基于視頻序列的運動目標檢測

王天苓，安博文

（上海海事大學信息工程學院，上海200135）

隨著計算機技術(shù)的飛速發(fā)展，計算機視覺監(jiān)控應(yīng)用越來越廣泛。從國內(nèi)外范圍來看，運動目標檢測一直是視覺監(jiān)控領(lǐng)域研究的熱點和難點之一，是對圖像進一步目標分類、跟蹤、行為分析等后續(xù)處理的關(guān)鍵，因此運動目標檢測技術(shù)研究具有非常重要的意義。

近年來，國內(nèi)外學者對視頻運動檢測進行了許多研究，常用的有光流法、幀差分法、背景差分法等[1]。

光流場法無需預(yù)知場景的任何信息也能檢測出運動對象，但算法復(fù)雜度大、實用性較差；幀差分法是對相連續(xù)的圖像進行幀差分，能夠較準確地檢測到運動目標輪廓，實時性較高，但是，由于相鄰幀的紋理、灰度等比較相近，通常只能得到部分運動信息，不能完整地實現(xiàn)目標分割；背景差分法主要是首先進行背景建模，然后利用當前幀與背景幀差分來提取運動目標，之后每個像素的值和閾值相比較，若該像素的值大于該閾值，則認為該點是前景點，否則是背景點。在現(xiàn)實復(fù)雜場景中天氣、光線等因素對檢測效果有一定影響。另外，選擇一種適用于實際工程應(yīng)用的閾值算法，才能使運動目標與背景能夠較好的分離。

作者結(jié)合在實際工作的項目，采用了自適應(yīng)背景提取、背景差分和閾值分割相結(jié)合的方法實現(xiàn)運動目標的檢測，提高了目標分割的準確度，并且能夠滿足系統(tǒng)實時性的要求。

1 預(yù)處理

1.1 灰度化

通過采集設(shè)備實時從外界環(huán)境中獲取RGB彩色圖像，其顏色種類雖多，但并非都有很大作用，因此可以把彩色圖像灰度化，其灰度值和RGB顏色對應(yīng)關(guān)系如下：

1.2 濾波、去噪

運動目標檢測所涉及到的噪聲一般來說呈現(xiàn)高斯分布，實驗也證明選用高斯濾波能夠取得比均值濾波、中值濾波等方式更好的效果。

一維零均值高斯函數(shù)為：

其中，高斯分布參數(shù)σ決定了高斯濾波器的寬度。對圖像處理來說，常用二維零均值離散高斯函數(shù)作平滑濾波器：

對連續(xù)高斯分布進行采樣、量化，并歸一化模板，得到以下離散模板對圖像進行濾波：

2 運動目標提取

2.1 自適應(yīng)背景提取

以固定攝像機和交通場景為例，自適應(yīng)背景提取方法有很多，在實際使用的主要有3種，即混合髙斯背景建模（MoG）算法、Surendra算法、自適應(yīng)中值濾波器（AMF）算法。MoG算法在小車流量時效果、魯棒性較好，但不適合復(fù)雜場景；Surendra算法與AMF算法能較快地適應(yīng)背景的實時變化，滿足在不同天氣狀況、光照下提取背景的要求，在城市交通監(jiān)控工程中應(yīng)用前景較廣。本文對Surendra算法進行改進，實現(xiàn)自適應(yīng)背景提取[2-5]。

Surendra算法提取背景的思想為：通過背景差分找出運動區(qū)域，使運動區(qū)域內(nèi)的背景保持不變，而非運動區(qū)域的背景則用當前幀進行更新，經(jīng)過一定幀數(shù)的迭代即可提取出背景。由于Surendra算法沒有對得到的二值圖像進一步處理，當連續(xù)兩幀的前景有紋理相似的重疊部分時會形成空洞，如圖1（b）所示，本文改進算法對二值圖像進行形態(tài)學處理，使得空洞被填充，如圖1（c）所示，從而消除了原始Surendra算法的不足。

圖1 效果對比圖Fig.1 Results contrast images

具體步驟及改進如下：

1）把第一幀圖像I0作為原始背景B0，在這里兼顧準確性與實時性，采用前30幀圖像平均作為原始背景，經(jīng)驗證效果更好。

2）令迭代參數(shù)i=1；

3）求當前背景差分的二值圖像BWi：

其中Ii，Ii-1分別為當前幀和上一幀圖像，abs（Ii-Ii-1）為兩幀差分的絕對值，T為閾值。

4）對二值圖像BWi進行形態(tài)學處理，二值圖像BWi變?yōu)镈BWi。然后利用式（6）更新背景：

其中，Bi（x，y），DBWi（x，y）分別為背景圖像和二值圖像在坐標（x，y）處的值，更新系數(shù)α值為0.1。

5）i=i+1，返回步驟3）迭代，迭代到一定幀數(shù)時的Bi即為提取出的背景。效果如圖2所示。

圖2 算法效果圖Fig.2 Results diagram of algorithm

2.2 閾值分割

常用的閾值算法有迭代法、雙峰法和大津法等。迭代法實現(xiàn)較復(fù)雜，且運算時間長；雙峰法處理某些圖像的效果較好，但試驗證明不適于車輛視頻圖像處理；大津法得到二值圖像的車輛內(nèi)部仍存有少量空洞，但其分離情況較好，所以這里選用大津法。

大津法，又叫最大類間方差法（簡稱OTSU），是一種自適應(yīng)閾值分割方法，它以圖像的灰度直方圖為基礎(chǔ)，依據(jù)類間距極大準則來確定分割門限，對圖像進行分割。方法如下：

設(shè)圖像有L個灰度級，灰度值是i的像素數(shù)為ni，則總的像素數(shù)是

各灰度值出現(xiàn)的概率為

設(shè)以灰度t為門限將圖像分割成兩個區(qū)域，灰度級為1～t的像素區(qū)域A（背景類），灰度級為（t＋1）～（L-1）的像素區(qū)域B（目標類）。A、B出現(xiàn)的概率分別為

A和B兩類的灰度均值分別為

圖像總灰度均值為由此可以得到A，B兩區(qū)域的類間方差：

為了得到最優(yōu)分割閾值，把兩類的類間方差作為判決準則，將式（12）代入式（13），使得σ2最大的T即為所求的最佳閾值：

背景和目標之間的類間方差越大，說明構(gòu)成圖像的兩部分的差別越大，因此，使類間方差最大的分割意味著錯分概率最小。部分幀的效果如圖3所示。

圖3 部分幀與各自相應(yīng)背景差分后的二值圖像Fig.3 Current frames and their binary images difference with their background

3 后處理

如圖3所示，在二值圖像中，有時存在很多細小的噪聲，即便前景本身也可能不是完整的，甚至部分還存在空洞。因此，需要進行數(shù)學形態(tài)學處理以得到前景的完整效果。

基本的形態(tài)學處理是腐蝕和膨脹[6]。腐蝕（Erosion）是消除目標圖像中的無用點的一個過程。一般意義的腐蝕定義為：對Z中的集合A和B，使用B對A進行腐蝕，用A?B表示：

式（14）表明，使用B對A進行腐蝕就是所有B中包含于點z的集合用z平移。

膨脹（Dilation）是腐蝕運算的對偶運算（逆運算），A被B膨脹定義為：

式（15）是以得到B的相對于其自身的映像B＾并且由z對映像進行位移為基礎(chǔ)的。A被B膨脹是所有位移z的集合，這樣B＾和A至少有一個元素是重疊的。膨脹是將與目標接觸的所有點合并到該目標的過程。膨脹在填補分割后目標中的空洞很有用。

將上述提取出來的前景（運動目標）通過形態(tài)學處理得出的部分結(jié)果如圖4所示。

圖4 部分幀通過形態(tài)學處理后得到的完整運動目標Fig.4 Complete moving target get by morphological processing

4 結(jié)論

本文提出了一種改進的基于自適應(yīng)背景提取與自適應(yīng)閾值相結(jié)合的背景差分法來實現(xiàn)對運動目標物體的檢測，并結(jié)合了高斯濾波及形態(tài)學處理的方法。通過實驗驗證，該方法在實際工程中可不斷的更新背景，能用自適應(yīng)閾值準確、有效、完整的對運動目標進行分割[7-8]。

本文算法通過編程試驗，取得了較好的運動目標檢測效果，對于后期目標分類、跟蹤、視頻分析、視頻編碼、視頻檢索以及視頻監(jiān)控等具有實際應(yīng)用價值。

[1]Robert K.Video-based traffic monitoring at day and night[C]//Proceedings of the 12th International IEEE Conference on Intelligent Transportation Systems.St.Louis，MO，USA，2009.

[2]Surendra，Gupte，Osama，et al.Detection and classification of vehicles[J].IEEE Transactions on Intelligent Transportation Systems，2002，3（1）:37-47.

[3]王正勤，劉富強.自適應(yīng)背景提取算法的比較[J].計算機工程，2008，34（23）:220-223.

WANG Zheng-qin，LIU Fu-qiang.Comparison of adaptive extract algorithm of object scene[J].Computer Engineering，2008，34（23）:220-223.

[4]袁基煒，史忠科.一種快速運動目標的背景提取算法[J].計算機應(yīng)用研究，2004，2l（8）:128-129.

YUAN Ji-wei，SHI Zhong-ke.An algorithm of automatic background extraction of target based on fast motion[J].Application Research of Computers，2004，21（8）:128-129.

[5]羅志升，王黎，高曉蓉，等.序列圖像中運動目標檢測與跟蹤方法分析[J].現(xiàn)代電子技術(shù)，2009，32（11）:125-128.

LUO Zhi-sheng，WANG Li，GAO Xiao-rong，et al.Analysis of moving object detection and tracking in sequence image[J].Modern Electronics Technique，32（11）:125-128.

[6]Gonzalez R C，Woods R E.數(shù)字圖像處理[M].北京：電子工業(yè)出版社，2007.

[7]李春生，龔曉峰.視頻序列中的運動目標檢測與跟蹤[J].現(xiàn)代電子技術(shù),2009，32（23）：149-151.

LI Chun-sheng,GONG Xiao-feng.Detection and tracking of moving object in vedio sequence[J].Modern Electronics Technique,2009，32（23）：149-151.

[8]張建軍,黃山,張洪斌,等.基于視頻的運動目標檢測與識別[J].現(xiàn)代電子技術(shù),2009，32（8）：87-91.

ZHANG Jian-jun,HUANG Shan,ZHANG Hong-bin,et al.Moving object detection and recognition based on video[J].Modern Electronics Technique,2009，32（8）：87-91.