目标检测技术研究和应用探析

根据目标检测应用范围可以分为静态目标检测和运动目标检测两大类。静态目标检测是指检测静态图像中的目标。静态图像常常采用背景抑制算法，其最具代表性的是空域滤波器。根据目标区域特点构建相应的滤波器对图像进行滤波，实现抑制背景区域与加强目标区域，通过分割滤波获得目标。高通滤波［47－48］、中值滤波［49］就是其中典型的方法。但是由于强背景杂波干扰，这些算法在抑制杂波方面明显不足。J.Serra［50－51］利用数学形态学的方法去除高频噪声与消除背景对高频分量的干扰。宗思光、王江安［52］提出多尺度形态算子融合图像滤波。高阶累量方法是将红外图像中弱目标检测问题转换为将非高斯信号从高斯信号分离，利用三阶累积量对目标图像进行分析，对背景与目标模型构造二元假定，最终根据最大似然比检测目标［53］。SUSAN 方法［54］是一种同值吸收核算法，用它对图像预处理，并根据图像特点构造自适应分割算法实现目标检测。杨磊［55］根据对背景、噪声、目标分属的频段不同，通过调整Butterworth 高通滤波器的设置系数对背景进行抑制以获得目标。运动目标检测是指对图像序列中的目标进行检测。运动目标的检测也就是在图像序列中判定是否有运动目标。通常运动目标检测的基本方法有三种:帧间差分方法、背景差分方法和光流法。

(1)背景差分法。

背景差分法适用于当前获得或已经存储的背景估计图像，通过与当前帧图像相减后实现目标检测。通过不断更新阈值，将像素区分类为运动前景还是场景背景。在图像形成的过程中，由于受到光线、天气的影响，背景在不同时刻会产生变化，尤其空中云层急剧变幻或海面受光线的照射所产生的眩光，这就要求背景像素状态要及时更新，这对背景图像模型的构建至关重要。背景模型通常按照自身特性区分为单模态与多模态两种［56］，也就是说背景像素是使用单个概率分布模型还是使用多个概率分布模型。Gloyer B［57］等人依据当前背景图像中某个像素在相同位置上已出现的图像序列所有帧的像素灰度平均值作为该像素的背景建模。C.Stauffer、W.Grimson［58］基于受光线、遮挡、晃动影响，提出每个背景在不同时刻呈现不同高斯状态分布，用混合高斯模型定义多个高斯分布状态，在不同时刻，分别对它进行不同加权。背景差分法的优点是处理速度快，可以满足系统任务的实时性要求。

(2)帧间差分法。(www.xing528.com)

帧间差分法利用了图像序列相邻帧之间的相关性，取相邻的图像作参考图像，进行序列间的差分检测，然后通过对差分图像进行滤波处理来确定运动目标［59－60］。Jain et al.［61］提出了基于帧间差分的方法从图像序列中将运动目标从固定背景中分离。虽然相邻帧的差分法算法简单，容易检测运动目标，但是帧间差分法在实际应用中对于运动目标检测的结果却不尽人意。它主要存在几个关键问题:①帧间差分法的阈值选取。阈值选取不当，要么抑制不了噪声，要么抑制了运动目标。②时间间隔的选取。间隔过长或过短将导致相邻帧目标运动溢出或者目标几乎重叠，这不便目标检测。③运动遮挡问题。由于目标的运动，前一帧被遮挡的部分背景在当前帧中会显露出来，我们容易将这部分背景误判为运动目标。或者当运动目标灰度大面积分布均匀时，帧间差分法会在上述区域检测时产生“空洞”，目标会被分割成多个区域，从而只能部分地检测出运动目标。Dubuisson［62］提出利用三帧图像计算出两个差分图像，通过使用两个差分图像对应像素的与结果来检测运动目标。

(3)光流法。

光流是一个重要的概念，它由Gibson 于1950 年首先提出［63］。物体在光源的照射下，其表面的灰度呈现一定的空间分布，我们称其为灰度模式。光流是指图像灰度模式的运动速度。一般而言，光流不仅携带了运动区域的运动信息，而且还包含有关景物的丰富结构信息。在不需要先验场景信息的前提下，它就能够检测到独立的运动对象。一个运动物体在空间产生一个三维速度场，它在图像上的投影就形成了一个二维运动场。一般情况下，认为光流与运动场没有太大区别，因此可以根据图像运动来估计物体相对运动。近年来，国内外学者对光流计算技术进行了深入的探讨与研究，依据计算的数学方法与理论基础，把它们分为四类:微分技术、基于区域的匹配法(块匹配法)、基于能量的方法和基于相位的方法［64］。微分光流最早由Horn 和Schunck 于1981 年提出［65］。他们假定同一运动对象所引起的光流应该是连续与平滑的，并且约束它的灰度梯度短时不变或亮度短时恒定。该方法是目标检测的一种有效方法。由于运动物体边界处的速度场是不连续的，这导致采用Horn 和Schunck 光流模型计算的光流不是稠密场。为此，采用一个定向平滑约束处理光流场，垂直于梯度方向的速度变化应尽可能小，避免抑制过度的方法被阐述［66－67］。在当前像素点的邻域内，Lucas 和Kanade［68］采用窗口函数进行加权平方求和，通过在每个局部区域的能量最小化来估计光流速度。Adelson 和Bergen［69］提出对运动感知的时空能量模型，奠定基于能量光流法的基础。Heeger［70］采用Gabor 滤波器求解光流场。Fleet 和Jepson［71］建立相位光流算法的基本框架，该方法估计光流较精确。尽管光流不仅携带了运动区域的运动信息，而且还携带了有关景物三维结构的丰富信息，不需要预先知道场景的任何信息，但是算法复杂，计算量大，不适合在有较高实时性要求的场合应用。Weber 等在多分辨率分析的框架下实现光流的鲁棒性算法［72］，通过由粗至精的光流计算提高效率，达到实时目的。多尺度光流算法推动了基于小波的光流算法的发展，Wu［73］提出由粗至精的小波光流建模向量，提高了分析效率。