一種基于背景運動特性分析的背景配準算法

摘要:為了解決復雜背景下基于背景運動補償的目標檢測算法無法精確提取背景運動特征塊的問題，該文提出了一種基于背景運動特性分析的背景配準算法。采用Harrir-Affine焦點算法提取仿射不變特征點，通過Lucas-Kande光流法估算特征區域光流矢量，通過特征區域光流主方向相似度度量對特征區域聚類實現背景特征區域的精確提取。實驗結果表明:該算法能夠精確提取出背景運動特征塊，與傳統的基于背景配準的目標檢測算法進行比較，采用本文算法的目標檢測其有效性提高了1.1倍。

關鍵詞:背景配準;Harrir-Affine;光流分析

中圖分類號:TP391文獻標識碼:A文章編號:1009-3044(2009)24-6745-03

A Novel Background Compensation Algorithm Based on Analysis of Background Moving Character

TIAN Jun

(School of Electronic and Information Engineering， Xuzhou Institute of Technology， Xuzhou 221008， China)

Abstract: To resolve the accurate extraction of background moving characters based on background compensation algorithm in complex background， an background compensation algorithm based on analysis of background moving characters was proposed. At First Harrir-Affine algorithm was used in extracting affine invariant interest points. Then optical flow vectors of feature-regions were acquired， which adopted Lucas-Kanade optical flow algorithm Through comparing the similarity values of main orientation in feature-regions， the accurate extraction of background moving characters was completed. The results show that the background compensation algorithm can deal with accurate extracting of background moving feature-regions ;And object detection rate of this background compensation algorithm increased by 1.1 times compared with traditional background compensation algorithm.

Key words: background compensation; Harrir-Affine; analysis of optical flow

復雜背景下的運動目標檢測，由于背景和目標同時運動且具有不同的運動特性，如何實現精確的運動目標分割一直是智能監控領域的研究熱點。當攝像機運動時，必須先進行幀間圖像的配準，即背景全局運動的補償，文獻[1]理論上闡明了運動補償的必要性。經過全局背景運動補償后，幀間圖像背景相對靜止，可以差分檢測出目標。基于背景配準的目標檢測算法是通過對反映背景運動特性的特征點對的相似度度量獲得匹配點對，并認為該匹配點對的變換關系滿足仿射參數模型[2]，通過最小二乘法估算出仿射參數再通過配準差分檢測出運動目標。但利用特征法提取出的仿射不變特征點對不僅包含背景區域還包含目標區域，而這兩者的運動特性不具有一致性，因此將目標區域特征點對作為仿射參數估計的匹配點對，直接影響背景運動補償的結果，造成目標檢測的誤檢率增加。

為了解決此類問題，許多學者提出了解決背景運動特征塊精確提取的方法。文獻[8]將特征點求取區域定位在靠近圖像邊緣的區域，該算法是建立在運動目標一般位于視場的中心區域的假設，對于運動目標入侵檢測效果不理想。文獻[9]提出了一種基于視頻序列像素時空相關性檢測的運動目標檢測方法，但是利用空間相關性檢測到的運動塊大部分是變化比較劇烈的背景塊，對于攝像機運動引起的背景運動提取效果不理想。本文在Harrir-Affine提取仿射不變特征點的基礎上，采用Lucas-Kande光流法計算特征區域(目標區域和背景區域)光流矢量，通過區域光流主方向相似度度量比較獲得最能反映背景運動特性的特征區域。

1 算法概述

本文旨在解決復雜背景下基于背景運動補償的目標檢測算法無法精確提取背景運動特征塊的問題，首先提取Harrir-Affine角點作為仿射不變特征點，由于背景區域與目標區域運動不具有一致性，必須對特征點進行二次篩選，采用Lucas-Kande光流法估算計算特征區域的光流矢量，確定區域光流主方向，通過特征區域光流主方向相似度度量比較實現背景運動區域的精確提取，通過基于特征塊灰度相似性匹配獲得仿射匹配點對，刪除誤配后采用最小二乘法估算出仿射參數。基于背景運動特性分析的背景配準算法流程如圖1所示。

2 背景運動估計

2.1 Harris-Affine 特征提取

由Mikolajczyk提出了仿射不變特征點提取方法Harris-Affine[3-6]。它建立在Harris特征點的基礎之上，引入了尺度和位置的自適應迭代調整過程以及特征區域形狀的自適應迭代過程調整，克服了Harris特征點的弱尺度特性以及視角變化引起的仿射變換帶來的干擾，表現出了極強的抗仿射變換能力。

Harris 特征點檢測算子用二階矩矩陣判斷圖像的點是否為特征點，是目前最穩定的特征點檢測算子。Harris-Affine 方法拓展Harris二階矩矩陣得到尺度自適應的二階矩矩陣。

式1中，σ1 表示微分尺度，σD為積分尺度，μ(x，σ1，σD)表示x點領域梯度分布。特征點測度定義如式2所示:

c(x，σ1，σD)=det(μ(x，σ1，σD))-αtrace2(μ(x，σ1，σD)) (2)

當c(x，σ1，σD)達到極值時，該點就被確定為特征點。

2.2 提取背景運動區域

對兩幀圖像做 Harris-Affine角點提取，所得特征點包括了背景點和運動目標點，而后者的運動矢量變化與背景運動不保持一致性，因此對于特征點必須進行二次篩選排除運動目標點。

在目標為非大目標(<1/3視場)的條件下，提取的背景區域個數要明顯多于目標區域個數，而背景又具有近似一致的運動特性。因此采用Lucas-Kande[7，10]估算光流失量，對特征區域(包括背景區域和目標區域)光流失量進行統計分析，提取能精確反映背景運動特性的背景區域。特征區域運動特性差異在光流失量主方向的體現如圖2所示。

具體做法如下:

Step1:將運動區域分成N個子區域(MSR， move sub region )，對MSR進行編號，有MR1，MR2，……MRn，圖2用紅色和綠色框表示被編號的運動區域;

Step2:統計MRi區域光流直方圖確定區域運動主方向，記roi為區域MRi主方向夾角;

Step3:以區域主方向相似度度量VDi(1

記Dij為MRi與MRj主方向差值，即有Dij=|roi-roj|，定義區域相似度閥值α，若Dij<α，則VDi++;

Step4:遍歷MRi做主方向相似度計算，定義區域度量閥值β，若VDi>β，MRi為背景運動區域，反之為目標運動區域。

2.3 區域匹配

采用上述特征塊提取方法，得到了最能體現背景運動特征的特征塊。以背景運動特征塊中harrir-affine角點(i，j)為中心，構造大小為(2u+1)*(2v+1)的特征點匹配搜索區域，求取對應的特征點對。塊大小一般取7*7，特征點搜索區域一般選為10*10，對落在該搜索窗口內的每一個特征點用下式計算其匹配窗與待匹配點匹配窗的灰度相似性，如式3所示:

式3中，In(u，v) (n=1，2)是第n副圖像在(u，v)坐標處的灰度，patch表示匹配搜索窗，c越小表示相似性越強。如果某對特征點在兩幅圖像中均表現為最強相似性，那么該對特征點就認為是一對初始匹配點。為刪除尺度和方向離群點對，對初始匹配點對進行聚類刪除誤配。匹配點特征包括4 個參數:2D 坐標(x， y) ，尺度和方向，計算匹配點對的尺度倍數，如果倍數大于均值的1.5 倍或者小于均值的0.75 倍，則認為特征點對為誤配點對;同理，計算匹配點對的角度差值，如果差值大于均值的1.5 倍，則認為特征點對為誤配點對。

獲得了匹配點對，通過最小二乘法估計出仿射運動參數模型，就較為精確地獲得前后兩幀背景運動的變換關系，而攝像機的移動，旋轉等各個差異變化，都包含其中。利用此參數作幀間背景運動補償，配準差分得到運動區域。

3 試驗結果

本文算法在VC++ 6.0和matlab混合編程下實現，使用1臺DS-2CC102P攝像機(帶云臺轉動)對辦公室進行數據采集，圖像分辨率為320*240，采集幀率25幀/秒，采集圖像如圖a和圖b所示。對K幀和K+1幀做HArrir-Affine角點提取，第K幀角點提取結果如圖c所示;統計分析K幀和K+1幀運動區域光流矢量，獲得體現背景運動特性的特征點，去除目標運動區域特征點，K幀效果如圖d所示;K幀與K+1幀做特征塊匹配獲得初始匹配點，刪除誤配后，由匹配點對通過最小二乘法估計出背景仿射運動參數，對K+1幀做背景配準差分后獲得運動目標區域如圖f所示，圖e為K幀和K+1幀直接做特征塊匹配后配準差分目標檢測結果，由于目標運動與背景運動不保持一致性，將包含有目標運動特性的特征點作為仿射模型估計的特征點，其配準差分后目標檢測出現誤檢。

與不做背景運動特性分析的背景補償算法比較，將視頻序列中對運動目標檢測的正確幀數作為算法有效性度量，對采集視頻序列分別進行特征塊直接配準差分(不做背景運動特性分析)的背景補償運算和本文改進的背景補償運算，橫軸為檢測幀數，縱軸為正確檢出運動目標幀數，結果如圖3所示，與不做背景運動特性分析的背景補償算法比較，本文算法有效性提高了1.1倍。

4 結論

由于背景區域與目標區域運動不具有一致性，使得復雜背景下基于背景運動補償的目標檢測算法由于無法精確提取背景運動特征塊致使檢測率下降。本文提出一種基于背景運動特性分析的背景配準算法對特征點進行二次篩選。采用Harrir-Affine角點算法提取仿射不變特征點，通過Lucas-Kande光流法估算特征區域光流矢量，確定區域光流主方向，通過特征區域光流主方向相似度度量比較實現背景運動區域的精確提取。根據本文算法，對攝像機運動造成背景運動的監控場景進行試驗，實驗結果表明:該算法能夠精確提取出背景運動特征塊，與傳統的基于背景配準的目標檢測算法進行比較，采用本文算法的目標檢測其有效性提高了1.1倍。

參考文獻:

[1] 游安清，程義民.基于背景運動補償的紅外運動分析[J].強激光與粒子束，2003，15(5):431-434.

[2] Hayman E，Reid I D，Murray D W.Zooming while tracking using affine transfer[C].Edinburgh:proceedings of the British Machine Vision Conference，1996.

[3] Mikolajezyk K，Sehmid C.An affine invariant interest point detector[C].European Conference on Computer Vision，2002，4:128-142.

[4] Mikolajezyk K，Sehmid C.Seale and affine invariant interest point detectors[J].International Journal of Computer Vision，2004，60(1):63-86.

[5] Mikolajczyk K，Tuytelaars T，Schmid C，et al.A Comparison of Affine Region Detectors[J].International Journal of Computer Vision(S0920-5691)，2005，65(1):43-72.

[6] Mikolajczyk K，Schmid C.A Performance Evaluation of Local Descriptors[J].IEEE Transactions on Pattern Analysis and Machine Intelligence (S0162-8828)，2005，27(10):1615-1630.

[7] LUCAS B D，KANADE T.An Iterative image registration technique with an application to stereo vision[C].Proc 7th International Joint Conf on Artificial Intelligence(IJCAI)，1981:674-679.

[8] 盧宇，祝豪，吳欽章.一種基于背景配準的光流場算法[J].半導體光電，2008，29(1):126-130.

[9] 李路，宿勇，周德超，等.基于時空相關性檢測的視頻序列運動目標檢測方法[J].探測與控制學報，2005，27(3):52-54.

[10] Horn B K P ，Schunck B G.Detemining optical flow[J].Artificial Interlligence，1981(17):185-203.