378161）

▌Youtube：Aerial robotics @ Westlake University

▌實驗室網站：https://shiyuzhao.westlake.edu.cn?