目标检测算法（一）——常见算法比较

一、分类：帧间差分法、背景减除法和光流法。

(1)背景减除法通过统计前若千巾贞的变化情况,从而学习背景扰动的规律。此类算法的缺点是由于通常需要缓冲若干帧频来学习背景,因此往往需要消耗大量的内存,这使其使用范围受到了限制。此外,对于大范围的背景扰动,此类算法的检测效果也不理想。Stauffer和Grimson[Stauffer99]提出的高斯混合模型是使用最为广泛的背景建模方法。高斯混合模型通过多个高斯分布对背景建模,每个分布对应一种背景像素的模态,从而能够适应像素层面上的背景扰动问题,并能通过对背景的不断更新,使系统能对背景的变化自适应。但是,高斯混合模型对于全局光照变化、阴影非常敏感,对于缓慢的运动目标检测效果也不理想。

(2)帧间差分法的主要思想就是利用视频图像序列中连续两帧或三顿的差异来检测发生运动的区域。Lipton等人提出的用于实时视频流中运动冃标检测的算法就是顿间差分的方法[Lipton98]。顿间差分法的特点是动态性强,能够适应动态背景下的运动目标检测。但是,这类算法检测出的目标轮廓非常不理想,在目标内部会留有许多空洞,在目标运动较快时目标的轮廓会被扩大,在目标运动较慢时甚至有可能无法得到目标的边界。 

(3)基于光流的运动目标检测算法是利用光流方程计算出每个像素点的运动状态矢量,从而发现运动的像素点,并且能够对这些像素点进行跟踪。在摄像机运动、背景变化时,光流法也能检测出运动目标,并且它能同时完成运动目标检测和跟踪,但是该方法的计算复杂度高,在没有专用硬件支持的情况下很难做到实时检测,同时,光流场的计算非常容易受到噪声、光照变化和背景扰动的影响。采用光流场计算的方法也很难将运动目标的轮廓完整地提取出来。

二、比较

   主要包括光流场法，帧差法，背景减法，并给出了相应的实验结果。各个算法的性能优缺点对比如表2-1所示。

          

  

        

三、总结

    光流场法计算复杂， 不适用于实时监控系统；帧差法计算简单，但是检测结果不完整；背景减法效果较好，然而建立一个良好的背景模型需要花费很大计算量和存储量的开销。