New trends on moving object detection in video images captured by a moving camera: A survey
Abstract
这篇文章对在移动摄像头获取的视频序列中进行运动目标检测的最新方法进行调研。这是第一篇针对移动摄像头的环境下该问题方法的调研。
在这个问题上的大多数方法可以分为四类:
基于模型的背景差法(modeling based background subtraction)
轨迹分类(trajectory classification)
低秩和稀疏矩阵分解(low rank and sparse matrix decomposition)
目标跟踪(object tracking)
Challenges
- 运动目标的定义
一般的运动目标检测的定义是,在视频序列的每帧图像中,找到一部分相连的像素,这些像素在图像三维空间(x,y,t)中,具有相似的运动性质和相似的语义。
这意味着我们在正确检测一个运动目标时,必须考虑像素之间的时空关系。但许多方法只考虑到时间方面。
运动目标可以是人,动物,所有类别的载具。对于这些例子,像素点不同时间所在的位置是有一定的关系的,我们可以用视频序列上运动的像素或者运动的边界框来表达他们。
相反地,对于一些别的例子,如飓风,森林火灾,石油泄漏和冲浪运动所造成的水上区域,在和运动目标检测无关的计算机视觉领域中,这些区域被认为是“填充物”,应该被辨识为背景的一部分。
有些物体可能会有复杂的形状,如手,手指这些,是不能用简单的几何形状表达的。我们将他们归类为非刚性运动目标。
其他如浮云,摇晃的树等,并非是我们想要检测的目标,在计算机视觉中应该要被归类为背景。
因此,运动目标应该是刚性或者非刚性的在由固定或运动的摄像机捕获的图片序列中随时间运动的,需要被检测、定位或者跟踪的目标。目标可以是一个或者多个在视频中被检测和跟踪的物体。此后,根据检测目标的执行环境和最终用途,应该对物体的运动和外观进行建模。
- 具有挑战性的困难
在设计一个检测运动目标的算法时,会有很多困难。在这一部分,我们回顾一些在运动摄像头拍摄的视频中检测运动目标时,会遇到的主要的挑战。其中大部分和摄像头的静止或运动都相关,只有小部分仅仅和运动的摄像头相关。我们将在这里详细介绍这些困难中的大部分,并介绍试图解决和处理每个困难的方法。
- 光照变化
原因很多,要求算法所使用的特征对光照变化保持一定的不变性。
解决的思路有:
使用不同的颜色空间
结合颜色和纹理
使用局部特征
总结而言,使用局部特征和背景模型更新的方法,对于处理这挑战有很好的效果
- 运动目标的外观变化
解决的思路主要是对运动目标使用一个好的表达并且应用有效的学习更新策略。
- 存在突然的运动