一種新的基于背景差分的運(yùn)動(dòng)目標(biāo)檢測(cè)方法

牛永鑫

(遼寧石化職業(yè)技術(shù)學(xué)院,遼寧錦州 121000)

一種新的基于背景差分的運(yùn)動(dòng)目標(biāo)檢測(cè)方法

牛永鑫

(遼寧石化職業(yè)技術(shù)學(xué)院,遼寧錦州 121000)

針對(duì)傳統(tǒng)運(yùn)動(dòng)目標(biāo)檢測(cè)方法存在的缺點(diǎn)和不足,提出了一種基于背景差分,融合多種檢測(cè)方式,有效地克服了傳統(tǒng)方法存在的誤檢和空洞等問題。實(shí)驗(yàn)結(jié)果表明該方法能夠滿足運(yùn)動(dòng)目標(biāo)的實(shí)時(shí)檢測(cè)要求。

背景差分 自適應(yīng) 目標(biāo)檢測(cè)

運(yùn)動(dòng)目標(biāo)的檢測(cè)方法一般分為幀間差分法、背景差分法和光流法三種，每種檢測(cè)方法而言都有各自的缺點(diǎn)和不足。幀間差分法對(duì)差分時(shí)機(jī)的選取要求較高，如果目標(biāo)運(yùn)動(dòng)速度較快且關(guān)鍵幀選取時(shí)間間隔過大，會(huì)造成兩幀之間無覆蓋區(qū)，運(yùn)動(dòng)目標(biāo)無法分割；如果目標(biāo)運(yùn)動(dòng)速度較慢且關(guān)鍵幀選取時(shí)間間隔過小，則會(huì)造成過度覆蓋甚至重疊，同樣檢測(cè)不到目標(biāo)[1]。光流法的計(jì)算復(fù)雜、耗時(shí)，對(duì)于過快或過慢的運(yùn)動(dòng)檢測(cè)效果不好，難以滿足實(shí)時(shí)檢測(cè)的要求[2]。與上述兩種方法相比，背景差分法的優(yōu)勢(shì)是實(shí)現(xiàn)簡(jiǎn)單、目標(biāo)分割完整，但存在背景自動(dòng)獲取和更新方面的問題，即如何自動(dòng)獲得合理背景以及在最佳時(shí)機(jī)更新背景[3]。本文在這樣的研究背景下提出了一種基于背景差分，融合動(dòng)態(tài)背景建模、幀間差分和雙置信值背景更新技術(shù)，實(shí)時(shí)準(zhǔn)確的運(yùn)動(dòng)目標(biāo)檢測(cè)改進(jìn)方法。

1 一種簡(jiǎn)單、有效的背景模型

在背景差分法中，背景模型建立的準(zhǔn)確與否，直接關(guān)系到最終檢測(cè)結(jié)果的準(zhǔn)確性。國(guó)內(nèi)外研究提出了一些背景模型，這些模型有的需要處理多幀圖像來建立背景，制約了檢測(cè)速度，不能達(dá)到實(shí)時(shí)性要求，如非參數(shù)模型；有的模型當(dāng)運(yùn)動(dòng)物體較小且與背景的區(qū)分度不大時(shí)，分割的目標(biāo)不完整，如W4模型；有的方法當(dāng)噪聲增多、背景比較復(fù)雜時(shí)，背景變得不穩(wěn)定，如高斯模型等等。

針對(duì)上述幾種方法的不足，本文提出一種能夠快速建立背景，并有一定自適應(yīng)能力、保留背景差分目標(biāo)分割完整這一優(yōu)點(diǎn)的背景模型。這種方法采用幾次連續(xù)的幀間差分，能夠快速地檢測(cè)出視頻序列圖像中的背景區(qū)域，然后在檢測(cè)出的背景的基礎(chǔ)上確立每一個(gè)點(diǎn)的背景檢測(cè)模型。處理步驟為：

2 目標(biāo)的自適應(yīng)分割與檢測(cè)

為了更好地論證本文提出方法的實(shí)用性和可行性，我們繼續(xù)與高斯模型檢測(cè)方法做比較。高斯方法將待測(cè)幀中的每個(gè)像素點(diǎn)與自身的高斯模型進(jìn)行擬合，若P(X(i，j，t))≤TP，即認(rèn)定為背景像素點(diǎn)，否則認(rèn)定為場(chǎng)景中的目標(biāo)。在實(shí)際的應(yīng)用中我們可以用等價(jià)的閾值代替概率閾值，即：d(i，j，t)=x(i，j，t)-μ(i，j)，設(shè)相應(yīng)的檢測(cè)閾值為σ(i，j)。檢測(cè)規(guī)則為：若d(i，j，t)＞σ(i，j)，則該像素點(diǎn)為場(chǎng)景中的物體M，否則為背景像素點(diǎn)。本文提出的目標(biāo)檢測(cè)與高斯模型不同，用TN代替了TP，從實(shí)驗(yàn)結(jié)果可以看出，如果閾值選取得當(dāng)，在場(chǎng)景變化時(shí)可以不斷改變來適應(yīng)新場(chǎng)景，是可以有效地檢測(cè)出運(yùn)動(dòng)目標(biāo)。本文的閾值TN是一個(gè)基于直方圖的動(dòng)態(tài)最佳閾值，其計(jì)算法如下：

(1)求圖像中灰度的最大值和最小值，將這兩個(gè)值的平均值作為初始閾值；(2)把圖像按照閾值分割成目標(biāo)和背景兩部分，求出平均灰度值；(3)用平均值做為分割閾值；(4)若得到的新閾值與前一次的閾值相等，則結(jié)束，否則返回步驟2，迭代直至成功。

3 基于雙置信度的背景更新

實(shí)際情況中背景是不斷變化的，若使背景模型能對(duì)外界光線變化具有自適應(yīng)能力，需要對(duì)背景模型進(jìn)行實(shí)時(shí)地更新，從而使整個(gè)檢測(cè)過程持續(xù)進(jìn)行。其基本思想是讓當(dāng)前幀有一定置信度的背景點(diǎn)參與更新。置信度可以通過兩方面來估計(jì)：

(1)運(yùn)動(dòng)目標(biāo)與像素點(diǎn)的位置關(guān)系；由差分圖像可看出，檢測(cè)得到的非運(yùn)動(dòng)點(diǎn)不一定全是背景點(diǎn)，因此只有差分值小于閾值并位于運(yùn)動(dòng)目標(biāo)一定鄰域之外的點(diǎn)才是需要更新的背景點(diǎn)，具有第一方面較高置信度。(2)像素點(diǎn)作為背景的累計(jì)時(shí)間長(zhǎng)短；如果場(chǎng)景中存在噪聲或抖動(dòng)時(shí)，極短時(shí)間內(nèi)我們不把運(yùn)動(dòng)的點(diǎn)或者點(diǎn)集作為運(yùn)動(dòng)目標(biāo)，只有當(dāng)其運(yùn)動(dòng)累計(jì)到一定程度才進(jìn)行處理，因此我們引入了第二個(gè)方面的置信度，用矩陣F表示，當(dāng)持續(xù)M幀都為背景的點(diǎn)才可以參與背景更新。矩陣F初始化為零矩陣，后續(xù)幀中如果像素點(diǎn)是前景點(diǎn)則其累計(jì)值賦為M，否則累計(jì)值減1，直至為0。

4 結(jié)語

本文提出了一種基于背景差分，融合多種檢測(cè)方式，有效地克服了傳統(tǒng)方法存在的誤檢和空洞等問題。實(shí)驗(yàn)結(jié)果表明該方法能夠滿足運(yùn)動(dòng)目標(biāo)的實(shí)時(shí)檢測(cè)要求。

[1]Gutchess D, Trajkovic M, Cohen-Solal E, etral.A Background Model Initialization Algorithm for Video Surveillance[C].In Eighth International Conference on Computer Vision, 2001.

[2]Kaewt rakulpong P, Bowden R.An Improved Adaptive Background Mixture Model for Real-time Tracking with Shadow Detection. In Proc. 2nd European Workshop on Advanced Videobased Surveillance Systems,2001.

[3]方帥,薛方正,徐心和.基于背景建模的動(dòng)態(tài)目標(biāo)檢測(cè)算法的研究與仿真[J].系統(tǒng)仿真學(xué)報(bào),2005(1):159-161,165.

牛永鑫(1969—),男,漢族,遼寧錦州人,碩士,副教授,研究方向:計(jì)算機(jī)網(wǎng)絡(luò)、多媒體、計(jì)算機(jī)應(yīng)用設(shè)計(jì)。