基于邊緣特征和多幀差分法的運(yùn)動(dòng)目標(biāo)檢測(cè)算法

火元蓮，秦 梅，宋亞麗

?

基于邊緣特征和多幀差分法的運(yùn)動(dòng)目標(biāo)檢測(cè)算法

火元蓮，秦 梅，宋亞麗

（西北師范大學(xué) 物理與電子工程學(xué)院，甘肅 蘭州 730070）

針對(duì)傳統(tǒng)的邊緣檢測(cè)算法檢測(cè)結(jié)果不連續(xù)、細(xì)節(jié)信息易丟失等缺點(diǎn)，提出了一種用于運(yùn)動(dòng)目標(biāo)檢測(cè)的邊緣檢測(cè)方法。首先在背景差分的基礎(chǔ)上用平移法檢測(cè)目標(biāo)邊緣，該方法能夠提取到更為精確、細(xì)節(jié)特征更加豐富、閉合性更好的目標(biāo)邊緣；然后將邊緣檢測(cè)與多幀差分法相結(jié)合進(jìn)行運(yùn)動(dòng)目標(biāo)檢測(cè)。該方法的優(yōu)勢(shì)在于，在目標(biāo)檢測(cè)的過(guò)程中不需要進(jìn)行背景建模與更新。實(shí)驗(yàn)結(jié)果表明，該方法思路簡(jiǎn)單，易于實(shí)現(xiàn)，檢測(cè)結(jié)果精準(zhǔn)，實(shí)時(shí)性較好。

邊緣檢測(cè)；平移法；目標(biāo)掩碼；目標(biāo)檢測(cè)；多幀差分法

0 引言

在智能交通監(jiān)控系統(tǒng)中，運(yùn)動(dòng)目標(biāo)檢測(cè)的精確性直接影響到后期的行為理解和對(duì)監(jiān)控事件所要采取的處理措施[1-2]。幀差法[3-5]、光流法[6-8]和背景差分法[9-10]是3種經(jīng)典的運(yùn)動(dòng)目標(biāo)檢測(cè)方法。其中，幀差法的實(shí)時(shí)性和對(duì)環(huán)境的適應(yīng)能力較好，但容易受圖像采樣率和目標(biāo)運(yùn)行速度的影響，檢測(cè)到的目標(biāo)內(nèi)部會(huì)存在不同程度的空洞現(xiàn)象；光流法在無(wú)需預(yù)知場(chǎng)景任何信息的情況下便可完整地檢測(cè)到運(yùn)動(dòng)目標(biāo)，但對(duì)噪聲和光線變化敏感，算法計(jì)算量大，實(shí)時(shí)性較差，難以得到廣泛的應(yīng)用；背景差分法是目前最為常用的一種方法，具有原理簡(jiǎn)單、計(jì)算速度快等優(yōu)點(diǎn)，但需要構(gòu)建背景模型，并通過(guò)不斷地更新來(lái)適應(yīng)背景的變化。混合高斯模型和碼本模型是背景模型構(gòu)建中較為經(jīng)典的方法，前者能夠克服光照、物體停留、背景混亂等干擾因素的影響，但當(dāng)場(chǎng)景中存在緩慢運(yùn)動(dòng)的物體時(shí)，會(huì)出現(xiàn)漏檢情況；后者具有魯棒性強(qiáng)、計(jì)算速率高的優(yōu)點(diǎn)，但容易出現(xiàn)虛檢和漏檢[11-13]。背景差分法檢測(cè)結(jié)果的準(zhǔn)確性和實(shí)時(shí)性很大程度上依賴于背景更新的可靠性和及時(shí)性[14-15]。

為了克服上述方法的不足，本文將幀差法和運(yùn)動(dòng)目標(biāo)的邊緣特征相結(jié)合，提出了一種基于邊緣特征的運(yùn)動(dòng)目標(biāo)檢測(cè)方法。物體的邊緣可以極為精簡(jiǎn)地描述物體的輪廓、形狀等特征信息，而且不易受到噪聲和亮度突變的影響，被廣泛地用于目標(biāo)的檢測(cè)[16]。但是，普通的邊緣檢測(cè)算法檢測(cè)到的是整幅圖像中所有物體的邊緣，包括背景中物體的邊緣，而運(yùn)動(dòng)目標(biāo)檢測(cè)只關(guān)注前景中動(dòng)態(tài)物體的邊緣特征，為了從整幅圖像的邊緣信息中去除背景中物體的邊緣，通常是在前景圖像和背景圖像分別提取邊緣后做差分便可以得到前景物體的邊緣。傳統(tǒng)的Sobel、Prewitt等邊緣檢測(cè)算子的檢測(cè)結(jié)果往往存在目標(biāo)邊緣不完整、輪廓不清晰、斜向邊緣信息易丟失等缺點(diǎn)，使得提取的目標(biāo)邊緣不夠精準(zhǔn)，這會(huì)給后續(xù)的方案選擇帶來(lái)很大的困難[17-19]。針對(duì)這些問(wèn)題，本文在前景圖像與背景圖像差分的基礎(chǔ)上，用平移法提取運(yùn)動(dòng)目標(biāo)邊緣的方法，提取到的邊緣與原目標(biāo)的大小和形狀十分接近，且其邊緣閉合性比傳統(tǒng)邊緣檢測(cè)算子更好。

1 基于平移法的運(yùn)動(dòng)目標(biāo)邊緣檢測(cè)

圖像邊緣檢測(cè)可以大幅度地減少數(shù)據(jù)量，剔除與后續(xù)檢測(cè)不相關(guān)的信息，并且可以保留有用信息的重要特征。精準(zhǔn)的邊緣信息有助于運(yùn)動(dòng)目標(biāo)快速準(zhǔn)確地提取。

1.1 背景差分法提取運(yùn)動(dòng)目標(biāo)二值圖像

首先從視頻序列中提取一幀圖像作為前景圖像f(,)，另外提取一幀圖像作為背景圖像b(,)（這里的背景圖像可以是背景建模算法建立的初始化背景，也可以是從與前景圖像相差30幀以上的視頻圖像中隨機(jī)提取的圖像，具體區(qū)別見(jiàn)1.3節(jié)實(shí)驗(yàn)結(jié)果部分所述），兩幀圖像做差分并進(jìn)行二值化，得到運(yùn)動(dòng)目標(biāo)的二值圖像BW(,)。

式中：為二值化閾值，可根據(jù)前景與背景的亮暗程度來(lái)設(shè)置，本文取固定閾值35。

1.2 平移法提取運(yùn)動(dòng)目標(biāo)邊緣

將二值化圖像BW(,)分別向上下左右及4個(gè)邊角方向做平移，得到八方向平移后的圖像，將這8幅圖像疊加在一起，便可以得到運(yùn)動(dòng)目標(biāo)的邊緣圖像。這里提到的向某個(gè)方向平移，是指將運(yùn)動(dòng)目標(biāo)的二值圖像整體做平移，如圖1所示。

背景差分法檢測(cè)到的目標(biāo)圖像具有準(zhǔn)確性好、完整度高的優(yōu)點(diǎn)，但因?yàn)閷?duì)光線及其他干擾因素較為敏感，會(huì)導(dǎo)致檢測(cè)到的目標(biāo)信息存在一定程度的丟失。圖1(a)是基于背景差分法提取到的運(yùn)動(dòng)目標(biāo)二值圖像的模擬圖，代表目標(biāo)原圖像。圖中標(biāo)1的點(diǎn)代表二值圖像中運(yùn)動(dòng)目標(biāo)的輪廓，為了方便表示，這里只標(biāo)出了目標(biāo)的邊緣。為了更加逼真地模擬差分法得到的目標(biāo)二值圖像，圖中特意將目標(biāo)的3個(gè)邊角地方留出了缺口，表示丟失的目標(biāo)信息。圖1(b)是將圖1(a)中目標(biāo)二值圖像做八方向平移后的圖像，從圖中可以看出，原目標(biāo)邊角的缺口經(jīng)過(guò)平移之后已經(jīng)較好地連接起來(lái)，目標(biāo)邊緣成為了一個(gè)閉合圖像，角點(diǎn)信息更加完整，細(xì)節(jié)特征也更加豐富。

圖1 平移法示意圖

1.3 實(shí)驗(yàn)結(jié)果與分析

為了更好地說(shuō)明該算法的實(shí)用性，本小節(jié)作了兩個(gè)實(shí)驗(yàn)，均采用某小區(qū)的安全監(jiān)控視頻作為視頻序列，視頻為AVI格式，對(duì)其分辨率無(wú)特殊要求。兩個(gè)實(shí)驗(yàn)的區(qū)別在于背景圖像的選擇上，實(shí)驗(yàn)一中的背景圖像是采用文獻(xiàn)[20]中的區(qū)間分布密度法建立的，實(shí)驗(yàn)二的背景圖像則是從視頻中隨機(jī)提取的，條件是與前景圖像相差30幀以上，避免前景目標(biāo)在差分過(guò)程中與自身重合。實(shí)驗(yàn)中分別用Sobel算子、Canny算子、PS算子和平移法提取運(yùn)動(dòng)目標(biāo)的邊緣，將各個(gè)算法的檢測(cè)結(jié)果予以對(duì)比，如圖2和圖3所示。

圖2和圖3均是目標(biāo)邊緣的提取過(guò)程示意圖，其中，圖(a)和圖(b)分別是前景和背景圖像，圖(c)為背景差分法提取的運(yùn)動(dòng)目標(biāo)的二值圖像，這里得到的目標(biāo)圖像比較完整，是因?yàn)楸尘皥D像中不存在更新過(guò)程產(chǎn)生的誤差，但在實(shí)際的目標(biāo)提取過(guò)程中，往往因?yàn)楸尘皥D像質(zhì)量的影響，前景圖像的完整度很難達(dá)到此程度；圖(d)、(e)、(f)、(g)分別是Sobel算子、Canny算子、PS算子、平移法提取到的目標(biāo)邊緣。從4種算法的檢測(cè)結(jié)果中可以看出，Sobel算子檢測(cè)到的邊緣會(huì)有部分信息缺失，而Canny算子檢測(cè)到的邊緣太細(xì)、信息不夠完整，由于PS算子是Prewitt算子和Sobel算子的結(jié)合，與前兩種算子相比，它包含更為豐富的細(xì)節(jié)信息，邊緣也更為完整一些，但仍然存在部分信息缺失、目標(biāo)邊角不閉合的缺點(diǎn)；而平移法更加有效地利用了背景差分法準(zhǔn)確度高的優(yōu)點(diǎn)，通過(guò)八方向的平移之后，提取到的邊緣圖像紋理更加清晰，結(jié)構(gòu)更加完整，與背景中物體具有清晰地分界線，而且邊緣的閉合性更好，這為后續(xù)的處理步驟帶來(lái)了極大的方便。

圖2 實(shí)驗(yàn)一結(jié)果對(duì)比

圖3 實(shí)驗(yàn)二結(jié)果對(duì)比

由于實(shí)驗(yàn)一中的背景圖像是由背景初始化算法建立的，因此，提取到的目標(biāo)邊緣中只有前景中的動(dòng)態(tài)目標(biāo)。這種情況適用于只需要檢測(cè)運(yùn)動(dòng)目標(biāo)的輪廓信息，而不關(guān)心后續(xù)的檢測(cè)、識(shí)別等其他環(huán)節(jié)。而實(shí)驗(yàn)二中的背景圖像是從視頻中隨機(jī)提取的，因此圖3的結(jié)果中不僅包括前景中的動(dòng)態(tài)目標(biāo)，還包括背景中的動(dòng)態(tài)目標(biāo)，但是如果每次邊緣檢測(cè)過(guò)程都進(jìn)行背景建模，會(huì)極大程度地拖慢算法的運(yùn)算速度，降低算法效率，針對(duì)這種情況，下文給出了一種解決辦法，即將邊緣檢測(cè)與幀差法相結(jié)合進(jìn)行運(yùn)動(dòng)目標(biāo)檢測(cè)。

2 邊緣特征與幀差法相結(jié)合的運(yùn)動(dòng)目標(biāo)檢測(cè)

目標(biāo)檢測(cè)算法在保證檢測(cè)準(zhǔn)確性的同時(shí)，實(shí)時(shí)性也是一個(gè)很重要的方面。對(duì)于運(yùn)動(dòng)目標(biāo)檢測(cè)算法來(lái)說(shuō)，背景建模及更新是一個(gè)很重要的部分，目標(biāo)檢測(cè)的準(zhǔn)確性在很大程度上依賴于背景更新的準(zhǔn)確程度，而復(fù)雜多變的環(huán)境給背景更新帶來(lái)了很大的困難，是目標(biāo)檢測(cè)過(guò)程中的一個(gè)難點(diǎn)問(wèn)題。因此，為了實(shí)時(shí)而準(zhǔn)確地檢測(cè)到運(yùn)動(dòng)目標(biāo)，本文針對(duì)上述提到的運(yùn)動(dòng)目標(biāo)邊緣檢測(cè)結(jié)果中存在非前景目標(biāo)的缺點(diǎn)，提出了將邊緣特征與幀差法相結(jié)合的運(yùn)動(dòng)目標(biāo)檢測(cè)方法，該算法不僅可以克服此缺點(diǎn)，還具有無(wú)需進(jìn)行背景建模的優(yōu)點(diǎn)，節(jié)省了檢測(cè)過(guò)程所需時(shí)間，提高了檢測(cè)效率。

2.1 運(yùn)動(dòng)目標(biāo)檢測(cè)

步驟一 提取隨機(jī)掩碼

按照1.3節(jié)中實(shí)驗(yàn)二的步驟提取到如圖3(g)所示的運(yùn)動(dòng)目標(biāo)邊緣，并用形態(tài)學(xué)填充算法對(duì)邊緣圖像做區(qū)域填充，得到目標(biāo)的隨機(jī)掩碼s，如圖4(a)所示。

這里稱為隨機(jī)掩碼，是因?yàn)樵谔崛∧繕?biāo)邊緣的過(guò)程中，背景圖像是從視頻中隨機(jī)提取的，檢測(cè)到的邊緣圖像中不僅包含前景動(dòng)態(tài)目標(biāo)，還包含背景中的動(dòng)態(tài)目標(biāo)。

步驟二 三幀差分法提取真實(shí)掩碼

1）從視頻序列中提取3幀連續(xù)圖像1、2、3，利用3幀差分法求取運(yùn)動(dòng)目標(biāo)的二值圖像(,)。

(,)＝BW(2－1)＋BW(3－2) (2)

式中：BW代表二值化函數(shù)。

2）將二值圖像(,)用形態(tài)學(xué)閉合及填充算法做處理得到目標(biāo)的真實(shí)掩碼t，如圖4(b)所示，它只包含前景中的動(dòng)態(tài)目標(biāo)。

步驟三 提取前景運(yùn)動(dòng)目標(biāo)

將隨機(jī)掩碼s與真實(shí)掩碼t做與運(yùn)算，便可以去除隨機(jī)掩碼中的非前景目標(biāo)，得到前景目標(biāo)m，從而完成運(yùn)動(dòng)目標(biāo)檢測(cè)，結(jié)果如圖4(c)所示。

m＝s×t(3)

圖4(a)是由平移法提取到的隨機(jī)掩碼，它具有與原目標(biāo)形狀及大小更為接近的優(yōu)點(diǎn)，但是它包含背景中的運(yùn)動(dòng)目標(biāo)；圖4(b)是三幀差分法得到的運(yùn)動(dòng)目標(biāo)圖像，該方法具有不受光線及復(fù)雜環(huán)境干擾的優(yōu)點(diǎn)，檢測(cè)結(jié)果中只包含前景動(dòng)態(tài)目標(biāo)，但是提取到的目標(biāo)內(nèi)部會(huì)存在空洞現(xiàn)象，為了將空洞填充起來(lái)，在后期處理過(guò)程中用到了形態(tài)學(xué)膨脹和填充算法，在此過(guò)程中，目標(biāo)的尺寸和形狀會(huì)發(fā)生變化，通過(guò)與原目標(biāo)對(duì)比可以看出，目標(biāo)尺寸在原來(lái)的基礎(chǔ)上擴(kuò)大了很多；圖4(c)為前景目標(biāo)，從圖中可以看出，兩者結(jié)合之后，不僅去除了隨機(jī)掩碼中的非前景目標(biāo)，而且克服了三幀差分法將目標(biāo)尺寸擴(kuò)大的缺點(diǎn)，在不需要建立背景模型的情況下，便可以提取到準(zhǔn)確逼真的前景目標(biāo)。

2.2 實(shí)驗(yàn)結(jié)果與分析

為了證明該方法的可行性，下述實(shí)驗(yàn)除了采用上文用到的小區(qū)安全監(jiān)控視頻以外，還選取了某會(huì)議室的監(jiān)控視頻作為實(shí)驗(yàn)樣本，視頻均為AVI格式，對(duì)其分辨率無(wú)特殊要求。從各個(gè)視頻中提取一幀圖像作為前景圖像，并按照1.3節(jié)實(shí)驗(yàn)二中背景的選取條件從視頻序列中提取一幀圖像作為背景圖像，按照2.1節(jié)的步驟檢測(cè)動(dòng)態(tài)目標(biāo)。實(shí)驗(yàn)結(jié)果如圖5所示。

將圖5中的運(yùn)動(dòng)目標(biāo)圖像和幀差法提取到的真實(shí)掩碼及前景圖像作對(duì)比可以看出，將邊緣特征與幀差法相結(jié)合的方法可以準(zhǔn)確地提取到更加逼真的運(yùn)動(dòng)目標(biāo)圖像，目標(biāo)與背景的分界線更加清晰。同時(shí)為了驗(yàn)證本文算法的準(zhǔn)確性，以直接背景差分法的檢測(cè)結(jié)果為參考（此處的直接是指，背景差分法中的每一幀背景圖像均由背景初始化算法計(jì)算得到，經(jīng)驗(yàn)證無(wú)誤的情況下再進(jìn)行前景目標(biāo)檢測(cè)），在同條件、同圖像的前提下，計(jì)算三幀差分法、基于混合高斯背景建模的目標(biāo)檢測(cè)方法和本文算法相對(duì)于直接背景差分法的檢測(cè)準(zhǔn)確率[21]，以及3種算法的時(shí)間復(fù)雜度和空間復(fù)雜度。統(tǒng)計(jì)結(jié)果如表1所示。從表中可以看出，3幀差分法的相對(duì)檢測(cè)準(zhǔn)確率為67.43%，這就意味著幀差法經(jīng)過(guò)形態(tài)學(xué)處理后的結(jié)果中有32.57%的像素點(diǎn)

圖4 邊緣檢測(cè)與幀差法相結(jié)合的過(guò)程

Fig.4 The combination process of edge detection and frame difference

圖5 運(yùn)動(dòng)目標(biāo)檢測(cè)（(a)～(e)是小區(qū)安全監(jiān)控視頻運(yùn)動(dòng)目標(biāo)檢測(cè)，(f)～(j)是某會(huì)議室的監(jiān)控視頻運(yùn)動(dòng)目標(biāo)檢測(cè)）

不屬于目標(biāo)本身。而混合高斯模型法的檢測(cè)準(zhǔn)確率相對(duì)于直接背景差分法而言，因?yàn)槭艿奖尘案聹?zhǔn)確度及更新過(guò)程中累計(jì)誤差的影響，準(zhǔn)確率只能達(dá)到95.19%，而本文算法的相對(duì)檢測(cè)準(zhǔn)確率可達(dá)97.01%。另外，經(jīng)統(tǒng)計(jì)發(fā)現(xiàn)，在程序運(yùn)行過(guò)程中所占內(nèi)存空間相差不多的情況下，混合高斯模型法所用時(shí)間卻是本文算法的5.14倍。

表1 三種算法的性能比較

綜上可知，本文算法不僅檢測(cè)準(zhǔn)確率較高，實(shí)時(shí)性較好，而且具有在目標(biāo)檢測(cè)過(guò)程中無(wú)需進(jìn)行背景建模及更新的優(yōu)點(diǎn)，擺脫了因背景建模不準(zhǔn)確或更新不及時(shí)帶來(lái)的誤檢測(cè)問(wèn)題，在保證了檢測(cè)準(zhǔn)確性的前提下，節(jié)省了算法的運(yùn)行時(shí)間，提高了算法的計(jì)算效率。另外，經(jīng)過(guò)大量實(shí)驗(yàn)證明，本文的算法因?yàn)榻Y(jié)合了幀差法對(duì)環(huán)境變化適應(yīng)性強(qiáng)的特點(diǎn)，對(duì)場(chǎng)景的變化如背景中物體的離開(kāi)、樹(shù)葉的擾動(dòng)、玻璃的反光等具有較強(qiáng)的適應(yīng)性。但是算法的缺點(diǎn)是不能處理陰影問(wèn)題，在檢測(cè)過(guò)程中還需借助其它算法進(jìn)行處理。

3 結(jié)束語(yǔ)

本文提出了一種基于平移法的動(dòng)態(tài)目標(biāo)邊緣檢測(cè)算法，采取先差分后檢測(cè)的方法，可以去除背景中的動(dòng)態(tài)目標(biāo)，提取到只包含前景動(dòng)態(tài)目標(biāo)的邊緣圖像。由于平移法是通過(guò)將背景差分結(jié)果做平移來(lái)檢測(cè)目標(biāo)邊緣的，因此與傳統(tǒng)的邊緣檢測(cè)算法相比，具有準(zhǔn)確度高、細(xì)節(jié)信息豐富、閉合性好等優(yōu)點(diǎn)，然后將該邊緣檢測(cè)算法與多幀差分法相結(jié)合進(jìn)行運(yùn)動(dòng)目標(biāo)檢測(cè)。實(shí)驗(yàn)結(jié)果表明，在不出現(xiàn)車輛擁堵的情況下，該方法能夠準(zhǔn)確地提取到動(dòng)態(tài)目標(biāo)而無(wú)需進(jìn)行背景建模與更新，因此，算法原理簡(jiǎn)單，計(jì)算速度快，實(shí)時(shí)性好。但是該算法不能處理陰影問(wèn)題，且不適于動(dòng)態(tài)目標(biāo)過(guò)于密集的場(chǎng)景。希望在以后的工作中，能夠較好地解決這兩方面問(wèn)題，使算法通用性得到進(jìn)一步提高。

[1] 郝毫剛, 陳家琪. 基于五幀差分和背景差分的運(yùn)動(dòng)目標(biāo)檢測(cè)算法[J]. 計(jì)算機(jī)工程, 2012, 38(4): 146-148.

HAO Haogang, CHEN Jiaqi. Moving object detection algorithm based on five frame difference and background difference[J]., 2012, 38(4): 146-148.

[2] 侯宏錄, 李寧鳥(niǎo), 劉迪迪, 等. 智能視頻監(jiān)控中運(yùn)動(dòng)目標(biāo)檢測(cè)的研究[J]. 計(jì)算機(jī)技術(shù)與發(fā)展, 2012, 22(2): 49-52.

HOU Honglu, LI Ningniao, LIU Didi, et al. Research on moving target detection of intelligent video surveillance[J]., 2012, 22(2): 49-52.

[3] Neto B, Goutsias J. Object-based image analysis using multiscale connectivity[J]., 2005, 27(6): 892-907.

[4] Barron J L, Fleet D J, Beauchemin S S. Performance of optical flow techniques[J]., 1994, 12(1): 43-77.

[5] 王圣男, 郁梅, 蔣剛毅. 智能交通系統(tǒng)中基于視頻圖像處理的車輛檢測(cè)與跟蹤方法綜述[J]. 計(jì)算機(jī)應(yīng)用研究, 2005, 22(9): 9-14.

WANG Shengnan, YU Mei, JIANG Gangyi. Review on vehicle detection and tracking techniques based on video processing in intelligent transportation systems[J]., 2005, 22(9): 9-14.

[6] Rene V, Ravichandran A. Optical flow estimation and segmentation of multiple moving dynamic textures[C]//2005(S. 1.), 2005: 516-521.

[7] 佘青山, 楊偉健, 田卓, 等. 基于運(yùn)動(dòng)輪廓標(biāo)記提取的分水嶺運(yùn)動(dòng)目標(biāo)檢測(cè)[J]. 大連理工大學(xué)學(xué)報(bào), 2014, 54(6): 656-661.

SHE Qingshan, YANG Weijian, TIAN Zhuo, et al. A watershed moving target detection based on motion contour marks and extraction[J]., 2014, 54(6):656-661.

[8] 董久敏, 王枚, 潘國(guó)華, 等. 一種基于邊緣特征的背景差分運(yùn)動(dòng)目標(biāo)檢測(cè)方法[J]. 海軍航空工程學(xué)院學(xué)報(bào), 2011, 26(2): 173-176.

DONG Jiumin, WANG Mei, PAN Guohua, et al. A background difference moving target detection method based on edge character[J]., 2011, 26(2): 173-176.

[9] Herrero E, Orrite C, Senar J. Detected motion classification with a double background and a neighborhood-based difference[J]., 2003, 24(12): 2079-2092.

[10] ZANG Huaiquan, CHEN Shuanyong. Electric power steering simulation analyze based on fuzzy PID current tracking control[J]., 2011, 7(1): 119-126.

[11] 余燁, 曹明偉, 岳峰. 一種改進(jìn)的Vibe運(yùn)動(dòng)目標(biāo)檢測(cè)算法[J]. 儀器儀表學(xué)報(bào), 2014, 35(4): 924-931.

YU Ye, CAO Mingwei, YUE Feng. An improved Vibe algorithm for detecting moving objects[J]., 2014, 35(4): 924-931.

[12] 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)技術(shù)與工程, 2013, 13(24): 7234-7239.

LEI Fei, HUANG Wenlu, ZHANG Ze. Motion targets detection algorithm based on edge detection and codebook model[J]., 2013, 13(24): 7234-7239

[13] 劉軍, 梁久禎, 柴志雷. 基于DM642的運(yùn)動(dòng)目標(biāo)檢測(cè)[J]. 計(jì)算機(jī)工程與科學(xué), 2013, 35(1): 107-112.

LIU Jun, LIANG Jiuzhen, CHAI Zhilei. Motion target detection based on DM642[J]., 2013, 35(1): 107-112.

[14] Titsias M K, Williams C K. Unsupervised learning of multiple aspects of moving objects from video[R].(including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics) 2005, 3476: 746-756.

[15] 郭春生, 王盼. 一種基于碼本模型的運(yùn)動(dòng)目標(biāo)檢測(cè)算法[J]. 中國(guó)圖象圖形學(xué)報(bào), 2010, 15(7): 1079-1083.

GUO Chunsheng, WANG Pan. An algorithm based on codebook model to moving objects detection[J]., 2010, 15(7): 1079-1083.

[16] 魏國(guó)劍, 侯志強(qiáng), 李武. 基于邊緣差分的運(yùn)動(dòng)目標(biāo)檢測(cè)方法[J]. 計(jì)算機(jī)工程與設(shè)計(jì), 2013, 34(10): 3530-3534.

WEI Guojian, HOU Zhiqiang, LI Wu. Moving object detection algorithm based on edge subtraction[J]., 2013, 34(10):3530-3534.

[17] 王小俊, 劉旭敏, 關(guān)永. 基于改進(jìn)Canny算子的圖像邊緣檢測(cè)算法[J]. 計(jì)算機(jī)工程, 2012, 38(14): 196-202.

WANG Xiaojun, LIU Xumin, GUAN Yong. Image edge detection algorithm based on improved Canny operator[J]., 2012, 38(14):196-202.

[18] 王東霞, 許偉昶. 基于改進(jìn)的數(shù)字形態(tài)學(xué)邊緣檢測(cè)算法研究[J]. 實(shí)驗(yàn)室研究與探索, 2014, 33(2): 89-92.

WANG Dongxia, XU Weichang. Edge detection algorithm based on improved mathematical morphology[J]., 2014, 33(2): 89-92.

[19] 何春, 葉永強(qiáng), 姜斌, 等. 一種基于分?jǐn)?shù)階次微積分模板的新型邊緣檢測(cè)方法[J]. 自動(dòng)化學(xué)報(bào), 2012, 38(5): 776-786.

HE Chun, YE Yongqiang, JIANG Bin, et al. A novel edge detection method based on fractional-order calculus mask[J]., 2012, 38(5): 776-786.

[20] 火元蓮, 秦梅, 邱振. 基于區(qū)間分布密度的背景初始化方法[J]. 計(jì)算機(jī)工程與科學(xué), 2015, 37(9): 67-72.

HUO Yuanlian, QIN Mei, QIU Zhen. Background initialization method based on interval distribution density[J]., 2015, 37(9): 67-72.

[21] 李鵬飛, 陳朝武, 李曉峰. 智能視頻算法評(píng)估綜述[J]. 計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào), 2010, 22(2): 352-360.

LI Pengfei, CHEN Chaowu, LI Xiaofeng. An overview for performance evaluation of intelligent video algorithms[J]., 2010, 22(2): 352-360.

Moving Target Detection Method Based on Edge Character and Multiple Frame Difference

HUO Yuanlian，QIN Mei，SONG Yali

（College of Physics and Electronic Engineering, Northwest Normal University, Lanzhou 730070, China）

Aiming at the shortcomings of traditional edge detection algorithms, whose results are discontinuous and easy to lose detailed information, the paper proposes an edge detection method which can be used for moving target detection. First, the target edge is detected on the basis of background difference by translation, whose result is more accurate containing more detailed information and closing better; then the moving targets are detected by combining the edge detection with multiple frame difference. The advantage of this method is that it doesn’t need background modeling and update in the whole process of target detection. Results show that this method is simple, accurate and easy to implement, and it could get a better time-consuming.

edge detection，translation，target mask，target detection，multiple frame difference

TP751.1

A

1001-8891(2017)02-0157-06

2016-06-22；

2016-09-06.

火元蓮（1973-），女，博士，副教授，研究方向?yàn)樾盘?hào)與信息處理。

國(guó)家自然科學(xué)基金（61561044）；西北師范大學(xué)青年教師科研能力提升計(jì)劃骨干項(xiàng)目（NWNU-LKQN-13-2）；2013年甘肅省高?；究蒲袠I(yè)務(wù)費(fèi)項(xiàng)目。