基于融合差分的可變光強(qiáng)自適應(yīng)目標(biāo)識(shí)別算法

魏 捷

（同濟(jì)大學(xué) 電子與信息工程學(xué)院，上海 201804）

0 引言

目標(biāo)識(shí)別的目的在于從采集到的視頻序列中提取出運(yùn)動(dòng)目標(biāo)。傳統(tǒng)的運(yùn)動(dòng)目標(biāo)識(shí)別算法主要有以下3種：背景差分法、幀間差分法以及光流法。其中背景差分法利用已提取的參考背景幀與當(dāng)前幀進(jìn)行差分并通過閾值判斷來提取運(yùn)動(dòng)目標(biāo)，該方法的優(yōu)點(diǎn)是能夠較為完整地獲取運(yùn)動(dòng)目標(biāo)，缺點(diǎn)是對場景中由光照引起的動(dòng)態(tài)變化比較敏感。幀間差分法對相鄰的兩幀或三幀圖像進(jìn)行差分處理，通過行閾值判斷分割出圖像中的運(yùn)動(dòng)區(qū)域。它具有運(yùn)算速度快、實(shí)現(xiàn)簡單、對動(dòng)態(tài)場景有較好適應(yīng)性等優(yōu)點(diǎn)，但提取出的運(yùn)動(dòng)目標(biāo)區(qū)域完整性較差，很容易在運(yùn)動(dòng)區(qū)域內(nèi)部產(chǎn)生空洞。光流法反映了場景中每一點(diǎn)的亮度變化趨勢，不需要知道任何場景先驗(yàn)信息便能檢測獨(dú)立運(yùn)動(dòng)的對象，但此方法的抗噪性差并且計(jì)算量大，需要硬件支持不適宜實(shí)時(shí)檢測[1]。

1 差分融合目標(biāo)檢測算法

運(yùn)動(dòng)目標(biāo)檢測[2]任務(wù)主要分為兩部分，第 1部分是劃分運(yùn)動(dòng)區(qū)域和靜止區(qū)域即區(qū)分前景與背景，第 2部分是背景幀的像素更新算法。具體流程如圖1所示。

1.1 圖像預(yù)處理

預(yù)處理的主要工作是去除原始圖像序列中部分不相關(guān)的信息以便后續(xù)圖像處理工作，同時(shí)把彩色圖像轉(zhuǎn)化為灰度值圖像序列。

1.2 幀間差分與背景差分相融合的前景檢測

首先提取相鄰兩幀圖像Ik(i, j)、Ik-1(i, j )進(jìn)行差分，記IZ(k,k-1)=|Ik-Ik-1|。然后當(dāng)前幀Ik(i, j)與背景幀Bk( i, j)進(jìn)行差分，記IBk=|Ik-Bk|。初步劃分運(yùn)動(dòng)區(qū)域，對IZ(k,k-1)進(jìn)行二值化膨脹腐蝕處理結(jié)果記為B1。對IB(k,k-1)進(jìn)行二值化和膨脹處理結(jié)果記為B2。記B3=B1∪B2，B3中灰度為 0的即背景像素點(diǎn)記為Bb，灰度為255的即為運(yùn)動(dòng)像素點(diǎn)Bm。

幀間差分[3]容易在運(yùn)動(dòng)目標(biāo)內(nèi)部產(chǎn)生空洞，提取出的運(yùn)動(dòng)區(qū)域比實(shí)際的區(qū)域小。背景差分可以較為完整的提取運(yùn)動(dòng)區(qū)域，但受到光線等因素的影響會(huì)產(chǎn)生額外的雜點(diǎn)。所以在做兩者做與運(yùn)算之前對B2做腐蝕的形態(tài)學(xué)運(yùn)算，腐蝕運(yùn)算可以有效遏制部分雜點(diǎn)對判斷區(qū)域的影響。幀間差分法[4]可以完整的檢測出運(yùn)動(dòng)區(qū)域的外延部分，所以在做B1、B2與運(yùn)算的時(shí)候可以彌補(bǔ)B2腐蝕運(yùn)算時(shí)損失的外邊緣部分。最后運(yùn)算結(jié)果的完整性在可以接受范圍內(nèi)，僅僅在實(shí)際運(yùn)動(dòng)區(qū)域運(yùn)動(dòng)之外還有部分因光線影響產(chǎn)生的雜點(diǎn)。

在實(shí)驗(yàn)中發(fā)現(xiàn)視頻采集時(shí)如果外界環(huán)境沒有明顯變化時(shí)，文中上述融合算法有較為不錯(cuò)的目標(biāo)識(shí)別效果。在實(shí)驗(yàn)環(huán)境受到光線影響時(shí)，比如圖像采集過程有云層遮擋陽光導(dǎo)致環(huán)境亮度明顯改變[5]。在此類情況下FD算法的查全率只有0.393 4，使得在此基礎(chǔ)上建立的融合算法結(jié)果精度相應(yīng)降低，針對這個(gè)問題文中提出利用平均灰度計(jì)算判決閾值的方法，試驗(yàn)結(jié)果證明該算法可以有效解決亮度變化對目標(biāo)識(shí)別的影響。

1.3 提取當(dāng)前幀與背景幀灰度均值

計(jì)算背景圖像的平均灰度，計(jì)算區(qū)域?yàn)锽b記為：

計(jì)算當(dāng)前幀的平均灰度，計(jì)算區(qū)域?yàn)锽b記為：

這里把平均灰度的差作為運(yùn)動(dòng)區(qū)域提取的參考閾值，在此基礎(chǔ)上重新采樣背景差分域。

其中Bb表示背景區(qū)域，Bm表示運(yùn)動(dòng)區(qū)域。重新采樣的目的在于對光感雜點(diǎn)進(jìn)行二次過濾，近一步提高區(qū)域提取的精確性。

1.4 背景更新

按權(quán)重更新背景區(qū)域。公式為Bk=(1-a)·Bk-1+aIk?？紤]到被遮蔽的部分無法用當(dāng)前幀的像素信息進(jìn)行更新，更新機(jī)制采用參考原有像素信息結(jié)合灰度值變化進(jìn)行更新。運(yùn)動(dòng)區(qū)域按權(quán)重和平均灰度值差更新。公式為Bk=(1-b) Bk-1+bIk( T1-T2)。

1.5 后處理

除去運(yùn)動(dòng)物體，在獲取的圖像中還存在著很多細(xì)小的殘留噪聲，即便是物體本身也可能是不完整的，甚至物體內(nèi)部還存在著被漏檢的空洞。由于背景上物體的輕微擾動(dòng)及噪聲的影響，往往會(huì)使一些屬于背景上的像素點(diǎn)被誤檢為前景的運(yùn)動(dòng)目標(biāo)。為了消除這些影響，首先對上一步獲得的差分圖像采用中值濾波和數(shù)學(xué)形態(tài)學(xué)腐蝕、膨脹等處理，填充圖像內(nèi)部空洞，去除圖像中細(xì)小噪聲及小面積的非人體運(yùn)動(dòng)部分，從而得到完整的運(yùn)動(dòng)目標(biāo)提取完整運(yùn)動(dòng)目標(biāo)。在閾值分割時(shí)，目標(biāo)區(qū)域與背景區(qū)域的像素值相近時(shí)，差分出的前景區(qū)域可能會(huì)出現(xiàn)突刺散點(diǎn)，所以利用開啟運(yùn)算濾掉突刺，切斷細(xì)長搭接利用閉合運(yùn)算填充缺口或孔洞，搭接短的間斷其較好地反映出運(yùn)動(dòng)目標(biāo)在當(dāng)前圖像中的位置從而提取完整的運(yùn)動(dòng)目標(biāo)。

2 實(shí)驗(yàn)分析

實(shí)驗(yàn)硬件環(huán)境為Pentium(R) 4 CPU 2.8 GHz 512 MBit內(nèi)存；軟件環(huán)境：Windows XP、MATLAB R2006b，測試程序以 15 F/s的幀率獲取尺寸為320×240的視頻序列圖像能夠滿足實(shí)時(shí)處理的要求。

為定量分析算法性能，使用準(zhǔn)確率P、查全率R和Jaccard系數(shù)Jc3個(gè)指標(biāo)對各種算法檢測結(jié)果進(jìn)行比較。設(shè)TP表示正確檢測目標(biāo)像素?cái)?shù)；FP表示將背景像素錯(cuò)檢為目標(biāo)像素的個(gè)數(shù)，即造成虛警的誤檢像素?cái)?shù)；FN表示將目標(biāo)像素錯(cuò)檢為背景像素的個(gè)數(shù)，即漏檢像素?cái)?shù)。準(zhǔn)確率P、查全率R和Jc分別定義為：

準(zhǔn)確率P反映虛警率，值越大虛警率越低；查全率R反映目標(biāo)分割的完整性，值越大完整性越高；Jc權(quán)衡準(zhǔn)確率和查全率，反映算法的綜合性能。文中對連續(xù)30幀的圖像進(jìn)行處理。利用基準(zhǔn)圖像和各個(gè)方法檢測結(jié)果，計(jì)算測試序列的3個(gè)指標(biāo)值，結(jié)果如表1所示。

表1 算法檢測性能比較

分析試驗(yàn)結(jié)果由圖2可知，F(xiàn)G算法方法會(huì)在運(yùn)動(dòng)區(qū)域內(nèi)部產(chǎn)生空洞，即車頂和車頭部分。而 FD算法在與路面顏色較近的車玻璃區(qū)域有較大的誤判。針對傳統(tǒng)檢測算法自身的不足和缺陷，提出的算法可以很好的解決單純使用幀間差分法產(chǎn)生的內(nèi)部空洞問題。當(dāng)場景亮度有明顯變化時(shí)，可以看到FD算法出現(xiàn)較大偏差，而平均灰度值算法的引入在一定程度上解決了亮度跳變對結(jié)果的影響。

文中融合了平均灰度算法，使用當(dāng)前統(tǒng)計(jì)值代替理論值進(jìn)行計(jì)算，達(dá)到了提高識(shí)別精度的目的。實(shí)驗(yàn)結(jié)果與預(yù)期理論分析基本一致。

3 結(jié)語

實(shí)驗(yàn)結(jié)果表明 FD算法的虛警率低，分割完整性最差為0.393 4。FG算法的虛警率最高為0.118 2，全查率比較理想為0.665 3。融合算法集合前兩種算法的優(yōu)點(diǎn)，虛警率0.898 6，全查率0.572 9。在后處理之后算法的Jaccard提高到0.739 4。

提出的算法與傳統(tǒng)算法相比可以較快速的檢測出運(yùn)動(dòng)圖像，算法運(yùn)算量較小，不需要很大的存儲(chǔ)空間，適用于實(shí)時(shí)監(jiān)測系統(tǒng)。算法可以適應(yīng)光線的變化，并能在短時(shí)間內(nèi)重建背景參考圖像，所以該算法可用于室外場所圖像處理工作。

此外，提出的算法還存在一些問題：例如當(dāng)場景中目標(biāo)有較多重合時(shí)對運(yùn)動(dòng)目標(biāo)處理較差，需要研究更好的模型來解決目標(biāo)之間相互遮擋的問題；另外對部分運(yùn)動(dòng)物體與背景圖像灰度相近時(shí)，誤判率偏高。在這些方面還有很多問題需要繼續(xù)研究。

圖2 實(shí)驗(yàn)結(jié)果

[1] 姜旭,朱燦焰.視頻處理技術(shù)在智能交通系統(tǒng)的應(yīng)用[J].通信技術(shù),2010,43(01):99-102.

[2] SIEBEL N T, MAYBANK S. The ADVISOR Visual Surveillance System[J]. In Proceedings of the ECCV 2004 Workshop,2004,34(03):103-111.

[3] 于雪蓮,宋洋,劉曉紅.運(yùn)動(dòng)目標(biāo)檢測和目標(biāo)區(qū)域的估算[J].通信技術(shù),2011,44(05):119-121.

[4] 薛麗霞,羅艷麗,王佐成.基于幀間差分的自適應(yīng)運(yùn)動(dòng)目標(biāo)檢測方法[J].計(jì)算機(jī)應(yīng)用研究,2011,28(04):1551-1553.

[5] 戶磊,劉渭濱,邱亞欽,等.光照變化下的運(yùn)動(dòng)目標(biāo)檢測方法[J].中國科技論文在線,2011,6(04):280-286.