基于背景建模的红外运动目标检测（一）

适用场景

基于背景建模的运动目标检测，其原理主要依赖算法所建立的接近理想背景的模型。
假想一下，如果眼前有一面白墙，突然有个具备一定尺寸的物体闯入视野，假设观察者方位（对应相机摆放位置和视角）固定不动，那么前后场景直接相减得到的差异就是运动目标了。
然而在现实状况下，我们不可能有那么一面理想的白墙。复杂场景：比如你在开始观测的时刻，视野里已经有很多运动的目标，或者你的场景有细琐树叶在飘动。因此，直接把前一帧作为当前帧背景的帧间做差法，得到的效果很差。
图像处理界有背景建模的方法，各种算法无论原理，都是在模拟形成那面白墙。因为各种方法都比较成熟，后来人尽管当工具调用。
背景建模以后，运动目标的提取转为当前帧减去背景帧的问题。
所以，背景建模适用的场景：相机固定情况下，目标具有一定面积的场景。为什么说目标需要具备一定面积呢？考虑到背景建模有时候就是一个概率事件，过小的目标完全有可能淹没在干扰背景里。

干扰因素

背景建模在最理想的情况下，能够通过背景差获得当前新入视野的物体：这些引起场景变化的物体可以是：

• 我们关注的运动物体；
• 突然消失的物体；
• 树叶抖动；
• 水面波纹；
• 云层干扰等。

如何在这些干扰因素中准确提取运动目标，就是我们需要研究的课题。

前景图分析

笔者测试视频为较远距离的场景，（车辆大概占据10*10像素左右）；背景中有道路、树叶等干扰因素。
在经过背景差处理后，我们得到的是如下所示二值图像，其中，白色区域代表算法认为的运动区域；黑色代表背景区域。
从图中可以看出，所谓的目标区域，其实是白色亮点分布比较集中的区域；在运动建模初期，前景图像并不能很好的区分目标和背景。

在经过一定时间的背景训练后，前景图的效果似乎会比较理想。
如何在这些离散点中获取目标位置，就是接下来需要考虑的问题了。

关于分割

在图像处理中，经常会提到分割这个词语。个人理解是，将感兴趣的区域，从复杂的数据中提取，就是分割。
在运动目标识别中，运动目标就是被分割出来的对象。
经常用二值图作为分割的导引，为什么呢？
将一幅复杂的图片，变成了非黑即白的两类，直接提取0或者1所对应的区域，我们就能得到ROI（region of interest）。

形态学处理

刚才已经提到，背景差直接得到的是一堆离散点：噪声的分布似乎更加随机；目标就是分布密集的点。所以目标是否可以理解为：分布概率比较高的区域？
这张离散图具备怎样的性质呢？

• 噪声的分布比较随机，粘连可能性比较小；
• 目标所在区域亮点分布比较密集，但是存在着不连续的情形。

具备图像基础的基本都会接触形态学操作，这里不做赘述。最常见的有膨胀和腐蚀，其他的诸如开闭操作、顶帽礼帽操作，都是在这两个基础上复合调用的结果。
对于上图，我们可以采取这样的操作：通过很小的核腐蚀，去除分布离散的那些孤立点；通过膨胀操作，将目标非连接区域连接，这样子能降低一个目标被多处标记的可能。
OK，今天就这样了。