Object-Level Motion Detection From Moving Cameras

Tao Chen and Shijian Lu

IEEE TRANSACTIONS ON CIRCUITS AND SYSTEMS FOR VIDEO TECHNOLOGY, VOL. 27, NO. 11, NOVEMBER 2017

核心算法

• 上下文感知的定向光流直方图（Context-Aware HOOF(Histogram of oriented optical flow))

如图所示，在目标周围按照目标大小划分的K=8个邻域

对每一个邻域内的光流矢量，按照方向进行统计。把划分为L个区间（容器bin），每个区间上累积方向在区间中的光流矢量的向量模：

光流矢量：

光流矢量：

光流矢量方向：

HOOF: 

对该HOOF进行求和归一化HOOFN：

求中心区域和邻域之间的不一致性：

是中心区域的HOOFN。

分析

当中心区域是运动时的方向和周围区域不一样时，中心区域主要方向对应的，其他方向

当中心区域是静止时，该区域的光流和背景光流的分布一致，光流符合从中心到四周的散射分布，这时，主要方向对应的或者

主要根据这个判断区分运动静止

在这个基础上，作者做了一些特殊情况的改进，并且使用一个CMD（Context-Aware Motion Descriptor)，去把偏差转换为表示对象运动行为的串联直方图。最后对CMD进行SVM分类，得到最后的结果。

实验

因为别的方法都是做运动前景分割的，作者用HOOF得到的特征和其他运动前景分割的算法得到的判别特征，经CMD和SVM得到不同的结果，以此对比。

评价

那个HOOF的判断策略非常费解，而且实际上只适合某些光流分布的情况，虽然补了一些bug，但鲁棒性还是不够高，对于深度变化的等问题没有任何抵抗力

 

另外，那个目标区域需要给定，用一个叫DPM的算法检测车辆和行人……这个就太low了，意思是，他的问题变成，给定一个目标区域，还有稠密光流场，根据该区域的光流分布和其周围区域的光流分布，判别该区域是否是运动目标

 

速度上，不算目标检测、光流提取等过程，就他那一套就0.9s，和实时性应该不搭边