基于Surendra背景差分和幀間差分的運(yùn)動(dòng)目標(biāo)檢測(cè)

王水魚(yú)，李艷婷

(西安理工大學(xué) 自動(dòng)化與信息工程學(xué)院，陜西 西安 710048)

?

基于Surendra背景差分和幀間差分的運(yùn)動(dòng)目標(biāo)檢測(cè)

王水魚(yú)，李艷婷

(西安理工大學(xué) 自動(dòng)化與信息工程學(xué)院，陜西 西安 710048)

運(yùn)動(dòng)目標(biāo)檢測(cè)是視頻監(jiān)控和目標(biāo)跟蹤研究的前提，目標(biāo)提取是否準(zhǔn)確，將直接影響到后期目標(biāo)跟蹤和處理的效果。該文在背景減除法和五幀差分法的基礎(chǔ)上，提出了將兩種算法相結(jié)合的方法，對(duì)視頻序列中的運(yùn)動(dòng)目標(biāo)進(jìn)行檢測(cè)。首先采用Surendra背景減除法建立背景模型，并通過(guò)迭代法計(jì)算出動(dòng)態(tài)閾值，完成背景更新，然后將檢測(cè)出的運(yùn)動(dòng)目標(biāo)區(qū)域與五幀差分法得到的目標(biāo)輪廓圖形進(jìn)行邏輯“或”操作，取得比較完整的運(yùn)動(dòng)目標(biāo)，最后采用連通性檢測(cè)和孔洞填充方法綜合得到運(yùn)動(dòng)區(qū)域圖像。通過(guò)MATLAB驗(yàn)證和量化評(píng)估表明，該方法能準(zhǔn)確地檢測(cè)出運(yùn)動(dòng)目標(biāo)，同時(shí)在識(shí)別率和誤檢率方面也得到了較好結(jié)果。

背景差分法；五幀差分法；動(dòng)態(tài)閾值；運(yùn)動(dòng)目標(biāo)檢測(cè)

引用格式：王水魚(yú)，李艷婷. 基于Surendra背景差分和幀間差分的運(yùn)動(dòng)目標(biāo)檢測(cè)[J].微型機(jī)與應(yīng)用，2016,35(17)：42-44,48.

0　引言

近年來(lái)，運(yùn)動(dòng)目標(biāo)檢測(cè)技術(shù)的發(fā)展和應(yīng)用研究非常廣泛。目前運(yùn)動(dòng)目標(biāo)檢測(cè)的方法主要有[1]背景差分法、幀差分法和光流法。根據(jù)運(yùn)動(dòng)目標(biāo)與攝像機(jī)之間的相對(duì)位置關(guān)系，運(yùn)動(dòng)目標(biāo)檢測(cè)場(chǎng)景可以分為靜態(tài)場(chǎng)景和動(dòng)態(tài)場(chǎng)景。本文主要針對(duì)背景和攝像頭固定不變的場(chǎng)景進(jìn)行運(yùn)動(dòng)目標(biāo)檢測(cè)算法研究[2]。

1　運(yùn)動(dòng)目標(biāo)檢測(cè)算法比較

背景差分法的優(yōu)點(diǎn)是適用于靜止背景，檢測(cè)速度快，實(shí)時(shí)性強(qiáng)，能夠檢測(cè)到比較完整的運(yùn)動(dòng)目標(biāo)[3]；缺點(diǎn)是環(huán)境突變適用性差。因此，背景幀的選取至關(guān)重要，若選取不當(dāng)，將嚴(yán)重影響檢測(cè)效果。

幀差分法的優(yōu)點(diǎn)是無(wú)需提取和更新背景，對(duì)光線(xiàn)變化不敏感，能夠檢測(cè)到目標(biāo)的邊界[4]；缺點(diǎn)是圖像噪聲影響大，檢測(cè)的運(yùn)動(dòng)目標(biāo)輪廓不完全，容易產(chǎn)生“空洞”、“雙影”現(xiàn)象。

光流法體現(xiàn)了三維場(chǎng)景及其平面投影豐富的動(dòng)態(tài)信息，其優(yōu)點(diǎn)是檢測(cè)精度高，不用預(yù)先知道視頻信息就可以檢測(cè)出運(yùn)動(dòng)物體[5]；缺點(diǎn)是算法復(fù)雜度高，實(shí)時(shí)性較差，抗噪性能不好。

通過(guò)對(duì)以上三種算法優(yōu)缺點(diǎn)的比較，本文采用背景減除算法與幀間差分算法相結(jié)合對(duì)運(yùn)動(dòng)目標(biāo)進(jìn)行檢測(cè)。

1.1算法流程

首先提取出視頻圖像序列，采用基于Surendra背景減除算法來(lái)構(gòu)造背景模型，不斷進(jìn)行實(shí)時(shí)背景更新，在使用五幀差分算法之前，先進(jìn)行中值濾波，有效克服噪聲影響大、提取目標(biāo)不連續(xù)等問(wèn)題，在這兩種算法中都采用自適應(yīng)動(dòng)態(tài)閾值進(jìn)行閾值分割，以適應(yīng)場(chǎng)景和光線(xiàn)變化。由于單獨(dú)使用一種檢測(cè)算法存在一定的缺陷，所以將兩種算法得到的二值圖像相結(jié)合，進(jìn)行邏輯“或”運(yùn)算，最后對(duì)圖像做后處理，以得到較為準(zhǔn)確的目標(biāo)圖像[6]。算法流程圖如圖1所示。

圖1　算法流程圖

1.2Surendra算法基本原理

在背景減除法中，如果提取出的背景圖像不能很好地反映實(shí)際場(chǎng)景效果，則一定會(huì)影響運(yùn)動(dòng)目標(biāo)的檢查結(jié)果，因此，準(zhǔn)確構(gòu)建一個(gè)表征背景的圖像就至關(guān)重要。鑒于目前各種背景建模方法(如基于像素的高斯混合模型、應(yīng)用統(tǒng)計(jì)edge-segments建立背景模型[8]等)需要一個(gè)高效的自適應(yīng)算法來(lái)更新參數(shù)，故本文采用Surendra算法建立實(shí)時(shí)更新場(chǎng)景背景模型[3]，在閾值更新時(shí)采用迭代法計(jì)算閾值，可以降低算法復(fù)雜度。Surendra算法提取背景圖像的核心思想是：對(duì)當(dāng)前幀圖像做前后兩幀的幀間差分，然后對(duì)差分值的亮度值進(jìn)行判斷，找到物體的運(yùn)動(dòng)區(qū)域，如果差分圖像中某一像素點(diǎn)的差分亮度值大于閾值，那么該像素點(diǎn)為前景像素點(diǎn)，如果亮度值小于閾值，則背景圖像被當(dāng)前幀更新替換，這樣連續(xù)迭代一定次數(shù)便可提取出背景[6]。其算法步驟如下：

(1)建立初始背景圖像B1。通常情況下，將第1幀圖像作為初始背景B1，考慮受環(huán)境變化的影響，采用算術(shù)平均法建立背景圖像，在連續(xù)讀入N幀圖像時(shí)，取最初的N/2幀圖像數(shù)據(jù)求平均，作為最起始的背景圖像B1，可以有效避免變化劇烈的像素點(diǎn)帶來(lái)的影響。

(2)令迭代次數(shù)i=1,將T作為閾值，m為最大的迭代次數(shù)[6]。

(3)當(dāng)前幀的幀差分圖像：

(1)

(4)使用二值圖像Di來(lái)更新背景圖像Bi[9]，即：

(2)

式(2)中，Bi(x,y)是背景圖像，Di(x,y)是前景圖像，fi(x,y)是第i幀圖像，α(0<α<1)是背景更新速率[9]。α決定著背景更新的快慢，經(jīng)多次試驗(yàn)證明，α=0.1時(shí)能夠得到較好的背景圖像。

(5)i=i+1，返回第(3)步運(yùn)算，如此重復(fù)執(zhí)行，直到i等于m時(shí)結(jié)束，此時(shí)背景圖像就是Bi(x，y)。

1.3閾值T的選擇

閾值T的選擇至關(guān)重要，之前的方法基本上都是基于實(shí)驗(yàn)測(cè)試人為給定一個(gè)固定值，如果閾值選擇合適就能很好地適應(yīng)場(chǎng)景變化，否則會(huì)導(dǎo)致分割效果變差。本文閾值分割采用動(dòng)態(tài)閾值法。算法過(guò)程如下:

(1)計(jì)算初始閾值[6]:

(3)

式(3)中Dmax、Dmin為差分圖像的最大、最小灰度值。

(2)求出平均灰度值：

(4)

(5)

式(4)、(5)中D(x，y)為差值圖像的灰度值，N(x，y)為權(quán)重系數(shù)，Tk為閾值[9]。

(3)令新的閾值為：

(6)

(4) 反復(fù)執(zhí)行上述過(guò)程，直到Tk=Tk+1，此時(shí)可得最佳閾值Tk。

1.4五幀差分算法

在進(jìn)行五幀差分算法之前，先對(duì)視頻圖像序列進(jìn)行中值濾波去除噪聲，以保證圖像質(zhì)量，再提取連續(xù)5幀彩色圖像將其轉(zhuǎn)換為灰度圖[7]，然后以第K幀圖像作為當(dāng)前幀，分別與前兩幀和后兩幀做幀差運(yùn)算；之后再將得到的4個(gè)二值化結(jié)果進(jìn)行邏輯“或”、“與”運(yùn)算。五幀差分法是基于傳統(tǒng)的三幀差分法而被提出來(lái)的，三幀差分法雖然具有容易實(shí)現(xiàn)、時(shí)間復(fù)雜度低等優(yōu)點(diǎn)，但是其目標(biāo)輪廓容易出現(xiàn)空洞，往往表現(xiàn)為不連續(xù)，且對(duì)光照變化、背景擾動(dòng)等場(chǎng)景，無(wú)法提取出完整的目標(biāo)信息，因此針對(duì)上述問(wèn)題，提出了五幀差分法。其步驟如下[7]：

(1)選取連續(xù)相鄰的5幀圖像fk-2(x,y)、fk-1(x,y)、fk(x,y)、fk+1(x,y)和fk+2(x,y)，分別將其轉(zhuǎn)為相應(yīng)的灰度圖，得到相應(yīng)的5幀灰度圖為Ik-2(x,y)、Ik-1(x,y)、Ik(x,y)、Ik+1(x,y)和Ik+2(x,y)。

(2)對(duì)5幀灰度圖像進(jìn)行幀差運(yùn)算:

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

(7)

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

(8)

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

(9)

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

(10)

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

(11)

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

g12(x,y)=h1(x,y)⊕h2(x,y)

(12)

g34(x,y)=h3(x,y)⊕h4(x,y)

(13)

為解決“或”運(yùn)算中目標(biāo)出現(xiàn)重疊現(xiàn)象，對(duì)g12(x,y)、g34(x,y)進(jìn)行“與”運(yùn)算，得到第K幀圖像的目標(biāo)輪廓：

Bk(x,y)=g12(x,y)?g34(x,y)

(14)

1.5圖像后處理

將兩種算法得到的圖像做邏輯“或”運(yùn)算，實(shí)驗(yàn)結(jié)果發(fā)現(xiàn)，得到的二值前景圖像中仍會(huì)有一些噪聲和小雜亂點(diǎn)及孔洞存在[3]。因此在前景圖像中使用四連通域檢測(cè)方法尋找運(yùn)動(dòng)目標(biāo)的輪廓，計(jì)算出每個(gè)連通區(qū)域的面積，設(shè)定輪廓面積閾值，然后把面積小于閾值的當(dāng)作噪聲拋棄，面積大于閾值的定為目標(biāo)連通域，之后用前景色對(duì)輪廓內(nèi)部填充，就可以有效消除孤立噪聲，獲取輪廓完整、清晰的運(yùn)動(dòng)目標(biāo)。

2　實(shí)驗(yàn)結(jié)果分析

2.1實(shí)驗(yàn)結(jié)果直觀(guān)圖

以MATLAB2011a進(jìn)行仿真實(shí)驗(yàn)，分別對(duì)視頻序列SampleVideo.avi和vipmen.avi進(jìn)行測(cè)試。各方法檢測(cè)結(jié)果如圖2、圖3所示。

圖2　檢測(cè)結(jié)果對(duì)比

圖3　檢測(cè)結(jié)果對(duì)比

由MATLAB仿真結(jié)果對(duì)比可知，本文方法所獲取的目標(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)信息也更為豐富。

2.2實(shí)驗(yàn)結(jié)果量化分析

在目前的許多文獻(xiàn)中多采用識(shí)別率η和誤檢率ξ兩個(gè)指標(biāo)來(lái)度量檢測(cè)算法的準(zhǔn)確率?；趨⒖嘉墨I(xiàn)[7]，由于目前沒(méi)有一個(gè)綜合指標(biāo)來(lái)直觀(guān)評(píng)估檢測(cè)算法的準(zhǔn)確率，因此通過(guò)引進(jìn)一個(gè)新的綜合指標(biāo)H來(lái)評(píng)估目標(biāo)檢測(cè)算法的性能。當(dāng)識(shí)別率η越高和誤檢率ξ越低時(shí)，H值越大。如果H值越大，則表明其檢測(cè)準(zhǔn)確率越高，H值定義如下:

(15)

由表1檢測(cè)率結(jié)果可知，本文算法的識(shí)別率最大，誤檢率最低，計(jì)算出H值為最大，所以本文算法具有較好的檢測(cè)性能。

表1　圖2各種算法檢測(cè)率對(duì)比結(jié)果

3　結(jié)論

本文利用背景差分算法和幀間差分算法的優(yōu)勢(shì)互補(bǔ)關(guān)系[10]，將兩種算法相結(jié)合，既解決了背景差分對(duì)外界環(huán)境突變的敏感問(wèn)題，降低了移動(dòng)目標(biāo)的誤檢率，同時(shí)也解決了幀間差分針對(duì)移動(dòng)速度較慢的運(yùn)動(dòng)目標(biāo)的漏檢問(wèn)題，達(dá)到了較好的檢測(cè)效果。通過(guò)直觀(guān)圖和量化結(jié)果分析，驗(yàn)證了本文算法能夠有效解決孔洞、雙影等問(wèn)題，并建立實(shí)時(shí)背景更新模型，準(zhǔn)確檢測(cè)出目標(biāo)圖像，對(duì)后期的目標(biāo)跟蹤、識(shí)別分類(lèi)和異常分析等都具有重要的參考價(jià)值。

[1] 李立現(xiàn).監(jiān)控系統(tǒng)中運(yùn)動(dòng)目標(biāo)檢測(cè)算法分析[J].電腦知識(shí)與技術(shù)，2013,9(34)：7864-7866.

[2] 吳君欽，劉昊，羅勇.靜態(tài)背景下的運(yùn)動(dòng)目標(biāo)檢測(cè)算法[J].液晶與顯示，2012,27(5)：682-685.

[3] 何煒.自適應(yīng)運(yùn)動(dòng)目標(biāo)檢測(cè)和跟蹤技術(shù)研究[D].昆明：云南大學(xué)，2011.

[4] 池利陽(yáng)，李民政，吳新強(qiáng).一種運(yùn)動(dòng)目標(biāo)檢測(cè)實(shí)時(shí)性和魯棒性的方法[J].計(jì)算機(jī)應(yīng)用與軟件，2015,32(2)：1-6.

[5] 張順淼，呂開(kāi)東.一種基于Surendra背景更新的背景減除運(yùn)動(dòng)目標(biāo)檢測(cè)方法[J].南京工程學(xué)院學(xué)報(bào)(自然科學(xué)版)，2011,9(2)：22-26.

[6] 紀(jì)清華，禹素萍.基于Surendra背景減除法和四幀差分法的目標(biāo)檢測(cè)算法[J]. 計(jì)算機(jī)應(yīng)用與軟件，2014,31(12)：242-244.

[7] 郭春鳳.基于五幀差分法的動(dòng)態(tài)目標(biāo)檢測(cè)新算法[J].重慶科技學(xué)院學(xué)報(bào)(自然科學(xué)版)，2015,17(5)：87-89.

[8] YANG M H, Huang Chunrong, Liu Wanchen, et al. Binary descriptor based nonparametric background modeling for foreground extraction by using detection theory[J]. Circuits and Systems for Video Technology, IEEE Transaction on. 2015,25(4):595-608.

[9] 紀(jì)清華.基于視頻的人體行為分析算法的研究[D].上海：東華大學(xué)，2013.

[10] 雷飛，黃文路，張澤.基于邊緣檢測(cè)與碼本模型的運(yùn)動(dòng)目標(biāo)檢測(cè)算法[J].科學(xué)與技術(shù)工程，2013,13(24):7234-7239.

Moving target detection based on Surendra background subtraction and frame difference

Wang Shuiyu，Li Yanting

(School of Automation and Information Engineering, Xi’an University of Technology, Xi’an 710048 , China)

Moving target detection is the precondition of video monitoring and target tracking research, the accuracy of extraction target, will directly affect the later period of target tracking and processing. This paper put forward a kind of algorithm based on the background subtraction combine with five frame difference method for moving target detection in video sequences. Firstly it uses Surendra background subtraction to establish the background model, through iterative method to calculate the dynamic threshold to complete background updates, and then combines the detected moving target area with five frame difference method to get the target contour of graphics by using the Boolean or operator, the complete moving targets are obtained. Finally, it uses connectivity detection and hole filling method to get motion region image. MATLAB simulation results and quantitative evaluation show that the method can accurately detect moving targets, meanwhile in terms of recognition rate and false detection rate achieve a good result.

background subtraction algorithm；five-frame difference；dynamic threshold; moving target detection

TP391.4

ADOI： 10.19358/j.issn.1674- 7720.2016.17.013

2016-05-05)

王水魚(yú)(1958-)，男，博士，副教授，主要研究方向：信號(hào)采集系統(tǒng)與電子測(cè)量技術(shù)。

李艷婷(1992-)，通信作者，女，碩士研究生，主要研究方向：電路設(shè)計(jì)與系統(tǒng)集成。E-mail:1610622878@qq.com。