机器视觉中的运动目标检测图像处理及算法

在上述检测算法中，帧间差分法和背景减除法更加适用于如视频监控、智能交通系统等图像背景静止的环境中。光流法则更加适用于背景不断变化的动态环境中。下面我们来介绍以上三种常用算法的基本原理。

帧间差分法

适应环境能力强、计算量小、且稳定性好，是目前应用广泛的一类运动检测方法。其原理是将相帧或者三帧序列图像像素点的对应灰度值进行相减，如果灰度差值大于阈值则说明此处物体发生了变化，它是运动的；如果像素的灰度差值小于给定阈值说明此处物体没有发生变化，认为它是静止的。将像素灰度值发生变化的部分标记出来，这些被标记的点就组成了运动目标区域。进一步对灰度图像进行二值化分析，提取目标运动信息，区分出前景和背景图像，进而分割出运动目标。

背景减除法

其实是一种特别的帧间差分法，背景减除法根据将当前帧图像与背景模型做差来实现对运动目标的检测。这种方法首先获取背景模型，并将其保存起来，当对某一帧图像进行检测时，用实时获取的帧图像与背景模型做差分运算，得到要检测的运动目标。

光流法

当运动目标在监控场景中产生运动的时候，物体表面会形成位移矢量场，根据其变化可以得到运动目标。光流是指移动物体在其对应的灰度图像上的表面运动，在光流场中，运动目标的速度矢量形成的平面投影构成了目标的运动信息。运动目标在投影上形成的速度矢量是比较均匀，运动目标速度不同形成的速度矢量也不相同，通过光流的计算结果就可以区分出速度不同的运动目标。

图像处理算法

一开始应用应该是采用服务器的软件算法来完成，随着互联网技术的不断成熟，会扩展到云端计算来完成，但是这样对于网络带宽要求非常大，对于云服务器的计量量要求也非常高。笔者估计，视频图像处理技术算法的大规模产业化应用，必然是需要专业的芯片来完成，该芯片就是机器视觉 (CV) 芯片。芯片方式一定是能够降低成本，同时提高运算能力。从近年的整个行业情况来看，计算机视觉作为人工智能领域最重要的方向之一，由于机器视觉芯片诞生和深度学习算法不断发展，近几年获得了巨大的发展，各项应用在不同的行业里开始落地生根。