基于視頻圖像的目標(biāo)檢測技術(shù)研究

趙向梅，蘇春莉，陳 宏

（西安歐亞學(xué)院 信息工程學(xué)院，陜西 西安 710065）

目前，視頻監(jiān)控系統(tǒng)有著廣泛的應(yīng)用前景，該系統(tǒng)的核心是對視頻圖像的分析和處理，其關(guān)鍵技術(shù)包括目標(biāo)檢測、目標(biāo)分類及目標(biāo)跟蹤等。而運動目標(biāo)檢測處于整個視頻監(jiān)視系統(tǒng)的最底層，是各種后續(xù)高級應(yīng)用（如目標(biāo)跟蹤）的基礎(chǔ)，因此它對于一個視頻監(jiān)視系統(tǒng)起著關(guān)鍵性的作用。運動目標(biāo)檢測，就是檢測視頻圖像中是否存在相對于整幅場景圖像運動的物體，它最常用的主要是背景差分法、幀間差分法和光流法。

1 常用運動目標(biāo)檢測方法

幾種檢測方法均有自身的特點，所適用范圍不同。背景差分法一般很容易將運動目標(biāo)分 割出來，但對動態(tài)場景和光線變化等外界干擾非常敏感，因此一般適用于靜態(tài)場景；幀間差分法對變化的動態(tài)環(huán)境有較強適應(yīng)性，但一般不能完整的提取出所有的特征像素點，需要與其它檢測方法配合使用才能精確提取運動目標(biāo)；光流法能在運動攝像機中檢測出運動目標(biāo)，且不需要預(yù)先知道場景的信息，但是運算復(fù)雜，不適合實時處理。以下對幾種目標(biāo)檢測方法逐一詳細(xì)介紹。

1.1 光流法

光流場的計算最初是由Horn與Schunck提出的。光流法檢測采用了目標(biāo)隨時間變化的光流特性，基于光流法檢測運動目標(biāo)的原理是：給圖像中的每一個像素點賦予一個光流矢量，根據(jù)每個像素點的光流矢量特征，可以對圖像進(jìn)行動態(tài)分析。如果圖像中沒有運動目標(biāo)，則光流矢量在整個圖像區(qū)域是連續(xù)變化的，當(dāng)物體和圖像背景有相對的運動時，運動物體所形成的光流矢量必然和背景光流矢量不同，從而檢測出運動物體的位置。

光流法，計算比較復(fù)雜，需要特別的硬件裝置支持，不適合對實時性要求很強的場合。

1.2 背景差分法

背景差分法的基本思想是將當(dāng)前幀圖像與事先存儲或者實時得到的背景圖像相減，來進(jìn)行目標(biāo)檢測和提取。它假定圖像背景不隨時間變化，是靜止的。其描述為：

公式（1）中，B（x，y）為背景圖像，fi（x，y）為當(dāng)前幀圖像，其中（x，y）為圖像位置坐標(biāo)，i為圖像幀數(shù)。將每一幀圖像的灰度值減去背景的灰度值可得一個差分圖像Di。通過閾值選擇，將差分圖像轉(zhuǎn)化為二值差分圖像，二值圖像中為“0”的像素表示背景圖像，取值為“1”的像素點表示前景圖像，屬于運動目標(biāo)區(qū)域。

背景差分法速度快，檢測準(zhǔn)確，其關(guān)鍵是背景圖像的獲取。在有外界因素的干擾下，靜止的背景圖像要想直接獲取是很難的，它會隨著時間進(jìn)行變化，而繼續(xù)使用原來的背景圖像進(jìn)行目標(biāo)檢測必定會影響檢測的效果，因此背景圖像需要動態(tài)更新。

1.3 Surendra背景提取算法

Surendra等人提出了一種連續(xù)幀差法進(jìn)行背景提取，其原理是通過當(dāng)前幀的圖像與前一幀圖像差值來找運動區(qū)域，首先對差值圖像的灰度值進(jìn)行判斷，若灰度值大于閾值，背景圖像對應(yīng)的位置不用改變，否則對背景圖像利用當(dāng)前幀進(jìn)行更新。

具體步驟如下：

1）將第一幀圖像I0選為背景；

2）選取閾值T，該值可以固定，為圖像最大灰度值與最小灰度值的平均值，也可以自適應(yīng)的，根據(jù)環(huán)境自動選??；

3）取迭代參數(shù)i=1；

4）計算當(dāng)前幀與前一幀的幀間差分圖像，為：

公式（2）中 Ii、Ii-1分別表示當(dāng)前幀圖像和前一幀圖像，|Ii-Ii-1|為兩幀間的圖像差值。

5）根據(jù)二值化圖像Di更新背景

公式（3）中 Bi（x，y）為坐標(biāo)為（x，y）處的背景圖像，Ii為輸入的第i幀圖像，α為更新系數(shù)。

6）i=i+1，返回步驟4），進(jìn)行迭代，迭代到一定程度結(jié)束，把 Bi（x，y）作為背景圖像。

1.4 幀間差分法

當(dāng)圖像背景不斷變化時，就無法用背景差分法檢測、分割目標(biāo)。幀間差分法利用視頻圖像序列中連續(xù)兩幀或幾幀的圖像差異來進(jìn)行目標(biāo)檢測，其基本思想是利用序列圖像相鄰幀的強相關(guān)性進(jìn)行變化檢測，經(jīng)濾波確定運動目標(biāo)區(qū)域。算法描述為：

公式（4）中，fi（x，y）和 fi-1（x，y）分別為第 i幀和 i-1 幀圖像，前后兩幀圖像對應(yīng)像素值相減，得到差分圖像。對得到的差分圖像進(jìn)行二值化，同樣，在二值差分圖像中，取值為1的像素點代表變化區(qū)域。一般來說，變化區(qū)域?qū)?yīng)于運動對象，當(dāng)然它也有可能是由噪聲或光照變化所引起的。

這種方法具有速度快、算法簡單、易于實現(xiàn)等優(yōu)點。同時，幀間差分法也有明顯的缺點，如果運動物體速度較慢，由于其只對兩相鄰的圖像進(jìn)行差分，所以相鄰兩幀差分時常會出現(xiàn)空洞的情況；而如果運動物體速度較快，檢測結(jié)果中又會出現(xiàn)重影現(xiàn)象。

為了解決以上問題，現(xiàn)在常用改進(jìn)后的幀差法，即利用相鄰三幀圖像兩兩差分求交集，可確定物體在中間幀圖像的位置，這種運算叫做對稱差分運算。這種方法的思想如圖1所示。

圖1 對稱差分運算示意圖Fig.1 Symmetric difference operation schematic diagram

2 背景差分和幀間差分法的融合檢測方法

2.1 算法描述

從以上內(nèi)容可以看出，背景差分法定位目標(biāo)準(zhǔn)確，速度快，但需要引入動態(tài)更新背景機制。幀間差分法能很好的適應(yīng)環(huán)境變化，但不能完整提取出運動目標(biāo)所有特征。為了彌補兩種方法的不足，本文將背景差分法及幀間差分法改進(jìn)后的對稱差分法進(jìn)行結(jié)合，來進(jìn)行運動目標(biāo)檢測。

算法流程圖如圖2所示。

圖2 算法流程圖Fig.2 Algorithm flow chart

該算法的具體過程為，首先對圖像進(jìn)行對稱差分運算，從而計算出運動前景，同時運用背景差分來分割運動目標(biāo)，然后對這兩種方法得到運動目標(biāo)分別進(jìn)行二值化處理，對二值化后的圖像做邏輯或運算得到前景運動目標(biāo)。對得到的運動前景采用Surendra背景提取算法進(jìn)行背景更新。最后將前景圖像進(jìn)行后處理操作，包括去除圖像中的細(xì)小噪聲，進(jìn)行連通性分析，最后得到比較完整的運動目標(biāo)。

2.2 實驗結(jié)果與分析

運用圖2中的算法，在VC++6.0的環(huán)境下，對相應(yīng)視頻圖像進(jìn)行實驗。對第239幀、第368幀、第1164幀視頻圖像用對稱差分法進(jìn)行二值化，圖3為原始圖像第239幀，實驗結(jié)果如下所示，圖4為對稱差分二值化圖像。

圖3 原始圖像第239幀F(xiàn)ig.3 Original image frame 239

圖4 對稱差分二值化圖像Fig.4 Symmetric differential binarization image

接下來把建模得到的背景圖像用于背景差分法，做相減，二值化處理，結(jié)果如圖6所示。

圖5 背景圖像Fig.5 The background image

圖6 背景差分二值化圖像Fig.6 The background differential binarization image

將圖4和圖6的二值化圖像做邏輯或運算，得到前景運動目標(biāo)，如下圖7所示。圖7中可以看出兩幅圖像相或后，對檢測結(jié)果加強了，但是圖像中出現(xiàn)了一些白色小點，即細(xì)小噪聲，得需要進(jìn)一步去除噪聲。利用分塊思想去除噪聲后，圖像如圖8所示，得到了完整的運動目標(biāo)。

圖7 二值化圖像相或圖像Fig.7 Binarization image or images

圖8 處理后的運動目標(biāo)Fig.8 After processing of moving targets

3 結(jié) 論

文中研究了常用目標(biāo)檢測的3種方法，并對背景差分法中的Surendra背景提取算法及幀間差分法的改進(jìn)方法對稱差分法進(jìn)行了說明，運用對稱差分法和背景差分法的融合方法進(jìn)行目標(biāo)檢測，實驗表明背景差分和幀間差分法的融合檢測方法是很有效的方法。最后得出運用背景差分和幀間差分法的融合檢測方法進(jìn)行運動目標(biāo)檢測，可以得到好的目標(biāo)檢測效果的結(jié)論。如何在檢測到運動目標(biāo)后，進(jìn)行下一步有效的目標(biāo)跟蹤是文中下一步研究的方向。

[1]王亮亮，王黎，高曉蓉，等.基于視頻圖像的運動目標(biāo)檢測算法研究[J].微計算機信息，2010，26（6-1）:147-148.WANG Liang-liang，WANG Li，GAO Xiao-rong，et al.The research of moving object detection algorithm in video images[J].Microcomputer Information，2010，26（6-1）:147-148.

[2]梁曦.基于視頻圖像的運動目標(biāo)檢測與跟蹤技術(shù)研究[D].西安：西安電子科技大學(xué)，2011.

[3]曾宏亮.視頻圖像中運動目標(biāo)檢測與跟蹤技術(shù)的研究[D].北京：北京郵電大學(xué)，2010.

[4]Bao P，Zhang L，Wu X.Canny edge detection enhancement by scale multiplication[J].IEEE Trans.On PAMI，2005，27（9）:1485-1490.

[5]Collins R，Lipton A，Kanade T.A system forvideo surveillance and monitoring:VSAM final report[R].CMU-RITR-00-12，Camegie Melon University， Pittsburgh，America，2000.

[6]Herrero E，Orrite C，Senar J.Detected motion classification with a double background and a neighborhood-based difference[J].Pattern Recognition Letters，2003，24 （12）:2079-2092.