改進(jìn)Mode算法與雙門限融合的目標(biāo)檢測方法

王 凱,吳 敏,姚 輝,楊 樊,張 翔

1(中國民用航空總局第二研究所 科研中心,成都 610041) 2(電子科技大學(xué) 電子工程學(xué)院,成都 611731)E-mail:minhang_wangkai@163.com

1 引 言

智能視頻監(jiān)控技術(shù)作為計(jì)算機(jī)視覺領(lǐng)域的研究熱點(diǎn)之一,涉及到數(shù)學(xué)、數(shù)字圖像處理、模式識(shí)別等眾多學(xué)科.該技術(shù)通過對(duì)視頻序列進(jìn)行理解分析,檢測并標(biāo)記出人們感興趣的運(yùn)動(dòng)目標(biāo),進(jìn)而實(shí)現(xiàn)對(duì)目標(biāo)的跟蹤、識(shí)別,還可對(duì)目標(biāo)的后續(xù)行為進(jìn)行高級(jí)理解分析.其中,目標(biāo)檢測技術(shù)是智能視頻監(jiān)控系統(tǒng)的基礎(chǔ)問題,目標(biāo)檢測技術(shù)的優(yōu)劣會(huì)直接關(guān)聯(lián)智能視頻監(jiān)控系統(tǒng)后續(xù)跟蹤、識(shí)別及智能分析的好壞[1].針對(duì)固定場景[2]中采進(jìn)行視頻分析處理,常用的目標(biāo)檢測方法如:幀差法、背景差分法及光流法等.其中幀差法和背景差法計(jì)算量較少,運(yùn)算速度比光流法快,然而無法檢測出場景中逗留和靜止的目標(biāo);光流法容易對(duì)場景中背景噪聲和光照不均等情況干擾[3].

采用背景差分法進(jìn)行動(dòng)目標(biāo)檢測過程中,其較重要模塊是背景圖像的獲取、更新及閾值的確定.其中,常用的背景模型構(gòu)建方法如:背景統(tǒng)計(jì)法、卡爾曼濾波法及背景模型法[4-6].對(duì)于背景統(tǒng)計(jì)法和卡爾曼濾波法計(jì)算簡單,運(yùn)算速度快,背景統(tǒng)計(jì)法是對(duì)初始時(shí)間內(nèi)對(duì)原始視頻圖像灰度值進(jìn)行統(tǒng)計(jì)求均值,卡爾曼濾波法是將圖像序列中的相同位置像素點(diǎn)的灰度值時(shí)間序列視為帶有噪聲的背景灰度觀測值,通過遞歸來預(yù)測估計(jì)出實(shí)際背景灰度值,然而均不能獲得高質(zhì)量的背景圖像;背景模型法可獲得高質(zhì)量的背景圖像,其將視頻圖像所有像素點(diǎn)構(gòu)建一定概率分布相對(duì)應(yīng)的背景統(tǒng)計(jì)模型,然而其計(jì)算量較大.對(duì)于選取閾值策略有固定閾值和自適應(yīng)閾值.其中,固定閾值法較單一,僅僅應(yīng)用于單一監(jiān)視環(huán)境,若在天空區(qū)變化較大、背景干擾多及光照變化快等條件下,無法檢測出動(dòng)目標(biāo).自適閾值法[9]可根據(jù)前景與背景不斷變化,自適應(yīng)獲取相對(duì)應(yīng)的閾值,如文獻(xiàn)[9]利用自適應(yīng)單門限值進(jìn)行前景與背景圖像分割,將計(jì)算圖像中每個(gè)像素點(diǎn)的灰度值來獲取相對(duì)應(yīng)的灰度值作為閾值用于前景與背景圖像的分割.

本文結(jié)合自適應(yīng)背景匹配與門限值選取的策略,提出了一種改進(jìn)Mode算法與雙門限融合的目標(biāo)檢測方法.其基本思想是采用改進(jìn)的Mode算法來提取監(jiān)控場景的初始背景圖像,采取緩沖幀機(jī)制逐漸對(duì)背景模型進(jìn)行更新,以獲取高質(zhì)量的背景圖像,同時(shí)利用雙門限閾值對(duì)差分圖像進(jìn)行動(dòng)目標(biāo)檢測,其中低門限值可以檢測分割出明顯變化的動(dòng)目標(biāo),在低門限的基礎(chǔ)上利用高門限值以解決低門限檢測分割中存在的噪聲目標(biāo)及假目標(biāo),最后獲得視頻監(jiān)控復(fù)雜環(huán)境下動(dòng)目標(biāo)的精確檢測.同時(shí)本實(shí)驗(yàn)中在視頻監(jiān)控下車輛、行人及飛機(jī)等不同目標(biāo)的采集視頻對(duì)本文方法、背景差法(固定閾值)、文獻(xiàn)[9]方法進(jìn)行了檢測效果及性能對(duì)比.

2 背景圖像提取與更新

2.1 Mode算法

Mode算法是對(duì)視頻序列的圖像中每個(gè)像素點(diǎn)(x,y)沿時(shí)間軸分別統(tǒng)計(jì)其前m幀圖像中該點(diǎn)灰度值形成一個(gè)沿時(shí)間軸統(tǒng)計(jì)的灰度直方圖Histgram(x,y,0),Histgram(x,y,1),…,Histgram(x,y,255),然后將該沿時(shí)間軸統(tǒng)計(jì)的灰度直方圖中出現(xiàn)頻率最高的灰度值對(duì)應(yīng)作為該像素點(diǎn)(x,y)的當(dāng)前背景灰度值(初始背景灰度值),即計(jì)算公式如下:

Mode(x,y)=MAX(Histgram(x,y,0),…,

Histgram(x,y,255))

(1)

在Mode算法獲取初始背景時(shí),先通過圖像幀序列的前m=110(即獲得理想的初始背景圖,其優(yōu)于取m<110幀均值獲得的初始背景圖,保證算法的實(shí)時(shí)性)幀圖像統(tǒng)計(jì)并得出每個(gè)像素點(diǎn)的灰度Mode值,然后重新構(gòu)造初始背景的圖像,實(shí)現(xiàn)其更符合真實(shí)背景的灰度值.

然而在實(shí)際監(jiān)控場景中,由于天氣光照變化、背景物體輕微擾動(dòng)、短暫停留物體等不可避免的干擾,像素點(diǎn)的灰度值不是理想下的某一確定值,而是圍繞著這個(gè)確定值左右波動(dòng)分布在一個(gè)較小的區(qū)域中.針對(duì)這個(gè)問題,文獻(xiàn)[6]中在獲得小區(qū)間中分布值最大的區(qū)間后,取得該區(qū)間的中值,用該中值作為相應(yīng)像素點(diǎn)的Mode值,并且做出了以下改進(jìn):在獲得小區(qū)間中分布值最大的區(qū)間后,取得該區(qū)間的平均值,最后用該平均值作為相應(yīng)像素點(diǎn)的Mode值,即當(dāng)前像素點(diǎn)的背景灰度值.

2.2 改進(jìn)Mode算法

本文針對(duì)以上取區(qū)間的中值和均值,及實(shí)際背景灰度值處于所劃分區(qū)間的邊界問題,對(duì)傳統(tǒng)的Mode算法作如下改進(jìn):統(tǒng)計(jì)獲得像素點(diǎn)沿時(shí)間軸的灰度分布直方圖后,按灰度值分布軸平均劃分為大小相等的小區(qū)間,然后利用二次分段累加統(tǒng)計(jì)(將256灰度級(jí)先分為64個(gè)小區(qū)間,再分為32個(gè)小區(qū)間)找到灰度級(jí)頻數(shù)和最大的區(qū)間以及與其相鄰的頻數(shù)次大的區(qū)間,相鄰的兩個(gè)區(qū)間內(nèi)的灰度級(jí)值按出現(xiàn)的頻率的高低排序后,即按其權(quán)重從大到小依序排列,保留排在前面的幾個(gè)數(shù)值,舍棄其余占權(quán)重較小的數(shù)值,然后保留數(shù)值的平均值,作為該點(diǎn)的Mode值.因此,改進(jìn)的Mode算法既考慮了區(qū)間內(nèi)數(shù)值的權(quán)重問題,也兼顧了實(shí)際背景灰度值處于區(qū)間邊界的問題.

實(shí)驗(yàn)中區(qū)間的劃分跨度是以4個(gè)灰度級(jí)為單位,在灰度軸上將256個(gè)灰度級(jí)劃分為64個(gè)小區(qū)間,分別為[0,3],[4,7],…,[252,255].然后沿時(shí)間軸統(tǒng)計(jì)某像素點(diǎn)(x,y)的直方圖,根據(jù)前面的假設(shè)可以得知,獲得某兩個(gè)小區(qū)間[i,i+3]和[i+4,i+7]內(nèi),i到i+7這8個(gè)灰度級(jí)出現(xiàn)的頻數(shù)最大,之后對(duì)這八個(gè)灰度級(jí)按其頻數(shù)的大小一次排列,在實(shí)驗(yàn)的過程中,發(fā)現(xiàn)一般視頻的幀數(shù)m一般取110左右,且取到兩個(gè)相鄰區(qū)間內(nèi)的頻數(shù)最大的五個(gè)灰度級(jí),再取平均值就可以獲得準(zhǔn)確的Mode值.同時(shí),考慮到像素點(diǎn)的位圖數(shù)據(jù)類型(Byte型),統(tǒng)計(jì)所得的Mode值需要進(jìn)行四舍五入的處理.

2.3 背景更新機(jī)制

獲取到噪聲少、質(zhì)量可靠的初始背景,由于背景會(huì)隨著時(shí)間的推移而變化,如:屬于背景的物體被移除或背景中存在暫時(shí)停留的物體等,導(dǎo)致初始背景不能適應(yīng)于后續(xù)目標(biāo)檢測,因此需要對(duì)初始背景進(jìn)行不斷更新.本文提出了一種結(jié)合改進(jìn)Mode算法和緩沖幀機(jī)制的背景更新策略,將實(shí)時(shí)視頻幀信息引入到緩沖幀,通過緩沖幀的中間緩沖和屏蔽過濾作用,利用簡單加減運(yùn)算,緩沖完成對(duì)背景的逐漸匹配更新,其流程圖如圖1所示.該過程計(jì)算量小,且短暫停留的目標(biāo)不會(huì)立刻顯現(xiàn)到背景圖像中,實(shí)現(xiàn)背景的魯棒性更新過程.

圖1 背景匹配更新流程圖Fig.1 Flow chart of background matching and updating

緩沖幀對(duì)背景進(jìn)行匹配更新流程包括三大部分:緩沖幀的更新、匹配過程、背景修正與更新.其實(shí)現(xiàn)步驟如下:

1)緩沖幀Rt(x,y)更新:利用改進(jìn)的Mode算法計(jì)算出的初始背景對(duì)參考緩沖幀R0(x,y)和當(dāng)前背景模型B0(x,y)進(jìn)行初始化.而后在整個(gè)監(jiān)控過程中,緩沖幀根據(jù)每一幀視頻幀所提供的實(shí)時(shí)信息進(jìn)行逐幀迭代計(jì)算,隨著實(shí)際環(huán)境的變化而逐漸變化的.緩沖幀的更新計(jì)算公式如下:

Rt(x,y)=Rt-1(x,y)+η*sgn[It(x,y)-Rt-1(x,y)]

(2)

其中,Rt(x,y)為當(dāng)前像素點(diǎn)(x,y)時(shí)緩沖幀的灰度值,Rt-1(x,y)為前一時(shí)刻像素點(diǎn)(x,y)時(shí)緩沖幀的灰度值;It(x,y)為當(dāng)前像素點(diǎn)(x,y)的灰度值.η為一可變系數(shù),其取值如下:

(3)

2)匹配過程:當(dāng)視頻幀輸入時(shí),利用當(dāng)前視頻幀對(duì)緩沖幀上的每一個(gè)像素點(diǎn)進(jìn)行匹配標(biāo)記.如果滿足|It(x,y)-Rt(x,y)|<=1時(shí),那么當(dāng)前像素點(diǎn)為匹配成功點(diǎn),否則為匹配失敗點(diǎn),不予以考慮.

3)背景模型的修正與更新:通過上述匹配過程,獲得緩沖幀上匹配成功的像素點(diǎn),然后利用匹配成功的點(diǎn)更新當(dāng)前背景模型,其更新的公式如下:

Bt(x,y)=Bt-1(x,y)+λ*sgn[Rt(x,y)-Bt-1(x,y)]

(4)

其中,Bt(x,y)為當(dāng)前時(shí)刻的背景模型,Bt-1(x,y)為前一時(shí)刻的背景模型,Rt(x,y)為緩沖幀上匹配成功像素點(diǎn)的灰度值.其中λ取值如下:

(5)

利用實(shí)時(shí)視頻幀所提供的實(shí)時(shí)場景信息來逐漸調(diào)整背景模型,可以消除短暫停留的目標(biāo)或者運(yùn)動(dòng)較慢的目標(biāo)對(duì)背景模型的污染,從而使所獲得的背景圖像更加接近真實(shí)視場背景.

在上述匹配和背景修正更新過程,可以分析得到緩沖幀的作用:它對(duì)前景目標(biāo)對(duì)當(dāng)前背景模型的影響有一種過濾作用.緩沖幀利用實(shí)時(shí)視頻幀中的信息,對(duì)影響當(dāng)前背景模型的前景目標(biāo)進(jìn)行屏蔽過濾.同時(shí)它也是一種緩沖作用,通過緩沖幀對(duì)實(shí)時(shí)視頻幀的緩沖,可以大幅的濾除實(shí)時(shí)視頻幀中運(yùn)動(dòng)目標(biāo)對(duì)背景的干擾,前景運(yùn)動(dòng)目標(biāo)經(jīng)過時(shí)對(duì)背景的遮擋不會(huì)立刻表現(xiàn)到背景模型上,即不會(huì)影響當(dāng)前背景模型的質(zhì)量.

對(duì)于現(xiàn)實(shí)場景中背景更新會(huì)受到天空區(qū)變化、光照變化或固定場景下靜止目標(biāo)多等狀況,其均易造成背景圖像大幅改變,導(dǎo)致背景圖像全部更新改變.考慮到上述現(xiàn)實(shí)狀況,本文涉及到匹配過程中當(dāng)前像素點(diǎn)的灰度值與當(dāng)前像素點(diǎn)緩沖幀的灰度值計(jì)算差的絕對(duì)值會(huì)驟然變大,因此判斷為全局背景突變的狀況.當(dāng)出現(xiàn)全局背景突變的狀況,本文方法將重新啟動(dòng)對(duì)背景圖像進(jìn)行初始化提取,快速找出突變后的背景圖像.

圖2 背景初始化效果圖(110幀)Fig.2 Diagram of background initialization(110 frame)

圖2分別為均值法、Mode算法、改進(jìn)Mode算法(在圖像序列為110幀)獲得的初始背景.由圖2可知,在幀數(shù)同為110時(shí),取均值法和Mode算法獲得初始背景在目標(biāo)行走處會(huì)包含前景目標(biāo)的信息,導(dǎo)致初始背景模糊并伴有噪聲,而采用改進(jìn)Mode算法考慮了區(qū)間內(nèi)數(shù)值的權(quán)重,因此所獲得的初始背景比較準(zhǔn)確.

表1 頻數(shù)最大的兩個(gè)區(qū)間及頻數(shù)Table 1 Two largest intervals and frequency

以圖2中視頻幀中像素點(diǎn)(30,60)為例,對(duì)改進(jìn)前后Mode算法的取值進(jìn)行統(tǒng)計(jì).表1為該像素點(diǎn)采用Mode算法在前110幀所取到灰度值出現(xiàn)的頻數(shù)最大兩個(gè)區(qū)間0-3、4-7以及各個(gè)灰度級(jí)出現(xiàn)的頻數(shù).表2為改進(jìn)前后Mode算法計(jì)算出該像素點(diǎn)的Mode值,對(duì)計(jì)算結(jié)果進(jìn)行四舍五入的處理,可以看出改進(jìn)前Mode算法四舍五入后所得數(shù)值為3,而改進(jìn)后Mode算法四舍五入后所數(shù)值為2,與實(shí)際值是吻合的.

圖3(a)為實(shí)時(shí)視頻幀,左邊出現(xiàn)目標(biāo)短暫逗留的情況;圖3(b)和圖3(c)分別為改進(jìn)前后Mode算法進(jìn)行背景更新的效果.可以得出傳統(tǒng)Mode算法直接用該像素值代替當(dāng)前背景灰度值,所以會(huì)將短暫停留的目標(biāo)較大部分刷新到背景區(qū)域,而本文改進(jìn)Mode算法由于考慮了取值區(qū)間的中值和均值,幾乎不會(huì)出現(xiàn)動(dòng)目標(biāo)區(qū)域刷新到背景圖像中.

表2 改進(jìn)前后Mode算法對(duì)比Table 2 Comparison of before and after of improvement Mode algorithm

圖3 目標(biāo)短暫停留的背景圖像(1023幀)Fig.3 Background model on target briefly(1023 frame)

3 目標(biāo)檢測

3.1 閾值的選取

通過上述背景圖像初始化與不斷更新,后續(xù)目標(biāo)檢測對(duì)于前景與背景差分中閾值選取極其關(guān)鍵.根據(jù)自適應(yīng)閾值法在閾值選擇策略上能解決前景與背景差異問題,提出了一種自適應(yīng)雙門限的目標(biāo)檢測方法,本文采用的雙門限閾值選取及分割如下:

圖4 改進(jìn)Mode算法與雙門限融合的目標(biāo)檢測方法Fig.4 Moving target detection method based on improved mode algorithm and double-threshold

根據(jù)視頻連續(xù)圖像幀和更新獲得的背景圖像中全部像素點(diǎn)都可以利用多幀背景差分模型來處理,已知利用原始視頻幀與背景圖像通過差分計(jì)算后獲得的差分灰度圖像均可用于改進(jìn)Mode算法中,所以計(jì)算出的背景范圍位置點(diǎn)普遍位于像素均值小空間區(qū)域內(nèi)占大部分空間.如果視頻序列中能夠明確差分灰度圖像中目標(biāo)像素點(diǎn)計(jì)算出的百分比,于是可根據(jù)正態(tài)函數(shù)分布表計(jì)算出目標(biāo)范圍的大小(即與標(biāo)準(zhǔn)方差大小相關(guān)).考慮到無法統(tǒng)計(jì)出目標(biāo)區(qū)域內(nèi)像素點(diǎn)在整幅圖像中占據(jù)的百分比,因此需要在獲得圖像信息的基礎(chǔ)上采用近似估計(jì)方法,即將提取出的背景圖像與當(dāng)前視頻幀圖像通過差分處理獲得差分灰度圖像的基礎(chǔ)上,分別獲得差分灰度圖像中占具的最大及最小百分占比.然后根據(jù)這兩個(gè)極值,可分別獲得兩個(gè)閾值范圍,最終獲得二值化的閾值,其檢測方法流程圖如圖4所示.

3.2 本文檢測方法的整體設(shè)計(jì)

本文綜合改進(jìn)Mode算法與緩沖幀機(jī)制進(jìn)行背景更新策略,同時(shí)根據(jù)自適應(yīng)雙門限進(jìn)行動(dòng)目標(biāo)分割,提出了一種改進(jìn)Mode算法與雙門限融合的目標(biāo)檢測方法,其具體實(shí)現(xiàn)步驟如下:

1)采集視頻監(jiān)控環(huán)境下的視頻序列幀,利用結(jié)合改進(jìn)Mode算法與緩沖幀機(jī)制的背景法進(jìn)行背景初始化和更新;

2)提取并不斷更新的背景圖像與當(dāng)前實(shí)時(shí)視頻幀圖像通過差分計(jì)算,獲取灰度差分圖像;

3)獲取灰度差分圖像中所有像素點(diǎn)的平均值M及標(biāo)準(zhǔn)方差σ(每個(gè)像素點(diǎn)與均值M的差值平方和的平方根);

4)利用第3)步統(tǒng)計(jì)的數(shù)值,計(jì)算低門限閾值RL和高門限閾值RH的值如下:

RL=M+4σ

(6)

RH=M+10σ

(7)

5)通過差分灰度圖像分別對(duì)低門限閾值和高門限閾值進(jìn)行二值化計(jì)算獲得相對(duì)應(yīng)的二值化圖像信息;

6)將二值化圖像進(jìn)行開運(yùn)算處理,即對(duì)該圖像先進(jìn)行腐蝕操作,再進(jìn)行膨脹操作,采用3*3模板;

7)計(jì)算并標(biāo)記高門限二值化圖像中像素面積V大于VTH的整個(gè)區(qū)域,并標(biāo)記為Vhi,區(qū)域Vhi值的數(shù)量并無限制;

8)計(jì)算并標(biāo)記高門限二值化圖像中每個(gè)Vhi對(duì)應(yīng)的低門限二值化圖像區(qū)域中像素面積V大于VTL的整個(gè)區(qū)域,并標(biāo)記為Vli,其中Vli值的數(shù)量并無限制;

9)統(tǒng)計(jì)并記錄相同目標(biāo)在視頻序列幀中連續(xù)出現(xiàn)的次數(shù)m,并把次數(shù)m和設(shè)定的閾值Z進(jìn)行判斷.若m ≥Z,則為動(dòng)目標(biāo);否則為偽目標(biāo)進(jìn)行剔除.

4 實(shí)驗(yàn)仿真與分析

本次實(shí)驗(yàn)的硬件環(huán)境為Intel? Xeon(R)CPU E5-2603 v2 @ 1.80GHZ;4G內(nèi)存;Windows 7 64位專業(yè)版系統(tǒng),程序仿真軟件為Microsoft Visual Studio 2013和OPENCV2.4.3.實(shí)驗(yàn)中測試視頻樣本分別采用10分鐘的車輛、行人(分辨率均為320×240@25fps)和飛機(jī)(分辨率為1280×720@25fps).視頻序列中存在動(dòng)目標(biāo)逗留及靜止、天空區(qū)域變化的情況.

測試實(shí)驗(yàn)中將行人、車輛及飛機(jī)等不同運(yùn)動(dòng)目標(biāo)下的視頻樣本進(jìn)行本文檢測方法與背景差分法及文獻(xiàn)[9]方法的檢測效果及性能進(jìn)行比較.并利用文獻(xiàn)[11]中涉及的精確度A、正確率B和C值來對(duì)三種目標(biāo)檢測算法的性能作定量對(duì)比.其統(tǒng)計(jì)方法如下:

(8)

公式(8)中,mn為檢測目標(biāo)準(zhǔn)確的像素?cái)?shù)目,x1為把背景錯(cuò)誤作為目標(biāo)的像素?cái)?shù)目,x2為把目標(biāo)錯(cuò)誤作為背景的像素?cái)?shù)目,精確度A為統(tǒng)計(jì)出的目標(biāo)占真實(shí)目標(biāo)比例,正確率B為正確判斷出真實(shí)目標(biāo)比例,C值為檢測的總體性能.

4.1 目標(biāo)檢測方法的效果對(duì)比

利用采集學(xué)校走廊、道路十字路口、機(jī)場場面三種不同場景下的測試視頻,將簡單背景差法、 文獻(xiàn)[9]方法及本文方法對(duì)目標(biāo)檢測效果測試和性能比較,其檢測結(jié)果如圖5所示(閾值Z取值26).圖5(a)、圖5(b)及圖5(c)分別為行人、繁忙交通路口和機(jī)場滑行道飛機(jī)檢測,圖5(a)、圖5(b)及圖5(c)中第一行為原始視頻幀圖像,第二行為背景差分法測試圖,第三行為文獻(xiàn)[9]方法測試圖,第四行為本文方法測試圖.實(shí)驗(yàn)中原始視頻序列中包含動(dòng)目標(biāo)逗留及靜止、天空區(qū)域變化的情況.根據(jù)圖5(a)、圖4(b)和圖4(c)測試效果圖可以看出,本文方法比簡單背景差法、文獻(xiàn)[9]方法測試效果均好,檢測出運(yùn)動(dòng)目標(biāo)分割較好.第二行在簡單背景差法檢測分割時(shí),易受天空區(qū)域變化、動(dòng)目標(biāo)逗留及靜止的干擾,同時(shí)在場景中光照變化時(shí),動(dòng)目標(biāo)檢測分割失效;第三行中文獻(xiàn)[9]方法通過自適應(yīng)單門限值差分圖像,當(dāng)遇到復(fù)雜環(huán)境變化以及前景目標(biāo)與背景顏色相似時(shí)易受干擾,無法正確地檢測分割出動(dòng)目標(biāo);本文方法采用改進(jìn)Mode算法及緩沖幀更新機(jī)制提取干凈的背景圖像,然后通過自適應(yīng)兩個(gè)門限值進(jìn)行目標(biāo)檢測分割,較更好地濾除天空區(qū)域變化、動(dòng)目標(biāo)逗留及靜止的干擾,最終獲得檢測分割出的動(dòng)目標(biāo).

圖5 不同場景下三種方法檢測對(duì)比圖Fig.5 Comparison chart of three detection methods under different scenarios

4.2 目標(biāo)檢測方法的性能對(duì)比

為測試分析三種方法在目標(biāo)檢測中的各個(gè)性能參數(shù),將圖5(c)機(jī)場滑行道飛機(jī)測試視頻中手動(dòng)提取出177幅含有運(yùn)動(dòng)目標(biāo)活動(dòng)的圖像當(dāng)作對(duì)比基準(zhǔn),根據(jù)公式(8)分別統(tǒng)計(jì)并分析三種目標(biāo)檢測方法在連續(xù)提取圖像中的三個(gè)性能指標(biāo),并且統(tǒng)計(jì)對(duì)應(yīng)的曲線圖進(jìn)行比較(橫坐標(biāo)為視頻序列幀數(shù),縱坐標(biāo)為性能參數(shù)值),如圖6所示.

圖6 三種檢測方法曲線圖Fig.6 Curve chart of three detection methods

由圖6統(tǒng)計(jì)分析,本文方法計(jì)算出的精確度A、準(zhǔn)確率B均較好于背景差分法及文獻(xiàn)[9]方法;并且本文方法計(jì)算出的C量較高于背景差分法和文獻(xiàn)[9]方法.

本實(shí)驗(yàn)采用Intel VTune對(duì)三種方法在行人、車輛及機(jī)場測試視頻幀中分別進(jìn)行平均耗時(shí)對(duì)比.利用對(duì)學(xué)校走廊、道路十字路口及機(jī)場滑行道的測試視頻進(jìn)行22次測試,統(tǒng)計(jì)求出平均耗時(shí).表3為不同測試場景下三種方法對(duì)目標(biāo)檢測的平均耗時(shí)對(duì)比.由表3可知,本文方法在運(yùn)算速度上較快于背景差法,并且比文獻(xiàn)[9]方法略快,基本滿足實(shí)時(shí)性需求.驗(yàn)證了本文方法在背景提取與更新環(huán)節(jié)通過緩沖幀機(jī)制,可縮短更新處理時(shí)間;在目標(biāo)分割模塊利用搜索目標(biāo)像素面積區(qū)域來獲得運(yùn)動(dòng)目標(biāo),算法簡單、耗時(shí)少.

表3 三種方法平均耗時(shí)對(duì)比Table 3 Average consuming time of the comparison of three methods

5 結(jié)束語

本文在各個(gè)復(fù)雜視頻監(jiān)控環(huán)境下,對(duì)車輛、飛機(jī)等不同監(jiān)控對(duì)象進(jìn)行運(yùn)動(dòng)目標(biāo)檢測研究與測試,提出一種改進(jìn)Mode算法與雙門限融合的目標(biāo)檢測方法.主要內(nèi)容為采用改進(jìn)Mode算法提取初始背景,利用引入實(shí)時(shí)視頻幀信息的緩沖幀,對(duì)背景進(jìn)行逐漸的更新,并對(duì)鬼影有一定的抑制作用,同時(shí)利用雙門限閾值對(duì)差分圖像進(jìn)行動(dòng)目標(biāo)檢測,其中低閾值可以檢測分割出明顯變化的動(dòng)目標(biāo),在低閾值檢測分割的基礎(chǔ)上利用高閾值以解決低閾值檢測分割中存在的噪聲目標(biāo)和假目標(biāo).根據(jù)實(shí)驗(yàn)證明了本文方法不僅能夠迅速、精確地檢測分割出前景目標(biāo),而且能夠有效地濾除噪聲目標(biāo)和假目標(biāo)的干擾.

在今后的研究中,還將圍繞復(fù)雜監(jiān)控場景下運(yùn)動(dòng)目標(biāo)停留、運(yùn)動(dòng)目標(biāo)相互遮擋及基于深度學(xué)習(xí)的目標(biāo)檢測算法進(jìn)一步開展研究,用于實(shí)時(shí)視頻監(jiān)控系統(tǒng)進(jìn)行推廣應(yīng)用需要.