基于背景差分和信息熵的運動目標檢測算法

鄭 佳，李江勇

(華北光電技術(shù)研究所，北京 100015)

基于背景差分和信息熵的運動目標檢測算法

鄭 佳，李江勇

(華北光電技術(shù)研究所，北京 100015)

提出一種目標檢測算法，首先選取視頻的第一幀作為背景幀，運用加權(quán)累加圖像方法更新背景圖像，背景圖像的更新速率通過相鄰幀的差分結(jié)果決定，再運用背景差分算法提取出運動目標。計算運動目標的區(qū)域的熵值，通過熵值判斷出特征目標。實驗結(jié)果表明，該算法簡單，穩(wěn)定性好，能夠較好解決動態(tài)背景的問題并且檢測出特定目標。

背景差分;幀間差分;運動目標;信息熵

1 引 言

運動目標的檢測是目前國內(nèi)外研究的重點和難點。在研究中人們將目標檢測方法歸納為三種類型，分別是幀差法、背景差法和光流法，每種目標檢測算法都具有自己的特點，幀差法算法簡單容易實現(xiàn)，然而當(dāng)在目標運動緩慢時很難將目標的整體全部檢測出來;光流法基于目標運動的像素模型，檢測準確，然而運算量大，處理復(fù)雜，不易于實時實現(xiàn)［1－2］;背景差法檢測目標同樣速度快，檢測準確，易于實現(xiàn)，但是其關(guān)鍵技術(shù)為背景圖像的提取，本文提出一種背景差分和幀間差分相結(jié)合的運動目標檢測算法，能夠快速準確的檢測出動態(tài)背景中的運動目標。

2 差分法和信息熵基本原理

2.1 幀間差分法基本原理

幀間差分法中，首先將視頻序列中相鄰兩幀進行差分，得到差分圖像，公式描述如下:

式中，Dk(x，y)，Ik+1(x，y)，Ik(x，y)分別為差分圖像，(k+1)幀和第k幀原始圖像。

然后，利用公式(2)對差分圖像進行閾值化分割通過設(shè)置一個閾值T，將差值圖像二值化，從而分割出運動目標和背景，具體數(shù)學(xué)表達式為:

2.2 背景差分法基本原理

傳統(tǒng)背景差值算法的背景是靜止不變得，且可以單純的得到背景圖像Bk(x，y)。假設(shè)圖像序列為Ik+1(x，y)，則得到視頻每幀圖像灰度減去背景的灰度值就可以得到一個差值圖像:

利用公式(2)即可得到二值化前景圖像。

傳統(tǒng)的背景差值算法速度很快，在靜止的背景下檢測準確，但是在很多的情況下，靜止的背景并不容易直接獲取，尤其是在復(fù)雜的背景下，比如水面，飄動的樹葉等特殊情況下，再加上噪聲的存在，僅僅利用一幀的背景就想得到較好的檢測結(jié)果是非常困難的事情，也很容易產(chǎn)生錯誤［3］。

發(fā)展到目前，背景差分算法的背景建模又有了一定的發(fā)展，尤其是背景模型的提取與更行，如時間平均法、像素估計法、mode算法和高斯模型法，但是這些算法并沒有很好地解決動態(tài)場景的背景提取問題［4］。

本文主要是改進了傳統(tǒng)的背景差分算法對于背景提取的改進，保留了差分算法的優(yōu)點，同時結(jié)合了幀間差分算法，提出一種能夠適應(yīng)于動態(tài)場景的背景提取算法，提高了差分算法的檢測運動目標的準確性。

2.3 信息熵的計算

信息熵是信息論中用于度量信息量的一個概念，在二維隨機變量中，假設(shè)隨機變量(i，j)的聯(lián)合密度函數(shù)為p(i，j)，則其信息熵函數(shù)可以表示為:

信息熵的計算僅與待檢測目標的圖像內(nèi)容有關(guān)，內(nèi)容里面呈現(xiàn)的信息量越大，如細節(jié)、輪廓等越多，則計算得到的信息熵值越大。經(jīng)過對大量實際戰(zhàn)艦?zāi)繕藞D片的運算，可以得出戰(zhàn)艦的信息熵值普遍比普通商船貨船大很多，通過預(yù)先設(shè)定的閾值，通過計算檢測出的運動目標區(qū)域的熵值與閾值做比較可以較好的區(qū)分此目標為戰(zhàn)艦還是普通的貨船。而此算法的難度為需要較多的實際運算找出此閾值［5－6］。

Boys should practice ______ writing earlier to help them catch up with _____.

3 基于背景差分和幀間差分相結(jié)合的運動目標檢測算法

3.1 目標檢測流程圖

首先選取視頻的一幀作為背景幀，運用加權(quán)累加圖像方法更新背景圖像，背景圖像的更新速率通過相鄰幀的差分結(jié)果決定，當(dāng)變化區(qū)域所占整幀圖像比例超過設(shè)定的閾值時，加快背景更新速率，反之減小更新速率，再運用背景差分算法提取出運動目標。此方法區(qū)別于高斯混合背景建模方法，高斯混合建模需要背景具有一定的建模時間，即需要有一個初始化的過程，而此方法省掉初始化過程，可以達到開機就可以工作的狀態(tài)，滿足實時性要求。然后將差分圖像進行濾波，如高斯濾波，中值濾波，進行形態(tài)學(xué)處理，腐蝕和膨脹。最后計算檢測出來的目標區(qū)域計算目標信息熵值，通過與預(yù)先設(shè)定好的閾值進行比對，檢測出特定目標。圖1為該算法的流程圖。

圖1 算法的流程圖

3.2 背景提取與更新算法

背景差分算法的關(guān)鍵在于背景的提取與更新，它的有效性取決于背景模型能否有效地表示背景的變化。根據(jù)傳統(tǒng)的背景差分方法，提出一種較好的提取視頻序列背景的算法，同時運用高斯濾波，形態(tài)學(xué)處理等方法處理噪聲，也經(jīng)檢測本方法能夠較好的降低了動態(tài)背景所帶來檢測運動目標困難。

背景更新采用更新加權(quán)累積圖像的方法，它能快速準確地提取與更新背景，能夠較好地解決高斯背景建模需要的背景學(xué)習(xí)問題，不必需要初始化過程，本算法隨著程序的運行，背景建模也會更加準確。分為以下幾個步驟:

步驟一:將視頻的第一幀圖像I0(x，y)作為背景圖像B0(x，y);

步驟二:預(yù)先設(shè)定背景更新速率a初始值;

步驟三:根據(jù)公式

步驟四:利用幀間差分

式(5)中Im－1(x，y)為(m－1)幀輸入圖像;Im(x，y)為m幀輸入圖像。

步驟五:通過預(yù)先設(shè)定的閾值，當(dāng)?shù)玫降膸g差分結(jié)果，當(dāng)變化的區(qū)域占整幀圖像的百分比大于提前設(shè)定的閾值時，增大背景更新速率a，反之則減小背景更新速率a。

式(6)中，c為a每次該變量的大小;T為提前設(shè)定的閾值。

實驗證明，當(dāng)目標運動速度快，背景改變較大時，該算法也能很好地檢測出運動目標。

4 實驗結(jié)果

實驗環(huán)境:筆記本，Intel Core(2)2.0GHz，2G內(nèi)存，在VS2008開發(fā)環(huán)境下編寫全部程序。

圖2 傳統(tǒng)算法和本文算法運行結(jié)果

圖2中是傳統(tǒng)的背景差分算法與本文算法比較圖，可以看到背景差分得到的結(jié)果有很多不需要的信息，同時也沒有將兩艘船很好的檢測出來，結(jié)果中存在較多干擾。本文算法得到的結(jié)果，其中的圖2(f)為與傳統(tǒng)的背景差分結(jié)果做對比，可以看到，本文方法得到的結(jié)果比圖2(c)，有很大的改善與提高;其中圖2(h)為應(yīng)用本文方法，當(dāng)變化量超過閾值時，背景更新的結(jié)果，圖2(i)為背景差分得到的結(jié)果。

實驗過程中，程序剛剛開始運行時，對目標的檢測效果會略差，原因是此時是用視頻圖像的第一幀當(dāng)做背景，而圖像第一幀包含運動物體，當(dāng)用背景差分運算時就會造成檢測結(jié)果出現(xiàn)重影問題，隨著時間增加檢測效果會越來越好，背景建模也就更加準確。

實驗結(jié)果表明，本文算法可以較好地解決運動場景中運動目標檢測的問題，對于背景的提取與更新提出了一種較好的解決思路。

圖3 檢測出戰(zhàn)艦

圖3為檢測出的運動目標，比較兩個團塊的運動熵值，戰(zhàn)艦團塊的熵值明顯大于商船團塊熵值，因此判定出特定目標，達到了研究目的。

5 結(jié)束語

針對傳統(tǒng)的視頻序列中運動目標檢測算法，在主體為背景差分算法的基礎(chǔ)上，結(jié)合幀差法快速確定背景的更新速率，能夠準確的檢測出運動目標。該方法能適應(yīng)復(fù)雜環(huán)境，允許在有運動物體存在情況下進行建模，即使在背景和運動物體有較大幅度的變化下仍可以很好的檢測到目標。實驗結(jié)果表明，該算法簡單可行，精度較高，有廣泛的應(yīng)用性。

［1］LIQing，ZHAO Yigong，GAO Yongjing.Moving object detection algorithm based on background diference［J］.Journal of Telemetry，Tracking and Command，2007，28 (6):68－72.(in Chinese)

李強，趙亦工，高永晶.基于背景差分的動目標檢測算法研究［J］.遙測遙控，2007，28(6):68－72.

［2］LINing，GAO Shan，ZHANG Xianzhen，et al.Human motion detection based on background difference［J］.Image Processing，2009，7－3:257－259.(in Chinese)

李寧，高山，張先震，等.基于背景差分的人體運動檢測［J］.圖像處理，2009，7－3:257－259.

［3］WU Xiang.Research and realization on the methods of target detecting and tracking in video image［D］.Harbin: Harbin Institute of Technology，2007.(in Chinese)

伍翔.視頻圖像中運動目標檢測與跟蹤方法研究與實現(xiàn)［D］.哈爾濱:哈爾濱工業(yè)大學(xué)，2007.

［4］SU Feng，LING Qing，GAO Meiguo.Implementation of real time infrared small target detection system［J］.Laser＆Infrared，2008，38(8):826－829.(in Chinese)

蘇峰，凌清，高梅國.紅外小目標實時檢測系統(tǒng)實現(xiàn)［J］.激光與紅外，2008，38(8):826－829.

［5］Shahbe Mat Desa，Qussay A Salih.Image subtraction for real timemoving object extraction［C］.Proceedings of the International Conference on Computer Graphics，Imaging and Visualization，Penang，Malaysia，2004:41－45.

［6］SHIDianguo，GUIYufeng.The improvement based on the information entropy of image segmentation algorithm［J］.Software Guide，2009，8(8):56－58.(in Chinese)

石殿國，桂預(yù)風(fēng).基于信息熵圖像分割算法的若干改進［J］.軟件導(dǎo)刊，2009，8(8):56－58.

M oving target detection based on background difference and information entropy

ZHENG Jia，LIJiang-yong
(North China Research Institute of Electro-optics，Beijing 100015)

A new algorithm to detect targets is proposed.Firstly，the first frame of video is used as the background frame，then the weighted accumulative image way is used to update the background.The update rate of background image is determined by the adjacent frame difference，the moving target is extracted by background difference algorithm.The entropy ofmoving target area is calculated，the characteristics of the target is estimated by entropy value.The simulation results show that the algorithm is simple and has good stability，and it can better solve the problem of dynamic background and detect the specific goal.

background difference;frame difference;moving target;information entropy

TP391.41

A

10.3969/j.issn.1001-5078.2014.05.018

1001-5078(2014)05-0563-04

鄭 佳(1988－)，男，碩士研究生，研究方向為信號與圖像處理。E-mail:alen_zheng@foxmail.com

2013-08-28;

2013-09-23

book=566,ebook=450