基于背景差分的視頻運(yùn)動對象檢測

姚文 沙萱

摘要： 視頻圖像序列中，對運(yùn)動目標(biāo)分割的主要目的是能夠提取出有意義的運(yùn)動對象實(shí)體。背景差分法能夠較好地檢測視頻圖像序列中的運(yùn)動目標(biāo)。確定可靠的背景圖像是該算法的關(guān)鍵。在安檢系統(tǒng)視頻圖像序列的行李檢測中應(yīng)用此法，初步獲得運(yùn)動目標(biāo)，并根據(jù)當(dāng)前幀利用一種背景更新算法以獲得可靠的背景。然后做一些后期圖像處理，去除噪聲，取得了較好的效果。最后對實(shí)驗(yàn)結(jié)果進(jìn)行了分析并提出相應(yīng)的改善計劃。

關(guān)鍵詞： 背景差分；運(yùn)動檢測；背景更新

中圖分類號：TP18 文獻(xiàn)標(biāo)識碼：A 文章編號：1009-3044（2018）04-0161-03

Moving Video Objects Detection Based on Background Subtraction

YAO Wen1， SHA Xuan2

（1.Troops 94789 PLA， Nanjing 210018， China； 2. Southeast University Chengxian College， Nanjing 210088， China）

Abstract： The main purpose of motion segmentation in video serial images is to extract representative moving objects. The background subtraction method can detect moving objects in image sequence efficiently. Extraction of the stable background is the key problem of this algorithm. By using this method in the video image sequence of the security inspection system to detect the baggage， the moving objects can be obtained first. Then use a background update algorithm to update the background according to current frame. Some latter image process is done followed to eliminate noise， which got a better result. Finally some analysis on the experiment results was given and corresponding optimal plans were suggested.

Key words： background subtraction； motion detection； background update

近年來，視頻運(yùn)動對象的檢測及跟蹤技術(shù)在各個領(lǐng)域都得到了廣泛的研究和應(yīng)用，本文主要針對通過安檢機(jī)上的行李包裹視頻圖像序列進(jìn)行檢測及跟蹤。在客流高峰期，通過火車站、汽車站內(nèi)安檢機(jī)的行李往往比較擁擠，容易出現(xiàn)誤拿行李現(xiàn)象，而一旦某行李箱或包裹里存在危險品，正確判斷危險品的歸屬者是非常重要的，故需對安檢機(jī)出口處的行李進(jìn)行必要的檢測與跟蹤。

目前比較流行的運(yùn)動對象檢測方法有背景差分法 [1][2]、幀差分法[2]和光流法[3]。很多學(xué)者在這些算法的基礎(chǔ)上派生出一系列適用于不同場景的運(yùn)動分割算法[4][5]。背景差法是三種方法中最直接、最簡單的方法，對實(shí)時性要求比較高的場合更加適用；幀差分也比較簡單；光流法計算量比較大，不適合實(shí)時性要求較高的場合。由于安檢機(jī)出口處的背景相對比較單一、固定，所以本文僅討論背景差分法在實(shí)時行李運(yùn)動檢測中的應(yīng)用。

1 主要算法介紹

1.1 背景差分法概述

背景差法（BS）是在視頻運(yùn)動對象檢測中最早被廣泛應(yīng)用的方法之一。背景差法是在背景圖像已知的情況下，計算背景圖像與當(dāng)前圖像的差值圖像，通過對差值圖像取門限來檢測出運(yùn)動目標(biāo)。設(shè)當(dāng)前圖像和背景圖像分別為F和B，則運(yùn)動目標(biāo)MO檢測如下：

（1）

其中T為檢測門限。背景差法的結(jié)果示例見圖1。

在安檢機(jī)視頻監(jiān)視應(yīng)用中，攝像頭是靜止不動的，并且安檢系統(tǒng)也是固定的，僅傳送帶和行李出口處的檔板變化，而傳送帶顏色均勻，可認(rèn)為是不變的，所以整個背景變化也不大，則背景差法應(yīng)用在此處可以起到較好的效果。但在實(shí)際應(yīng)用中還需注意以下幾個問題：（1）背景特征的確定（如像素灰度值、色度或紋理等）；（2）雖然理想背景的變化很小，但當(dāng)背景由于出現(xiàn)各種不確定運(yùn)動目標(biāo)時，如何更新背景；（3）門限T的選取。

1.2 背景更新算法

本實(shí)驗(yàn)的背景更新部分采用Surendra算法[6]。該算法原理是把每幅當(dāng)前幀的像素點(diǎn)分為前景點(diǎn)和背景點(diǎn)。當(dāng)前幀中的背景點(diǎn)像素值和背景圖中的對應(yīng)點(diǎn)加權(quán)平均，作為當(dāng)前背景中像素值。前景點(diǎn)處則保持原來的背景值不變。該算法的核心在于通過直方圖統(tǒng)計和經(jīng)驗(yàn)取值而區(qū)分當(dāng)前幀中的前景點(diǎn)和背景點(diǎn)。它能夠較快地適應(yīng)背景場景的變化，實(shí)現(xiàn)實(shí)時更新。其算法可以分以下幾步：

（1） 將第1幀圖像I0作為背景B0；

（2） 選取閾值T，迭代次數(shù)m=1，設(shè)定最大迭代次數(shù)為；

（3） 求當(dāng)前幀與前一幀的差分圖像

（2）

（4） 由二值圖像Di更新背景圖像Bi，即

（3）

其中和為背景圖像和差分二值圖像在的灰度值；為輸入的第i幀圖像；為迭代速度系數(shù)；

（5） 迭代次數(shù)，返回（3），當(dāng)?shù)螖?shù)時結(jié)束迭代，此時可視為背景圖像。

2 運(yùn)動行李檢測

首先讀入視頻序列圖像，以第一幀為初始背景。然后逐幀讀取，依次處理每幀圖像。對當(dāng)前處理的圖像運(yùn)用背景差法，初步獲得二值前景圖像。對于所獲得的二值圖存在的噪聲比較大，一些非目標(biāo)區(qū)域可能會被誤判為目標(biāo)區(qū)域，所以對目標(biāo)圖像進(jìn)行形態(tài)學(xué)濾波是有必要的。對目標(biāo)圖像依次進(jìn)行腐蝕和膨脹運(yùn)算，濾掉一些噪聲，有利于提取出正確的運(yùn)動目標(biāo)。最后判斷運(yùn)動行李的連通性，用矩形框標(biāo)注目標(biāo)。

在處理的同時，進(jìn)行實(shí)時背景更新，對行人或光照條件對背景的影響起到了一定的抑制作用。

本文中背景差閾值T的選取通過迭代閾值分割算法確定。

將RGB圖轉(zhuǎn)換為灰度圖時，運(yùn)用了以下轉(zhuǎn)換公式：

（4）

其中，Gray（x， y）為轉(zhuǎn)換為灰度圖像后的像素灰度值；R為RGB圖像的紅色分量值；G為綠色分量值；B為藍(lán)色分量值。

在運(yùn)動行李檢測實(shí)驗(yàn)中，背景更新運(yùn)用公式（3），取值定為0.03時效果效為理想。圖2為運(yùn)動行李檢測的主流程。

3 實(shí)驗(yàn)結(jié)果及分析

根據(jù)上文所述方法，對拍攝的安檢機(jī)實(shí)驗(yàn)視頻序列圖像進(jìn)行處理，部分實(shí)驗(yàn)結(jié)果如圖3所示。其中，圖（a）為視頻原始幀；圖（b）為經(jīng)過背景更新后的背景圖像（其中初始背景圖像為視頻第1幀）；圖（c）為背景差分處理結(jié)果，二值圖像的白色部分為運(yùn)動行李目標(biāo)。

可以看出，對于圖3-2的這類前景與背景灰度對比相差較大的情況，能夠清楚地將運(yùn)動目標(biāo)提取出來，結(jié)果比較理想。而對于圖3-3，從原始幀圖像（a）可以看出，位于安檢機(jī)傳送帶上的行李箱與傳送帶顏色較為相近，導(dǎo)致通過灰度信息區(qū)分前景與背景的效果比較差，只能提取出部分目標(biāo)。圖3-4顯示了多個運(yùn)動目標(biāo)的實(shí)驗(yàn)結(jié)果。圖中多個目標(biāo)存在重疊現(xiàn)象，這便引入了另一個問題：在用矩形框標(biāo)注運(yùn)動目標(biāo)時，如何判斷重疊部分的歸屬。

圖4列出了運(yùn)動行李目標(biāo)行標(biāo)注的結(jié)果。圖4-1與圖4-2的結(jié)果與理想結(jié)果一致；圖4-3沒有區(qū)分出兩個運(yùn)動對象，將它們誤判為一個運(yùn)動對象。圖4-4行李之間靠得太近或者重疊時，由于二值圖像的前景塊之間還存在一定的聯(lián)系，很難明確地區(qū)分開，所以，判斷出來的連通區(qū)域的外接矩形就包括了幾個相連的物體，出現(xiàn)誤判，這是在今后的研究工作中必須改進(jìn)的地方。

4 結(jié)束語

本文通過對所拍攝的安檢機(jī)視頻序列圖像運(yùn)用基于背景差分的視頻運(yùn)動對象檢測算法，實(shí)現(xiàn)了對運(yùn)動行李的檢測。詳細(xì)討論了實(shí)現(xiàn)過程，并對實(shí)驗(yàn)結(jié)果進(jìn)行了分析，找出了該方法用于這種情況下的優(yōu)缺點(diǎn)。由于場景背景基本是不變的或變化比較小，所以在背景差分法的基礎(chǔ)上運(yùn)用實(shí)時背景更新，得到了比較好的實(shí)驗(yàn)結(jié)果。但是，對于論文中提到的幾個問題，將是今后工作的重點(diǎn)所在。在今后的研究工作中，將綜合運(yùn)用時空聯(lián)合運(yùn)動對象分割算法，并對運(yùn)動行李的去向進(jìn)行跟蹤，判斷各對象的歸屬，以進(jìn)一步完善整個系統(tǒng)。

參考文獻(xiàn)：

[1] Stringa E， Regazzoni CS. Real-time video-shot detection for scene surveillance applications[J]. IEEE Transactions on Image Processing，2000，9（1）：69-79.

[2] 鄧玉春， 姜昱明， 張建榮. 視頻序列圖像中運(yùn)動對象分割綜述[J].計算機(jī)應(yīng)用研究，2005（1）：8-11.

[3] Horn BKP， Rhunck BG. Determining optical flow[J]. Artificial Intelligence，1981（17）：185-203.

[4] 曾煒. 視頻運(yùn)動對象分割算法研究[D]. 哈爾濱工業(yè)大學(xué)，2005.

[5] 楊文凱. 序列圖像中運(yùn)動目標(biāo)的檢測[D]. 西北工業(yè)大學(xué)，2004.

[6] Surendra G， Osama M， Robert F K， et al. Detection and classification of vehicles[J].IEEE Transactions on Intelligent Transportation Systems， 2002，3（1）：37-47.