魯春，楊會(huì)成，楊文斌，朱文博

(安徽工程大學(xué)電氣工程學(xué)院, 安徽蕪湖241000)

結(jié)合光流法與最近鄰算法的運(yùn)動(dòng)目標(biāo)檢測(cè)

魯春，楊會(huì)成，楊文斌，朱文博

(安徽工程大學(xué)電氣工程學(xué)院, 安徽蕪湖241000)

運(yùn)動(dòng)目標(biāo)檢測(cè)具有廣泛的理論和現(xiàn)實(shí)意義，光流法是檢測(cè)運(yùn)動(dòng)目標(biāo)的重要方法之一。但是用于運(yùn)動(dòng)目標(biāo)檢測(cè)的光流算法卻有著計(jì)算量大、處理復(fù)雜的問(wèn)題。一種聚類(lèi)分析算法和改進(jìn)的LK光流法相結(jié)合檢測(cè)方案可以很好地解決此類(lèi)問(wèn)題。對(duì)基于改進(jìn)的LK光流法的運(yùn)動(dòng)目標(biāo)檢測(cè)算法進(jìn)行了分析和仿真，再加以聚類(lèi)分析使得檢測(cè)出的運(yùn)動(dòng)目標(biāo)更加準(zhǔn)確。首先對(duì)圖像序列進(jìn)行采樣與預(yù)處理，并利用LK光流法計(jì)算得出相鄰幀圖像的光流場(chǎng)，然后再利用最近鄰聚類(lèi)算法對(duì)得到的光流場(chǎng)進(jìn)行處理，進(jìn)而檢測(cè)出圖像中的運(yùn)動(dòng)目標(biāo)，最后使用Matlab軟件進(jìn)行算法程序驗(yàn)證。通過(guò)實(shí)驗(yàn)可知，基于金字塔LK光流法與最近鄰算法的運(yùn)動(dòng)目標(biāo)檢測(cè)方案可以更加有效地檢測(cè)出運(yùn)動(dòng)物體。

運(yùn)動(dòng)目標(biāo)檢測(cè)；LK光流法；金字塔；最近鄰聚類(lèi)算法

引言

計(jì)算機(jī)視覺(jué)的最終目的就是使用計(jì)算機(jī)等智能設(shè)備來(lái)代替人去對(duì)周?chē)h(huán)境進(jìn)行感知、解釋及應(yīng)答。近年來(lái)，對(duì)動(dòng)態(tài)目標(biāo)進(jìn)行識(shí)別與跟蹤是圖像處理與計(jì)算機(jī)視覺(jué)領(lǐng)域中一個(gè)不可或缺的分支，對(duì)這方面的研究引起許多國(guó)內(nèi)外學(xué)者的重視，并且已經(jīng)有許多研究所開(kāi)始了有關(guān)的基礎(chǔ)與開(kāi)發(fā)研究。

運(yùn)動(dòng)目標(biāo)檢測(cè)就是在找尋運(yùn)動(dòng)的區(qū)域，目的就是把靜止的像素點(diǎn)跟運(yùn)動(dòng)的像素點(diǎn)分開(kāi)。一般地，視頻圖像會(huì)被分為兩類(lèi)：一類(lèi)如監(jiān)控視頻般，背景靜止；一類(lèi)如車(chē)載視頻般，背景不靜止。其實(shí)，在現(xiàn)實(shí)生活中不會(huì)存在完全靜止的背景，天氣、光照等環(huán)境的變化都可能使得背景變化。主要的檢測(cè)算法有光流法、幀間差分法和背景差分法三種[1]。背景差分法，就是固定攝像頭，利用背景與運(yùn)動(dòng)目標(biāo)之間的差別來(lái)檢測(cè)運(yùn)動(dòng)目標(biāo)。這種方法有著精準(zhǔn)、速度快的優(yōu)勢(shì)，但是易受外部環(huán)境變化的影響。結(jié)合幀間差分法可以有效地克服局部運(yùn)動(dòng)以及噪聲等外部環(huán)境的影響[2-3]。幀間差分法，就是取相鄰兩幀或者三幀圖像之間的像素差來(lái)提取運(yùn)動(dòng)目標(biāo)。光流法[4-5]就是將幀圖像中灰度的變化與二維速度場(chǎng)聯(lián)系起來(lái)，用光流場(chǎng)反映像素點(diǎn)運(yùn)動(dòng)的方向和速度，并根據(jù)光流場(chǎng)的分布特征來(lái)提取運(yùn)動(dòng)目標(biāo)。用光流法結(jié)合幀間差分法[6]、光流的改進(jìn)算法等算法間的相互結(jié)合[7-10]，有效地解決了光流法計(jì)算量大，處理復(fù)雜的問(wèn)題。

聚類(lèi)算法作為數(shù)據(jù)分析中廣泛使用的主要方法之一，已經(jīng)廣泛應(yīng)用于模式識(shí)別、機(jī)器學(xué)習(xí)、圖像處理和數(shù)據(jù)挖掘等方面[11-14]。簡(jiǎn)單來(lái)說(shuō)，聚類(lèi)分析就是根據(jù)數(shù)據(jù)的特征將數(shù)據(jù)進(jìn)行分類(lèi)，使得屬于同一類(lèi)別的數(shù)據(jù)間有盡可能多的相同特征，而屬于不同類(lèi)別數(shù)據(jù)間的特征則盡可能不同。目前，常用聚類(lèi)分析算法可以分為劃分法、層次法、基于密度的方法、基于網(wǎng)格的方法和基于模型的方法[15]。

本文提出了基于金字塔(Lucas-Kanade，LK)光流法和聚類(lèi)分析算法相結(jié)合的運(yùn)動(dòng)目標(biāo)檢測(cè)方案，并以前方行駛車(chē)輛作為檢測(cè)的運(yùn)動(dòng)目標(biāo)[16-17]，使用金字塔LK光流算法，克服了傳統(tǒng)光流法計(jì)算量大，處理復(fù)雜等問(wèn)題。結(jié)合最近鄰聚類(lèi)分析算法，大大提高了運(yùn)動(dòng)目標(biāo)檢測(cè)的準(zhǔn)確性。

1 運(yùn)動(dòng)目標(biāo)檢測(cè)流程

在運(yùn)動(dòng)目標(biāo)檢測(cè)過(guò)程中，第一步是對(duì)攝像機(jī)采集到的圖像序列進(jìn)行重采樣和預(yù)處理；第二步是利用金字塔改進(jìn)光流法計(jì)算出各點(diǎn)的光流值，得出各點(diǎn)的光流場(chǎng)；第三步是利用最近鄰規(guī)則聚類(lèi)算法對(duì)光流場(chǎng)進(jìn)行分割，得到運(yùn)動(dòng)目標(biāo)區(qū)域。

1.1光流場(chǎng)算法

光流法的前提假設(shè)：

(1) 假設(shè)相鄰視頻幀之間的亮度恒定。

(2) 假設(shè)相鄰視頻幀之間的取幀時(shí)間連續(xù)，或者相鄰視頻幀之間物體的運(yùn)動(dòng)變化量比較微小。

(3) 保持空間的一致性，即同一子圖像的像素點(diǎn)具有相同的運(yùn)動(dòng)。

光流場(chǎng)的目的是找到視頻幀圖像中每個(gè)像素點(diǎn)的速度向量[6-8]。設(shè)在t時(shí)刻像素點(diǎn)(x,y)處的灰度值為I(x,y,t)；在t+dt時(shí)刻，該像素點(diǎn)更新到位置(x+dx,y+dy)，灰度值為I(x+dx,y+dy,t+dt)。根據(jù)上面的光流法前提假設(shè)可知，在給定的鄰域內(nèi)的速度向量場(chǎng)的變化是緩慢的。

I(x,y,t)=I(x+dx,y+dy,t+dt)

(1)

用泰勒公式將上式展開(kāi)：

I(x+dx,y+dy,t+dt)=

(2)

忽略無(wú)窮小項(xiàng)ε，

(3)

Ixu+Iyu+It=0

(4)

(5)

方程(4)～(5)為光流的約束方程，包含 、兩個(gè)未知變量，本文選擇用Lucas-Kanade光流法解決這個(gè)問(wèn)題。

1.2 LK光流法

可以利用LK光流法算法對(duì)以上的問(wèn)題進(jìn)行求解。若該像素點(diǎn)與鄰域內(nèi)的點(diǎn)運(yùn)動(dòng)情況相似，為了求解該像素點(diǎn)的運(yùn)動(dòng)信息，則可利用以下條件求解光流，在該點(diǎn)鄰域空間內(nèi)建立約束方程，并聯(lián)立方程以求解光流矢量。

假設(shè)在(u,v)的一個(gè)小的局部鄰域內(nèi)亮度恒定，那么：

(6)

即：

(7)

其中：

經(jīng)計(jì)算可得：

(8)

(9)

由于LK光流法有一定的缺陷，需要在設(shè)置鄰域窗口后計(jì)算光流。窗口較大，光流量的計(jì)算更加魯棒；而窗口較小時(shí)，光流量的計(jì)算更準(zhǔn)確。但由于運(yùn)動(dòng)的每個(gè)部分的圖像不一致，如果窗口開(kāi)得太大，很容易違反第三個(gè)前提。如果窗口很小，則包含更少的像素，更精確些，但當(dāng)運(yùn)動(dòng)相對(duì)較為劇烈的時(shí)候，無(wú)法實(shí)現(xiàn)光流的基本假設(shè)。

1.3光流法的改進(jìn)

對(duì)于LK光流法，速度小、亮度恒定、區(qū)域一致性強(qiáng)，對(duì)于這些假設(shè)都不容易滿足。例如，當(dāng)物體移動(dòng)的速度變得更快時(shí)，則假設(shè)不滿足，隨后的假設(shè)將具有較大的偏差，這使得考慮車(chē)輛行駛速度較大時(shí)光學(xué)流量值會(huì)具有較大的誤差，這使得算法可能出現(xiàn)較大的誤差。于是寄希望降低圖像中物體的運(yùn)動(dòng)速度，就是縮小圖像的像素。假設(shè)，初始圖像的像素為400×400，物體的運(yùn)動(dòng)速度為[16，16]，將圖像的像素縮小至200×200，那么物體的運(yùn)動(dòng)速度將變?yōu)閇8，8]，將圖像的像素縮小至100×100，那么物體的運(yùn)動(dòng)速度將變?yōu)閇4，4]。所以對(duì)源圖像進(jìn)行了大量的縮放后，原算法變得適用。所以光流可以由原始圖像生成的金字塔圖像[6-7]逐層求解，不斷精確地尋找。

首先，引入兩個(gè)光流量：剩余光流量和猜測(cè)光流量。對(duì)于第層光流，通過(guò)從層的精確光流量輸出的猜測(cè)光流量gL和在修整后基于該層獲得的剩余光流量dL獲得。獲得的L層的光流量：

kL=gL+dL

(10)

根據(jù)層的精確光流量，可得層的猜測(cè)光流量，兩者關(guān)系：

gL=2×kL-1=2×(gL-1+dL-1)

(11)

由于第層到第層為采樣一半，那么光流量相應(yīng)地也該減半，因此粗略估計(jì)不準(zhǔn)確。為了精確地計(jì)算出第層的光流量，還需要使用基本流量方程去計(jì)算得出第層中剩余光流量?；竟饬鞣匠虨椋?/p>

(12)

其中，IL(x,y)為原圖，JL(x,y)為參考圖，(dx,dy)為在(ux,uy)處的光流向量，(wx,wy)為(ux,uy)的搜索半徑。

由于先前的光流層提供的先驗(yàn)信息，允許光的流動(dòng)跳出(wx,wy)的約束并進(jìn)一步移動(dòng)，從而解決了前文提到的有關(guān)窗口大小的問(wèn)題。

1.4基于金字塔光流法光流場(chǎng)求解

光流法可以動(dòng)態(tài)地分析圖像，檢測(cè)圖像中的運(yùn)動(dòng)物體。如果圖像中沒(méi)有運(yùn)動(dòng)物體，則在整個(gè)圖像區(qū)域中光流矢量的變化是連續(xù)的。當(dāng)圖像中存在運(yùn)動(dòng)物體時(shí)，目標(biāo)與圖像背景之間存在相對(duì)運(yùn)動(dòng)，運(yùn)動(dòng)目標(biāo)形成的速度矢量與鄰域背景速度矢量不同，以檢測(cè)運(yùn)動(dòng)目標(biāo)及其位置。光流法檢測(cè)運(yùn)動(dòng)物體的問(wèn)題主要是由于光流法運(yùn)算量大、缺乏實(shí)時(shí)性和實(shí)用性。對(duì)于那些運(yùn)動(dòng)速度太快的對(duì)象，它們將違反路光流法假設(shè)(2)與假設(shè)(3)。本文提出了改進(jìn)的金字塔光流算法[10]，首先對(duì)圖像進(jìn)行預(yù)處理，然后進(jìn)行金字塔光流運(yùn)算。這樣不僅可以檢測(cè)出速度較快的運(yùn)動(dòng)目標(biāo)，而且可以減少計(jì)算量，提高系統(tǒng)的實(shí)時(shí)性。

具體步驟如下：

(1) 視頻序列中圖像預(yù)處理、去噪。

(2) 取連續(xù)兩張圖像I、J，在點(diǎn)處的灰度值為和，并且已知圖像I中此點(diǎn)的速度為，圖像J中此點(diǎn)速度為。

(3) 將建立金字塔模型，。初始化金字塔光流估計(jì)值，層圖像上點(diǎn)的速度為。

(4) 初始化剩余光流量，并根據(jù)基本光流方程計(jì)算層的光流值。

(5) 計(jì)算層的光流，以此類(lèi)推得到最后的光流值。圖像J中對(duì)應(yīng)點(diǎn)為。

1.5最近鄰聚類(lèi)算法

聚類(lèi)分析是根據(jù)收集的某些或某些因素將多個(gè)類(lèi)別進(jìn)行分組的過(guò)程。在這個(gè)過(guò)程中，集合中的每個(gè)組件都盡可能地具有相同的特征。對(duì)于其他組件，特性盡可能不同。最近鄰聚類(lèi)算法是一種基本的聚類(lèi)分析算法。在前車(chē)檢測(cè)中，同一物體在兩個(gè)連續(xù)的視頻幀流中具有連續(xù)的特點(diǎn)。連續(xù)性是最近鄰聚類(lèi)算法的基礎(chǔ)。位于同一運(yùn)動(dòng)物體上的點(diǎn)必然是距離相對(duì)較近的點(diǎn)。如果在兩個(gè)相鄰的數(shù)據(jù)點(diǎn)發(fā)生了巨大的變化，那么這兩點(diǎn)可以認(rèn)為是屬于兩個(gè)不同的對(duì)象。相反，如果兩個(gè)數(shù)據(jù)點(diǎn)之間的距離很小，那么這兩點(diǎn)可以認(rèn)為是兩個(gè)數(shù)據(jù)點(diǎn)屬于同一個(gè)對(duì)象。

首先計(jì)算同一視頻幀中相連兩點(diǎn)的光流量差值，之后將計(jì)算得到與設(shè)定的閾值進(jìn)行比較，若，則可以確定這兩點(diǎn)屬于同一類(lèi)，反之則確定這兩點(diǎn)屬于不同的類(lèi)。在整個(gè)算法中，聚類(lèi)閾值的選取是非常關(guān)鍵的一步，對(duì)聚類(lèi)結(jié)果有很大的影響。如果閾值選擇的過(guò)小，可能會(huì)將同一個(gè)目標(biāo)分割成多個(gè)部分，同時(shí)對(duì)算法實(shí)時(shí)性也有影響。而閾值選擇過(guò)大，則會(huì)將兩個(gè)或多個(gè)目標(biāo)混為一個(gè)目標(biāo)，影響算法的準(zhǔn)確性。

1.6結(jié)合LK光流法與最近鄰算法的檢測(cè)方法

相對(duì)于傳統(tǒng)光流法，本文提出一種結(jié)合改進(jìn)LK光流法與最近鄰算法的檢測(cè)方法，該算法使用基于金字塔的LK 光流算法，將可能存在運(yùn)動(dòng)目標(biāo)的區(qū)域提取出來(lái)，通過(guò)最近鄰算法在該區(qū)域內(nèi)外選取各自不同的閾值來(lái)進(jìn)行提取目標(biāo)，這樣便將閾值分割與區(qū)域分割結(jié)合起來(lái)，完成運(yùn)動(dòng)目標(biāo)的檢測(cè)提取。具體步驟為：

(1) 計(jì)算同一視頻幀中相連兩點(diǎn)的光流量差值。

(2) 將計(jì)算得到與設(shè)定的閾值進(jìn)行比較，若，則可以確定這兩點(diǎn)屬于同一類(lèi)，反之則確定這兩點(diǎn)屬于不同的類(lèi)。

通過(guò)上述流程，就可以確定出視頻幀中最可能存在運(yùn)動(dòng)目標(biāo)的大致區(qū)域。

2 實(shí)驗(yàn)結(jié)果與分析

本文選用一段視頻中的1260幀圖像作為實(shí)驗(yàn)數(shù)據(jù)庫(kù)，將圖像中前方行駛車(chē)輛作為檢測(cè)目標(biāo)對(duì)本文方案進(jìn)行檢測(cè)，并進(jìn)行傳統(tǒng)方法與結(jié)合聚類(lèi)分析的檢測(cè)方案相比較。使用Matlab軟件對(duì)于金字塔LK光流法的汽車(chē)前方車(chē)輛檢測(cè)方法進(jìn)行了分析和仿真，通過(guò)計(jì)算得出相鄰幀圖像的光流，然后用最近鄰聚類(lèi)算法對(duì)圖像的光流進(jìn)行檢測(cè)。

為了更好地檢測(cè)到運(yùn)動(dòng)目標(biāo)，本文將在視頻序列中隨機(jī)選取相鄰兩幀圖像，圖像大小為175×120，如圖1所示的前兩張前車(chē)圖像，根據(jù)本文算法計(jì)算得出其光流場(chǎng)，并與相鄰兩幀圖像中的后者疊加，以判斷是否檢測(cè)出前方行駛車(chē)輛的大致位置。判定金字塔LK光流法是否可以確定視頻幀中移動(dòng)目標(biāo)的大致區(qū)域。

圖1 金字塔LK光流法

圖1運(yùn)用金字塔LK光流算法對(duì)視頻中相鄰兩幀圖像進(jìn)行初步的光流處理，并根據(jù)得出的光流差值圖大致判斷出前方是否有行駛車(chē)輛，給出了大致位置。由表1可知，改進(jìn)的金字塔光流算法的運(yùn)算速度可達(dá)到0.153秒/次，相比較于傳統(tǒng)的光流算法提高了0.564秒，大大地減小了運(yùn)算量，達(dá)到減小運(yùn)算時(shí)間的目的，提高了檢測(cè)效率。

表1 兩種算法的平均計(jì)算時(shí)間

本文通過(guò)實(shí)驗(yàn)確定閾值。首先設(shè)定最近鄰聚類(lèi)個(gè)數(shù)k, 初始化k=1開(kāi)始，使用檢驗(yàn)集估計(jì)分類(lèi)的錯(cuò)誤率。每次k增加1，當(dāng)產(chǎn)生最小錯(cuò)誤率最小時(shí)，選擇其中最大光流差值設(shè)為閾值，本文的設(shè)定閾值mth=0.24。

圖2在金字塔LK光流算法的初步處理所得到的光流值的基礎(chǔ)上，根據(jù)最近鄰聚類(lèi)算法并由實(shí)驗(yàn)得出光流閾值。利用值對(duì)光流場(chǎng)進(jìn)行分類(lèi)處理，以更加具體的框出前方行駛車(chē)輛，并與傳統(tǒng)的運(yùn)動(dòng)物體檢測(cè)方法比較。

圖2 兩種方法的比較

相比較傳統(tǒng)方法與結(jié)合最近鄰聚類(lèi)分析算法的運(yùn)動(dòng)目標(biāo)檢測(cè)方法，后者可以更加具體、準(zhǔn)確地檢測(cè)出前方行駛車(chē)輛。本文采用 CVPR 2013 Benchmark 提出的評(píng)價(jià)標(biāo)準(zhǔn)[18]，根據(jù)空間魯棒性對(duì)檢測(cè)的精確性進(jìn)行評(píng)估，給出在中心位置誤差閾值為40個(gè)像素點(diǎn)時(shí)的結(jié)果，其評(píng)估結(jié)果如圖3所示。

圖3 SRE精確度圖

根據(jù)圖3可知，本文方案的精確度可達(dá)到0.8409。與傳統(tǒng)方案的精確度相比較提升了0.0454。在對(duì)前方車(chē)輛檢測(cè)與跟蹤中，使用此方法檢測(cè)出前方行駛車(chē)輛，對(duì)其進(jìn)行訓(xùn)練生成檢測(cè)器，進(jìn)而可以更加有效地進(jìn)行檢測(cè)與跟蹤。

3 結(jié)束語(yǔ)

本文提出了基于金字塔LK光流法檢測(cè)前方行駛車(chē)輛，結(jié)合最近鄰聚類(lèi)算法，可以更加有效地檢測(cè)出前方行駛車(chē)輛。本文使用Matlab軟件對(duì)提出的組合算法進(jìn)行了分析和仿真。通過(guò)實(shí)驗(yàn)，組合金字塔LK光流法與最近鄰聚類(lèi)算法可以更準(zhǔn)確地檢測(cè)前車(chē)。

[1] 程愛(ài)靈,黃昶,李小雨.運(yùn)動(dòng)目標(biāo)檢測(cè)算法研究綜述[J].信息通信,2017(1):12-14.

[2] 劉仲民,何勝皎,胡文瑾,等.基于背景減除法的視頻序列運(yùn)動(dòng)目標(biāo)檢測(cè)[J].計(jì)算機(jī)應(yīng)用,2017,37(6):1777-1781.

[3] 孫挺,齊迎春,耿國(guó)華.基于幀間差分和背景差分的運(yùn)動(dòng)目標(biāo)檢測(cè)算法[J].吉林大學(xué)學(xué)報(bào):工學(xué)版,2016,46(4):1325-1329.

[4] 關(guān)興來(lái),謝曉竹.基于光流的運(yùn)動(dòng)目標(biāo)檢測(cè)跟蹤快速算法[J].微計(jì)算機(jī)信息,2012,28(10):421-423.

[5] 張利平,趙俊梅.基于光流的運(yùn)動(dòng)車(chē)輛檢測(cè)和跟蹤技術(shù)的研究[J].車(chē)輛與動(dòng)力技術(shù),2014(2):61-64.

[6] 袁國(guó)武,陳志強(qiáng),龔健,等.一種結(jié)合光流法與三幀差分法的運(yùn)動(dòng)目標(biāo)檢測(cè)算法[J].小型微型計(jì)算機(jī)系統(tǒng),2013,34(3):668-671.

[7] 張忠義.基于改進(jìn)LK光流的目標(biāo)跟蹤算法研究[J].信息技術(shù),2015(10):127-130.

[8] 朱俊杰,李勝,侯保林,等.基于金字塔LK算法的運(yùn)動(dòng)目標(biāo)的檢測(cè)[J].工業(yè)控制計(jì)算機(jī),2015,28(9):13-15.

[9] 郝慧琴,王耀力.基于幀間差分和金字塔光流法的運(yùn)動(dòng)目標(biāo)檢測(cè)[J].電視技術(shù),2016,40(7):134-138.

[10] 陳添丁,胡鑒,吳滌,等.稀疏光流快速計(jì)算的動(dòng)態(tài)目標(biāo)檢測(cè)與跟蹤[J].中國(guó)圖象圖形學(xué)報(bào),2013,18(12):1593-1600.

[11] 馮柳偉,常冬霞,鄧勇,等.最近最遠(yuǎn)得分的聚類(lèi)性能評(píng)價(jià)指標(biāo)[J].智能系統(tǒng)學(xué)報(bào),2017,12(1):67-74.

[12] 秦亞輝,何利力.基于分塊后重疊K-means聚類(lèi)的KNN分類(lèi)算法[J].工業(yè)控制計(jì)算機(jī),2017,30(2):103-104.

[13] 孫水輝.聚類(lèi)分析在學(xué)生成績(jī)分析中的應(yīng)用[J].中國(guó)管理信息化,2016(6): 229-230.

[14] 許進(jìn)文.數(shù)據(jù)挖掘中聚類(lèi)分析算法及應(yīng)用研究[J].計(jì)算機(jī)光盤(pán)軟件與應(yīng)用,2013(6):176-177.

[15] 張靜.數(shù)據(jù)挖掘中聚類(lèi)分析綜述[J].價(jià)值工程,2014,33(15):226-227.

[16] SHUKLA D,PATEL E.Speed determination of moving vehicles using Lucas-Kanade algorithm[J].International Journal of Computer Applications Technology & Research,2013,2(1):32-36.

[17] INDU S,GUPTA M,BHATTACHARYYA A.Vehicle tracking and speed estimation using optical flow method[J].International Journal of Engineering Science and Technology,2011,3(1):429-434.

[18] WU Y,LIM J,YANG M H.Online object tracking:a benchmark[C]//Proceedings of 2013 IEEE Conference on Computer Vision and Pattern Recognition,Portland,OR,USA,June 23-28,2013:2411-2418.

MovingObjectDetectionMethodCombinedOpticalFlowandK-NearestNeighborAlgorithm

LUChun,YANGHuicheng,YANGWenbin,ZHUWenbo

(College of Electrical Engineering, Anhui Polytechnic University, Wuhu 241000,China)

Moving object detection has great significance in theory and practice, and optical flow is one of the important moving object detection methods. A method to detect moving objects combined K-Nearest neighbor algorithm and pyramid LK optical flow is proposed to solve such problems，as the optical flow algorithm for moving target detection has a large computational complexity and a complex problem. Analysis and simulation of moving target detection based on the improved Lucas-Kanade optical flow algorithm are given, and then the clustering analysis is made to make the moving object more accurate．Firstly, the image sequences of moving target are sampled and processed. Then Lucas-Kanade optical flow method is used to calculated the adjacent frames of light flow to get the optical flow field. Lastly, the K-Nearest neighbor algorithm is used to detect the moving object. The experiments prove that the object detection algorithm combined Lucas-Kanade algorithm and K-Nearest neighbor algorithm is an efficient moving target detection method.

moving object detection; Lucas-Kanade optical flow; pyramid; K-Nearest neighbor algorithm

TP391

A

2017-08-20

安徽省高校自然科學(xué)研究重大項(xiàng)目(KJ2014ZD04)

魯 春(1993-),女,安徽滁州人,碩士生,主要從事圖像處理方面的研究,(E-mail)1114510762@qq.com

1673-1549(2017)05-0063-06

10.11863/j.suse.2017.05.11