作者简介:周游(1986),男,江西萍乡人,长春光学精密机械与物理研究所硕士研究生,主要从事图像压缩、图像检测研究,(Tel)

　　86-(E-mail);刘艳滢(1965),女,辽宁营口人,长春光学精密机械与物理研究所研究员,

　　(1.中国科学院长春光学精密机械与物理研究所,长春130033;2.吉林大学仪器科学与电气工程学院,长春130061)

　　用于人体运动检测中,在实现过程中对OGHMs加以简化,对运动图像进行Gaussian平滑处理,并在模块运算

　　后期引入腐蚀运算从而得到更精确的检测效果。分析了时间差分法、背景减除法、光流法等常用的几种运动

　　人体检测算法。通过对现有的实验结果分析比较表明,增加腐蚀作用后的OGHMs法不仅具备常用算法各自具

　　有的一些优点,而且抗干扰能力强,同时还较好解决了计算量大的问题,不需要进行背景重建和更新等步骤,

　　关键词:人体运动检测;正交高斯Hemite矩;时间差分法;背景减除法;光流法

　　人体运动分析是目前一个研究热点,在智能安全监控系统、体育运动分析、医疗诊断等领域具有广

　　泛的应用前景。它主要涉及计算机视觉、模式识别、图像处理以及人工智能等领域,是跨学科的研究课

　　题。其研究核心是从视频中检测和跟踪人体,获取人体运动数据,以此为基础重建人体的三维运动,进

　　而描述和理解人体运动。其中人体运动目标检测的检测效果直接影响后期的目标识别、跟踪及行为理解

　　等工作,因此运动人体检测技术是计算机视频图像处理中最基础、最关键的技术,对运动检测算法进一

　　人体运动检测是指在输入视频图像中确定运动人体的位置、尺度大小和姿态的过程

　　比较多、比较经典的人体运动检测方法有时间差分法、背景减除法、光流法等。笔者扼要阐述OGHMs

　　法的理论依据,在现有算法的基础上,引入图形学的腐蚀运算,应用于最后获得的检测结果,实验证明

　　腐蚀运算的引入使最终的运动检测效果更好。同时对其他几种常用的方法进行介绍和实际应用,根据得

　　到的实验结果,对这几种方法以及OGHMs法进行分析和比较,并指出其优点和不足。从而得出, 改进

　　提出了一种适应速度变化能力、抗干扰能力较强的运动检测算法 OGHM s ( Orthogo-

　　其中 ai 由 Gaussian函数的标准偏差 确定。根据卷积运算的性质, n阶 OGHMs可看成是图像序列函数

　　在时间上的各阶导数之和与 Gaussian函数的卷积。某点导数值越大, 则表示随时间变化该点位置上的像

　　素值变化也越大, 说明该点应该属于运动区域块, 这为 OGHMs方法能检测出运动物体提供了理论依

　　线性组合而成。因为高斯函数本身具有平滑噪声的能力, 所以 OGHMs同样具有有效滤除各种噪声的性

　　首先采用该软件从监控视频中获取图像序列; 然后在主程序中完成对原始图像帧的获取地址以及处理后

　　图像帧保存地址的设置。由于运算时涉及到当前帧与前后帧之间的处理, 所以在整个序列图像进行处理

　　在获取图像并进行参数二值化后主程序调用简化的 OGHMs运算模块。OGHMs的递归表达式为

　　区域很容易都被当作人体, 事实上经过前期处理后检测出来的人体轮廓依然有些偏大, 并且出现一些毛

　　刺, 腐蚀可以消除图像中小的噪声区域, 并且加入腐蚀处理后的检测结果更加吻合真实的人体。在分割

　　因为在一幅图像中处在同一物体上的像素点有着很强的空间相关性, 若仅简单地设定阈值, 则容易破坏

　　这种相关性。文献[ 8] 中介绍了一种基于双阈值区域分割的方法, 从而保证了分割物体时各像素之间具

　　有较强的空间相关性, 这里就不赘谈球吧论坛述了。OGHM s的主要流程如图 1所示。

　　假设 t 时刻的图像帧为算法中处理的当前帧图像 (见图 2); 在 t - 1 时刻的图像帧为前一帧图像

　　(见图 3); t+ 1时刻的图像帧, 即下一帧图像 (见图 4)。输入序列图像 2、3、4, 得到的输出结果如图

　　图 5a为原始的 OGHMs得到的效果图, 图 5b为在运算过程中经过一些简化后并添加腐蚀运算得到

　　的效果图。从得到的检测效果看, 图 5b的轮廓要比图 5a小一些, 人体的轮廓线条也细一些, 从而减少

　　了因为运动带来的人体重影。可见, 在整个运算过程中增加一次腐蚀运算可以进一步改善 OGHMs的检

　　测效果, 下面以图 5b作为 OGHMs的效果图进行比较。综合看, OGHMs方法很好地去除了背景噪声的

　　影响, 得到的运动人体轮廓十分清晰。人体区域内的运动信息也比较丰富, 能较好地辨别出头发的轮廓

　　曲线, 以及鼻梁、嘴唇等线条, 这对进一步的分析与识别, 如人体模型的重建等后续工作十分有利。由

　　于人体运动缓慢, 衣服颜色比较单调, 采用该方法有时检测到的运动区域会有空洞, 这个问题可在后续

　　时间差分法 ( Temporal Difference) 是利用时间上连续的图像序列前后几个相邻帧, 基于像素的时

　　间差分, 通过阈值化提取图像中的运动区域。早期的方法是利用相邻两帧差分获得运动物体, 如设 Fk

　　是图像序列中第 k帧图像灰度值数据, Fk+ 1表示图像序列中第 k + 1帧图像灰度值数据, 则时间相邻两

　　其中T 为阈值。如果差值大于 T, 则说明该区域的灰度变化较大, 即需要检测出的运动目标区域。显

　　然, 差分图像具有边缘图像性质, 在实际图像中, 差分图像中运动目标区域的轮廓并不是理想封闭的,

　　而往往表示出不完整的信息。对一段视频中的室内运动人体进行基于时间差分的运动检测, 为了检测效

　　果具有更好的可比性, 这里选取相同的当前帧, 即为上述 t 时刻的图像帧 (见图 2)。在 t + 1时刻的图

　　像帧为下一帧图像 (见图 4)。得出结果如图 6a所示。为了便于观察比较时间差分法和 OGHM s法的检

　　测效果, 这里把图 5b转贴到图 6b。从效果图上看, 时间差分法与 OGHMs法一样, 具有较强的抗噪性,

　　背景噪声的影响能很好地消除。但时间差分法提取目标较粗糙, 运动人体的轮廓不太清晰, 得不到十分

　　首先构建一个背景模型图像, 然后用当前帧图像与背景帧图像做差分, 通过阈值化差分结果检测出运动

　　目标。假设 t时刻背景帧图像为 F0, 对应当前帧图像为 Ft, 则当前帧和背景帧的差分可表示为

　　假设当前帧图像与背景帧图像相应像素的灰度值差分大于阈值, 则所得到的二值图像中对应的值为

　　1, 即认定该区域属于运动目标。用该方法检测相同视频段中的运动人体, 取和 1 3节中的当前帧一样

　　的图像 (见图 2)。此时刻的背景帧如图 7所示, 得到的检测结果如图 8a所示, 为了便于比较背景减除

　　减除法相比, OGHM s法检测的结果在运动区域内存在空洞问题, 但是其轮廓完整, 另外由于该方法受

　　渐变光线影响相对较小, 进而对前景与背景灰度值的差比较敏感, 利于检测出完整的运动人体。

　　这样的假设: 图像灰度的变化完全是由于目标或背景的运动引起的。即, 目标和背景的灰度不随时间变

　　化。基于光流方法的运动检测, 就是利用运动物体随时间变化在图像中表现为速度场的特性, 根据一定

　　的约束条件估算出运动所对应的光流, 其优点是对目标的帧间运动限制较少, 可处理较大的帧间位移。

　　然而, 光流计算方法需要多次的迭代运算, 复杂的运算导致时间消耗较大, 在没有特殊的硬件支持下,

　　其速度缓慢, 而且抗干扰能力较差。当只需从静止背景下提取运动目标时性价比不高, 所以在视频监控

　　增加腐蚀作用后的 OGHMs法利用了现实几种常用算法各自具有的一些优点, 增强了抗干扰能力,

　　同时较好地解决了计算量大的问题, 不需要进行背景重建和更新等步骤, 从而大大缩短了检测时间。其

　　从实验效果看, 改进后的 OGHM s法是目前几种运动人体目标检测的方法中较好的一种。

　　[ 10]刘开刚, 许梅生, 李维. 一种基于双阈值区域分割的 SAR图像目标提取方法 [ J]. 国外电子测量技术, 2008, 27