動(dòng)態(tài)目標(biāo)識(shí)別中的實(shí)時(shí)復(fù)雜巡航場景運(yùn)動(dòng)檢測

武治國，李桂菊

（中國科學(xué)院 長春光學(xué)精密機(jī)械與物理研究所，吉林 長春 130033）

1 引 言

運(yùn)動(dòng)目標(biāo)檢測在工業(yè)控制、生物醫(yī)學(xué)、交通監(jiān)控、安防、天文觀測等領(lǐng)域有著廣泛的應(yīng)用。因此，一直以來是圖像處理領(lǐng)域的重要研究熱點(diǎn)。在應(yīng)用中根據(jù)被檢測的場景與攝像機(jī)之間是否存在相對(duì)運(yùn)動(dòng)，而分為靜止背景和運(yùn)動(dòng)背景兩類。對(duì)于復(fù)雜的巡航場景的目標(biāo)探測，相對(duì)于只存在目標(biāo)運(yùn)動(dòng)的靜止背景或者背景只發(fā)生微小變化的動(dòng)態(tài)目標(biāo)檢測，由于目標(biāo)與背景物體融合在一起并且二者都處于運(yùn)動(dòng)中，大大地增加了運(yùn)動(dòng)目標(biāo)檢測和識(shí)別的復(fù)雜度。

針對(duì)復(fù)雜巡航場景目標(biāo)檢測的工程應(yīng)用，通常需要補(bǔ)償背景圖像與當(dāng)前圖像的全局運(yùn)動(dòng)，計(jì)算圖像間的位置偏移，將巡航場景目標(biāo)檢測問題轉(zhuǎn)化為靜止背景識(shí)別問題。比較簡單的方式是通過攝像機(jī)的實(shí)時(shí)旋轉(zhuǎn)運(yùn)動(dòng)參數(shù)計(jì)算圖像的位置偏移，但是由于攝像機(jī)曝光時(shí)刻以及攝像機(jī)抖動(dòng)等所造成的影響，無法準(zhǔn)確計(jì)算出圖像的運(yùn)動(dòng)偏移量。因此需要結(jié)合圖像間的信息實(shí)現(xiàn)場景的運(yùn)動(dòng)估計(jì)。模板匹配方法，實(shí)時(shí)性高，但具有抗噪聲、抗干擾能力比較差的局限性［1－5］。SIFT 算子，Harris角點(diǎn)檢測算子等特征提取方法具有能夠適應(yīng)環(huán)境光照變化等優(yōu)點(diǎn)，但計(jì)算代價(jià)較大，運(yùn)算時(shí)間較長。C Kuglin，D Hines采用傅立葉變換的相位相關(guān)法進(jìn)行背景運(yùn)動(dòng)補(bǔ)償，由于其邊界效應(yīng)會(huì)影響圖像的交叉能量譜，從而降低偏移量估計(jì)的精度，同時(shí)計(jì)算復(fù)雜無法滿足工程上的實(shí)時(shí)性應(yīng)用要求。

為了避免以上方法存在的問題，本文根據(jù)圖像邊緣信息具有抗光照變化，抗干擾能力強(qiáng)的性質(zhì)，計(jì)算背景圖像與當(dāng)前幀圖像間邊緣位置互相關(guān)性，檢測出兩幅圖像之間的平移量，估計(jì)運(yùn)動(dòng)參數(shù)，從而實(shí)現(xiàn)實(shí)時(shí)準(zhǔn)確的場景運(yùn)動(dòng)檢測。

2 巡航場景運(yùn)動(dòng)檢測

2.1 場景邊緣提取

圖像的邊緣是具有不同灰度的區(qū)域的邊界，它反映了灰度的階越變化，是圖像灰度的急劇變化區(qū)域，包含著場景中有價(jià)值的邊界信息，是圖像分析的重要依據(jù)。Sobel算子能夠平滑噪聲，對(duì)噪聲具有抑制能力，同時(shí)它計(jì)算方法簡單，有利于實(shí)時(shí)處理的應(yīng)用要求。因此本文采用Sobel算子對(duì)背景和當(dāng)前圖像進(jìn)行卷積處理，提取邊緣。

Sobel算子是基于一階微分的邊緣檢測方法，本文采用如下x和y方向的窗口算子。

圖1 Sobel窗口算子Fig.1 Sobel window operator

2.2 待檢測模型選取

為了檢測背景幀圖像相對(duì)于當(dāng)前幀圖像的偏移量，通常采用方法是在背景幀圖像和當(dāng)前幀圖像中計(jì)算匹配點(diǎn)或匹配塊，根據(jù)匹配的位置差異計(jì)算幀間偏移量。

如果背景圖像中的特征信息不足，場景較單一或存在較多干擾。這樣就造成浪費(fèi)大量的處理時(shí)間，甚至場景運(yùn)動(dòng)檢測失效。因此配準(zhǔn)模型應(yīng)該選取圖像中信息豐富的部分。局部熵刻畫了圖像中局部區(qū)域變化的劇烈程度。局部熵反映了邊緣圖像的離散程度，在局部熵大的地方，邊緣圖像相對(duì)均勻；局部熵小的地方，邊緣圖像離散性越大。

設(shè)F（i，j）為邊緣圖像中點(diǎn)（i，j）處的灰度值，對(duì)于M×N的局部窗口，局部熵為：

βi，j反映了邊緣圖像窗口內(nèi)的灰度變化率大小。在邊緣圖像中相對(duì)較均勻的地方，局部熵就大，βi，j的值也越大；邊緣圖像相差較大的地方，局部熵小。

局部熵計(jì)算涉及到對(duì)數(shù)運(yùn)算，計(jì)算工作量大運(yùn)行速度慢?？捎商├照归_舍去高次項(xiàng)，得到近似計(jì)算公式：

本文將背景幀邊緣圖像分成N塊，計(jì)算每塊的局部熵，選取局部熵最小的M塊邊緣圖像作為配準(zhǔn)模型。這樣既減小匹配計(jì)算量，同時(shí)又提高運(yùn)動(dòng)矢量檢測準(zhǔn)確性。

2.3 配準(zhǔn)模型計(jì)算

圖像配準(zhǔn)是將圖像中的場景穩(wěn)定在同一幀圖像的相同位置上，即計(jì)算當(dāng)前幀相對(duì)背景幀來說在X方向和Y方向上各運(yùn)動(dòng)了多少像素，然后根據(jù)偏移量移動(dòng)當(dāng)前幀圖像與前一幀配準(zhǔn)。

由于背景幀中選取的配準(zhǔn)模型可能在當(dāng)前幀圖像中包含運(yùn)動(dòng)目標(biāo)，但一般情況下，運(yùn)動(dòng)目標(biāo)與場景相比只占圖像的小部分區(qū)域，如果考慮匹配的圖像中局部熵塊的運(yùn)動(dòng)矢量，無目標(biāo)塊的矢量應(yīng)該具有一致性，也就是說大部分塊運(yùn)動(dòng)矢量的長度應(yīng)該相等，相關(guān)性強(qiáng)，而當(dāng)前圖像中含有目標(biāo)的塊的相關(guān)性差。

2.4 巡航場景運(yùn)動(dòng)估計(jì)

兩幅圖像之間的匹配是通過將模板圖像與待匹配圖像進(jìn)行相關(guān)運(yùn)算，得到一個(gè)相似度，根據(jù)相似度的大小就可以判斷二者是否匹配。當(dāng)二者匹配時(shí)，可以得到模板圖像在待匹配圖像中的位置。邊緣的場景圖像與當(dāng)前幀圖像的相似度計(jì)算公式為：

為了消除匹配的誤差及運(yùn)動(dòng)目標(biāo)的干擾，對(duì)M塊背景模板邊緣圖像分別計(jì)算運(yùn)動(dòng)矢量，統(tǒng)計(jì)其直方圖分布，濾除奇異值。對(duì)剩余的K塊模版計(jì)算所得的運(yùn)動(dòng)矢量，根據(jù)它們的相似度分別計(jì)算x方向和y方向的位移矢量。

取得場景運(yùn)動(dòng)矢量后，動(dòng)態(tài)目標(biāo)檢測便可根據(jù)運(yùn)動(dòng)矢量，補(bǔ)償當(dāng)前幀圖像。對(duì)背景圖像和補(bǔ)償后的圖像，采用差分運(yùn)算消除場景圖像，提取前景運(yùn)動(dòng)目標(biāo)。

3 實(shí)驗(yàn)結(jié)果與分析

為了驗(yàn)證算法的有效性和實(shí)時(shí)性，以PC機(jī)（Pentium 4CPU 2.8GHz，2GB內(nèi)存）做為實(shí)驗(yàn)平臺(tái)，對(duì)上述算法進(jìn)行仿真，測試效果分別如圖所示。

（1）實(shí)驗(yàn)一 山林中放火的長波紅外數(shù)字圖像

實(shí)驗(yàn)圖像分辨率為320×256，14位灰度級(jí)。紅外圖像如圖2所示。圖像中背景圖像和當(dāng)前幀圖像位置發(fā)生偏移，火點(diǎn)位置火焰面積和亮度發(fā)生變化。

圖2 紅外實(shí)驗(yàn)圖像Fig.2 Infrared images experiment

圖2（d）為本文方法場景運(yùn)動(dòng)補(bǔ)償后，背景圖像與當(dāng)前幀補(bǔ)償后圖像相減并二值化后的結(jié)果。算法耗時(shí)13ms，完全滿足工程中紅外圖像50frame／s的實(shí)時(shí)圖像處理要求。檢測結(jié)果為x方向運(yùn)動(dòng)41個(gè)像素，y方向運(yùn)動(dòng)3個(gè)像素。結(jié)果中可以看出背景圖像已經(jīng)背完全剔除，只剩下發(fā)生變化的火點(diǎn)。而圖像（e）為背景圖像與當(dāng)前幀圖像直接相減并二值化后的結(jié)果，圖像中包含大量的山脈及林木背景。

（2）實(shí)驗(yàn)二 林區(qū)中煙霧的可見光模擬圖像

實(shí)驗(yàn)圖像如圖3所示，分辨率為768×576，8位灰度級(jí)?？梢钥吹絻煞鶊D像中煙霧發(fā)生明顯變化，在圖像上包含大量鏡頭上的臟點(diǎn)所成的像，這對(duì)場景運(yùn)動(dòng)估計(jì)造成很大影響。

圖3 可見光實(shí)驗(yàn)圖像Fig.3 Visible image experiment

圖3（d）為本文方法場景運(yùn)動(dòng)補(bǔ)償后，背景圖像與當(dāng)前幀補(bǔ)償后圖像相減并二值化后的結(jié)果。算法耗時(shí)24ms，低于模擬視頻圖像25frame／s的采集頻率。檢測結(jié)果為x方向運(yùn)動(dòng)11個(gè)像素，y方向運(yùn)動(dòng)2個(gè)像素。差分結(jié)果圖像只檢測出了發(fā)生變化的動(dòng)態(tài)煙霧目標(biāo)。而圖3（e）為中不僅包含了煙霧，而且含有背景中物體，對(duì)運(yùn)動(dòng)目標(biāo)識(shí)別造成嚴(yán)重影響。

4 結(jié) 論

在復(fù)雜運(yùn)動(dòng)場景中的動(dòng)態(tài)目標(biāo)識(shí)別檢測的工程應(yīng)用中，通常需要首先檢測計(jì)算出背景圖像的運(yùn)動(dòng)，再依據(jù)目標(biāo)的特征來識(shí)別目標(biāo)。為了滿足處理速度實(shí)時(shí)并保證目標(biāo)檢測準(zhǔn)確有效的需要，本文首先對(duì)背景及當(dāng)前幀圖像提取邊緣圖像，根據(jù)背景邊緣圖像中不同分塊的局部熵，合理選取配準(zhǔn)模型，進(jìn)而通過計(jì)算與當(dāng)前幀邊緣圖像的相關(guān)性，實(shí)現(xiàn)當(dāng)前幀圖像相對(duì)于背景的運(yùn)動(dòng)估計(jì)。通過紅外與可見光圖像的實(shí)驗(yàn)，結(jié)果表明本文方法實(shí)時(shí)準(zhǔn)確的檢測出了當(dāng)前幀與背景之間的運(yùn)動(dòng)偏移，通過背景與補(bǔ)償后的圖像有效的計(jì)算出了當(dāng)前幀中的運(yùn)動(dòng)變化目標(biāo)，是一種非常適合于工程中應(yīng)用的場景運(yùn)動(dòng)檢測技術(shù)。

［1］劉文萍，賀娜.一種新的背景減運(yùn)動(dòng)目標(biāo)檢測方法［J］.計(jì)算機(jī)工程與應(yīng)用，2011，47（22）：175－179.LIU W P，HE N.Moving object detection method based on background subtraction ［J］.Computer Engineering and Applications，2011，47（22）：175－179.（in Chinese）

［2］梅躍松，于劍橋，陳曦.移動(dòng)背景下的運(yùn)動(dòng)目標(biāo)跟蹤［J］.紅外與激光工程，2011，40（4）：757－761.Mei Y S，Yu J Q，Chen X.Moving object tracking in the moving background［J］.Infrared and Laser Engineering，2011，40（4）：757－761.（in Chinese）

［3］Guan Y P.Spatio－temporal motion－based foreground segmentation and shadow suppression ［C］.Proceedings of Computer Vision，2010：50－60.

［4］Hafiz F.Foreground segmentation－based human detection with shadow removal［C］.Proceedings of International Conference on Computer and Communication Engineering，2010：1－6.

［5］Bayona A.Stationary foreground detection using background sub－traction and temporal difference in video surveillance［C］.Proceedings of the 17th IEEE International Conference on Image Processing，2010：4657－4660.

［6］Huang M.A study of moving object detection based on combining background profile difference algorithm ［C］.Proceedings of the 2nd International Conference on Industrial and Information Systems，2010：425－428.

［7］吳本濤，吳敏淵，曾霖.自適應(yīng)搜索的快速分塊跟蹤［J］.光學(xué)精密工程，2011，19（3）：703－708.Wu B T，Wu M Y，Zeng L.Fast fragment based tracking using adaptive search ［J］.Optics and Precision Engineering，2011，19（3）：703－708.（in Chinese）

［8］侯晴宇，張偉，武春風(fēng)，等.改進(jìn)的均值移位紅外目標(biāo)跟蹤［J］.光學(xué)精密工程，2010，18（3）：764－770.Hou Q Y，Zhang W，Wu C F，et al.Improved mean－shift based IR target tracking algorithm ［J］.Optics and Precision Engineering，2010，18（3）：764－770.（in Chinese）

［9］吳君欽，劉昊，羅勇.靜態(tài)背景下的運(yùn)動(dòng)目標(biāo)檢測算法［J］.液晶與顯示，2012，27（5）：682－685.Wu J Q，LIU H，Luo Y.Algorithm of moving object detection in static background［J］.Chinese Journal of LiquidCrystals and Displays，2012，27（5）：682－685.（in Chinese）

［10］孫輝.相位相關(guān)技術(shù)實(shí)現(xiàn)離焦模糊圖像運(yùn)動(dòng)估計(jì)［J］.液晶與顯示，2012，27（2）：223－228.Sun H.Estimation of displacement for out－of－focus blurred image using phase－only correlation［J］.Chinese Journal of Liquid Crystals and Displays，2012，27（2）：223－228.（in Chinese）

［11］盧官明，謝雙.自適應(yīng)背景更新及運(yùn)動(dòng)目標(biāo)檢測算法［J］.南京郵電大學(xué)學(xué)報(bào)：自然科學(xué)版，2013，33（3）：12－17.Lu G M，Xie S.Adaptive background update and moving object detection［J］.Journal of Nanjing University of Posts and Telecommunications ：Natural Science，2013，33（3）：12－17.（in Chinese）

［12］Denman S，F(xiàn)ookes C，Sridharan S.Improved simultaneous computation of motion detection and optical flow for object tracking［C］.Proceedings of Digital Image Computing：Techniques and Applications，2009：175－182.

［13］Xiao B X.Moving object detection and recognition based on the frame difference algorithm and moment invariant features［C］.Proceedings of the 27th Chinese Control Conference，2008：578－581.