基于視頻圖像分析的運(yùn)動(dòng)目標(biāo)檢測(cè)技術(shù)研究＊

賈倩倩，韓麗娜，黃凌霄

（寧夏大學(xué)信息工程學(xué)院，寧夏 銀川 750021）

1 研究背景及意義

在數(shù)字化時(shí)代的潮流下，人們對(duì)圖像處理技術(shù)的應(yīng)用需求正在增加。檢測(cè)移動(dòng)物體的技術(shù)是圖像處理的一個(gè)重要組成部分，在智能監(jiān)測(cè)、智能交通、工業(yè)化過(guò)程控制、航空航天、軍事勘察等領(lǐng)域廣泛應(yīng)用。另外，目標(biāo)檢測(cè)技術(shù)還是身份識(shí)別領(lǐng)域的一個(gè)基礎(chǔ)算法，其在人臉識(shí)別、步態(tài)識(shí)別、人群計(jì)數(shù)和實(shí)例分割等后續(xù)任務(wù)中發(fā)揮著重要作用。

在基于靜態(tài)背景的目標(biāo)識(shí)別中，由于實(shí)際應(yīng)用場(chǎng)景中各種因素的干擾，計(jì)算機(jī)受到硬件發(fā)展速度的制約，運(yùn)行速度、算法時(shí)間和空間復(fù)雜度具有一定上限，所以運(yùn)動(dòng)目標(biāo)檢測(cè)的實(shí)時(shí)性和魯棒性難以同時(shí)取得最佳效果。通過(guò)幀間差分法、混合高斯算法和ViBe 算法的優(yōu)缺點(diǎn)對(duì)比，期望找到一個(gè)較好的算法，從而在靜態(tài)背景下可以獲取實(shí)時(shí)性較好、精度較高的目標(biāo)檢測(cè)結(jié)果。

2 目標(biāo)檢測(cè)算法

2.1 目標(biāo)檢測(cè)及其算法分類(lèi)

目標(biāo)檢測(cè)是一種基于目標(biāo)對(duì)象形態(tài)學(xué)和特征區(qū)別的圖像分割技術(shù)。從這個(gè)角度來(lái)看，視頻圖像可以分為3 個(gè)部分，分別是目標(biāo)圖像、背景圖像和噪聲圖像，這可以將目標(biāo)檢測(cè)轉(zhuǎn)換為目標(biāo)對(duì)象和背景圖像之間的二元分割問(wèn)題。根據(jù)運(yùn)動(dòng)目標(biāo)的特性，通常根據(jù)監(jiān)視設(shè)備是否與運(yùn)動(dòng)對(duì)象同步運(yùn)動(dòng)，將其劃分為以下2 種類(lèi)別。

2.1.1 動(dòng)態(tài)背景下的運(yùn)動(dòng)目標(biāo)檢測(cè)及其算法

動(dòng)態(tài)背景下的目標(biāo)檢測(cè)是指運(yùn)動(dòng)圖像場(chǎng)景中存在目標(biāo)對(duì)象和攝像儀器的相對(duì)運(yùn)動(dòng)，相較靜態(tài)背景的情況更加復(fù)雜。目前大多采用的方法是計(jì)算監(jiān)控儀器的運(yùn)動(dòng)參數(shù)，采用背景補(bǔ)償?shù)姆椒z測(cè)運(yùn)動(dòng)目標(biāo)。常見(jiàn)的動(dòng)態(tài)背景下的運(yùn)動(dòng)目標(biāo)檢測(cè)方法包括光流法、塊匹配補(bǔ)償背景算法等。伴隨著背景圖像的變化，運(yùn)動(dòng)目標(biāo)也隨時(shí)發(fā)生著位置變化，攝像儀器處于相對(duì)運(yùn)動(dòng)的狀態(tài)，圖像中目標(biāo)的位置變化與背景本身的相對(duì)運(yùn)動(dòng)就會(huì)疊加并且混合在一起，而且由于攝像儀器的運(yùn)動(dòng)，將會(huì)導(dǎo)致目標(biāo)的形狀、尺寸以及視頻光照條件發(fā)生變化[1-2]。與此同時(shí)，現(xiàn)實(shí)中多運(yùn)動(dòng)目標(biāo)的遮擋和外界干擾遮擋的情況常有發(fā)生，這些也都是動(dòng)態(tài)背景下需要解決的問(wèn)題。

2.1.2 靜態(tài)背景下的運(yùn)動(dòng)目標(biāo)檢測(cè)及其算法

基于靜態(tài)背景的運(yùn)動(dòng)目標(biāo)檢測(cè)算法包括幀間差分法、模板匹配、高斯混合算法和ViBe 算法等。一些人嘗試應(yīng)用一些優(yōu)秀的算法，如機(jī)器學(xué)習(xí)來(lái)檢測(cè)視頻序列圖像中的運(yùn)動(dòng)目標(biāo)。然而，由于計(jì)算機(jī)硬件的限制，現(xiàn)實(shí)中的計(jì)算速度和算法復(fù)雜度都有一定的上限，難以在實(shí)時(shí)性和魯棒性方面達(dá)到某一個(gè)較高平衡點(diǎn)，因此，本文選擇程序算法相對(duì)簡(jiǎn)單、運(yùn)行效率高、實(shí)時(shí)性較好、識(shí)別結(jié)果較好的幀間差分法、混合高斯算法與ViBe 算法進(jìn)行比較。

2.2 基于靜態(tài)背景建模的目標(biāo)檢測(cè)

2.2.1 幀間差分法

幀間差分法（Frame difference method）也稱二幀差分法，主要應(yīng)用場(chǎng)景是背景圖像固定，而運(yùn)動(dòng)目標(biāo)隨時(shí)間動(dòng)態(tài)變化的場(chǎng)景。在以上前提條件下，使鄰近2 個(gè)視頻幀的像素值發(fā)生相減操作。理想狀況下，背景的部分誤差為0，而運(yùn)動(dòng)范圍的誤差不為0。此時(shí)，選擇一個(gè)適當(dāng)?shù)拈撝禐V波掉視頻幀的背景，以便獲取到完整的運(yùn)動(dòng)目標(biāo)。其模型為：

式中：It（x，y）為t時(shí)刻像素點(diǎn)（x，y）的灰度值；It-1（x，y）為t－1 時(shí)刻像素點(diǎn)（x，y）的灰度值；Dt（x，y）為提取的運(yùn)動(dòng)目標(biāo)的二值圖像；T為閾值。

具體步驟如下：將當(dāng)前幀進(jìn)行灰度化；通過(guò)中值濾波去除噪聲影響，保留邊緣特征；對(duì)相鄰兩幀求差值的絕對(duì)值，再進(jìn)行差值絕對(duì)值的二值化，這時(shí)閾值設(shè)置對(duì)實(shí)驗(yàn)結(jié)果有明顯影響，因此選擇一個(gè)合適的閾值是很重要的；進(jìn)行開(kāi)運(yùn)算以及函數(shù)填充，一方面使邊界平滑，另一方面使圖形空洞被填充。

二幀差分法檢測(cè)結(jié)果如圖1 所示。

圖1 二幀差分法檢測(cè)結(jié)果

從圖1 可以看出，二幀差分法的優(yōu)點(diǎn)是運(yùn)算簡(jiǎn)便、即時(shí)性較強(qiáng)、對(duì)各種動(dòng)態(tài)環(huán)境的適應(yīng)力強(qiáng)、魯棒性較強(qiáng)；缺陷是檢查的目標(biāo)輪廓不完整，檢查出的結(jié)果帶有“空洞”。另外，測(cè)試結(jié)果在運(yùn)動(dòng)方向上目標(biāo)被拉長(zhǎng)，在檢測(cè)快速運(yùn)動(dòng)的物體時(shí)會(huì)出現(xiàn)“鬼影”，并且檢測(cè)不到慢速運(yùn)動(dòng)的物體。

三幀差分法的具體步驟為：在二幀差分法的基礎(chǔ)上，同時(shí)獲取當(dāng)前幀、上一幀、下一幀。同時(shí)，對(duì)相鄰的三幀進(jìn)行灰度化處理，再使用中值濾波去除噪聲影響，保留邊緣特征，然后對(duì)當(dāng)前幀與上一幀的差值絕對(duì)值進(jìn)行閾值二值化，同理將后一幀與當(dāng)前幀差值絕對(duì)值閾值二值化，結(jié)果將所獲得的2 個(gè)差分圖進(jìn)行像素比較操作，所得差分圖即為三幀差分圖。

其數(shù)學(xué)模型如下：

式中：D1（x，y）、D2（x，y）分別為對(duì)應(yīng)的差分結(jié)果；fk-1（x，y）、fk（x，y）、fk+1（x，y）分別為第k－1、k、k+1 幀圖片像素點(diǎn)的灰度值；E1（x，y）、E2（x，y）為三幀差分圖的閾值二值化結(jié)果。

T為預(yù)先設(shè)點(diǎn)的閾值，如果T選取得過(guò)小，會(huì)出現(xiàn)大量噪聲，嚴(yán)重影響檢測(cè)結(jié)果；反之閾值選擇過(guò)大，則會(huì)出現(xiàn)運(yùn)動(dòng)目標(biāo)檢測(cè)不完整或者漏檢的情況[3]。

三幀差分法檢測(cè)結(jié)果如圖2 所示。

從圖2 可以看出，三幀差分法具有原理簡(jiǎn)潔、運(yùn)算量小、可以迅速監(jiān)測(cè)到現(xiàn)場(chǎng)中的運(yùn)動(dòng)等優(yōu)點(diǎn)。當(dāng)運(yùn)動(dòng)目標(biāo)速率較快時(shí)，運(yùn)動(dòng)目標(biāo)的檢測(cè)結(jié)果比兩幀差分法更完整。然而，由于運(yùn)動(dòng)目標(biāo)前后圖像存在重疊部分，檢測(cè)到的運(yùn)動(dòng)目標(biāo)內(nèi)部會(huì)存在較大的連通空洞，降低了移動(dòng)目標(biāo)的可識(shí)別性[4-5]。

通過(guò)三幀差分圖和二幀差分圖的比對(duì)，可以清晰地看到與二幀差分圖相比，雖然三幀差分法去掉了二幀差分圖出現(xiàn)的“重影” 現(xiàn)象，使運(yùn)動(dòng)目標(biāo)輪廓更加清晰，但同時(shí)三幀差分法同樣在使用了閾值構(gòu)建差分圖進(jìn)行轉(zhuǎn)換后，幀間差分圖效果良好，三幀差分圖目標(biāo)的輪廓很多被“腐蝕” 掉了，讓“空洞” 變得更大，從而過(guò)程中不能準(zhǔn)確地檢測(cè)到目標(biāo)的輪廓以及內(nèi)部像素點(diǎn)信息，使目標(biāo)檢測(cè)的誤差變大。因此，三幀差分法適用于運(yùn)動(dòng)目標(biāo)形體較小、運(yùn)動(dòng)速度快、對(duì)輪廓信息要求不高的無(wú)遮擋的場(chǎng)景中。

2.2.2 混合高斯算法

混合高斯算法（Gaussian Mixture Model，GMM）克服了在常規(guī)的幀內(nèi)差分法和背景差分法等計(jì)算中普遍存在的光照突變對(duì)結(jié)果產(chǎn)生的重大干擾。其通過(guò)使用高斯模型的個(gè)數(shù)選擇場(chǎng)景，增強(qiáng)了對(duì)環(huán)境本身的適應(yīng)性功能。而混合高斯算法則需要對(duì)視頻圖像幀的每一像素點(diǎn)都進(jìn)行模擬，具體可以表示為：

式中：K為模型個(gè)數(shù)；ωi，t為權(quán)重；μi，t為均值；φi，t為協(xié)方差矩陣。

高斯混合模型建模步驟如下。

模型初始化：將第一幀圖像作為初始背景圖像。

更新模型的參數(shù)：把當(dāng)前幀的像素點(diǎn)和多個(gè)高斯點(diǎn)進(jìn)行比較。如果像素點(diǎn)不能和高斯分布共存，則會(huì)影響像素點(diǎn)的和的背景值。

背景提取和前景檢測(cè)：根據(jù)優(yōu)先排列，對(duì)高斯分布作出排序。根據(jù)以下公式判斷：

混合高斯算法檢測(cè)結(jié)果如圖3 所示。

圖3 混合高斯算法檢測(cè)結(jié)果

從圖3 可以看出，混合高斯算法的優(yōu)點(diǎn)是在背景情況較復(fù)雜的情況下表現(xiàn)良好，可以根據(jù)視頻環(huán)境動(dòng)態(tài)建立背景模型。但在單一場(chǎng)景下的處理效果就不盡如人意了。在日常生活中，運(yùn)動(dòng)目標(biāo)識(shí)別經(jīng)常被周?chē)h(huán)境等諸多因素干擾，如復(fù)雜背景、光照突變場(chǎng)景、目標(biāo)遮擋、陰影等。往往在復(fù)雜的場(chǎng)景下，對(duì)運(yùn)動(dòng)目標(biāo)檢測(cè)算法的適應(yīng)性要求更高，顯然已有單一的實(shí)時(shí)算法還無(wú)法滿足復(fù)雜場(chǎng)景的變化。但是只對(duì)背景區(qū)域進(jìn)行更新，而對(duì)該幀的前景區(qū)域不進(jìn)行更新，容易在檢測(cè)過(guò)程中產(chǎn)生虛影。因此，混合高斯模型在復(fù)雜變化中的穩(wěn)定性要遠(yuǎn)高于幀間差分法。

3 結(jié)束語(yǔ)

該系統(tǒng)的開(kāi)發(fā)環(huán)境選用Matlab，在算法選取后，開(kāi)始以GUⅠ圖形用戶接口溝通的方式進(jìn)行了界面的設(shè)計(jì)。幀間差分法、混合高斯模型法、ViBe 算法雖然是比較主流的實(shí)時(shí)目標(biāo)檢測(cè)算法，能夠快速清晰地檢測(cè)到運(yùn)動(dòng)對(duì)象的細(xì)節(jié)信息，但也存在部分缺陷，比如幀間差分法中視頻背景為固定的，ViBe 算法起始頁(yè)存在運(yùn)動(dòng)的對(duì)象會(huì)產(chǎn)生鬼影區(qū)域，混合高斯算法運(yùn)行時(shí)效性較差等。目標(biāo)檢測(cè)算法在智能監(jiān)控系統(tǒng)、智能機(jī)器人檢測(cè)以及軍事戰(zhàn)略制導(dǎo)等領(lǐng)域中發(fā)揮著越來(lái)越重要的作用[6-7]。

根據(jù)檢測(cè)結(jié)果所呈現(xiàn)的問(wèn)題來(lái)看，后續(xù)運(yùn)動(dòng)目標(biāo)檢測(cè)的研究方向需要從以下幾個(gè)方面著手：①遮擋問(wèn)題。移動(dòng)目標(biāo)的識(shí)別具有一定的視野局限，希望能夠增加多角度目標(biāo)檢測(cè)，從而更加全面準(zhǔn)確地獲取并識(shí)別運(yùn)動(dòng)目標(biāo)，應(yīng)對(duì)在識(shí)別過(guò)程中產(chǎn)生運(yùn)動(dòng)目標(biāo)相互遮擋或者外界遮擋物遮擋的特殊情況。②閾值自適應(yīng)選擇問(wèn)題。幀間差分法和ViBe 算法的改進(jìn)自適應(yīng)選擇合適的閾值，讓運(yùn)動(dòng)目標(biāo)的識(shí)別精度更加穩(wěn)定。③特殊環(huán)境下算法的健壯性和穩(wěn)定性。在遭遇雨、雪、霧、霾等影響視野距離的天氣時(shí)，期望仍然能夠利用該系統(tǒng)準(zhǔn)確地識(shí)別。本文所研究實(shí)現(xiàn)的實(shí)時(shí)算法在實(shí)際社會(huì)應(yīng)用中具有重大價(jià)值和意義。目前基于深度學(xué)習(xí)的運(yùn)動(dòng)目標(biāo)識(shí)別已經(jīng)取得了重大發(fā)展成果，但在實(shí)際復(fù)雜場(chǎng)景中的目標(biāo)識(shí)別仍然面臨著很多挑戰(zhàn)，需要進(jìn)一步研究。