劉 暢，於躍成

（江蘇科技大學(xué)計算機(jī)學(xué)院，江蘇鎮(zhèn)江 212100）

0 引言

隨著民航事業(yè)的蓬勃發(fā)展，機(jī)場的安全性越來越受到人們關(guān)注。傳統(tǒng)采用員工在航站樓中巡檢的方式費時費力，員工的責(zé)任心成為影響巡檢效果的關(guān)鍵因素。若員工在巡檢過程中出現(xiàn)分心，則極易造成航站樓的安全隱患。因此，使用巡檢機(jī)器人代替人工完成航站樓巡檢工作成為必然的發(fā)展趨勢。為適應(yīng)夜間機(jī)場航站樓弱光甚至無光的環(huán)境，選用熱成像攝像頭作為巡檢機(jī)器人的監(jiān)控攝像頭成為最佳選擇。

熱成像攝像頭主要通過環(huán)境中的紅外輻射形成單通道圖像，所以由熱成像攝像頭提供的熱成像視頻在弱光甚至無光環(huán)境下可具有較好效果。人體自身體溫使得人體圖像在熱成像視頻中更加顯著，也使得針對人體的顯著檢測算法能夠在熱成像視頻中取得良好效果。近年來，研究者們進(jìn)行了大量顯著人體檢測算法實驗，如文獻(xiàn)［1］利用區(qū)域和邊緣對比度生成的聯(lián)合對比度突出圖像的顯著性區(qū)域，也有將視覺注意力和信息論運用于顯著人體檢測的方法［2］。隨著深度神經(jīng)網(wǎng)絡(luò)的廣泛運用，大量基于深度神經(jīng)網(wǎng)絡(luò)的顯著性檢測算法被提出，比如在U-Net 網(wǎng)絡(luò)［3］基礎(chǔ)上利用混合損失指導(dǎo)三層次神經(jīng)網(wǎng)絡(luò)的BASNet 模型［4］，在U-Net 網(wǎng)絡(luò)中引入多個LSTM 注意力神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)模型［5］等。

諸多實驗已證明顯著人體檢測算法在熱成像場景下的有效性，但是大多數(shù)顯著人體檢測算法都是將連續(xù)幀的視頻數(shù)據(jù)拆成一幀一幀的靜態(tài)圖像進(jìn)行檢測，這種檢測算法在面對機(jī)場航站樓的真實復(fù)雜場景時依舊面臨巨大的挑戰(zhàn)，特別是人體在熱成像圖像中呈現(xiàn)的復(fù)雜情況，如人體部分被遮擋、圖像邊緣的人體目標(biāo)不完整等。視頻數(shù)據(jù)與靜態(tài)圖像數(shù)據(jù)最大的不同之處是視頻可通過連續(xù)幀反映出物體運動信息，而由于人體運動產(chǎn)生連續(xù)幀之間的差異，使得人體圖像更加突出與顯著，因此在單幀的顯著性檢測效果不佳時，在顯著性檢測方法中融入動態(tài)信息以便更好地利用連續(xù)幀視頻數(shù)據(jù)成為一種重要的手段。通常通過檢測連續(xù)幀中運動目標(biāo)的方式提取運動信息，但是熱成像視頻存在缺少紋理特征、視覺效果模糊、分辨率和信噪比低等特點，為檢測連續(xù)幀中的運動目標(biāo)帶來了巨大挑戰(zhàn)。

基于熱成像視頻的以上特點，在進(jìn)行運動目標(biāo)檢測時無需考慮光照變化帶來的影響，但也使得運動目標(biāo)檢測中較為常用的光流法［6］無法適用于熱成像視頻。常用的幀差法實現(xiàn)起來十分簡單，但是該方法過于敏感，檢測結(jié)果中往往存在大量非可疑目標(biāo)的背景區(qū)域［7］。背景差法是通過背景模型將運動目標(biāo)作為前景從背景區(qū)域中提取出來，使用高斯混合模型［8］、RPCA 模型［9］和改進(jìn)的ViBe 算法模型［10］等背景模型的背景差法也是目前最流行的運動目標(biāo)檢測方法，其兼顧了魯棒性和效率，并且將背景模型與幀差法相結(jié)合，有助于提高目標(biāo)檢測精度［11］，但是背景差法也面臨著如相機(jī)移動、背景動態(tài)變化等諸多挑戰(zhàn)［12］。為了保證巡檢效率，在實際的機(jī)場航站樓巡檢機(jī)器人場景中，要求巡檢機(jī)器人一直保持動態(tài)移動。攝像機(jī)的動態(tài)移動使得運動目標(biāo)檢測更具挑戰(zhàn)性，雖然背景差法可通過背景模型的更新來適應(yīng)背景的輕微變化，但僅使用背景差法檢測動態(tài)熱成像場景中的運動目標(biāo)無法取得良好效果。

基于上述觀察，本文提出一種動態(tài)熱成像攝像頭下的運動目標(biāo)檢測方法（DTMD），并將檢測結(jié)果作為一種運動信息通過融合模塊融入到單幀顯著性檢測方法中，從而充分利用連續(xù)幀的視頻數(shù)據(jù)，使融合后的顯著人體檢測方法在面對人體部分被遮擋、人體在出入圖像邊緣等機(jī)場實際復(fù)雜情況時依然能取得良好效果。

1 相關(guān)工作

1.1 動態(tài)場景中的運動檢測

在攝像機(jī)保持移動的情況下，隨著攝像機(jī)的移動，整個視頻畫面都在發(fā)生運動。在該情況下，區(qū)分靜止物體與運動物體變得十分困難。背景差法雖然可通過更新背景模型的方式使背景模型適應(yīng)因攝像機(jī)移動帶來的連續(xù)幀背景變化，但是效果十分不理想。因此，如何通過對背景差法的改良應(yīng)對動態(tài)攝像機(jī)一直都是研究熱點。

文獻(xiàn)［13］提出基于特征的方法構(gòu)建全景圖，將攝像頭拍攝到的圖像看成一整個平面來消除背景運動。但這種構(gòu)建全景圖的方式只對平移或平轉(zhuǎn)運動的攝像機(jī)有一定作用，在實際的機(jī)場場景中，巡檢機(jī)器人多數(shù)的運動是前后移動，因此該方法無法應(yīng)用于機(jī)場巡檢機(jī)器人場景中。部分研究者會通過運動估計消除動態(tài)攝像機(jī)的影響，如構(gòu)建兩個背景模型以完成不同任務(wù)，一個用于估計攝像機(jī)運動，一個用于檢測前景［14］。使用運動估計仿射模型，通過6 個參數(shù)的估計可快速進(jìn)行運動估計［15］。還有一些研究者則是通過特征點軌跡來分離前景和背景，通過分析特征點軌跡，對其進(jìn)行標(biāo)記，并將標(biāo)記信息傳播至整個圖像。常見的特征點分析方法有對軌跡屬性進(jìn)行聚類的方法［16］、通過動態(tài)子空間分析軌跡數(shù)量隨時間變化的方法［17］以及結(jié)合物體外觀特征的方法［18］等。但是上述方法大多僅在可見光場景下有效，在熱成像場景下，部分方法并不能取得良好效果。因此，基于深度神經(jīng)網(wǎng)絡(luò)對場景進(jìn)行評估并將分析結(jié)果用于檢測模型設(shè)計中［19］，或者直接對背景建模［20］成為應(yīng)對背景變化、攝像機(jī)移動等問題的有效方法。但是基于深度神經(jīng)網(wǎng)絡(luò)的方法往往需要大量計算資源，較為耗時，而機(jī)場巡檢任務(wù)對實時性要求較高，所以將基于深度神經(jīng)網(wǎng)絡(luò)的運動目標(biāo)檢測作為運動信息提取方法在當(dāng)前場景中并不適用。

受上述啟發(fā)，為應(yīng)對熱成像場景，本文使用背景模型并結(jié)合圖像特征點軌跡的聚類方法與運動估計仿射模型以區(qū)分視頻數(shù)據(jù)的前景和背景，提出一種動態(tài)熱成像攝像頭下的運動目標(biāo)檢測方法（DTMD），該方法能夠有效解決熱成像場景下攝像機(jī)移動導(dǎo)致的背景變化等問題。

1.2 顯著性檢測融合運動信息

基于靜態(tài)圖像的顯著性檢測方法未能發(fā)揮視頻連續(xù)幀數(shù)據(jù)的優(yōu)勢，也沒有充分利用物體的運動信息。研究者們?yōu)榱顺浞掷梦矬w運動信息，也提出許多融合物體運動信息的顯著性檢測算法，將運動信息作為神經(jīng)網(wǎng)絡(luò)的一部分融入顯著性檢測神經(jīng)網(wǎng)絡(luò)中。文獻(xiàn)［21］將過去幀、過去幀的檢測顯著圖和當(dāng)前幀作為卷積神經(jīng)網(wǎng)絡(luò)的輸入，使得神經(jīng)網(wǎng)絡(luò)在檢測顯著性對象時可結(jié)合時間信息和物體運動信息。遞歸神經(jīng)網(wǎng)絡(luò)一直都是處理序列化數(shù)據(jù)的有效方法，如FGRNE 神經(jīng)網(wǎng)絡(luò)可結(jié)合物體運動信息與LSTM 序列特征進(jìn)行顯著性檢測［22］。

雖然將連續(xù)幀作為神經(jīng)網(wǎng)絡(luò)的一個分支輸入可有效提取與利用運動信息，但此類模型往往需要大量計算資源作為支撐，對于實時性要求較高的巡檢任務(wù)并不合適。而且在實際場景中，也有許多未發(fā)生移動的顯著人體，此時運動信息分支的神經(jīng)網(wǎng)絡(luò)無法為顯著性人體檢測提供幫助，甚至?xí)a(chǎn)生負(fù)面影響。

為應(yīng)對熱成像場景，本文提出將運動信息檢測與顯著性檢測作為兩個任務(wù)分支同時執(zhí)行，最后將兩個分支的輸出進(jìn)行融合，得到最終融合運動信息的顯著人體檢測方法，該方法能夠在巡檢機(jī)器人有限的計算資源下達(dá)到實時檢測效果。

2 融入運動信息的顯著人體檢測方法

在處理視頻數(shù)據(jù)時，通常將連續(xù)的圖像數(shù)據(jù)作為檢測方法的輸入數(shù)據(jù)。本文方法先后將兩張圖像數(shù)據(jù)作為融入運動信息的顯著人體檢測方法的輸入數(shù)據(jù)，一幀為當(dāng)前幀圖像數(shù)據(jù)，也是檢測圖像數(shù)據(jù)，一幀為參照幀數(shù)據(jù)。因為熱成像數(shù)據(jù)缺少細(xì)節(jié)的特點，所以無法從熱成像數(shù)據(jù)中提取到有效的細(xì)微運動信息。為了使運動信息更加明顯，本文選擇當(dāng)前幀之前5 幀的圖像數(shù)據(jù)作為參照幀。融合動態(tài)信息的顯著性人體檢測流程如圖1所示。

Fig.1 Flow of salient human body detection method incorporating motion information圖1 融合動態(tài)信息的顯著性人體檢測流程

2.1 動態(tài)熱成像攝像頭下的運動目標(biāo)檢測方法

2.1.1 高斯混合背景模型

背景模型通過從圖像視頻數(shù)據(jù)中分離出前景和背景，從而檢測運動目標(biāo)。高斯混合背景模型通過初始設(shè)置k個高斯分布模型進(jìn)行建模，使用第一幀圖像數(shù)據(jù)的每一個像素值對第一個高斯分布模型進(jìn)行初始化。將當(dāng)前像素的值設(shè)為均值，權(quán)重設(shè)為1，其他高斯分布模型的均值和權(quán)重都初始化為0，如式（1）所示。

其中，k表示高斯分布模型的個數(shù)，由于熱成像圖像數(shù)據(jù)為單通道的灰度圖，因此將k設(shè)為3，xt表示t時刻的像素值，wi，t表示t時刻第i個高斯分布模型的權(quán)重值，η表示高斯分布概率密度函數(shù)，μi，t、τi，t分別表示t時刻第i個高斯分布模型的均值和協(xié)方差矩陣。

將每一個新像素值xt與k個高斯分布模型相匹配，若匹配，則該點為背景區(qū)域，不匹配則為目標(biāo)前景區(qū)域。匹配公式如式（2）所示。

其中，μi，t-1表示上一幀第i個高斯分布模型的均值，σi，t-1表示上一幀第i個高斯分布模型的標(biāo)準(zhǔn)差。無論是否匹配，對k個高斯分布模型權(quán)重進(jìn)行更新，如式（3）所示。

其中，α表示學(xué)習(xí)率，當(dāng)匹配當(dāng)前像素點時，Mi，t為1，不匹配則為0。當(dāng)高斯分布模型匹配當(dāng)前像素點時，則對當(dāng)前的高斯分布模型進(jìn)行更新，若不匹配則不更新。

若所有高斯分布模型都不匹配，則對權(quán)重最低的高斯分布模型進(jìn)行替換。雖然背景模型可通過模型的更新應(yīng)對背景的緩慢變化，并且在熱成像數(shù)據(jù)中不需要考慮到光線變化給背景帶來的影響，但只憑更新背景模型無法有效應(yīng)對攝像機(jī)運動帶來的背景變化，檢測出的前景中依舊會包含大量未移動的背景區(qū)域。本文將高斯混合背景模型檢測出的前景部分劃分成一個個前景區(qū)域，并對其作進(jìn)一步判斷。

2.1.2 特征點選取與匹配

本文通過在參照幀和當(dāng)前幀的圖像數(shù)據(jù)上提取特征點，對兩幀的特征點進(jìn)行匹配，從而得到特征點運動軌跡，并對其作進(jìn)一步分析，排除被誤判為前景的背景區(qū)域。相比于SIFT 等其他特征點檢測算法，SURF 特征點算法更加高效，且適用于熱成像環(huán)境，所以本文選用SURF 特征點算法作為本文的特征點提取算法［23］。其首先通過構(gòu)建Hessian 矩陣檢測出極值點，在圖像中坐標(biāo)為（x，y）點的Hessian矩陣H(f(x，y))定義如式（4）所示。

其中，f(x，y)表示原始圖像的高斯卷積，之后構(gòu)建尺度空間，在不同尺度上檢測特征點，去除錯誤定位的特征點，得到穩(wěn)定的特征點。最后確定特征點的主方向，生成特征點描述子。

特征點匹配算法通過兩個特征點之間的歐式距離確定匹配度，歐氏距離越短，兩個特征點匹配度越高，并通過Hessian 矩陣跡的正負(fù)號判斷對比度變化方向。若正負(fù)號不同，則將歐式距離設(shè)為0，排除兩個特征點匹配的可能。最后，當(dāng)前幀與參照幀上匹配好的特征點會形成一個特征點對。

2.1.3 運動估計仿射模型

通過兩幀之間已匹配的特征點對，對初步檢測出的運動目標(biāo)前景作進(jìn)一步判斷。由于熱成像圖像缺少紋理和細(xì)節(jié)，本文選擇運動估計仿射模型與特征點軌跡聚類兩種方法排除攝像機(jī)移動導(dǎo)致的背景運動信息。

本文從計算速度和準(zhǔn)確性兩方面考慮，選用六參數(shù)模型作為運動估計仿射模型。為了對攝像機(jī)的移動作出運動估計，本文選用高斯混合背景分離出背景區(qū)域中匹配的特征點對，計算六參數(shù)背景運動估計仿射模型，如式（5）所示。

2.1.4 特征點軌跡聚類方法

通過匹配的特征點對得到特征點運動軌跡，為了對特征點的運動軌跡進(jìn)行聚類，本文對特征點運動軌跡分別計算距離屬性和方向?qū)傩?，如式?）、式（8）所示。

在通過運動估計仿射模型和特征點軌跡聚類方法進(jìn)一步提取出特征點中的背景特征點之后，本文將包含特征點多數(shù)為背景特征點的前景區(qū)域從前景中排除。

2.2 融合模塊

為了保證該方法的效率和魯棒性，本文并不將運動信息直接融入到顯著性檢測算法中，而是將運動目標(biāo)檢測圖與顯著性檢測圖進(jìn)行融合，生成融入運動信息的顯著性檢測圖。該方法可讓本文動態(tài)熱成像攝像頭下的運動目標(biāo)檢測方法（DTMD）與任意一種單幀的顯著性檢測方法相融合，用運動信息彌補(bǔ)單幀顯著性檢測算法的分割檢測不完全等缺點。

本文將運動目標(biāo)檢測圖和顯著圖分別作交集與并集操作，利用輪廓檢測方法將兩圖交集的前景分割成一個個矩形前景區(qū)域。在每個矩形前景區(qū)域中計算運動目標(biāo)檢測圖和顯著圖的并交比，當(dāng)該數(shù)值過大時，說明至少有一種檢測方法在此區(qū)域中的檢測結(jié)果異常。將該前景區(qū)域排除，而其余前景區(qū)域中的兩圖并集將被保留，得到最終融合結(jié)果。

3 實驗與分析

本文實驗硬件平臺的CPU 型號為Intel Core i7，GPU 型號為GTX 1060，內(nèi)存為16G。

3.1 數(shù)據(jù)集

為驗證模型的效率和有效性，本文使用4 個測試數(shù)據(jù)集。其中，OSU［24］、KAIST［25］和FLIR 是3 個公開的數(shù)據(jù)集，而ATH 則是機(jī)場候機(jī)樓采集的實際數(shù)據(jù)集。對于OSU 數(shù)據(jù)集，本文選取其中irw01-irw06的序列圖像。這些序列圖像主要關(guān)注行人行走時的多種姿態(tài)，包括行人手中物體對于身體產(chǎn)生的部分遮擋情況，以及兩個行人相遇時身體相互遮擋的情況。該數(shù)據(jù)集由固定攝像頭拍攝，所以背景沒有變化，行人與背景之間也具有較高對比度。

KAIST 數(shù)據(jù)集和FLIR 數(shù)據(jù)集都是通過車載攝像頭在街道上采集的圖像數(shù)據(jù)，這些圖像數(shù)據(jù)往往會因為攝像機(jī)參數(shù)的不同而呈現(xiàn)出不同的成像效果。此外，與攝像機(jī)距離不同的行人在圖像中也會表現(xiàn)出不同的尺度大小?？紤]到機(jī)場巡檢機(jī)器人的實際工作場景，本文主要關(guān)注數(shù)據(jù)集中不同尺度的人體、騎行對象和人群聚集場景。

ATH 數(shù)據(jù)集為機(jī)場候機(jī)樓真實場景下采集得到的實際數(shù)據(jù)集。類似于KAIST 和FLIR 兩個數(shù)據(jù)集，ATH 數(shù)據(jù)集中同樣面臨著由于人體目標(biāo)與攝像機(jī)之間因距離不同所造成的圖像尺度問題。然而，不同于其它標(biāo)準(zhǔn)數(shù)據(jù)集，ATH 數(shù)據(jù)集中包含了候機(jī)樓特有的登機(jī)口、座椅區(qū)以及窗口處等諸多場景下的樣本。此外，數(shù)據(jù)集中的人體目標(biāo)包含站立、蹲坐、彎腰等多種姿態(tài)，并包含人體相互遮擋，或被座椅、立柱和衣著遮擋等多種遮擋場景。可見相比于標(biāo)準(zhǔn)測試數(shù)據(jù)集，ATH 數(shù)據(jù)集更為真實，場景也更加復(fù)雜。

3.2 評價指標(biāo)

為了評估該方法的性能，本文選擇分割模型中常用的評價指標(biāo)F-measure 和mIOU。一般而言，模型在數(shù)據(jù)集上運行后的F-measure 和mIOU 值越高，意味著該模型有著更好的性能。如式（9）所示，F(xiàn)-measure 定義了顯著人體圖像分割的精確率和召回率加權(quán)調(diào)和平均值。

對于巡檢任務(wù)來說，可疑目標(biāo)能否被正確發(fā)現(xiàn)比可疑目標(biāo)身體全部區(qū)域是否都被正確檢測出來更加重要。這意味著在使用F-measure 度量模型性能時，顯著人體圖像分割的精確率應(yīng)該占據(jù)更大的比重。按照文獻(xiàn)［26］的建議，本文設(shè)置β2的值為0.3。精確率Precision 和召回率Recall的定義如式（10）、式（11）所示。

其中，TP表示正樣本被正確預(yù)測的數(shù)目，F(xiàn)P、FN分別表示負(fù)樣本被檢測成正樣本的數(shù)目以及將正樣本預(yù)測成負(fù)樣本的數(shù)目。

mIOU 定義如公式（12）所示，用于表示真實圖像與預(yù)測圖中正樣本的交并比。

3.3 實驗結(jié)果與分析

本文僅使用高斯混合背景模型從數(shù)據(jù)集中檢測運動目標(biāo)效果，如圖2 所示。其中，左圖為原始輸入圖，右圖為高斯混合背景模型檢測圖。

Fig.2 Gaussian mixture background model detection results圖2 高斯混合背景模型檢測結(jié)果

由圖2 可以看出，雖然高斯混合背景模型可檢測出圖像中的運動目標(biāo)，但是由于攝像機(jī)的運動使得檢測出的目標(biāo)中包含大量未運動目標(biāo)，如墻壁、燈牌等。本文提出的動態(tài)熱成像攝像頭下的運動目標(biāo)檢測方法在數(shù)據(jù)集上的檢測效果如圖3 所示。其中，左圖為原始輸入圖，右圖為運動目標(biāo)檢測圖。

Fig.3 DTMD detection results圖3 DTMD模型檢測結(jié)果

如圖3 所示，本文提出的運動目標(biāo)檢測方法在熱成像場景下有效檢測圖像中運動目標(biāo)的同時，可排除由于攝像機(jī)運動帶來的影響。

為驗證本文所提出的將運動信息融入顯著性檢測方法的有效性，選擇4 種單幀顯著性模型Hsaliency［27］、Amulet［28］、CPD［29］、SRM［30］在4 個數(shù)據(jù)集上進(jìn)行實驗，并將動態(tài)熱成像攝像頭下的運動目標(biāo)檢測方法（DTMD）與4 種模型融合進(jìn)行對比實驗。其中，Amulet、CPD、SRM 是基于深度神經(jīng)網(wǎng)絡(luò)的模型。F-measure 與mIOU 結(jié)果對比如表1所示。

Table 1 Comparison of F-measure and mIOU results表1 F-measure與mIOU結(jié)果對比

由表1 可知，在融入運動信息后，單幀的顯著性模型在4 個數(shù)據(jù)集上的性能普遍有所提升，特別是在mIOU 評價指標(biāo)上的表現(xiàn)。在OSU 數(shù)據(jù)集上由于攝像機(jī)未發(fā)生移動，數(shù)據(jù)集本身較為簡單，所以單幀顯著性檢測模型具有較好的性能。由于在融入的運動信息中包含少部分落葉等非人體運動信息，因此該模型融入運動信息后在評價指標(biāo)上的表現(xiàn)略有下降，但在顯著性人體檢測上的表現(xiàn)會更加完整。Hsaliency 模型本身并不是基于深度神經(jīng)網(wǎng)絡(luò)的模型，所以在對比度較低的KAIST 數(shù)據(jù)集和FLIR 數(shù)據(jù)集上表現(xiàn)不佳，在融入運動信息后整體檢測效果得到提升。Amulet 雖然檢測速度較慢，但是檢測精度較高，在融入運動信息之后能夠進(jìn)一步提升模型精度，并且檢測結(jié)果更加完整，特別是在ATH 機(jī)場實際數(shù)據(jù)集中。

CPD 模型和SRM 模型具有較快的檢測速度，但是分割出的目標(biāo)往往出現(xiàn)檢測不完全的情況，融入運動信息后在運動效果明顯、圖像邊緣人體目標(biāo)不完整等情形下的檢測效果明顯提升。以CPD 模型和SRM 模型為例的可視化效果如圖4 所示，其中左圖為原始輸入圖，右圖為運動目標(biāo)檢測圖。

Fig.4 Visual detection results圖4 可視化檢測結(jié)果

如圖4 可知，融入運動信息后的模型能夠清晰、有效地檢測出視頻數(shù)據(jù)中的運動人體。融入運動信息可有效降低巡檢后臺工作人員對部分可視化檢測結(jié)果的歧義和誤解，增加機(jī)場的安全性。在檢測效率方面，本文提出的動態(tài)熱成像攝像頭下的運動目標(biāo)檢測方法在擁有GPU 的實驗環(huán)境下以一幀幀圖像輸入的方式進(jìn)行檢測，依舊能夠達(dá)到實時檢測速度。因此，本文所提出的融入運動信息的顯著人體檢測方法能夠滿足實際機(jī)場航站樓巡檢任務(wù)的實時性要求。

4 結(jié)語

針對被遮擋、多種姿態(tài)、出入攝像機(jī)邊緣等情形下的可疑目標(biāo)人體，本文提出一種動態(tài)熱成像攝像頭下的運動目標(biāo)檢測方法（DTMD）。實驗結(jié)果證明，該方法能夠在熱成像環(huán)境下有效排除攝像機(jī)移動帶來的影響，并檢測出運動目標(biāo)。但該方法在熱成像環(huán)境下存在對細(xì)微運動的檢測精度不高，以及檢測出非人體運動目標(biāo)等問題，并且無法檢測出未發(fā)生移動的顯著人體目標(biāo)。本文通過融合模塊降低未發(fā)生移動的顯著人體目標(biāo)和非人體運動目標(biāo)檢測結(jié)果給融合結(jié)果帶來的負(fù)面影響，所提出的輕量級檢測方法能夠滿足機(jī)場航站樓巡檢任務(wù)的實時性要求。在未來的研究中，將在保證檢測方法運行效率的前提下，著重提升針對非人體運動目標(biāo)和人體細(xì)微運動的檢測效果，以提高從連續(xù)幀中提取的運動信息對融合結(jié)果的增益。