李曉峰，邢金明

(1.黑龍江外國(guó)語(yǔ)學(xué)院 信息工程系，黑龍江 哈爾濱 150025；2.東北師范大學(xué)，吉林 長(zhǎng)春 130024)

1 概 述

智能圖像和視頻信息處理技術(shù)應(yīng)用中，采用圖像信息處理技術(shù)進(jìn)行視頻運(yùn)動(dòng)目標(biāo)分析，對(duì)視頻運(yùn)動(dòng)目標(biāo)進(jìn)行可靠性檢測(cè)，提高視頻運(yùn)動(dòng)目標(biāo)的檢測(cè)和識(shí)別能力，相關(guān)的視頻運(yùn)動(dòng)目標(biāo)可靠性檢測(cè)方法研究受到人們的極大關(guān)注[1]。對(duì)視頻運(yùn)動(dòng)目標(biāo)的檢測(cè)是建立在圖像信息處理的基礎(chǔ)上，構(gòu)建視頻運(yùn)動(dòng)目標(biāo)的三維視覺(jué)特征分析模型，采用高分辨的視頻運(yùn)動(dòng)目標(biāo)識(shí)別和特征提取方法，進(jìn)行視頻運(yùn)動(dòng)目標(biāo)檢測(cè)，對(duì)視頻運(yùn)動(dòng)目標(biāo)識(shí)別和運(yùn)動(dòng)視頻特征分析研究具有重要意義。

視頻運(yùn)動(dòng)目標(biāo)成像多采用光學(xué)成像，受到條件隨機(jī)場(chǎng)的干擾，導(dǎo)致視頻運(yùn)動(dòng)目標(biāo)的可分辨性不高，一些發(fā)達(dá)國(guó)家經(jīng)過(guò)長(zhǎng)時(shí)間的分析與探討，對(duì)視頻運(yùn)動(dòng)目標(biāo)成像也進(jìn)行了探索和研究。文獻(xiàn)[2]提出了基于背景更新算法的運(yùn)動(dòng)目標(biāo)偽裝效果檢測(cè)方法，采用偽裝原理進(jìn)行目標(biāo)檢測(cè)，以軍用卡車模型為研究對(duì)象，基于背景更新模型和實(shí)驗(yàn)室三通道技術(shù)，利用一種新的運(yùn)動(dòng)物體偽裝效果的檢測(cè)方法，根據(jù)建立的實(shí)驗(yàn)系統(tǒng)，計(jì)算軍用卡車偽裝前后形狀特征參數(shù)之間的歐氏距離，實(shí)現(xiàn)了運(yùn)動(dòng)目標(biāo)偽裝效果檢測(cè)；文獻(xiàn)[3]提出了基于Ka波段視頻合成孔徑雷達(dá)的低雷達(dá)散射截面積運(yùn)動(dòng)目標(biāo)檢測(cè)方法，首先研究了目標(biāo)陰影的特征，主要受目標(biāo)尺寸、雷達(dá)波束入射角和目標(biāo)速度的影響，然后利用視頻合成孔徑雷達(dá)系統(tǒng)檢測(cè)運(yùn)動(dòng)目標(biāo)，并對(duì)其運(yùn)動(dòng)目標(biāo)檢測(cè)性能進(jìn)行了分析；文獻(xiàn)[4]提出了基于格式塔原理的運(yùn)動(dòng)行星檢測(cè)與跟蹤方法，構(gòu)造高斯混合模型，從視覺(jué)認(rèn)知的角度檢測(cè)運(yùn)動(dòng)區(qū)域，利用天文圖像的圖形特征確定行星的位置，然后提出了跟蹤行星的時(shí)空融合模型，完成運(yùn)動(dòng)行星檢測(cè)與跟蹤。但是以上三種方法的目標(biāo)檢測(cè)的分辨率較低，降低了檢測(cè)效果。國(guó)內(nèi)在這方面研究也相對(duì)較多，例如，文獻(xiàn)[5]提出了基于背景減除法的視頻序列運(yùn)動(dòng)目標(biāo)檢測(cè)方法，該算法利用背景減除法和幀間差分法，確定視頻圖像幀像素點(diǎn)的運(yùn)動(dòng)狀態(tài)，根據(jù)像素點(diǎn)的運(yùn)動(dòng)狀態(tài)，采用最大類間方差法對(duì)提取差分圖像，并使用數(shù)學(xué)形態(tài)學(xué)運(yùn)算去除目標(biāo)圖像中的噪聲，完成視頻序列運(yùn)動(dòng)目標(biāo)檢測(cè)；文獻(xiàn)[6]提出了基于聯(lián)合直方圖的運(yùn)動(dòng)目標(biāo)檢測(cè)方法，該方法利用聯(lián)合直方圖來(lái)描述相鄰幀間的相似性，通過(guò)對(duì)視頻序列中相鄰兩幀圖像進(jìn)行逐次分塊，計(jì)算相鄰幀對(duì)應(yīng)分塊的聯(lián)合直方圖并結(jié)合構(gòu)造的相似性指標(biāo)以逐步去除背景塊，該方法對(duì)運(yùn)動(dòng)目標(biāo)本身不作處理，就能有效地避免檢測(cè)到的運(yùn)動(dòng)目標(biāo)出現(xiàn)空洞現(xiàn)象，最終得到了完整的運(yùn)動(dòng)目標(biāo)。但是以上兩種方法在進(jìn)行運(yùn)動(dòng)目標(biāo)檢測(cè)時(shí)，檢測(cè)時(shí)間較長(zhǎng)，檢測(cè)效率較低；文獻(xiàn)[7]提出了一種綜合使用混合高斯、均值濾波和碼本的多方法融合的檢測(cè)方法，該融合檢測(cè)方法以上述3種檢測(cè)方法為準(zhǔn)則建立一個(gè)多準(zhǔn)則決策框架，通過(guò)雙閾值檢測(cè)法來(lái)表征檢測(cè)過(guò)程中的不確定性，最終利用謹(jǐn)慎有序加權(quán)平均方法進(jìn)行決策級(jí)融合，實(shí)現(xiàn)多種方法的優(yōu)勢(shì)互補(bǔ)。但是該方法由于運(yùn)動(dòng)特征分布散亂，導(dǎo)致目標(biāo)跟蹤精度較低，跟蹤效果差；文獻(xiàn)[8]提出了基于改進(jìn)高斯混合模型的體育視頻運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤方法，通過(guò)分析高斯混合模型的弊端，保留原有的“背景重建-模型更新-背景更新-目標(biāo)檢測(cè)”處理進(jìn)程，將彩色圖像轉(zhuǎn)換為灰度圖像，在像素相似度差別小的背景區(qū)域進(jìn)行動(dòng)態(tài)擴(kuò)張，加入基于灰度直方圖的目標(biāo)跟蹤進(jìn)程，提高高斯混合模型對(duì)體育視頻運(yùn)動(dòng)目標(biāo)的處理效率與精度。但是該方法的運(yùn)動(dòng)目標(biāo)檢測(cè)準(zhǔn)確率較低。

針對(duì)上述問(wèn)題，通過(guò)對(duì)運(yùn)動(dòng)目標(biāo)進(jìn)行跟蹤，可以利用目標(biāo)之間的相對(duì)位置信息，但是在建立模型時(shí)，訓(xùn)練樣本相對(duì)較多，而條件隨機(jī)場(chǎng)是一種判別式機(jī)率模型，是隨機(jī)場(chǎng)的一種，常用于標(biāo)注或分析序列目標(biāo)，具有訓(xùn)練樣本少的特點(diǎn)。因此，文中提出基于條件隨機(jī)場(chǎng)模型的視頻運(yùn)動(dòng)目標(biāo)可靠性檢測(cè)方法。首先構(gòu)建視頻運(yùn)動(dòng)目標(biāo)的像素特征點(diǎn)塊匹配結(jié)構(gòu)模型，提取目標(biāo)特征的關(guān)鍵幀頻帶，并構(gòu)建幀內(nèi)編碼函數(shù)，跟蹤目標(biāo)運(yùn)動(dòng)軌跡。再建立目標(biāo)圖像的條件隨機(jī)場(chǎng)分布模型，通過(guò)粗重構(gòu)和超分辨率重建，最終實(shí)現(xiàn)運(yùn)動(dòng)目標(biāo)的可靠性檢測(cè)。最后通過(guò)仿真實(shí)驗(yàn)可知，該方法具有較高的視頻運(yùn)動(dòng)目標(biāo)的檢測(cè)準(zhǔn)確率、跟蹤精度和檢測(cè)分辨率，且檢測(cè)時(shí)間較少。

2 視頻運(yùn)動(dòng)目標(biāo)圖像自適應(yīng)跟蹤

2.1 目標(biāo)特征關(guān)鍵幀頻帶劃分

為了實(shí)現(xiàn)視頻運(yùn)動(dòng)目標(biāo)的可靠性檢測(cè)，首先采用模板匹配方法構(gòu)建視頻運(yùn)動(dòng)目標(biāo)的像素特征點(diǎn)塊匹配結(jié)構(gòu)模型，如圖1所示。

圖1 視頻運(yùn)動(dòng)目標(biāo)的塊匹配結(jié)構(gòu)模型

在圖1所示的塊匹配結(jié)構(gòu)模型中，采用像素幀匹配視頻運(yùn)動(dòng)目標(biāo)的模板，對(duì)第k個(gè)子帶中采集的目標(biāo)圖像，采用關(guān)鍵幀融合方法，構(gòu)建碼視頻運(yùn)動(dòng)目標(biāo)圖像的頻帶劃分模型[9-11]，根據(jù)關(guān)鍵幀間的相關(guān)性，得到視頻運(yùn)動(dòng)目標(biāo)圖像分塊融合的均方誤差函數(shù)準(zhǔn)則(MSE)，計(jì)算公式如下：

(1)

(2)

其中，N1×N2為視頻編解碼框架提取中視頻運(yùn)動(dòng)目標(biāo)圖像的高頻帶編碼帶寬分布，(mvx,mvy)為視頻運(yùn)動(dòng)模板的分塊融合矢量，fi(x,y)和fi-1(x+d1,y+d2)分別表示視頻運(yùn)動(dòng)目標(biāo)圖像當(dāng)前幀和參考幀的像素點(diǎn)[12-13]。

采用圖像像素空間融合匹配技術(shù)實(shí)現(xiàn)在每個(gè)尺度下的視頻運(yùn)動(dòng)信息統(tǒng)計(jì)分析，得到統(tǒng)計(jì)特征量LogfEcv(c1,c2)為：

LogfEcv(c1,c2)=μ·Length(C)+ν·Area(inside(C))+

(3)

其中，c1和c2分別表示視頻運(yùn)動(dòng)目標(biāo)圖像的灰度系數(shù)和亮度系數(shù)，μ、ν、λ1和λ2表示稀疏性特征分布函數(shù)，均為大于0的常數(shù)。

采用關(guān)鍵幀檢測(cè)方法，對(duì)目標(biāo)統(tǒng)計(jì)特征量中的關(guān)鍵幀進(jìn)行分析，像素關(guān)鍵幀的頻帶劃分D的計(jì)算公式如下：

(4)

2.2 基于幀內(nèi)編碼函數(shù)的運(yùn)動(dòng)軌跡跟蹤

根據(jù)上述獲取的像素關(guān)鍵幀頻帶劃分結(jié)果，進(jìn)行視頻運(yùn)動(dòng)目標(biāo)軌跡自適應(yīng)跟蹤分析，主要通過(guò)構(gòu)建幀內(nèi)編碼函數(shù)實(shí)現(xiàn)跟蹤[16-18]。

采用分塊模板匹配方法，采集視頻運(yùn)動(dòng)目標(biāo)圖像的視覺(jué)信息，得到視頻運(yùn)動(dòng)區(qū)域內(nèi)的視頻序列的每幀軌跡跟蹤函數(shù)，定義如下：

v(x)=g-1(g(1)-g(u(x)))

(5)

其中，u(x)為視頻運(yùn)動(dòng)目標(biāo)圖像的鄰域灰度函數(shù)，g(·)表示關(guān)鍵幀編碼模式下的軌跡跟蹤目標(biāo)函數(shù)，滿足g:[0,1]→[0,1]。由此提取視頻運(yùn)動(dòng)信息特征量，得到視頻運(yùn)動(dòng)目標(biāo)圖像的關(guān)聯(lián)規(guī)則系數(shù)P(Y)的表達(dá)式為：

(6)

(7)

3 視頻運(yùn)動(dòng)目標(biāo)可靠性檢測(cè)優(yōu)化

3.1 目標(biāo)圖像的條件隨機(jī)場(chǎng)分布模型

文中提出基于條件隨機(jī)場(chǎng)模型的視頻運(yùn)動(dòng)目標(biāo)可靠性檢測(cè)方法，對(duì)視頻運(yùn)動(dòng)目標(biāo)圖像邊界特征進(jìn)行分段檢測(cè)，解決了視頻運(yùn)動(dòng)特征分布散亂、跟蹤效果差的問(wèn)題，提高了視頻運(yùn)動(dòng)目標(biāo)檢測(cè)的準(zhǔn)確率。初始化視頻運(yùn)動(dòng)目標(biāo)圖像的邊緣輪廓中心，得到視頻運(yùn)動(dòng)目標(biāo)圖像的輪廓像素分布模型g(xi,yj|μk,αk)，其表達(dá)式為：

(8)

(9)

其中，xj表示視頻運(yùn)動(dòng)目標(biāo)圖像的每個(gè)像素特征聚類點(diǎn)j的邊界信息，dist(xi,xj)表示視頻運(yùn)動(dòng)目標(biāo)圖像標(biāo)記特征點(diǎn)xi和xj之間的歐氏距離，參數(shù)σ表示關(guān)鍵幀編碼的幀調(diào)節(jié)系數(shù)。

3.2 目標(biāo)高分辨視覺(jué)重建及檢測(cè)

在上述基礎(chǔ)上，根據(jù)邊緣輪廓特征分布進(jìn)行目標(biāo)重構(gòu)與可靠性檢測(cè)，得到視頻運(yùn)動(dòng)目標(biāo)圖像的高分辨率像素特征g的表達(dá)式為：

g=k?f+n

(10)

其中，?表示卷積算子，對(duì)采集的視頻運(yùn)動(dòng)目標(biāo)圖像進(jìn)行點(diǎn)識(shí)別，得到其特征匹配函數(shù)sPPM(t)為：

(11)

其中，Ts是視頻運(yùn)動(dòng)目標(biāo)圖像的邊緣輪廓增益，采用鄰域插值方法進(jìn)行視頻運(yùn)動(dòng)目標(biāo)圖像的高分辨重建，得到視頻運(yùn)動(dòng)目標(biāo)特征粗重構(gòu)g'(x,y)的表達(dá)為：

(12)

其中，wxy為灰度像素分量，利用空間區(qū)域像素增強(qiáng)方法進(jìn)行視頻運(yùn)動(dòng)目標(biāo)的灰度增強(qiáng)，得到灰度增模板函數(shù)為：

(13)

其中，η表示視頻運(yùn)動(dòng)目標(biāo)圖像的邊緣輪廓特征檢測(cè)系數(shù)，φ表示高分辨率圖像重構(gòu)的像素誤差，D表示邊緣模糊像素集。使用梯度下降法進(jìn)行視頻運(yùn)動(dòng)目標(biāo)圖像的區(qū)域像素點(diǎn)匹配，得到圖像的稀疏度系數(shù)滿足C∈S，視頻運(yùn)動(dòng)目標(biāo)圖像的最佳分辨率檢測(cè)結(jié)果輸出P(k/k)的表達(dá)式為：

視頻運(yùn)動(dòng)目標(biāo)圖像受到零均值的加性高斯白噪聲的干擾，得到基于稀疏表示的視頻運(yùn)動(dòng)目標(biāo)圖像精細(xì)重構(gòu)模型g(x,y)為：

g(x,y)=f(x,y)+ε(x,y)

(15)

其中，f(x,y)、g(x,y)、ε(x,y)分別代表原始圖像、高分辨重構(gòu)后視頻目標(biāo)圖像以及灰度圖像，由此得到視頻運(yùn)動(dòng)目標(biāo)的可靠性檢測(cè)輸出結(jié)果I(i,j)，表示為：

(16)

綜上分析，實(shí)現(xiàn)視頻運(yùn)動(dòng)目標(biāo)的優(yōu)化檢測(cè)，提高對(duì)視頻運(yùn)動(dòng)目標(biāo)的可靠性檢測(cè)[20]。

4 實(shí)驗(yàn)與結(jié)果分析

4.1 實(shí)驗(yàn)環(huán)境和數(shù)據(jù)集

通過(guò)仿真實(shí)驗(yàn)驗(yàn)證基于條件隨機(jī)場(chǎng)模型的視頻運(yùn)動(dòng)目標(biāo)可靠性檢測(cè)方法的有效性。實(shí)驗(yàn)在Matlab仿真工具，Microsoft Windows10操作系統(tǒng)，Intel/英特爾 酷睿 I7 8100 酷睿8代處理器，24 GB內(nèi)存環(huán)境下完成，對(duì)視頻運(yùn)動(dòng)目標(biāo)圖像檢測(cè)的樣本數(shù)據(jù)庫(kù)來(lái)源于Olympic sports dataset視頻圖像數(shù)據(jù)庫(kù)(http://vision.stanford.edu/Datasets/OlympicSports/)，共采集數(shù)據(jù)5 000個(gè)，進(jìn)行50組實(shí)驗(yàn)，每次使用100個(gè)數(shù)據(jù)。

4.2 實(shí)驗(yàn)指標(biāo)

以視頻運(yùn)動(dòng)目標(biāo)檢測(cè)的分辨率、檢測(cè)時(shí)間、目標(biāo)跟蹤精度、檢測(cè)準(zhǔn)確率為實(shí)驗(yàn)指標(biāo)，采用文獻(xiàn)[2-8]的方法和文中方法進(jìn)行對(duì)比實(shí)驗(yàn)。

(1)檢測(cè)準(zhǔn)確率：由于視頻運(yùn)動(dòng)特征分布散亂，跟蹤效果差，嚴(yán)重影響了視頻運(yùn)動(dòng)目標(biāo)檢測(cè)的準(zhǔn)確率，所以文中采用分塊模板匹配技術(shù)解決此問(wèn)題，以提高檢測(cè)準(zhǔn)確率。

(2)目標(biāo)跟蹤精度：精度為驗(yàn)證測(cè)試值的準(zhǔn)確性，由于視頻運(yùn)動(dòng)特征存在分布散亂現(xiàn)象，導(dǎo)致目標(biāo)跟蹤精度較低，由此，采用文中方法和文獻(xiàn)[4-6]的方法進(jìn)行對(duì)比分析。

(3)檢測(cè)時(shí)間：視頻運(yùn)動(dòng)目標(biāo)圖像檢測(cè)的過(guò)程中需要產(chǎn)生大量的時(shí)間，能夠?qū)z測(cè)效率產(chǎn)生影響，檢測(cè)時(shí)間越快，檢測(cè)效率越高。采用文中方法與文獻(xiàn)[5-8]的方法對(duì)視頻運(yùn)動(dòng)目標(biāo)圖像檢測(cè)時(shí)間進(jìn)行對(duì)比。

(4)檢測(cè)分辨率：較多視頻運(yùn)動(dòng)目標(biāo)圖像檢測(cè)會(huì)借助圖像的分辨率來(lái)做出更為準(zhǔn)確的檢測(cè)判斷，大大增加了檢測(cè)效果，檢測(cè)分辨率越高，視頻運(yùn)動(dòng)目標(biāo)檢測(cè)效果越好，為此采用文中方法與文獻(xiàn)[2-5]的方法進(jìn)行對(duì)比分析。

4.3 實(shí)驗(yàn)結(jié)果

研究的視頻目標(biāo)有高速運(yùn)動(dòng)的車輛以及球員，對(duì)目標(biāo)圖像采樣的灰度像素級(jí)為120×200，搜索窗口的起始位置為(1.2,3)，濾波的觀測(cè)值為0.25，檢測(cè)的迭代次數(shù)為2 000，視頻運(yùn)動(dòng)目標(biāo)圖像的邊緣輪廓像素分布為20*20，最大似然學(xué)習(xí)系數(shù)為0.48，0.92，根據(jù)上述仿真參量設(shè)定，進(jìn)行實(shí)驗(yàn)分析。圖2為視頻運(yùn)動(dòng)目標(biāo)圖像測(cè)試樣本基準(zhǔn)圖。

圖2 視頻運(yùn)動(dòng)目標(biāo)圖像的基準(zhǔn)圖

以圖2的視頻運(yùn)動(dòng)目標(biāo)圖像為研究樣本，進(jìn)行視頻運(yùn)動(dòng)目標(biāo)檢測(cè)，提取視頻運(yùn)動(dòng)目標(biāo)圖像的邊緣輪廓特征量，采用分塊模板匹配技術(shù)進(jìn)行視頻運(yùn)動(dòng)目標(biāo)圖像的塊特征匹配和高分辨視覺(jué)重建，實(shí)現(xiàn)目標(biāo)跟蹤識(shí)別，得到在200幀下的檢測(cè)輸出結(jié)果，如圖3所示。

圖3 視頻運(yùn)動(dòng)目標(biāo)檢測(cè)輸出結(jié)果

分析圖3得知，采用文中方法進(jìn)行視頻運(yùn)動(dòng)目標(biāo)檢測(cè)，其檢測(cè)結(jié)果準(zhǔn)確性較好。采用文中方法、文獻(xiàn)[5-7]的方法，對(duì)視頻運(yùn)動(dòng)目標(biāo)檢測(cè)的準(zhǔn)確率做進(jìn)一步驗(yàn)證，驗(yàn)證結(jié)果見(jiàn)表1。

表1 檢測(cè)準(zhǔn)確率對(duì)比 %

分析表1結(jié)果得知，采用文中方法進(jìn)行視頻運(yùn)動(dòng)目標(biāo)檢測(cè)的準(zhǔn)確率較好，最高可達(dá)99.63%，文獻(xiàn)[5]方法和文獻(xiàn)[6]方法的檢測(cè)準(zhǔn)確率最高可達(dá)95%左右，但仍舊低于文中方法，而文獻(xiàn)[7]方法的檢測(cè)準(zhǔn)確率最高只有89%，驗(yàn)證了文中檢測(cè)方法的優(yōu)越性。主要是因?yàn)槲闹蟹椒ㄔ谶\(yùn)動(dòng)目標(biāo)檢測(cè)過(guò)程中，對(duì)運(yùn)動(dòng)目標(biāo)分別進(jìn)行了粗重構(gòu)和精細(xì)化重建，以此獲取檢測(cè)結(jié)果，大大提高了檢測(cè)結(jié)果的準(zhǔn)確率。

在實(shí)現(xiàn)視頻運(yùn)動(dòng)目標(biāo)檢測(cè)過(guò)程中，為避免因特征點(diǎn)分布散亂出現(xiàn)的跟蹤效果差的問(wèn)題，對(duì)運(yùn)動(dòng)目標(biāo)進(jìn)行了跟蹤處理，以增強(qiáng)檢測(cè)效果。為驗(yàn)證文中方法的可靠性，將文中方法與文獻(xiàn)[4-6]的方法進(jìn)行目標(biāo)跟蹤精度對(duì)比，結(jié)果如圖4所示。

分析圖4可以看出，利用文中方法獲取的目標(biāo)跟蹤精度較高，隨著實(shí)驗(yàn)數(shù)據(jù)量的增多，跟蹤精度可高達(dá)80%，而文獻(xiàn)[4]方法的最高跟蹤精度為75%，文獻(xiàn)[5]方法的最高跟蹤精度為40%，文獻(xiàn)[6]方法的最高跟蹤精度為45%。由此可以看出，文中方法的跟蹤精度較高，為目標(biāo)的可靠性檢測(cè)提供了數(shù)據(jù)基礎(chǔ)。

圖4 目標(biāo)跟蹤精度對(duì)比

為進(jìn)一步驗(yàn)證文中方法的有效性，對(duì)文中方法與文獻(xiàn)[5-8]的方法的視頻運(yùn)動(dòng)目標(biāo)的檢測(cè)時(shí)間進(jìn)行對(duì)比分析，對(duì)比結(jié)果如圖5所示。

圖5 視頻運(yùn)動(dòng)目標(biāo)檢測(cè)時(shí)間對(duì)比

根據(jù)圖5可知，文中方法的檢測(cè)時(shí)間隨著實(shí)驗(yàn)次數(shù)的增長(zhǎng)而逐漸降低，其檢測(cè)時(shí)間在25 s以下；文獻(xiàn)[5]方法的檢測(cè)時(shí)間在50 s以下；文獻(xiàn)[6]方法的檢測(cè)時(shí)間在75 s以下；文獻(xiàn)[7]方法的檢測(cè)時(shí)間在80 s以下；文獻(xiàn)[8]方法的檢測(cè)時(shí)間在61 s以下。文中方法的檢測(cè)時(shí)間比傳統(tǒng)方法的檢測(cè)時(shí)間少，說(shuō)明該方法具有較高的檢測(cè)效率。

采用文中方法、文獻(xiàn)[2-5]的方法，對(duì)視頻運(yùn)動(dòng)目標(biāo)圖像檢測(cè)的分辨率進(jìn)行對(duì)比分析，對(duì)比結(jié)果如圖6所示。

根據(jù)圖6可知，采用文中方法的視頻運(yùn)動(dòng)目標(biāo)圖像的檢測(cè)分辨率在90%～100%之間；采用文獻(xiàn)[2]方法的視頻運(yùn)動(dòng)目標(biāo)圖像的檢測(cè)分辨率在60%～80%之間；采用文獻(xiàn)[3]方法的視頻運(yùn)動(dòng)目標(biāo)圖像的檢測(cè)分辨率在40%以下；采用文獻(xiàn)[4]方法的視頻運(yùn)動(dòng)目標(biāo)圖像的檢測(cè)分辨率在70%～90%之間；采用文獻(xiàn)[5]方法的視頻運(yùn)動(dòng)目標(biāo)圖像的檢測(cè)分辨率在40%～50%之間。文中方法的視頻運(yùn)動(dòng)目標(biāo)圖像的檢測(cè)分辨率較高，說(shuō)明視頻運(yùn)動(dòng)目標(biāo)檢測(cè)效果好。

圖6 視頻運(yùn)動(dòng)目標(biāo)圖像的檢測(cè)分辨率對(duì)比

5 結(jié)束語(yǔ)

由于傳統(tǒng)的視頻運(yùn)動(dòng)目標(biāo)檢測(cè)方法存在檢測(cè)性能較差的問(wèn)題，為提高視頻運(yùn)動(dòng)目標(biāo)的檢測(cè)和識(shí)別能力，提出基于條件隨機(jī)場(chǎng)模型的視頻運(yùn)動(dòng)目標(biāo)可靠性檢測(cè)方法。采用分塊模板匹配技術(shù)進(jìn)行視頻運(yùn)動(dòng)目標(biāo)圖像的塊特征匹配，采用圖像像素空間融合匹配技術(shù)實(shí)現(xiàn)在每個(gè)尺度下的視頻運(yùn)動(dòng)信息統(tǒng)計(jì)分析，獲取特征點(diǎn)檢測(cè)結(jié)果。在此基礎(chǔ)上，建立目標(biāo)圖像的條件隨機(jī)場(chǎng)分布模型，并對(duì)目標(biāo)進(jìn)行高分辨視覺(jué)重建，根據(jù)視頻運(yùn)動(dòng)目標(biāo)圖像的邊緣輪廓特征分布進(jìn)行目標(biāo)的可靠性檢測(cè)。研究得知，文中方法進(jìn)行視頻運(yùn)動(dòng)目標(biāo)檢測(cè)時(shí)，其檢測(cè)準(zhǔn)確率、跟蹤精度均較高，且檢測(cè)時(shí)間較少，檢測(cè)分辨率較高，說(shuō)明該方法的檢測(cè)效果較好。為日后運(yùn)動(dòng)目標(biāo)圖像檢測(cè)奠定了較深的基礎(chǔ)。鑒于視頻運(yùn)動(dòng)目標(biāo)檢測(cè)是一個(gè)非常復(fù)雜的問(wèn)題，涉及到很多領(lǐng)域的知識(shí)，在建立目標(biāo)圖像的條件隨機(jī)場(chǎng)分布模型基礎(chǔ)上，根據(jù)視頻運(yùn)動(dòng)目標(biāo)圖像的邊緣輪廓特征分布進(jìn)行目標(biāo)重構(gòu)與可靠性檢測(cè)，但是如果換做其他的模型是否會(huì)有更好的效果，這也是需要進(jìn)一步研究的問(wèn)題。