高玉鵬，何明一

（西北工業(yè)大學(xué) 電子信息學(xué)院，陜西 西安 710072）

動(dòng)態(tài)背景下基于幀間差分與模板匹配相結(jié)合的運(yùn)動(dòng)目標(biāo)檢測(cè)

高玉鵬，何明一

（西北工業(yè)大學(xué) 電子信息學(xué)院，陜西 西安 710072）

基于圖形處理器單元（GPU）提出了一種幀間差分與模板匹配相結(jié)合的運(yùn)動(dòng)目標(biāo)檢測(cè)算法。在CUDA-SIFT（基于統(tǒng)一計(jì)算設(shè)備架構(gòu)的尺度不變特征變換）算法提取圖像匹配特征點(diǎn)的基礎(chǔ)上，優(yōu)化隨機(jī)采樣一致性算法（RANSAC）剔除圖像中由于目標(biāo)運(yùn)動(dòng)部分產(chǎn)生的誤匹配點(diǎn)，運(yùn)用背景補(bǔ)償?shù)姆椒▽㈧o態(tài)背景下的幀間差分目標(biāo)檢測(cè)算法應(yīng)用于動(dòng)態(tài)情況，實(shí)現(xiàn)了動(dòng)態(tài)背景下的運(yùn)動(dòng)目標(biāo)檢測(cè)，通過提取目標(biāo)特征與后續(xù)多幀圖像進(jìn)行特征匹配的方法最終實(shí)現(xiàn)自動(dòng)目標(biāo)檢測(cè)。實(shí)驗(yàn)表明該方法對(duì)運(yùn)動(dòng)目標(biāo)較小、有噪聲、有部分遮擋的圖像序列具有良好的目標(biāo)檢測(cè)效果。

信號(hào)與信息處理；CUDA-SIFT；目標(biāo)檢測(cè)；圖像配準(zhǔn)

目標(biāo)檢測(cè)是將感興趣區(qū)域從背景中分離出來，它將目標(biāo)的分割和識(shí)別合二為一，是運(yùn)動(dòng)圖像分析、智能監(jiān)控、月球探測(cè)中巡游導(dǎo)航、軍事目標(biāo)檢測(cè)、人機(jī)交互技術(shù)中的一個(gè)重要環(huán)節(jié)。國內(nèi)外對(duì)目標(biāo)檢測(cè)的研究已經(jīng)取得了一定的成果。但對(duì)于動(dòng)態(tài)背景、目標(biāo)部分遮擋及光照變化較大的圖像序列的檢測(cè)效果還有待于提高。

按照目標(biāo)和背景的相對(duì)運(yùn)動(dòng)差異，可以將目標(biāo)識(shí)別分為靜態(tài)背景和動(dòng)態(tài)背景兩種基本情況。目前研究相對(duì)成熟的方法是針對(duì)靜態(tài)背景下的背景模型法、光流法和多幀差分法。以上方法能夠有效地分割出運(yùn)動(dòng)目標(biāo)，但多適用于靜態(tài)背景[1]。背景模型方法將多幀圖像與背景模型進(jìn)行比較，通過判定灰度等特征的變化或用直方圖等統(tǒng)計(jì)信息的變化分割出運(yùn)動(dòng)目標(biāo)，因此首先要求背景不變。光流法給圖像中每一個(gè)像素點(diǎn)賦予一個(gè)速度矢量，圖像上的點(diǎn)與三維物體上的點(diǎn)一一對(duì)應(yīng)，根據(jù)各個(gè)像素點(diǎn)的速度矢量特征對(duì)圖像進(jìn)行動(dòng)態(tài)分析。這種方法計(jì)算量大、易受噪聲影響。

文中利用在通用并行計(jì)算架構(gòu)CUDA平臺(tái)上開發(fā)的SIFT算法 （下文簡(jiǎn)稱CUDA-SIFT）[2]，來提取兩幀圖像特征點(diǎn)，實(shí)現(xiàn)圖像的準(zhǔn)確配準(zhǔn)。改進(jìn)的RANSAC算法濾除目標(biāo)運(yùn)動(dòng)帶來的誤匹配點(diǎn)，用過濾后的點(diǎn)來提取兩圖像中背景匹配部分，對(duì)其進(jìn)行差分提取得到含有部分噪聲的差值圖像。通過背景補(bǔ)償改進(jìn)的兩幀差分方法能夠?qū)⒀芯肯鄬?duì)成熟的靜態(tài)背景目標(biāo)檢測(cè)應(yīng)用于動(dòng)態(tài)，該方法不僅計(jì)算量小、目標(biāo)檢測(cè)效果好而且通過對(duì)差分圖像進(jìn)行適當(dāng)?shù)奶幚砟軌蜻_(dá)到比較理想的魯棒性。再采用形態(tài)學(xué)方法剔除噪聲提取出運(yùn)動(dòng)目標(biāo)部分。在目標(biāo)特征已知的基礎(chǔ)上對(duì)余下多圖像序列通過目標(biāo)特征模板匹配來尋找目標(biāo)，從而大大節(jié)省檢測(cè)時(shí)間。因目標(biāo)可能發(fā)生變化，故采用每20幀通過兩幀差分的方法更新一次目標(biāo)實(shí)現(xiàn)模板的自動(dòng)更新，進(jìn)而實(shí)現(xiàn)動(dòng)態(tài)背景下的全自動(dòng)目標(biāo)檢測(cè)。

1 序列圖像動(dòng)態(tài)背景下運(yùn)動(dòng)目標(biāo)檢測(cè)流程

文中算法采用CUDA-SIFT算法對(duì)兩幀相鄰圖像進(jìn)行特征提取，構(gòu)建特征向量描述特征點(diǎn)信息，采用優(yōu)先K-D樹算法對(duì)特征向量進(jìn)行搜索以進(jìn)行特征點(diǎn)間的匹配，保證了特征點(diǎn)位置的精確性與匹配的準(zhǔn)確性；然后采用改進(jìn)的RANSAC算法去除因目標(biāo)運(yùn)動(dòng)導(dǎo)致的誤匹配，確保了圖像配準(zhǔn)的準(zhǔn)確性，使圖像配準(zhǔn)的達(dá)到了亞像素精度，提高圖像差分的魯棒性；隨后對(duì)精確配準(zhǔn)的兩幅圖像進(jìn)行差分，由于兩幀圖像中存在亮度變換以及采用線性放射變換處理非線性問題使得某些非目標(biāo)區(qū)域像素點(diǎn)仍存在于差分圖像中，致使差分圖像中存在較大噪聲，使用圖像二值化和形態(tài)學(xué)的濾波處理方法濾除這些非目標(biāo)像素點(diǎn)以解決差分圖像噪聲大的問題，處理后的圖像中只存在前景的運(yùn)動(dòng)目標(biāo)，至此完成了運(yùn)動(dòng)目標(biāo)的檢測(cè)。通過保留的目標(biāo)特征模板與余下的幀圖像進(jìn)行特征匹配，從而實(shí)現(xiàn)剩余多幀圖像中目標(biāo)檢測(cè)的目的，每20幀更新一次目標(biāo)以達(dá)到運(yùn)動(dòng)目標(biāo)自動(dòng)檢測(cè)。采用此方法避免了連續(xù)幀間差分需要不斷配準(zhǔn)導(dǎo)致檢測(cè)效率低的問題，同時(shí)客服了特征匹配方法需要預(yù)先給定目標(biāo)的缺點(diǎn)。流程如圖1所示。

圖1 目標(biāo)檢測(cè)流程圖Fig.1 Target detection flow diagram

2 圖像間單應(yīng)性矩陣的魯棒性求解及匹配

2.1 CUDA-SIFT算法的特征提取及描述

CUDA是一種通過使用并行編程模型，充分利用GPU硬件架構(gòu)來對(duì)可并行化處理的數(shù)據(jù)及任務(wù)進(jìn)行并行處理的軟件環(huán)境，通過并行計(jì)算大大提高處理速度[3]。本文通過對(duì)特征提取中經(jīng)典的SIFT算法進(jìn)行并行化設(shè)計(jì)，并對(duì)算法進(jìn)行改進(jìn)從而達(dá)到快速目標(biāo)檢測(cè)的目的。CUDA執(zhí)行流程如圖2所示。首先將圖像從內(nèi)存中傳入到GPU的Global Memory中，將圖像分成的block塊，通過設(shè)定并行處理函數(shù)將每個(gè)圖像塊并行的轉(zhuǎn)化為灰度圖像進(jìn)行圖像的預(yù)處理。使用唯一的線性高斯核對(duì)圖像進(jìn)行并行的卷積處理，由以下兩個(gè)公式可知可以將高斯濾波進(jìn)行X方向和Y方向的分塊并行處理，進(jìn)而得到圖像大小的尺度空間。

圖2 GPU-SIFT特征點(diǎn)提取流程圖Fig.2 GPU-SIFT feature point extraction flow diagram

通過公式進(jìn)行差分得到DOG圖像層：

其中（x，y）代表圖像的像素位置；σ為尺度空間因子，大尺度對(duì)應(yīng)于圖像的蓋帽特征；小尺度對(duì)應(yīng)于圖像的細(xì)節(jié)特征。L表示圖像的尺度空間；G（x，y，σ）為尺度變換唯一變換核的二維高斯函數(shù)[4-5]。

將圖像的尺度空間存儲(chǔ)到紋理存儲(chǔ)器內(nèi)，并通過快速的圖像縮放來完成高斯金字塔的建立 （紋理內(nèi)存能夠享受GPU[6]內(nèi)部針對(duì)二維數(shù)據(jù)訪問優(yōu)化的紋理緩存，從而在隨機(jī)存取的環(huán)境下保持較高的性能，另外，紋理內(nèi)存還能享受硬件的雙線性插值，從而完成需要的圖像縮放操作[7]。）并行檢測(cè)差分金字塔的每一個(gè)像素，通過檢測(cè)局部極值點(diǎn)近似確定關(guān)鍵點(diǎn)，通過一個(gè)的Hessian矩陣計(jì)算特征值的比率，檢測(cè)關(guān)鍵點(diǎn)主曲率是否超過閾值，從而確定關(guān)鍵點(diǎn)為特征點(diǎn)并記錄關(guān)鍵點(diǎn)的位置及尺度，傳回Host端進(jìn)行進(jìn)一步處理。為了提高運(yùn)算速度同時(shí)盡量減少匹配誤差，利用文獻(xiàn) 的方法提取更有效的特征點(diǎn)從而減少不必要的冗余特征點(diǎn)的計(jì)算，節(jié)省運(yùn)算時(shí)間。

采用優(yōu)先K-D樹進(jìn)行特征點(diǎn)的匹配，對(duì)于某一特征向量，比較最近鄰到它距離與次近鄰到它的距離，如果距離之比小于預(yù)先設(shè)定的閾值，認(rèn)為該最近鄰是較好的匹配。將閾值設(shè)為0.7時(shí)匹配的正確率較高保證了特征點(diǎn)位置的精確性與匹配的準(zhǔn)確性。

2.2 RANSAC方法剔除運(yùn)動(dòng)目標(biāo)引起的誤匹配點(diǎn)

動(dòng)態(tài)背景下的運(yùn)動(dòng)目標(biāo)檢測(cè)難點(diǎn)在于問題中含有多種運(yùn)動(dòng)，由于相機(jī)的移動(dòng)使得背景發(fā)生變化，背景變化的同時(shí)運(yùn)動(dòng)目標(biāo)也在相對(duì)于背景運(yùn)動(dòng)，這是問題的難點(diǎn)所在。單純的特征點(diǎn)匹配只是解決了背景區(qū)域的匹配問題，但由于背景區(qū)域內(nèi)也同時(shí)存在物體移動(dòng)，因此傳統(tǒng)的目標(biāo)匹配方法無法實(shí)現(xiàn)圖像的配。因此本文針對(duì)這個(gè)問題采用比較典型的具有魯棒性估算的RANSAC算法對(duì)匹配點(diǎn)對(duì)進(jìn)行提純，剔除匹配區(qū)域內(nèi)運(yùn)動(dòng)目標(biāo)帶來的誤匹配點(diǎn)，從而實(shí)現(xiàn)良好的圖像匹配效果，為接下來的工作奠定基礎(chǔ)。RANSAC算法首先給定N個(gè)數(shù)據(jù)點(diǎn)組成的數(shù)據(jù)集合P，其中大多數(shù)是由一個(gè)參數(shù)未知的特定模型產(chǎn)生的，該模型的參數(shù)至少需要n個(gè)數(shù)據(jù)點(diǎn)求出（N>n）。算法的目的就是求出這個(gè)模型的參數(shù)。將下述過程運(yùn)行k次：

1）從P中隨機(jī)選取含有n個(gè)數(shù)據(jù)點(diǎn)的子集S1。

2）由所選取的n個(gè)數(shù)據(jù)點(diǎn)計(jì)算出一個(gè)模型H1。

3）對(duì)數(shù)據(jù)集合中其余的N-n個(gè)數(shù)據(jù)點(diǎn)，計(jì)算出它們與模型H1之間的距離，記錄在H1的某個(gè)誤差允許范圍內(nèi)的P中數(shù)據(jù)點(diǎn)的個(gè)數(shù)c。

重復(fù)上述步驟直到對(duì)應(yīng)最大c值的模型即為所求模型，數(shù)據(jù)集合P中的這個(gè)數(shù)據(jù)即為內(nèi)點(diǎn) （所謂內(nèi)點(diǎn)就是在RANSAC算法下認(rèn)為是正確匹配的點(diǎn)），其余的N-c個(gè)數(shù)據(jù)點(diǎn)即為外點(diǎn)（所謂內(nèi)點(diǎn)就是在RANSAC算法下認(rèn)為是沒有正確匹配的點(diǎn)包括：背景不重疊的部分及運(yùn)動(dòng)物體部分）[7]。至此完成了對(duì)特征點(diǎn)對(duì)的提純。

從RANSAC提取的穩(wěn)定的特征點(diǎn)對(duì)中任意從內(nèi)點(diǎn)中選取兩個(gè)特征點(diǎn)對(duì)（x，y）與（x′，y′）利用公式：

計(jì)算出ai共7個(gè)自由度，就可以確定一個(gè)變換矩陣H。求得的變換矩陣H，通過公式：

就把第二幅圖像通過放射變換矩陣一一對(duì)應(yīng)地映射到一幅新圖像上。從而去除了由相機(jī)平移和旋轉(zhuǎn)等給圖像帶來的幾何變換，最后通過特征區(qū)域的計(jì)算提取出兩幅圖像上包含運(yùn)動(dòng)物體的相同背景區(qū)域，至此完成了圖像匹配。

2.3 運(yùn)動(dòng)目標(biāo)模板提取

對(duì)上一節(jié)中提取包含運(yùn)動(dòng)目標(biāo)區(qū)域的背景重疊部分兩幅圖像采用公式：

進(jìn)行差分，D（X，Y）為差分后的圖像， f1（x，y）和 f2（x，y）分別為從兩幅原始圖像中提取出來的匹配部分。通常經(jīng)過差分后會(huì)得到比較明顯的運(yùn)動(dòng)目標(biāo)區(qū)域，然后再通過公式：

對(duì)圖像進(jìn)行二值化，其中T為給定閾值，差分圖像D（X，Y）經(jīng)過閾值分割得到二值化后的圖像D′（X，Y）。由于二值圖像中含有噪聲點(diǎn)干擾目標(biāo)提取，因此對(duì)圖像進(jìn)行核大小為的中值濾波從而消除小噪聲，達(dá)到對(duì)圖像平滑的目的。再使用正方形的結(jié)構(gòu)元素通過公式：

掃描二值圖像中的每一個(gè)像素，用結(jié)構(gòu)元素與其覆蓋的二值圖像做“與”操作，如果都為0結(jié)果圖像的該像素為0，否則為1。對(duì)二值圖像進(jìn)行膨脹操作，其中為的結(jié)構(gòu)元素，為圖像元素，使結(jié)構(gòu)元素沿著圖像移動(dòng)，若有交集則為白色像素，用以清除目標(biāo)中不連續(xù)的空洞，使運(yùn)動(dòng)目標(biāo)區(qū)域更加明顯。隨后對(duì)二值圖像中像素為的點(diǎn)進(jìn)行輪廓提取并記錄輪廓的大小和位置，由于在二值圖像中可能還會(huì)存在小區(qū)域的噪聲，因此在運(yùn)動(dòng)目標(biāo)標(biāo)示的時(shí)候選擇大于16的區(qū)域進(jìn)行標(biāo)示。至此完成了動(dòng)態(tài)背景下的運(yùn)動(dòng)目標(biāo)檢測(cè)。將檢測(cè)到的運(yùn)動(dòng)目標(biāo)作為模板一一保存起來，應(yīng)用到后續(xù)幀中的目標(biāo)進(jìn)行檢測(cè)，從而大大提高圖像序列運(yùn)動(dòng)目標(biāo)檢測(cè)速度，降低算法復(fù)雜度。

2.4 模板匹配提取運(yùn)動(dòng)目標(biāo)

模板匹配是在一幅尺寸比較大的實(shí)時(shí)圖像中尋找一幅尺寸較小的參考圖像的過程，實(shí)現(xiàn)在圖像中實(shí)時(shí)定位目標(biāo)的目的。

本文通過保存經(jīng)過背景差分提取的目標(biāo)的SIFT特征向量與在圖像序列中提取的SIFT特征向量進(jìn)行匹配來提取運(yùn)動(dòng)目標(biāo)，經(jīng)過RANSAC[8]誤匹配點(diǎn)的剔除提高匹配精度。通過權(quán)值平均法進(jìn)行中心點(diǎn)定位、標(biāo)示運(yùn)動(dòng)目標(biāo)。如果剩余的圖像中匹配點(diǎn)少于3個(gè)直接對(duì)特征點(diǎn)坐標(biāo)求均值得到近似目標(biāo)中心；對(duì)于匹配點(diǎn)較多的情況時(shí)，從第一個(gè)點(diǎn)開始進(jìn)行聚類，在其的鄰域內(nèi)查找是否有其他特征點(diǎn)，有幾個(gè)特征點(diǎn)則權(quán)值設(shè)為幾求出橫、縱坐標(biāo)均值，對(duì)剩下的點(diǎn)依此類推進(jìn)行計(jì)算，通過權(quán)值平均最終求得中心。此方法有效克服了由于個(gè)別匹配點(diǎn)離中心較遠(yuǎn)而造成的標(biāo)示不準(zhǔn)確問題。下表為對(duì)最典型的3種特征匹配方法進(jìn)行的研究，分別使用這3種方法對(duì)同樣兩幅圖片進(jìn)行特征匹配，得到其運(yùn)行時(shí)間及提取的特征點(diǎn)數(shù)目，分析比較最適合于本系統(tǒng)的方法。

表1 各算法進(jìn)行特征匹配的時(shí)間Tab.1 Time of various feature matching algorithms cost

本實(shí)驗(yàn)在曙光W580I服務(wù)器上調(diào)試運(yùn)行，對(duì)的圖像進(jìn)行特征檢測(cè)與匹配。由實(shí)驗(yàn)可知，CUDA-SIFT算法特征匹配速度最快、特征點(diǎn)穩(wěn)定，而且目標(biāo)提取算法過程中以對(duì)目標(biāo)部分特征進(jìn)行提取并保存，因此本部分同樣采用CUDA-SIFT算法進(jìn)行模板匹配從而達(dá)到良好的系統(tǒng)一致性及實(shí)時(shí)性。

3 實(shí)驗(yàn)結(jié)果

為了驗(yàn)證本文提出的基于特征點(diǎn)的動(dòng)態(tài)背景下序列圖像運(yùn)動(dòng)目標(biāo)提取的有效性，在Microsoft VS2008開發(fā)平臺(tái)下通過CUDA、OPENCV及C語言的混合編程實(shí)現(xiàn)了本文中的相關(guān)算法。我們也用真實(shí)的圖像序列驗(yàn)證了系統(tǒng)的可行性。

圖3 兩幀差分目標(biāo)提取部分的檢測(cè)結(jié)果Fig.3 Results of object extraction from two differential frames

實(shí)驗(yàn)1與2均為相機(jī)水平方向拍攝，實(shí)驗(yàn)1為攝像機(jī)只有平移變換情況下的運(yùn)動(dòng)目標(biāo)檢測(cè)，檢測(cè)效果比較理想。實(shí)驗(yàn)2為攝像機(jī)同時(shí)具有平移和旋轉(zhuǎn)變換而且運(yùn)動(dòng)目標(biāo)有部分遮擋情況下的識(shí)別，對(duì)目標(biāo)有部分遮擋及攝像機(jī)各種運(yùn)動(dòng)魯棒性較高。由實(shí)驗(yàn)1和2的結(jié)果可知該算法可應(yīng)用于車載攝像設(shè)備也可應(yīng)用于反坦克導(dǎo)彈等武器裝備中的運(yùn)動(dòng)目標(biāo)檢測(cè)。實(shí)驗(yàn)3為高空拍攝的圖像。該實(shí)驗(yàn)表明本方法可應(yīng)用于高空監(jiān)視中地物目標(biāo)鎖定，在武器裝備中的精確制導(dǎo)領(lǐng)域具有較強(qiáng)的實(shí)用價(jià)值。

圖4 目標(biāo)匹配檢測(cè)結(jié)果Fig.4 Target matching results

4 結(jié)束語

文中實(shí)現(xiàn)了一種基于兩幀差分及特征匹配方法的目標(biāo)檢測(cè)方法。該方法可以實(shí)現(xiàn)動(dòng)態(tài)背景下圖像序列的自動(dòng)目標(biāo)檢測(cè)，并且在較短的時(shí)間內(nèi)達(dá)到了比較良好的檢測(cè)效果。SIFT算法保證了提取特征點(diǎn)位置的精確性與匹配的準(zhǔn)確性，改進(jìn)的RANSAC算法保證了圖像配準(zhǔn)差分的穩(wěn)健性。采用目標(biāo)特征匹配的方法大大節(jié)省目標(biāo)檢測(cè)時(shí)間并提高了部分遮擋目標(biāo)提取的魯棒性，從而實(shí)現(xiàn)了通過兩幀差分更新并保存目標(biāo)，再進(jìn)行特征匹配提取目標(biāo)的動(dòng)態(tài)背景下序列圖像自動(dòng)目標(biāo)檢測(cè)。該算法采用兩幀差分方法與模板匹配相結(jié)合的方法進(jìn)行目標(biāo)檢測(cè)，克服了兩幀差分法檢測(cè)效果不穩(wěn)定圖像質(zhì)量要求高及模板匹配方法對(duì)目標(biāo)先驗(yàn)知識(shí)的要求，從而實(shí)現(xiàn)動(dòng)態(tài)背景下的運(yùn)動(dòng)目標(biāo)自動(dòng)檢測(cè)。

[1]Liao S K，Liu B Y.An edge-based approach to improve optical flow algorithm[C]//The 3rd International Conference on Advanced Computer Theory and Engineering，2010:45-51.

[2]田文，徐帆，王宏遠(yuǎn).基于CUDA的尺度不變特征變換快速算法[J].計(jì)算機(jī)工程，2010，36（8）；219-221.

TIAN Wen，XU Fan，WANG Hong-yuan.Fast algorithm of Scale-invariant feature transform base on CUDA[J].Computer Engineering，2010，36（8）；219-221.

[3]王瑞，梁華，蔡宣平.基于GPU的SIFT特征提取算法研究[J].現(xiàn)代電子技術(shù)，2010（15）；41-43.

WANG Rui，LIANG Hua，CAIXuan-ping.SIFT feature extraction algorithm research based on the GPU [J].Modern Electronic Technology，2010（15）：41-43.

[4]Lowe D G.Distinctive image features from scale-invariant key-points[J].International Journal of Computer Vision，2004，60（2）:91-110.

[5]韓龍，郭立，李玉龍.SIFT算法的并行實(shí)現(xiàn)及應(yīng)用[J].計(jì)算機(jī)工程與應(yīng)用，2010，46（20）：57-67.

HAN Long，GUO Li，LI Yu-long.SIFT parallel implementation and application of the algorithm[J].Computer Engineering and Application，2010，46（20）：57-67.

[6]張曉東，孔祥輝，張歡陽.利用GPU實(shí)現(xiàn)SAR圖像的并行處理[J].電子科技，2011（11）：94-95.

ZHANG Xiao-dong，KONG Xiang-hui，ZHANG Huan-yang.Parallel imaging algorithm of synthetic aperture radar based on GPU[J].Electronic Science and Technology，2011（11）：94-95.

[7]NVidia CUDA C Programming Guide 3.2[EB/OL].[2010-10-22].http://developer.download.nvidia.com.

[8]Ondrej C，Jiri M.Optimal randomized RANSAC[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，2008，30（8）:1472.

Moving target detection combined two frame differences with template matching methods under dynamic background

GAO Yu-peng，HE Ming-yi
（College of Electronics andInformation，Northwestern Polytechnical University，Xi’an710072，China）

A moving target detection algorithm is presented which combined frames difference with template matching methods based on Graphic Processing Unit （GPU）.The method firstly utilizes CUDA-sift （a fast SIFT algorithm based on Compute Unified Device）algorithm to extract feature point of the matching image.Then， Random Sample Consensus （RANSAC） is optimized to remove the false matching points due to the part of the moving target.Put frames difference method under static background into dynamic setting using backdrop compensation method.Achieved the moving target detection method under dynamic background，extracting the feature of target to process character mating with the follow-up graphic finally realize automatic target detection.Experiments show that the method has favorable result of target detection for small moving target，little noise，some occlusion of image sequence.

signal and information processing； CUDA-SIFT； target detection； image registration

TP391.4

A

1674－6236（2012）05-0142-04

2012-01-17稿件編號(hào)：201201072

高玉鵬（1985—），男，黑龍江綏化人，碩士研究生。研究方向：信號(hào)與信息處理。