基于有限線積分變換的序列圖像運(yùn)動目標(biāo)檢測

宋芳琴

（紹興職業(yè)技術(shù)學(xué)院 信息工程學(xué)院，浙江 紹興312000）

智能視頻監(jiān)控技術(shù)的研究是一個(gè)具有挑戰(zhàn)性的前沿課題，涉及計(jì)算機(jī)科學(xué)、人工智能、機(jī)器視覺、圖像工程、模式識別等多個(gè)學(xué)科［1］。智能視頻監(jiān)控技術(shù)的研究包括對動態(tài)場景中的目標(biāo)定位、目標(biāo)識別和目標(biāo)跟蹤等，并在此基礎(chǔ)上分析和判斷目標(biāo)的行為，獲得對圖像內(nèi)容的理解及對客觀場景的解釋，從而對行動進(jìn)行指導(dǎo)和規(guī)劃［2－3］。

運(yùn)動目標(biāo)檢測主要是從序列圖像中將變化區(qū)域從背景中分離出來。在進(jìn)行運(yùn)動檢測時(shí)，常見的一種方法是攝像設(shè)備處于靜止?fàn)顟B(tài)，而且鏡頭焦距也是固定的，此時(shí)，圖像中的背景區(qū)域固定不動。這種情況下通常使用以下3種方法進(jìn)行運(yùn)動檢測：光流法［4］、相鄰幀差法［5］、背景差法［6］。

光流法可以在不需要背景區(qū)域的任何先驗(yàn)知識情況下，就能夠?qū)崿F(xiàn)對運(yùn)動目標(biāo)的檢測和跟蹤，并且可以應(yīng)用在攝像機(jī)運(yùn)動的情況。但光流法計(jì)算量太大，而且對噪聲較敏感，對硬件的要求也比較高。

相鄰幀差法能適應(yīng)環(huán)境的動態(tài)變化，實(shí)現(xiàn)實(shí)時(shí)的運(yùn)動動態(tài)檢測，但分割出的運(yùn)動目標(biāo)不太完整。如果運(yùn)動目標(biāo)的速度過快，可能會檢測2個(gè)運(yùn)動目標(biāo)，如果運(yùn)動目標(biāo)的速度很慢甚至在場景中停止，可能就檢測不出運(yùn)動目標(biāo)。在一個(gè)場景中如果有多個(gè)運(yùn)動目標(biāo)，該方法會很難區(qū)分各個(gè)運(yùn)動目標(biāo)。

背景差法是一種最為簡單和有效的方法，此方法通過當(dāng)前幀減去背景參考幀，然后對所得圖像選擇合適的閾值二值化后，就得到完整的運(yùn)動目標(biāo)，這樣，克服了相鄰幀差法的缺點(diǎn)。但背景往往會發(fā)生變化，使得檢測出的運(yùn)動目標(biāo)出現(xiàn)偏差。因此，如果背景圖像能自適應(yīng)更新，背景差法的效果會比較好。

本研究選用新近出現(xiàn)的多尺度幾何分析方法——有限線積分變換作為研究工具，再結(jié)合背景差法對運(yùn)動目標(biāo)進(jìn)行檢測。實(shí)驗(yàn)結(jié)果表明，該方法能有效檢測呈現(xiàn)出線性特征的運(yùn)動目標(biāo)，且對光照變化具有一定的魯棒性。

1 有限線積分變換算法

2005年，Yang M Q等提出了有限線積分變換［7］（finite line integral transform，F(xiàn)LIT）?，F(xiàn)以5×5的模板為例，對FLIT進(jìn)行介紹，如圖1所示。圖1中，相同數(shù)字的方格屬于同一條直線，方格X表示屬于任何一條直線。

從圖1可以看出：每條直線都通過模板中心的方格；所有的直線都只在模板中心方格處相交；除模板中心方格外，其余的每個(gè)方格只屬于一條直線；關(guān)于模板中心方格對稱的方格屬于同一條直線。更一般的形式，設(shè)模板尺寸為p×p（p為一奇數(shù)），按上述方式定義出的直線共2（p－1）條。（當(dāng)p≥7時(shí)，定義直線的方式不唯一。）設(shè)模板中心方格的坐標(biāo)為（x，y），則在點(diǎn)（x，y）處的FLIT定義如下［7］：

圖1 5×5的模板Fig．1 5×5template

式（1）中：Lk—標(biāo)記為k的那些方格的集合，不同的k代表了不同斜率的直線集合，k的取值范圍是1≤k≤2（p－1）；f（i，j）—（i，j）點(diǎn)的像素值。

對于一幅尺寸大小為m×n的圖像而言，相應(yīng)的FLIT計(jì)算步驟如下［7］：

1）確定模板尺寸p×p，p為一奇數(shù)。

2）對圖像進(jìn)行延拓操作，上、下、左、右分別加（p－1）／2行或列的零值，延拓后的圖像尺寸變?yōu)閙′×n′，其中m′＝m＋p－1，n′＝n＋p－1。像素值記為f′（i′，j′），其中0≤i′≤m′－1，0≤j′≤n′－1。

3）對滿足

的任一像素點(diǎn)f′（i′，j′），記以（i′，j′）為中心，p×p的區(qū)域?yàn)镈（i′，j′），將D（i′，j′）內(nèi)的圖像轉(zhuǎn)換為零均值的圖像。

4）計(jì)算（i′，j′）點(diǎn)，共2（p－1）個(gè)方向的FLIT。

5）對滿足式（2）的所有像素點(diǎn)，依次重復(fù)步驟3和步驟4。

2 檢測方法

對運(yùn)動目標(biāo)檢測的研究采用“FLIT＋背景差法”，算法步驟如下：

設(shè)圖像尺寸為m×n，

1）分別對背景圖像和當(dāng)前圖像作5×5的FLIT，記作bFLIT（k，i，j）和pFLIT（k，i，j），其中0≤k≤7，0≤i≤m－1，0≤j≤n－1。

2）?k∈ ｛0，1，2，3，4，5，6，7｝，計(jì)算背景圖像FLIT和當(dāng)前圖像FLIT差值系數(shù)的絕對值

的均值mk和方差σk（共有8組均值和方差），相應(yīng)的計(jì)算表達(dá)式為，

3）對dk，k∈ ｛0，1，2，3，4，5，6，7｝分別進(jìn)行二值化，二值化的規(guī)則如下：

式（5）中：t— 常數(shù)，常取t＝1；1代表運(yùn)動目標(biāo)，0代表背景。

4）對代表不同方向特征的8幅二值圖像進(jìn)行綜合，綜合的原則是：突出需要的方向特征，抑制不需要的方向特征。例如，由先驗(yàn)知識知道，某序列圖像的運(yùn)動目標(biāo)主要以垂直方向?yàn)橹?，則在綜合不同方向特征的8幅二值圖像時(shí)，圖1模板中1～5的方向特征則需突出（特征權(quán)重大），6～8的方向特征則需抑制（特征權(quán)重?。?。

5）采用數(shù)學(xué)形態(tài)學(xué)中的開操作來解決孤立噪聲（光噪變化引起）的問題。開操作是先腐蝕后膨脹的過程，相關(guān)的定義如下［8］：

A用B來腐蝕、膨脹，分別記做AΘB、A⊕B

式（7）中：＾B ＝ ｛w｜w ＝－b，b∈B｝。

3 實(shí)驗(yàn)結(jié)果與分析

實(shí)驗(yàn)數(shù)據(jù)來自文獻(xiàn)［9］，實(shí)驗(yàn)環(huán)境為PC＋Microsoft Visual C＋＋6．0。圖2為背景圖像和一幀序列圖像。圖3為對背景圖像和檢測圖像分別作5×5的FLIT，并使用背景差法且二值化后的8個(gè)方向的圖像。圖4為綜合8幅圖像并進(jìn)行形態(tài)學(xué)操作后的結(jié)果。圖5是為顯示檢測結(jié)果的正確性和合理性，將圖4中的檢測結(jié)果映射到原檢測圖像上的顯示。結(jié)合圖4和圖5可以看出，除了區(qū)域1（由光照變化引起）外，區(qū)域2、3、4、5都是期望被檢測出的結(jié)果。區(qū)域2是背景圖像中交談的2個(gè)人，其相對位置發(fā)生了移動；區(qū)域3是相對于背景圖像新走進(jìn)的2個(gè)行人；區(qū)域4是遠(yuǎn)處一個(gè)行人走過引起圖像局部的變化（局部放大圖如圖6所示）；區(qū)域5是一個(gè)行人走到柱子后面，露出了其腳后跟（局部放大圖如圖7所示）。區(qū)域1、2、3、4、5的共同點(diǎn)在于，它們都呈現(xiàn)出一定的線性特征，這正是它們能被FLIT檢測到的根本原因。圖8是檢測出由于行人的影子使背景（如柱子表面）呈現(xiàn)出線性特征變化的區(qū)域。

圖2 實(shí)驗(yàn)圖像Fig．2 Experiment images

圖3 不同方向上的檢測結(jié)果Fig．3 Detection results of different orientations

圖4 運(yùn)動目標(biāo)檢測結(jié)果Fig．4 Detection result of moving object

圖5 檢測結(jié)果在檢測圖像上的映射Fig．5 Mapping of detection result in dection image

總的來說，在筆者所做的實(shí)驗(yàn)圖像序列中，當(dāng)前檢測圖像中的地板、柱子表面、墻面等與參考圖像中的地板、柱子表面、墻面等相比，都存在或多或少的光照變化，而這些變化都不是實(shí)驗(yàn)所關(guān)心的。在絕大部分的檢測結(jié)果中可以看到，上述變化對感興趣運(yùn)動目標(biāo)的檢測影響較小。因此，該方法對光照變化具有一定的魯棒性。

圖6 區(qū)域4的圖像放大圖Fig．6 Enlarged images of region 4

圖7 區(qū)域5的圖像放大圖Fig．7 Enlarged images of region 5

圖8 實(shí)驗(yàn)結(jié)果Fig．8 Experiment result

4 結(jié) 語

本研究以新近出現(xiàn)的多尺度幾何分析方法FLIT為基礎(chǔ)，結(jié)合背景差法來進(jìn)行運(yùn)動目標(biāo)的檢測。實(shí)驗(yàn)結(jié)果表明，該方法對具有線性特征的目標(biāo)能進(jìn)行有效的檢測，并對光照變化具有一定的魯棒性。同時(shí)，該方法對運(yùn)動目標(biāo)的檢測還存在少量的漏檢測或過檢測的情況，因此，呈現(xiàn)出運(yùn)動目標(biāo)不完整或者是引入非感興趣的運(yùn)動目標(biāo)。這些是下一步研究需要解決的問題。

［1］ 王素玉，沈蘭蓀．智能視覺監(jiān)控技術(shù)研究進(jìn)展［J］．中國圖象圖形學(xué)報(bào)，2007，12（9）：1505－1514．

［2］ 牛少平．計(jì)算機(jī)視頻監(jiān)控技術(shù)研究［D］．西安：西北工業(yè)大學(xué)，2006．

［3］ 謝少林．智能監(jiān)控系統(tǒng)中高壓縮比視頻處理研究［D］．杭州：浙江大學(xué)，2006．

［4］ Smith S M，Brady J M．ASSET－2：Real－time motion segmentation and shape tracking［C］∥Fifth Internation Conference on Computer Vision．Cambridge，MA：IEEE Computer Society，1995：814－820．

［5］ Meier T，Ngan K N．Automatic segmentation of moving objects for video object plane generation［J］．IEEE Transactions on Circuits and systems for Video Technology，1998，8（5）：525－538．

［6］ Stauffer C，Grimson W E L．Adaptive background mixture models for real－time tracking［C］∥Conference on Computer Vision and Patten Recognition．Fort Collins，CO：IEEE Computer Society，1999：246－252．

［7］ Yang M Q，Peng Y H，Liu Y X．The algorithm and application of finite line integral transform［C］∥Microwave，Antenna，Propagation and EMC Technologies for Wireless Communications．Beijing：IEEE Computer Society，2005：411－414．

［8］ Gonzalez C R，Woods R E．Digital Image Processing［M］．2nd ed．Beijing：Publishing House of Electronics Industry，2005，519－527．

［9］ Online Computer Computers，Inc．History of OCLC［EB／OL］．［2013－12－17］．http：∥homepages．inf．ed．a(chǎn)c．uk／rbf／CAVIAR／．