基于五幀差分法的動態(tài)目標(biāo)檢測新算法

郭 春 鳳

(福建師范大學(xué)福清分校電子與信息工程學(xué)院， 福建 福清 350300)

?

基于五幀差分法的動態(tài)目標(biāo)檢測新算法

郭 春 鳳

(福建師范大學(xué)福清分校電子與信息工程學(xué)院， 福建 福清 350300)

針對傳統(tǒng)幀差分法檢測準(zhǔn)確率低且對光照變化敏感的問題，提出了改進(jìn)的五幀差分的目標(biāo)檢測方法。首先將連續(xù)的五幀彩色圖像轉(zhuǎn)為灰度圖，并進(jìn)行高斯濾波和中值濾波除噪；然后將當(dāng)前幀分別與前2幀、后2幀進(jìn)行差分二值化運算；再將4個幀差分結(jié)果進(jìn)行先“或”再“與”運算；通過形態(tài)學(xué)后處理檢測出目標(biāo)；最后引進(jìn)一個新的綜合指標(biāo)H評估檢測算法的優(yōu)劣。實驗結(jié)果表明，該算法能快速地檢測出目標(biāo)，能適應(yīng)光照變化等復(fù)雜場景下的目標(biāo)檢測，具有較強(qiáng)的魯棒性和較高的準(zhǔn)確率。

五幀差分法； 復(fù)雜場景； 目標(biāo)檢測

目標(biāo)檢測一直是計算機(jī)視覺領(lǐng)域的研究熱點，在自動監(jiān)控、軍隊?wèi)?zhàn)斗、模擬現(xiàn)實和動態(tài)分析中都有廣泛的應(yīng)用前景[1]。目前常用的目標(biāo)檢測方法主要有：光流法、背景差分法、幀差分法[2]。光流法體現(xiàn)了三維場景及其平面投影豐富的動態(tài)信息，但其算法計算量大，需要特殊的硬件支持，對噪聲比較敏感[3]；背景差分法算法開銷小、速度快，但此方法需依托穩(wěn)健的背景模型，對于背景的擾動、光照的突變等極其敏感[4]；幀差分法能適應(yīng)靜態(tài)和動態(tài)背景，無需提取和更新背景，時間復(fù)雜度低，但容易出現(xiàn)空洞和雙影現(xiàn)象[5]?；趥鹘y(tǒng)幀差分的改進(jìn)，許多專家學(xué)者紛紛提出三幀差分、雙向差分相乘、對稱差分、區(qū)域差分、累積差分等。這些方法雖一定程度上改進(jìn)了傳統(tǒng)幀差分的一些不足，但仍受限于某些特定的場景，準(zhǔn)確率低，魯棒性不強(qiáng)。為此，文獻(xiàn)[6]、[7]提出了五幀差分法，一定程度上減少了漏撿情況，然而，其目標(biāo)仍存在部分空洞現(xiàn)象和邊緣不夠連續(xù)的問題。因此，本次研究提出了一種改進(jìn)的五幀差分的目標(biāo)檢測新算法。改進(jìn)的算法能快速地檢測出目標(biāo)，具有較高的準(zhǔn)確率和較強(qiáng)的魯棒性，能適應(yīng)光照變化、背景擾動等復(fù)雜場景下的目標(biāo)檢測。

1 傳統(tǒng)幀差分法

傳統(tǒng)的幀差分法是通過計算相鄰幀圖像之間的變化量來獲取動態(tài)目標(biāo)的方法，其中尤以三幀差分法為經(jīng)典。三幀差分法是在視頻序列圖像中，選取任意相鄰的三幀圖像Ht+1(x,y),Ht(x,y),Ht-1(x,y)

分別對前2幀和后2幀做幀差，然后閾值化如下：

(1)

(2)

對上述2個幀差圖像閾值化的結(jié)果進(jìn)行“與”運算，從而提取出目標(biāo)圖像：

Bt(x,y)=gt(x,y)?ht(x,y)

(3)

2 改進(jìn)的五幀差分法

五幀差分法是基于傳統(tǒng)三幀差分法而被提出的。三幀差分法雖然具有容易實現(xiàn)、時間復(fù)雜度低等優(yōu)點，但是其目標(biāo)輪廓往往表現(xiàn)為不連續(xù)，易出現(xiàn)很多的空洞[6]，且對于光照變化或背景擾動等場景時，無法提取出完整的目標(biāo)信息[7]。為解決以上問題，文獻(xiàn)[6]、[7]均對三幀差分法加以改進(jìn)，提出了五幀差分法:文獻(xiàn)[6]的五幀差分法是取五幀連續(xù)圖像中的中間幀分別與前2幀、后2幀進(jìn)行差分，將4個幀差結(jié)果進(jìn)行先“與”再“或”運算，一定程度上減少了漏撿情況，然而其目標(biāo)邊緣不連續(xù);文獻(xiàn)[7]的五幀差分法是通過先對五幀圖像進(jìn)行中值濾波，再將4個差分結(jié)果分2組分別進(jìn)行取“與”和“異或”操作，再進(jìn)行取“或”操作，最后取“與”運算。雖然克服了目標(biāo)輪廓不連續(xù)的問題，但仍存在較多空洞現(xiàn)象，檢測準(zhǔn)確率不高。為此，本次研究提出一種改進(jìn)的五幀差分新方法，其具體步驟主要有3步。

(1)選取相鄰的5幀圖像fk-2(x,y),fk-1(x,y),fk(x,y),fk+1(x,y),fk+2(x,y),分別將其轉(zhuǎn)為相應(yīng)的灰度圖像，依次進(jìn)行高斯濾波和中值濾波，去除高斯噪聲和椒鹽噪聲，得到相應(yīng)的5幀圖像Ik-2(x,y),Ik-1(x,y),Ik(x,y),Ik+1(x,y),Ik+2(x,y)。

(2)以第K幀圖像作為當(dāng)前幀，分別與前2幀和后2幀進(jìn)行幀差運算：

d1(x,y)=|Ik(x,y)-Ik-2(x,y)|

(4)

d2(x,y)=|Ik(x,y)-Ik-1(x,y)|

(5)

d3(x,y)=|Ik(x,y)-Ik+1(x,y)|

(6)

d4(x,y)=|Ik(x,y)-Ik+2(x,y)|

(7)

得到差分結(jié)果di(x,y)(i=1,2,3,4)，分別進(jìn)行二值化：

(8)

式中T為二值化閾值，取T=0.1。

為避免空洞現(xiàn)象，對上述二值化結(jié)果hi(x,y)分別進(jìn)行“或”運算：

g14(x,y)=h1(x,y)⊕h4(x,y)

(9)

g23(x,y)=h2(x,y)⊕h3(x,y)

(10)

為克制“或”運算導(dǎo)致的目標(biāo)重疊現(xiàn)象，對g14(x,y)、g23(x,y)進(jìn)行“與”運算，得到第k幀圖像的目標(biāo)輪廓：

Bk(x,y)=g14(x,y)?g23(x,y)

(11)

(3)對得到的目標(biāo)進(jìn)行膨脹、腐蝕、填充等形態(tài)學(xué)后處理，以剔除噪聲，減少空洞現(xiàn)象，使邊緣輪廓更連續(xù)，目標(biāo)區(qū)域更加顯著。

3 實驗結(jié)果對比

3.1 實驗結(jié)果直觀圖

為驗證改進(jìn)的五幀差分法的有效性，選取不同場景的視頻序列進(jìn)行仿真測試。場景1為緩慢運動的行人視頻SampleVideo.avi，場景2為快速運動的車輛視頻car.avi，2個場景中均伴隨有光照變化、背景擾動等復(fù)雜場景。實驗硬件平臺為Intel Core 2 Duo T6400 2.0 GHz 處理器，2 G內(nèi)存，軟件平臺為Matlab 2010 b。

分別用三幀差分法、五幀差分法和改進(jìn)的五幀差分法對同一場景的視頻序列進(jìn)行Matlab實驗仿真，仿真對比結(jié)果如圖1所示。

圖1 不同算法對同一視頻序列檢測結(jié)果對比圖

本次研究提出的改進(jìn)的五幀差分法能適用于光照變化、背景擾動等復(fù)雜場景的目標(biāo)檢測。與三幀差分法、五幀差分法相比，該方法所獲取的目標(biāo)邊緣更連續(xù)，目標(biāo)輪廓更完整，空洞現(xiàn)象較少，目標(biāo)信息更豐富，能為后續(xù)識別跟蹤提供更好的數(shù)據(jù)。

3.2 實驗結(jié)果量化分析

為更好地評價改進(jìn)的五幀差分法的性能，對檢測結(jié)果進(jìn)行客觀量化評估。在目前的許多文獻(xiàn)中往往采用識別率η和誤檢率ξ2個指標(biāo)來度量檢測算法的準(zhǔn)確率[7]。η和ξ定義如下:

(12)

(13)

式中：TP— 正確檢測為前景的像素點數(shù)；

FN— 未被正確檢測為前景的像素點數(shù)；

FP— 錯誤檢測為前景的像素點數(shù)。

為保證較高的準(zhǔn)確率，算法應(yīng)同時達(dá)到較高的識別率和較低的誤檢率，然而識別率和誤檢率是相互關(guān)聯(lián)的[8],鑒于目前沒有一個綜合指標(biāo)來直觀評估檢測算法的準(zhǔn)確率[9]，因此通過引進(jìn)一個新的綜合指標(biāo)H來評估目標(biāo)檢測算法的性能。當(dāng)識別率η越高和誤檢率ξ越低時，H值越大。如果H值越大，則表明其檢測準(zhǔn)確率越高，H值定義如下：

(14)

表1 傳統(tǒng)幀差分方法與改進(jìn)方法檢測率對比結(jié)果

改進(jìn)五幀差分算法的H值要高于傳統(tǒng)三幀差分法和五幀差分法[6-7]，準(zhǔn)確率較高。這是因為采用了連續(xù)五幀的圖像信息，比三幀差分具有更多的參考信息，具有較高的準(zhǔn)確率。本次研究將當(dāng)前幀分別與前2幀、后2幀得到的4個幀差分結(jié)果進(jìn)行“或”運算，即先粗略提取差分中共同動態(tài)目標(biāo)，避免了很多空洞現(xiàn)象，再“與”運算，則刪除掉相鄰圖像的重疊部分，從而能提取出較為完整的目標(biāo)輪廓，邊緣更連續(xù)，目標(biāo)信息更豐富，且處理速度能達(dá)20幀s,能滿足實時性的需要。

4 結(jié) 語

為提高檢測的準(zhǔn)確率，利用連續(xù)的5幀圖像進(jìn)行運算，先將彩色圖轉(zhuǎn)為灰度圖，并進(jìn)行高斯濾波和中值濾波，然后將當(dāng)前幀分別與前2幀、后2幀進(jìn)行差分二值化運算，再將4個幀差分結(jié)果進(jìn)行先“或”再“與”運算，最后進(jìn)行形態(tài)學(xué)后運算，從而檢測出目標(biāo)。通過引進(jìn)一個新的綜合指標(biāo)H對算法的好壞進(jìn)行評估，綜合考慮了算法識別率和誤檢率。結(jié)果表明，新算法具有較高的準(zhǔn)確率和較強(qiáng)的魯棒性，能快速地檢測出目標(biāo)，并能實時適應(yīng)光照變化等復(fù)雜場景下的目標(biāo)檢測，對后續(xù)的識別分類、異常分析等具有一定的參考價值。

[1] 劉威.基于碼書模型的動態(tài)背景建模及前景目標(biāo)檢測[D].天津：天津大學(xué),2013:30-32.

[2] 王雯，陳麗，李晨，等.YUV空間下基于碼本模型的視頻運動目標(biāo)檢測方法[J].武漢大學(xué)學(xué)報(工學(xué)版),2015,48(3):412-416.

[3] 劉曉悅，孟妍.運動目標(biāo)檢測與跟蹤算法的研究[J].河北聯(lián)合大學(xué)學(xué)報(自然科學(xué)版),2015,37(1)：65-69.

[4] 劉萬軍，李琳.基于熵理論改進(jìn)混合高斯模型的運動目標(biāo)檢測算法[J].計算機(jī)應(yīng)用研究,2015,32(7):1-6.

[5] 池利陽,李民政,吳新強(qiáng).一種運動目標(biāo)檢測實時性和魯棒性的方法[J].計算機(jī)應(yīng)用與軟件,2015,32(2):132-134.

[6] 舒欣,李東新,薛東偉.五幀差分和邊緣檢測的運動目標(biāo)檢測[J].計算機(jī)系統(tǒng)應(yīng)用,2014,23(1):124-127.

[7] 陳志勇，彭力，張紀(jì)寬.動態(tài)環(huán)境下改進(jìn)五幀差分的運動目標(biāo)檢測新算法[J].江南大學(xué)學(xué)報(自然科學(xué)版),2015,14(1):34-37.

[8]ShimadaA,NagaharaH,TaniguchiR.BackgroundModelingBasedonBidirectionalAnalysis[C]IEEE.ComputerVisionandPatternRecognition(CVPR), 2013IEEEConferenceon.[s.l.]:IEEE, 2013: 1979-1986.

[9]GolchinM,KhalidF,AbdullahLN,etal.ShadowDetectionUsingColorandEdgeInformation[J].JournalofComputerScience, 2013,9(11):52-62.

An Improved Algorithm Based on the Five Frame Difference Method for Dynamic Target Detection

GUOChunfeng

(College of Electronics and Information Engineering, Fuqing Branch of Fujian Normal University,Fuqing Fujian 350300, China)

In view of the problem of low detection accuracy and high sensitivity to illumination changes in the traditional method of adjacent frame difference, this paper proposes an improved method of five frame difference for target detection. Firstly, we could convert five consecutive RGB images to grayscale images, and utilize Gaussian filter and Median filter to filter the noise. Secondly, we can make the current frame minus the previous two frames and the next two frames separately, and do their binary operation. Thirdly, we could apply morphology to post-process the image. Finally, this paper introduces a new comprehensive index H to evaluate the algorithm of detection. Experimental results show that the proposed algorithm can quickly detect the moving target and adapt to the changing illumination in the complex scenario. Therefor, the improved algorithm has stronger robustness and higher accuracy.

five frame difference; complex scenario; target detection

2015-06-02

福建省自然科學(xué)基金項目“基于啟發(fā)式算法的腦磁源定位”(2015J05146)

郭春鳳(1988 — )，女，福建省永春人，碩士，助教，研究方向為圖像處理、計算機(jī)視覺。

TP391.43

A

1673-1980(2015)05-0087-03