MOD(motion Object Detection)介紹

Motion Detection or Moving Object Detection 稱之爲運動偵測，移動偵測，移動檢測

MOD全稱爲Moving Object Detection，中文「移動物體檢測」。主要的做用是泊車時，周圍有人或物體通過探測區域被檢測到給駕駛員聲音和視覺提醒，移動物體會被黃框標示，提醒駕駛員注意。被檢測到的物體必須是移動物的，它檢測不到靜止的物體

 

 

方法有哪些？

• 幀差分法（frame differencing）

 

Frame differencing is a technique where the computer checks the difference between two video frames. If the pixels have changed there apparently was something changing in the image (moving for example). Most techniques work with some blur and threshold, to distict real movement from noise. Because frame could differ too when light conditions in a room change ( and camera auto focus, brightness correction etc. ). 

對於背景灰度不變的條件下，當前景像素髮生變化時，必定是有移動物體了，大多涉及到一些模糊算法（好比形態學運算）和設置灰度值的閾值方法實現。

背景差分法(Background difference) : 視頻幀圖像與背景模型圖像進行差分和閾值分割

幀差分法： 視頻中的一幀圖像與另外一幀圖像進行差分運算

幀差可說是最簡單的一種背景模型，指定視頻中的一幅圖像爲背景，用當前幀與背景進行比較，根據須要過濾較小的差別 （閾值），獲得的結果就是前景了

 

• 背景減除法

背景減除法算法是將運動對象（稱爲前景）與靜態或慢速移動的場景部分（稱爲背景）區分開來。

   Background subtraction, also known as foreground detection(前景檢測), is a technique in the fields of image processing and computer vision wherein an image’s foreground is extracted for further processing (object recognition etc.). Generally an image’s regions of interest are objects (humans, cars, text etc.) in its foreground. After the stage of image preprocessing (which may include image denoising, post processing like morphology etc.) object localisation is required which may make use of this technique.

https://en.wikipedia.org/wiki/Foreground_detection

這種方法的缺陷或是有待解決的問題：

* light changes(光照):背景模型應適應逐漸或快速的光照變化

* 移動背景或高頻背景對象（樹葉等）：背景模型應包括改變視覺不感興趣的背景，例如揮動樹木或樹枝;

*陰影：背景模型應包括經過移動物體投射的陰影，這些物體顯然表現爲本身移動，以便更準確地檢測移動物體的形狀;

* 背景類似：即便前景的色彩特徵與背景模型類似，也應該檢測到移動物體。

* 運動變化：相機振盪或是較小的位移;

* 背景發生變化

 

  

 

幀差法適用於更多場景，如：攝像頭移動以及多目標運動場景，缺點就是檢測的人物之間容易出現空洞。 

背景減除法，適用場景侷限，只適用於第一幀是背景圖的視頻，但檢測人物沒有空洞。 

以上這兩種方法均不能很好的處理光照過強以及陰影的運動物體視頻。

 

這種方法有哪些？

1. 高斯模型 (Gaussian Model)  Wren, Pfinder: Real-time tracking of the human body, 1997

         發展到混合高斯模型 Mixture of Gaussian Model   

            KaewTraKulPong, An improved adaptive background mixture model for real-time tracking with shadow detection, 2001, cited by 1400+

 

     混合高斯在現有的背景建模算法中應該算是比較好的，不少新的算法或改進的算法都是基於它的一些原理的不一樣變體，但混合高斯算法的缺點是計算量相對比較大，速度偏慢，對光照敏感

2. 基於顏色信息的背景建模 (color) * Horprasert, A statistical approach for real-time robust background subtraction and shadow detection, 1999, cited by 1200+

 解決關於全局或局部的光照變化問題，例如陰影和高亮 ，基於顏色信息的背景建模方法,簡稱Color算法，該算法將像素點的差別分解成Chromaticity差別和Brightness差別，對光照具備很強的魯棒性，並有比較好的效果，計算速度也比較快，基本能夠知足實時性的要求，作了許多視頻序列的檢測，效果比較理想；

3. 基於貝葉斯框架的本徵背景法 * Nuria M. Oliver, A Bayesian computer vision system for modeling human interactions, 2000, cited by 1500+

       （不瞭解）

5. 核密度估計方法 * Ahmed Elgammal, Non-parametric model for background subtraction, 2000, cited by 2500+
6. 背景統計模型 

          對一段時間的背景進行統計，而後計算其統計數據（例如平均值、平均差分、標準差、均值漂移值等等），將統計數據做爲背景的方法。

參考：

          統計平均法   * BPL Lo, Automatic congestion detection system for underground platform, 2001, cited by 300+

         中值濾波法 (Temporal Median filter)  * R Cucchiara, Detecting Moving Objects, Ghosts, and Shadows in Video Streams, 2003, cited by 1600+

 

8. 複雜背景下的前景物體檢測 (FGD) * Liyuan Li, Foreground Object Detection from Videos Containing Complex Background, 2003, cited by 500+
9. ViBe (A Universal Background Subtraction)   * Olivier Barnich, ViBe: A universal background subtraction algorithm for video sequences, 2011, cited by 800+

                                                                                * M Van Droogenbroeck, Background subtraction: Experiments and improvements for ViBe, 2012, cited by 140+

 

      VIBE算法是Barnich的一個大做，已申請了專利。ViBe是一種像素級視頻背景建模或前景檢測的算法。利用視頻第一幀圖像就能完成背景建模初始化工做，根據鄰近像素點之間具備類似性完成初始化和更新，依據當前圖像的像素和背景模型中對應像素之間的類似性程度來檢測前景目標。

 

• Optical flow

    所謂光流就是指圖像表現運動的速度。物體在運動的時候之因此能被人眼發現，就是由於當物體運動時，會在人的視網膜上造成一系列的連續變化的圖像，這些變化信息在不一樣時間，不斷的流過眼睛視網膜，就好像一種光流過同樣，故稱之爲光流。

 

光流法檢測運動物體的原理：首先給圖像中每一個像素點賦予一個速度矢量（光流），這樣就造成了光流場。若是圖像中沒有運動物體，光流場連續均勻，若是有運動物體，運動物體的光流和圖像的光流不一樣，光流場再也不連續均勻。從而能夠檢測出運動物體及位置。

 

應用背景：

根據圖像前景和背景的運動，檢測視頻的變化，空間運動物體在觀察成像平面上的像素運動的瞬時速度，是利用圖像序列中像素在時間域上的變化以及相鄰幀之間的相關性來找到上一幀跟當前幀之間存在的對應關係，從而計算出相鄰幀之間物體的運動信息的一種方法。能夠用來檢測運動抖動物體

 

首先是假設條件：        

（1）亮度恆定，就是同一點隨着時間的變化，其亮度不會發生改變。這是基本光流法的假定（全部光流法變種都必須知足），用於獲得光流法基本方程；        

（2）小運動，這個也必須知足，就是時間的變化不會引發位置的劇烈變化，這樣灰度才能對位置求偏導（換句話說，小運動狀況下咱們才能用先後幀之間單位位置變化引發的灰度變化去近似灰度對位置的偏導數），這也是光流法不可或缺的假定；        

（3）空間一致，一個場景上鄰近的點投影到圖像上也是鄰近點，且鄰近點速度一致。這是Lucas-Kanade光流法特有的假定，由於光流法基本方程約束只有一個，而要求x，y方向的速度，有兩個未知變量。咱們假定特徵點鄰域內作類似運動，就能夠連立n多個方程求取x，y方向的速度（n爲特徵點鄰域總點數，包括該特徵點）。      

 

因此能夠歸納一下傳統的移動物體檢測的方法有幀差法，背景提取（包括統計的方法），光流法。

 

 

摘自  http://www.rspublication.com/ijca/2015/APRIL15/22.pdf

 

有興趣的小夥伴能夠關注微信公衆號，加入QQ或者微信羣，和你們一塊兒交流分享吧