运动分割概述

运动分割的目的是从序列图像中将变化区域从背景图像中提取出来。

运动区域的有效分割对于目标分类、特征提取、特征表达与最后的识别等后期处理是非常重要的,因为以后的处理过程仅仅考虑图像中对应于运动区域的像素。然而, 由于背景图像的动态变化, 如天气、光照、影子及混乱干扰等的影响, 使得运动分割成为一项相当困难的工作。运动分割可以分为在静止和运动背景下运动目标的检测和提取。现有的运动分割算法大体可分为如下三类:

( 1) 帧间差分。 差分法[1～4]是最为常用的运动目标检测和分割方法之一。此方法的特点是速度快,适用于实时性要求较高的应用环境;不足在于算法对环境噪声较为敏感, 并且基于差分法的运动目标分割精度没有保证。
( 2) 背景估计图像与当前图象帧差。 除差分法外, 背景估计[5～7]是解决静止或缓变背景下运动目标检测和分割的另一条思路。这类方法的优点在于对复杂背景情况效果较好, 它一般能够提供最完全的特征数据, 但对于动态场景的变化, 如光照和外来无关事件的干扰等特别敏感。

( 3) 基于运动场估计的方法[1]。此类方法通过视频序列的时空相关性分析估计运动场, 建立相邻帧对应关系, 进而利用目标与背景表观运动模式不同进行运动目标的检测与分割。视频序列运动场估计方法主要有

• 光流法( Optical Flow Equa-tion, OFE) 、
• 块匹配( Block Match Algorithm, BMA) 、
• 基于贝叶斯最大后验概率( Maximum A Posteriori Probability, MAP) 模型的统计方法。

与差分法相比, 运动场分析能够较好地处理背景运动的情况,适用范围更广; 但计算的时空复杂度均远高于前者。

[ 1] A Murat Tekalp. Digital Video Processing[ M] . Prentice-Hall Press,1996.
[ 2] Lipton A, Fujiyoshi H, Patil R. Moving Target Classification and Tracking From Real-time Video[ C] . NJ: Proc. IEEE Workshop on
Applications of Computer Vision. Princeton, 1998. 8-14.
[ 3] Anderson C, et al. Change Detection and Tracking Using Pyramids Transformation Techniques[ C] . Cambridge, MA: Proc. SPIE Conference on Intelligent Robots and Computer Vision, 1985 . 72 -78.
[ 4] Foresti G L. Object Recognition and Tracking for Remote Video Surveillance[ J] . IEEE Transactions on Circuits and Systems for Video Technology, 1999, 9( 7) : 1045-1062.
[ 5] Haritaoglu I, Harwood D, et al. W/ sup 4 / : Who? When? Where?What? A Real -time System for Detecting and Tracking People[ C] .
Proceedings of Third IEEE International Conference on Automatic Face and Gesture Recognition, 1998. 222- 227.
[ 6] Stringa E, et al. Real-time Video-shot Detection for Scene Surveillance Applications[ J] . IEEE Transactions on Image Processing, 2000, 1( 9) : 69 - 79.
[ 7] Toyama K, Krumm J, et al. Wallflower: Principles and Practice of Background Maintenance [ C] . Proceedings of the 7th IEEE Interna-
tional Conference on Computer Vision, 1999 . 255- 261.