一種新型的視頻序列運動目標檢測方法

楊錦彬， 石 敏

(暨南大學 電子工程系，廣東 廣州 510632)

0 引言

智能視覺分析已成為智能環(huán)境、安全監(jiān)控和人機交互等領域的核心技術之一，其中對運動目標的檢測是實現(xiàn)這一技術的基礎和關鍵[1]。

運動物體的檢測方法主要有3種：光流法、幀間差分法和背景減法[2-3]。目前，國內(nèi)外關于運動物體檢測與提取算法有數(shù)千種之多，現(xiàn)已提出的分割算法大都是針對具體問題的，并沒有一種適合于所有情況的通用算法，都具有一定的局限性。從實際應用角度來看，基于背景減法運動目標檢測是使用最廣泛的一種方法[4-5]，文中對傳統(tǒng)的背景減法和背景更新法進行改進，提出了一種新型的背景減法和背景更新相結(jié)合的運動目標檢測方法。

1 新型的運動目標檢測方法

文中提出一種新型的背景減法和背景更新相結(jié)合的運動目標檢測方法。該方法的流程如圖1所示，即先求得當前幀CF(x,y)與背景幀BF(x,y)灰度差值GRAY(x,y)，然后根據(jù)動態(tài)的閥值判定其是否為運動像素，如果為運動像素，并根據(jù)基于雙閥值計數(shù)的局部背景更新策略來判定是否有必要對背景進行更新。最后，采用多次形態(tài)學處理，去除各類噪聲。

1.1 背景減法

傳統(tǒng)背景減法的基本原理就是將當前幀圖像與背景幀對應像素點的灰度值相減，在環(huán)境亮度變化不大的情況下，如果對應像素灰度相差小于一定的閥值，可以認為此處景物是靜止的；如果圖像區(qū)域某處的灰度變化大于一定的閥值，可以認為這是由于圖像中運動物體引起的，將這些區(qū)域標記下來，利用這些標記的像素區(qū)域，就可以求出運動目標在圖像中的位置。一般采用的背景減法是在當前幀與背景幀之間采用基于像素的時間差分和固定的閾值來提取圖像的運動區(qū)域如公式(1)和式(2)所示：

其中CF(x,y)表示當前幀的灰度值，BF(x,y)表示背景幀的灰度值，ΔGRAY(x,y)表示當前幀與背景幀對應像素點灰度差值的絕對值，θ表示所取的閥值[6-7]。

圖1 新的運動目標檢測原理

1.2 動態(tài)閥值背景減法

采用固定的閥值可能會帶來2個問題：①由于運動目標的內(nèi)部對應的像素灰度相差很小，固定的閥值會導致運動目標內(nèi)部出現(xiàn)空洞。②當閥值過大，容易將運動區(qū)域誤判為靜止區(qū)域；當閥值過小，則剛好相反[8]。鑒于這種情況，提出一種新型的動態(tài)閥值幀差法，即在閥值中引入時間做為參數(shù)，即:

其中θ'表示引入的動態(tài)閥值，θ為設定閥值，t為時間參數(shù)，且t≤θ，初始值為θ；當判定像素CF(x,y)為運動像素時：

否則

其中FPS為視頻的幀率，圖中橫軸為時間t。

圖1 閥值曲線（θ=30）

通過圖2閥值曲線可知，當檢測某一區(qū)域為運動區(qū)域時，這一區(qū)域的閥值迅速變?yōu)樵O定閥值θ的二十分之一左右，然后如果后序檢測該區(qū)域為靜止區(qū)域時，這一區(qū)域的閥值將迅速變大。這樣做的好處是能夠檢測出更多有效的運動像素，但也會帶來如噪聲一樣的拖影。對于引入像噪聲一樣的拖影可以通過數(shù)學形態(tài)學處理清除噪聲。

采用 hall視頻片段作為實驗素材，實驗結(jié)果如圖 3所示。從圖 3可以看出，其中圖 3(a)為背景幀，圖 3(b)為第198幀，圖3(c)是采用固定閥值θ=30得到的實驗結(jié)果，可以看出其中有一部分運動像素沒能成功檢測出來，圖 3(d)采用改進的動態(tài)閥值背景減法，其中初始閥值為θ=30，可以看到檢測出絕大部分的運動像素；雖然會引入如拖影一樣的噪聲，但是經(jīng)過形態(tài)學處理后，得到一個輪廓非常清楚的二值掩膜如圖3(e)所示。

圖3 第198幀實驗結(jié)果

1.3 背景更新策略

背景減法能夠高效地檢測出靜止背景前的運動目標，但是在實際應用中，背景不可能是一成不變的，背景的更新需要遵循 2條基本原則：①背景模型對背景變化的響應速度要足夠快；②背景模型對運動目標要有較強的抗干擾能力。

常用的背景更新方法有：多幀平均法、選擇更新法等。多幀平均法較簡單，但是計算量龐大，并且在運動物體多，運動速度緩慢的情況下也不能達到滿意的效果。選擇更新法對于光線的變化有較強的適應性，但是在光線變化強烈的情況下，會導致整個圖像區(qū)域被認為是運動物體而不做更新，并且它受閾值選取的影響較大。文中基于選擇更新法基本原理，提出一種雙閥值計數(shù)的局部背景更新策略。

1.4 基于雙閥值計數(shù)的局部背景更新

新方法的基本思路是先設定一個背景更新閥值Ω，通常這個閥值比較小，和一個計數(shù)閥值ω（ω是一個與時間為參數(shù)的函數(shù)）；然后，新增2個矩陣，一個用于存儲前一幀圖像與背景幀對應像素點的灰度差的絕對值ΔGRAYf-1(x,y)，一個用于累積計數(shù)當前幀和背景幀的灰度差值與前一幀圖像和背景幀的灰度差值的絕對差值小于背景更新閥值Ω的連續(xù)個數(shù)。即計算出當前幀與背景幀的對應像素點的灰度差的絕對值ΔGRAYf(x,y)，然后將GRAYf(x,y)與ΔGRAYf-1(x,y)差的絕對值與Ω比較。

當連續(xù)滿足以上條件的幀數(shù)大于計數(shù)閥值 ω時，就用當前幀的對應像素及周邊特定的像素的灰度值去替換相應的背景像素的灰度值。大致的操作過程如下圖4所示。

圖4 背景更新策略的實現(xiàn)過程

實驗結(jié)果如圖5所示，從圖5中可知，視頻流中，在第 110幀(圖 5(b))時，一個手提箱被放到一個椅上(如圖 5(b))，到第 206幀(圖 5(d))的時候手提箱被成功更新為背景(如圖5(c))。為了進一步驗證結(jié)果的準確性，我們?nèi)》胖檬痔嵛恢蒙系哪骋幌袼刈鳛橛^察對像，得到的實驗結(jié)果如圖6所示。

圖5 背景更新實驗結(jié)果

圖6 背景像素更新過程

上圖表示手提箱位置范圍內(nèi)的某一像素灰度值的變化(橫軸為幀數(shù)，縱軸為灰度值)，從圖中可以看出，該像素在第110幀時發(fā)生了變化，到第200幀左右，該是像素已成功更新到背景幀中，從而更好地驗證了圖5的結(jié)果。

2 仿真結(jié)果分析

利用hall視頻（FPS=30）在MATALB7.0平臺上對提出的創(chuàng)新點進行驗證性實驗，實驗參數(shù)為θ=30，Ω=5，ω=3*FPS，下面分別為第116幀(如圖7)和第209幀（如圖8）的實驗結(jié)果。

從實驗結(jié)果可以看出，到第 209幀時，背景幀(圖8(a))得到及時更新。動態(tài)閥值背景減法處理后(如圖7(d)，圖 8(d)通過多次形態(tài)學處理后，不僅能夠很好地去除圖像中的隨機噪聲和由改進閥值背景減法引入的拖影式的噪聲，更能使得運動區(qū)域的邊緣更加圓滑，更加突出(如圖 7(e)，圖 8(e))。

圖7 背景更新前的實驗結(jié)果

圖8 背景更新后的實驗結(jié)果

3 結(jié)語

背景減法和背景更新相結(jié)合的運動目標檢測方法，其中采用的動態(tài)閥值背景減法能夠檢測出絕大部分的運動像素；一種基于雙閥值計數(shù)的局部背景更新策略能夠及時地更新局部背景。最后進行 6次形態(tài)學處理，得到較好的除噪和磨光圖像外邊界的效果。

[1]李毅，孫正興，遠博，等.一種改進的幀差和背景減相結(jié)合的運動檢測方法[J].中國圖象圖形學報，2009，14(06):1162-1168.

[2]代科學，李國輝，涂丹，等.監(jiān)控視頻運動目標檢測減背景技術的研究現(xiàn)狀和展望[J].中國圖象圖形學報，2006,11(07):919-927.

[3]胡玉暉.基于局部子區(qū)域的活動輪廓圖像分割方法[J].通信技術,2010,43(02):68-70.

[4]崔競松,王麗婧.基于運動物體識別的三維動態(tài)驗證碼設計[J].信息安全與通信保密,2010(04):65-67.

[5]SPAGNOLO P, ORAZIO T D, LEO M, et al. Moving Object Segmentationby Background Subtraction and Temporal Analysis[J]. Image and Vision Computing, 2006, 24(05):411-423.

[6]張健,藍和慧.小波變換在虹膜圖像特征提取與識別中的應用[J].通信技術,2009,42(02):162-164.

[7]PARAGIOS N,DERICHE R. Geodesic Active Contours and Level Sets for the Detection and Tracking of Moving Objects[J]. IEEE PAMI,2000, 22 (03):266-280.

[8]鄭尚.基于視頻監(jiān)控的物體檢測算法的研究[D].長春:吉林大學,2009:25-27.