采用背景特征信息的實時運動目標檢測方法

李曉等

摘要：運動目標檢測是固定攝像機智能視頻監(jiān)控的重要研究內(nèi)容，針對現(xiàn)有方法難以均衡時間復雜性與檢測效果的不足，提出一種新方法：利用視頻背景信息劃分目標出現(xiàn)區(qū)域，在小范圍目標出現(xiàn)區(qū)域內(nèi)采用Canny算子檢測運動目標，在目標出現(xiàn)區(qū)域外，根據(jù)目標運動的連續(xù)性，結合前一幀檢測出的運動目標，自適應檢測當前幀的運動目標。實驗結果證明，該方法不僅具有較高的準確性，而且能夠滿足實時性要求。

關鍵詞：智能視頻監(jiān)控 運動目標檢測 區(qū)域劃分 視頻背景信息 固定攝像機

1 概述

目前，基于減背景（如時間差分法、運行期均值法和混合高斯模型）和基于目標特征（如顏色特征、邊緣特征和運動特征）是固定攝像機監(jiān)控視頻中運動目標檢測的常用方法。但現(xiàn)有方法通常在時間復雜性和檢測效果之間難以達到較好的均衡。

為滿足實時性，針對10幀/秒的視頻序列，每幀圖像的處理時間不超過100毫秒，并需為目標跟蹤和事件檢測等預留時間。因此，在實時性的約束下，運動目標檢測的處理時間十分有限。運行期均值法RA（Running Average）[2]是目前在實時性約束下的常用方法，但其對減背景閾值的設定和光照條件的變化比較敏感。

為了彌補RA的不足，本文提出ODBAP（Object Detection Based on Area Partition）檢測方法，該方法是一種基于區(qū)域劃分對運動目標進行檢測的方法。其基本思路為：在處理監(jiān)控視頻的過程中，對視頻背景的地形、道路等信息進行充分的利用，在視頻背景中通過手工操作的方式對目標出現(xiàn)的區(qū)域進行鎖定，即鎖定視頻背景中運動目標所在的區(qū)域，同視頻背景區(qū)域相比，目標出現(xiàn)的區(qū)域要小很多。因此，對目標出現(xiàn)區(qū)域內(nèi)的運動目標進行檢測，通過Canny算子對邊緣信息進行提取，時間效率受到的影響微乎其微；基于視頻序列中幀率的快速性，在相鄰的兩幀之間運動目標大同小異，如果運動目標移出目標出現(xiàn)區(qū)域，可以在減背景獲得的差異圖像上，利用目標運動的連續(xù)性，根據(jù)運動目標在前一幀被檢測出的區(qū)域，自適應檢測運動目標在當前幀的區(qū)域。ODBAP對輸入?yún)?shù)和光照條件變化不敏感，時間復雜性低，并能更有效地抑制噪聲和檢測出完整的運動目標。

2 基于區(qū)域劃分的運動目標檢測ODBAP

2.1 目標出現(xiàn)區(qū)域的劃分及背景圖像的獲取

在指定位置裝設固定攝像機后，那么相應的監(jiān)控區(qū)域也就固定。所以，基于視頻背景劃定的目標出現(xiàn)區(qū)域，在一定時間段內(nèi)是固定不變的。由于建筑布局、地形等因素對實際監(jiān)控造成的影響和制約，運動目標只能從監(jiān)控區(qū)域的邊界等特定區(qū)域進入視頻背景。在圖1（a）（b）中目標出現(xiàn)區(qū)域是監(jiān)控區(qū)域邊界處的閉框。在實際監(jiān)控過程中，若監(jiān)控區(qū)域存在遮擋物，目標出現(xiàn)區(qū)域也可以是遮擋物的邊界。監(jiān)控視頻圖像的實例如圖1（a）所示，對目標出現(xiàn)區(qū)域內(nèi)（外）運動目標的檢測步驟進行設計。

■

（a） （b）

圖1 目標出現(xiàn)區(qū)域的劃分

本文采用RA獲取背景圖像，也就是采用Bt+1（x，y）=λIt（x，y）+（1-λ）Bt（x，y）的更新方式，It（x，y）為t時刻當前圖像（x，y）處的像素亮度，Bt（x，y）為t時刻背景圖像中（x，y）處的像素亮度，Bt+1（x，y）為t+1時刻背景圖像中（x，y）處的像素亮度，λ表示背景學習率，取值一般是0.03。

2.2 目標出現(xiàn)區(qū)域內(nèi)運動目標的檢測

圖2（a）的圖像與圖1（a）中的實例相對應，其中存在目標進入目標出現(xiàn)區(qū)域，圖2（b）中的背景圖像與圖2（a）相對應。圖2（a）中實際場景的背景紋理較為平滑，背景圖像中的邊緣信息很少。因此，可將圖2中的（a）、（b）兩幀圖像作對比來檢測目標出現(xiàn)區(qū)域內(nèi)的運動目標。將“0-255”二值圖像I中像素x的值用I（x）表示，檢測流程分為三步：

①借助Canny算子提取目標出現(xiàn)區(qū)域內(nèi)（a）、（b）兩幀圖像的邊緣信息，并用二值圖像I1、I2分別作標示，如圖2（d）（e），通過3×3結構元素的膨脹算子對I2進行一次處理后得到I3，進而取得二值圖像I4，即去除背景邊緣的運動目標邊緣（參見圖2（f））（對？坌像素x，如果I1（x）=255、I3（x）=0，那么I4（x）=255，否則I4（x）=0）。設定閾值T，若I4（x）=255的像素個數(shù)稀少，即像素個數(shù)比閾值T小，則判定目標出現(xiàn)區(qū)域內(nèi)不存在運動目標，隨即進入下一道檢測流程。

■

②若I4中的運動目標邊緣呈完整閉環(huán)，可通過圖像填充手段來確定完整的運動目標，I4中圖像邊緣未呈閉環(huán)狀是因為受到了噪聲及I3（背景邊緣）的影響。一系列1個像素寬的連通曲線以8鄰接的形式構成了I4中的閉環(huán)圖像；圖3（a）屬于圖2（f）中的一條連通曲線，從圖3（a）中可以看出，它的紅色連通域有三個，三個連通域都與連通曲線的端點相對應，圖3（b）、（c）、（d）中的紅色正方形是基于圖3（a）連通曲線中某一像素為中心的3×3結構元素，將這三幀紅色正方向圖像放大得出如圖4（a）、（b）、（c）所示的圖像：當連通曲線中除綠色像素以外同紅色正方形相鄰的像素處于同一連通域，可判定綠色像素為端點像素?；谶@一判斷就能找出I4中如圖2（g）紅色像素所示的全部的連通曲線的端點，只有消除這些端點才能得到閉環(huán)狀的運動目標邊緣。從圖2（g）中截取一段連通曲線L（參見圖4（d）所示），圍繞此段連通曲線中的某一端點為中心向外尋找相鄰的像素，圖4（d）中深灰色與淺灰色的閉環(huán)相互交疊，直至其與L以外的連通曲線交互（交互部位用圖4（d）中綠色像素標示），再將紅、綠兩色端點相連得出圖4（d）所示的黃色線段，圖2（g）中的端點隨即消除。在實地檢測中，基于噪聲等影響因素的考量，設定閾值D，當圖4（d）中深灰與淺灰的相互交疊的閉環(huán)數(shù)量大于D尚未與除曲線L之外的連通曲線交互，則其相應的端點也不與L之外的連通曲線交互。將圖3（g）中的端點連接得出的結果參見圖3（h）。

■

③運動目標被內(nèi)部邊緣劃分為若干個區(qū)域，因此擬用圖像填充的手段來完善運動目標外部圖像，填充部分即為圖2（i）所示的灰色區(qū)域，而運動目標區(qū)域即為圖2（j）所示的非填充部分。為排除噪聲干擾，分別對圖2（j）進行3×3結構元素的腐蝕與膨脹算子進行處理來獲取一個完整的運動目標（參見圖2（k）），在圖2（a）劃定的目標出現(xiàn)區(qū)域中檢測出運動目標2（c）。

2.3 目標出現(xiàn)區(qū)域外運動目標的檢測

在目標出現(xiàn)區(qū)域內(nèi)劃定有指示方向的紅色越界線（參見圖5（a）），基于運動目標檢測方法得出圖5（b）所示的結果。圖5（b）中目標中心點超出紅色越界線，因而圖5（d）擬用目標出現(xiàn)區(qū)域外的方式來檢測運動目標。圖5中由于（a）與（d）之間只有0.1s的間隔時間，因而不存在大的差異。目標出現(xiàn)區(qū)域外檢測運動目標分兩步：

①基于當前圖像與背景圖像之差構造出差異圖像F，如圖5（e）所示，其像素x的亮度值用F（x）表示。設N4（x）= {x1，x2，x3，x4}（參見圖5（f）），其中N4（x）b表示像素x的4鄰接，然后將F中的像素逐一歸類標記：按照上下左右的順序對F進行掃描，設掃描至像素為x，則：

xk=argymin{y∈N4（x）}|F（x）-F（y）|

式中，N4（x）中的像素已被歸類標記。如果|F（x）-F（y）|<3，那么x被標記為與xk被歸為同一類，否則就會出現(xiàn)一個新類并且x被標記為此類；F中像素歸類標記的最終結果參見圖5（g）。假設C是歸類標記后所有類的集合，即C={c1，c2，…，cm}，得出ci（1≤i≤m）中像素屬同一連通域且在差異圖像F中的亮度值差異較小。

②用M、■分別表示前一幀測得的運動目標區(qū)域和非運動目標區(qū)域（參見圖5（b）），用F′表示前一幀測得的差異圖像，如圖5（c）；設IC={ci|ci∈C，ci？哿M}，BC={ci|ci∈C，ci∩M≠Φ，ci∩■≠Φ}（參見如圖5（h）、（i））；如果當前幀和上一幀運動目標區(qū)域的差異區(qū)域用BC表示，則BC={b1，b2，…，bn}，對？坌1≤j≤n：計算當前幀的差異圖像F′中bj∩M的平均亮度值gMj、bj∩■的平均亮度值g■ j，以及差異圖像F中bj的平均亮度值gbj；設SC={bj|bj∈BC，1≤j≤n， |gbj-gMj|<|gbj-g■ j|}（參見圖5（j）），集合IC∪SC如圖5（k），最終得出當前幀所測得的運動目標區(qū)域 IC∪SC，即圖5（l）所示的白色區(qū)域。

3 算法實驗結果及其討論

為了證明所提方法ODBAP的正確性，本文通過圖6（a）～（c）所對應的監(jiān)控視頻（320×240幀率10幀/秒）進行實驗。實驗所用計算機為Pentium（R）4、CPU為2.40 GHz、內(nèi)存為512MB，配置的軟件環(huán)境為Microsoft Windows XP，采用VC6.0編寫算法。

■

圖6 ODBAP與自適應閾值RA的實驗結果與對比

采用文獻的自適應閾值Th獲取方法確定運行期均值法RA[2]的減背景閾值：

①Th的初始估計值采用平均亮度值。

②通過Th分割法生成兩組像素，一組亮度值大于Th的像素組成G1，另一組是亮度值小于等于Th的像素組成G2。

③對G1和G2中像素的平均亮度值μ1和μ2進行計算。

④對新閾值Th（μ1+μ1）/2進行計算。

⑤通過迭代的方法重復Step2～Step4，直到Th值之差穩(wěn)定。

本文通過對比ODBAP與RA[2]，ODBAP的實驗結果如圖6（d）～（f）所示，自適應閾值RA的實驗結果如圖6（g）～（i）所示。經(jīng)比對后得知，運動目標可以通過ODBAP進行完整的檢測，相較于自適應閾值RA，它對光照的敏感性稍差。實驗表明，無論閾值T取值為100～260，還是閾值D為8～16，ODBAP對輸入?yún)?shù)始終不敏感。閾值T的最佳取值空間在整個圖像空間的1/500，當閾值D在整個圖像空間的1/4000進行取值時效果最好。所以，本實驗閾值T為150，閾值D為10。ODBAP不需要構造精細的背景模型，采用clock（）函數(shù)的100幀均值對CPU的執(zhí)行時間進行測試，結果顯示ODBAP對每幀圖像的平均處理時間為0.026秒，進而解決了運動目標實時檢測的問題。

4 結束語

為了彌補運行期均值法RA[2]的不足，本文對時間復雜性和檢測效果進行考慮，進而提出ODBAP的檢測方法，該方法對輸入?yún)?shù)和光照條件的變化不敏感，時間復雜性低，借助背景特征信息檢測運動目標，并且該方法能夠抑制噪聲，以及對完整的運動目標進行檢測。

參考文獻：

[1]Jager M，KnollC，Hamprecht F A.Weakly Supervised Learning of a Classifier for Unusual Event Detection [J].IEEE Transactions on Image Processing， 2008， 17（9）： 1700～1708.

[2]Martin Ulmke，Wolfgang Koch.Road-Map Assisted Ground Moving Target Tracking [J].IEEE Transactions on Aerospace and Electronic Systems，2006，42（4）：1264～1274.

[3]Canny J.A Computational Approach to Edge Detection [J].IEEE Transactions on Pattern Analysis and Machine Intelligence，1986，8（6）：679～698.

[4]Gonzalez R C，Woods R E.Digital Image Processing， Second Edition [M].New Jersey： Prentice Hall，Upper Saddle River，2002.

[5]李利杰.一種改進的運動目標檢測算法研究與實現(xiàn)[J].中小企業(yè)管理與科技（下旬刊），2012/09.

[6]陳靜，楊文飛，謝方方，楊素敏，成城.基于SSE指令集的運動目標模板匹配算法設計[J].價值工程，2012（29）.

[7]喻鈞，陳娜，胡志毅，陳宏書.邊緣處理在仿真迷彩設計中的研究與應用[J].計算機仿真，2011（06）.

[8]范亞男，葛衛(wèi)麗.智能視頻監(jiān)控系統(tǒng)發(fā)展及應用[J].價值工程，2010（17）.

[9]郭旭，張麗杰.運動目標檢測視頻監(jiān)控軟件的設計與實現(xiàn)[J].計算機技術與發(fā)展，2010（08）.