自適應(yīng)雙閾值的運(yùn)動(dòng)目標(biāo)檢測(cè)算法

張 震，李丹丹

(鄭州大學(xué) 電氣工程學(xué)院，河南 鄭州450001)

0 引言

近年來(lái)，運(yùn)動(dòng)目標(biāo)檢測(cè)一直是視頻圖像序列分析中的重點(diǎn)和難點(diǎn).視頻監(jiān)控中，運(yùn)動(dòng)目標(biāo)的檢測(cè)需要先對(duì)獲得的視頻序列進(jìn)行圖像分割.但是由于交通場(chǎng)景不是靜止不變的，如光照、浮云等天氣狀況的變化以及搖曳的樹(shù)枝經(jīng)常會(huì)使背景發(fā)生改變，造成圖像分割不準(zhǔn)確，這就需要不斷地更新背景，以適應(yīng)不斷變化的場(chǎng)景.

傳統(tǒng)的背景初始化和背景更新方法不能很好地解決光照、陰影等環(huán)境變化帶來(lái)的影響.文獻(xiàn)［1］采用基于加權(quán)平均的Surendra背景更新算法，能夠較好地識(shí)別運(yùn)動(dòng)車輛，但是需要的經(jīng)驗(yàn)值較多，適用范圍有限.Kima K等［2］采用 Codebook算法進(jìn)行圖像前景和背景的分割，算法簡(jiǎn)單，速度快，但需要實(shí)時(shí)壓縮編碼背景像素.Kornprobst P.等［3］采用偏微分等式法進(jìn)行背景重構(gòu).而像素灰度歸類的背景重構(gòu)算法［4］在文獻(xiàn)［3］的假設(shè)前提上，根據(jù)幀差法對(duì)該像素灰度進(jìn)行歸類，選擇頻率最高的灰度值作為該點(diǎn)背景.JIN Cheng-jun等［5］采用統(tǒng)計(jì)直方圖的方法提取和更新背景，降低了光照和陰影變化對(duì)檢測(cè)結(jié)果的影響，但是在彩色空間域中處理圖像，運(yùn)算量大.HE Zhi-wei等［6］采用高斯分布進(jìn)行背景建模，可解決背景緩慢變化和突變的情況，但是需要提取一幀沒(méi)有運(yùn)動(dòng)目標(biāo)和光照變化的背景.WANG Feng等［7］采用混合高斯模型(GMM)，利用最大期望值算法估計(jì)模型參數(shù)并進(jìn)行更新，降低了運(yùn)算復(fù)雜性，但是在光照變化和噪聲較多的環(huán)境下運(yùn)算量大，適應(yīng)性不佳.筆者給出的自適應(yīng)雙閾值運(yùn)動(dòng)掩膜算法，可很好地適應(yīng)不同環(huán)境變化，且運(yùn)算速度較快，能夠滿足實(shí)時(shí)視頻檢測(cè)的需要，準(zhǔn)確度高、魯棒性好.

1 經(jīng)典單閾值算法缺陷

經(jīng)典圖像分割算法是采用單閾值背景差法［8］，其背景更新僅采用加權(quán)平均法，算法較簡(jiǎn)單，但是要求每幀圖像中所有像素都更新，耗時(shí)長(zhǎng).單閾值運(yùn)動(dòng)掩膜算法［9］僅對(duì)當(dāng)前圖像中被判定為背景的區(qū)域進(jìn)行更新，而對(duì)前景區(qū)域不更新，耗時(shí)少.根據(jù)實(shí)時(shí)更新的背景再采用單閾值背景差法能夠簡(jiǎn)單快速地分割出運(yùn)動(dòng)物體.

背景差法是利用含有運(yùn)動(dòng)目標(biāo)的當(dāng)前圖像減去當(dāng)前背景得到差分圖像.數(shù)學(xué)表達(dá)式為

式中:CI(x，y)和CB(x，y)分別為當(dāng)前圖像、當(dāng)前背景在(x，y)處的像素灰度值;DI(x，y)為其差分圖像.

差分圖像二值化數(shù)學(xué)表達(dá)式為

其中，BM(x，y)為二值目標(biāo)掩碼，用于區(qū)分前景和背景.BM(x，y)=1 標(biāo)記為前景，BM(x，y)=0 標(biāo)記為背景，T為分割閾值.

無(wú)論背景差法還是運(yùn)動(dòng)掩膜算法，采用單閾值進(jìn)行圖像分割時(shí)，閾值的確定都比較困難.當(dāng)所選閾值較大，會(huì)把前景目標(biāo)錯(cuò)判為背景，造成圖像前景分割不完整，出現(xiàn)漏檢;而所選閾值較小，會(huì)把大部分背景當(dāng)做前景，使前景區(qū)域擴(kuò)大，易出現(xiàn)錯(cuò)檢現(xiàn)象.這兩種算法均采用統(tǒng)計(jì)灰度直方圖的方法設(shè)定和更新閾值.交通場(chǎng)景中背景灰度出現(xiàn)的頻次高，前景灰度出現(xiàn)的頻次低，會(huì)出現(xiàn)兩個(gè)峰值，以其間的峰谷為所選閾值.但是在不同天氣條件下，當(dāng)前景與背景灰度相近時(shí)，峰谷位置不易確定，閾值更新會(huì)不準(zhǔn)確，會(huì)嚴(yán)重影響圖像分割效果，導(dǎo)致系統(tǒng)魯棒性差.

2 算法

經(jīng)典背景差法通常以人工獲取一幅沒(méi)有運(yùn)動(dòng)目標(biāo)的圖像作為初始背景.但在工程實(shí)踐中，交通流不斷發(fā)生，且場(chǎng)景中隨著時(shí)間推移光照不斷發(fā)生變化，又受陰影等噪聲影響，很難獲得一幀沒(méi)有運(yùn)動(dòng)目標(biāo)且穩(wěn)定的背景，同時(shí)也違背自動(dòng)原則.筆者結(jié)合動(dòng)態(tài)雙閾值和單閾值運(yùn)動(dòng)掩膜算法［9］的優(yōu)點(diǎn)，選用改進(jìn)的雙閾值背景更新算法，自適應(yīng)更新背景，為目標(biāo)檢測(cè)奠定基礎(chǔ).

2.1 背景更新算法流程

筆者利用多幀平均法初始化背景模型，可濾除噪聲影響，解決人工提取背景的困難.背景更新模塊流程圖如圖1所示.雙閾值運(yùn)動(dòng)掩膜背景更新算法的實(shí)現(xiàn)步驟如下:

(1)獲取前N幀圖像I0，I1，…，IN-1(N≥10)，取其平均值作為初始背景 CB0，即 CB0=

(4)根據(jù)二值目標(biāo)掩膜計(jì)算雙閾值運(yùn)動(dòng)掩膜，表達(dá)式為:MMi=OMi＆(～ OMi-1).

(2)設(shè)定初始高、低閾值TH0，TL0.

圖1 雙閾值運(yùn)動(dòng)掩膜背景更新模塊流程圖Fig.1 Flow chart of the double thresholds motion mask background updatemodu le

(5)以雙閾值運(yùn)動(dòng)掩膜MMi作為門限閾值判定前景背景點(diǎn)，進(jìn)行背景更新.當(dāng)MMi=0時(shí)，采用加權(quán)平均法更新背景，即CBi=αCBi-1+(1-α)CBi.當(dāng) MMi=1時(shí)，不更新背景，即 CBi=CBi-1.總之，僅對(duì)前一幀是前景且當(dāng)前幀為背景的點(diǎn)進(jìn)行更新.α的大小影響更新速度的快慢，一般取 α為0.95.

(6)當(dāng)i=i+1，采用函數(shù)鏈接型神經(jīng)網(wǎng)絡(luò)更新雙閾值并轉(zhuǎn)入第(3)步循環(huán).

筆者給出的雙閾值運(yùn)動(dòng)掩膜背景更新算法可以很好地提取和更新背景，提高系統(tǒng)運(yùn)行速度，且不受初始條件限制.

2.2 雙閾值的自動(dòng)更新算法

由于閾值T與輸入的每幀圖像的平均灰度值Iave存在非線性關(guān)系，即T=f(Iave).可用冪級(jí)數(shù)的形式表示如下:

圖2 函數(shù)鏈接型神經(jīng)網(wǎng)絡(luò)模型Fig.2 Functional chain neural network model

采用函數(shù)鏈接型神經(jīng)網(wǎng)絡(luò)［10］可以逼近非線性函數(shù).針對(duì)高閾值TH，式(1)中，m為多項(xiàng)式階數(shù)，m越大逼近非線性函數(shù)精度越高，所得更新閾值越準(zhǔn)確，但待確定系數(shù)也越多，訓(xùn)練時(shí)間也越長(zhǎng)，影響更新速度.實(shí)驗(yàn)證明，m=4時(shí)既可滿足精度要求，又能保證更新速度.W0，W1，…，Wm為多項(xiàng)式系數(shù)，也為神經(jīng)網(wǎng)絡(luò)的加權(quán)系數(shù).確定了m值，加權(quán)系數(shù)可以通過(guò)樣本訓(xùn)練確定.算法如下:

用x表示自變量Iave，用y表示自動(dòng)更新閾值T，則非線性函數(shù)可表示為

神經(jīng)網(wǎng)絡(luò)輸出:

誤差:

權(quán)值調(diào)整:

3 雙閾值差分算法檢測(cè)運(yùn)動(dòng)目標(biāo)

交通場(chǎng)景受天氣狀況影響比較大，在光照強(qiáng)烈時(shí)，路面反光使路面背景和白色車輛等淺色車輛灰度值相近;在陰天光照較弱時(shí)，路面和黑、灰色等深色車輛的灰度值接近.單閾值方法很可能會(huì)使這些灰度與背景相近的車輛遺失或檢測(cè)成碎片，而碎片太小會(huì)難以和噪聲分離，導(dǎo)致車輛檢測(cè)或統(tǒng)計(jì)不準(zhǔn)確.2.2節(jié)中以每幀圖像的平均灰度值作為輸入自適應(yīng)更新高、低兩個(gè)閾值，能很好地適應(yīng)光照變化，并根據(jù)2.1節(jié)中更新的背景做差分可消除陰影，準(zhǔn)確檢測(cè)到深色和淺色兩類運(yùn)動(dòng)目標(biāo).具體算法如下:

采用低閾值分割所得前景會(huì)包含大量陰影及噪聲，而采用高閾值會(huì)使分割的前景不完整、目標(biāo)區(qū)域內(nèi)孔洞多.筆者利用數(shù)學(xué)形態(tài)學(xué)方法膨脹高閾值分割所得差分圖像DH，消除孔洞;再與低閾值分割所得差分圖像DL取并，既能消除空洞，又保證了分割目標(biāo)的完整性，然后采用腐蝕方法，可消除低閾值導(dǎo)致的目標(biāo)偏大問(wèn)題.

4 實(shí)驗(yàn)結(jié)果分析

4.1 檢測(cè)效果

為驗(yàn)證筆者所給出的雙閾值運(yùn)動(dòng)掩膜算法的可行性和有效性，選取一段384×288的交通監(jiān)控視頻進(jìn)行驗(yàn)證.在配置為Intel Pentium雙核1.86G CPU、內(nèi)存為1GB的HP臺(tái)式機(jī)上做實(shí)驗(yàn).采用VC++6.0軟件編程.現(xiàn)以采集的第80幀圖像為例，對(duì)圖像進(jìn)行處理并加以說(shuō)明，如圖3所示.

圖3中(a)為原始圖像，(b)為低閾值檢測(cè)的目標(biāo)，(c)為高閾值檢測(cè)的目標(biāo).實(shí)驗(yàn)結(jié)果表明，低閾值檢測(cè)到的目標(biāo)偏大，還帶有較多陰影;高閾值檢測(cè)到的目標(biāo)不完整，孔洞較多.結(jié)合單閾值法檢測(cè)結(jié)果的特點(diǎn)，本文算法得到了優(yōu)勢(shì)互補(bǔ)的效果，如圖4(c)所示，既去除了較多陰影，又消除了孔洞，目標(biāo)完整且邊緣平滑.圖4中(a)幀差法所得目標(biāo)有“拖影”現(xiàn)象;圖(b)得到的目標(biāo)較好.

圖3 單閾值法檢測(cè)結(jié)果Fig.3 Detecting results of single threshold method

圖4 各方法檢測(cè)結(jié)果Fig.4 Detecting results of other methods

4.2 分析對(duì)比

筆者主要從不同光照條件下的識(shí)別率、運(yùn)行時(shí)間、幀頻幾方面來(lái)對(duì)比.分別在天氣晴朗和陰暗時(shí)采集同一時(shí)段同一路口的兩段交通視頻，檢測(cè)結(jié)果如表1所示.

由表1的對(duì)比可知:單閾值法和GMM方法受光照條件影響較大，而幀差法和本文算法受其影響較小.但相對(duì)而言，本文算法識(shí)別率較好.

表2為針對(duì)同一環(huán)境條件下幀頻不同的視頻流測(cè)試.由結(jié)果可知，GMM算法雖然識(shí)別效果也很好，但耗時(shí)長(zhǎng)，不利于實(shí)時(shí)系統(tǒng).綜上表明，筆者給出的自適應(yīng)雙閾值運(yùn)動(dòng)掩膜算法能夠更好地識(shí)別出運(yùn)動(dòng)車輛，適應(yīng)性好，魯棒性高，更適合實(shí)時(shí)智能交通系統(tǒng).

表1 天氣晴朗和天氣陰暗時(shí)各算法的識(shí)別率Tab.1 Recognition rate of allmethods on sunny day and on cloudy day

表2 各算法不同幀頻下識(shí)別率和運(yùn)行時(shí)間Tab.2 Recognition rate in different frame frequency and run time

5 結(jié)論

采用雙閾值運(yùn)動(dòng)掩膜算法檢測(cè)運(yùn)動(dòng)目標(biāo)，在工程實(shí)踐中可實(shí)時(shí)更新背景、自動(dòng)更新閾值;并結(jié)合雙閾值背景差法和數(shù)學(xué)形態(tài)學(xué)檢測(cè)運(yùn)動(dòng)目標(biāo)，既能快速消除陰影，得到完整的目標(biāo)，又能夠適應(yīng)光照變化的影響.實(shí)驗(yàn)結(jié)果已證明該算法具有很高的準(zhǔn)確性和魯棒性.但在去除陰影方面，對(duì)陰影位置的準(zhǔn)確檢測(cè)與消除，有待進(jìn)一步提高.

［1］ YANG Zhi-qi.A new algorithm of background image extraction and update in the vehicle detection system［C］//2011 International Conference on Multimedia Technology(ICMT)， Guangzhou， China:IEEE press，2011:5238-5241.

［2］ KIMA K，CHALIDABHONGEB T H，HARWOODA D，et al.Real-time foreground-background segmentation using codebook model［J］.Real-Time Imaging，2005，3(11):172-185.

［3］ KORNPROBST P，DERICHE R，AUBERT G.Image sequence analysis via partial difference equations［J］.Journal of Mathematical and Vision，1999，11(1):5-26.

［4］ HOU Zhi-qiang，HAN Chong-zhao.A background reconstruction algorithm based on pixel intensity classification in remote video surveillance system［C］//Seventh International Conference on Information Fusion.Mountain View，CA，USA:International Society of Information Fusion，2004:754-759.

［5］ JIN Cheng-jun，CHANG Gui-ran，CHENG Wei，et al.Background extraction and updatemethod based on histogram in YCbCr color space［C］//IEEE Conference on E-Business and E-Government(ICEE)，Shanghai，China:ICEE press 2011:1-4.

［6］ HE Zhi-wei，LIU Ji-lin，LIPei-hong.New method of background update for video-based vehicle detection［C］//IEEE Conference on Intelligent Transportation Systems.Washington，WA，USA:IEEE press，2004:580-584.

［7］ WANG Feng，DAI Shu-guang.Adaptive background update based on mixture models of Gaussian［C］//IEEE Conference on Information and Automation(ICIA).Zhuhai，China:［s.n］，2009:336-339.

［8］ 徐曉夏，陳泉林.智能交通監(jiān)控系統(tǒng)中的自適應(yīng)背景更新算法研究［J］.上海大學(xué)學(xué)報(bào):自然科學(xué)版，2002，9(5):420-422.

［9］ GUPTE S，MASOUD O，MARIN R F K，et al.Detection and classification of vehicle［J］.IEEE Transactions on Intelligent Transportation System，2002，3(1):37-47.

［10］任朝棟，張全法，李煥，等.快速消除車輛陰影的多閾值圖像分割法［J］.應(yīng)用光學(xué)，2010，31(6):961-964.