基于視頻序列的運(yùn)動(dòng)目標(biāo)檢測(cè)

王天苓，安博文

（上海海事大學(xué)信息工程學(xué)院，上海200135）

隨著計(jì)算機(jī)技術(shù)的飛速發(fā)展，計(jì)算機(jī)視覺(jué)監(jiān)控應(yīng)用越來(lái)越廣泛。從國(guó)內(nèi)外范圍來(lái)看，運(yùn)動(dòng)目標(biāo)檢測(cè)一直是視覺(jué)監(jiān)控領(lǐng)域研究的熱點(diǎn)和難點(diǎn)之一，是對(duì)圖像進(jìn)一步目標(biāo)分類、跟蹤、行為分析等后續(xù)處理的關(guān)鍵，因此運(yùn)動(dòng)目標(biāo)檢測(cè)技術(shù)研究具有非常重要的意義。

近年來(lái)，國(guó)內(nèi)外學(xué)者對(duì)視頻運(yùn)動(dòng)檢測(cè)進(jìn)行了許多研究，常用的有光流法、幀差分法、背景差分法等[1]。

光流場(chǎng)法無(wú)需預(yù)知場(chǎng)景的任何信息也能檢測(cè)出運(yùn)動(dòng)對(duì)象，但算法復(fù)雜度大、實(shí)用性較差；幀差分法是對(duì)相連續(xù)的圖像進(jìn)行幀差分，能夠較準(zhǔn)確地檢測(cè)到運(yùn)動(dòng)目標(biāo)輪廓，實(shí)時(shí)性較高，但是，由于相鄰幀的紋理、灰度等比較相近，通常只能得到部分運(yùn)動(dòng)信息，不能完整地實(shí)現(xiàn)目標(biāo)分割；背景差分法主要是首先進(jìn)行背景建模，然后利用當(dāng)前幀與背景幀差分來(lái)提取運(yùn)動(dòng)目標(biāo)，之后每個(gè)像素的值和閾值相比較，若該像素的值大于該閾值，則認(rèn)為該點(diǎn)是前景點(diǎn)，否則是背景點(diǎn)。在現(xiàn)實(shí)復(fù)雜場(chǎng)景中天氣、光線等因素對(duì)檢測(cè)效果有一定影響。另外，選擇一種適用于實(shí)際工程應(yīng)用的閾值算法，才能使運(yùn)動(dòng)目標(biāo)與背景能夠較好的分離。

作者結(jié)合在實(shí)際工作的項(xiàng)目，采用了自適應(yīng)背景提取、背景差分和閾值分割相結(jié)合的方法實(shí)現(xiàn)運(yùn)動(dòng)目標(biāo)的檢測(cè)，提高了目標(biāo)分割的準(zhǔn)確度，并且能夠滿足系統(tǒng)實(shí)時(shí)性的要求。

1 預(yù)處理

1.1 灰度化

通過(guò)采集設(shè)備實(shí)時(shí)從外界環(huán)境中獲取RGB彩色圖像，其顏色種類雖多，但并非都有很大作用，因此可以把彩色圖像灰度化，其灰度值和RGB顏色對(duì)應(yīng)關(guān)系如下：

1.2 濾波、去噪

運(yùn)動(dòng)目標(biāo)檢測(cè)所涉及到的噪聲一般來(lái)說(shuō)呈現(xiàn)高斯分布，實(shí)驗(yàn)也證明選用高斯濾波能夠取得比均值濾波、中值濾波等方式更好的效果。

一維零均值高斯函數(shù)為：

其中，高斯分布參數(shù)σ決定了高斯濾波器的寬度。對(duì)圖像處理來(lái)說(shuō)，常用二維零均值離散高斯函數(shù)作平滑濾波器：

對(duì)連續(xù)高斯分布進(jìn)行采樣、量化，并歸一化模板，得到以下離散模板對(duì)圖像進(jìn)行濾波：

2 運(yùn)動(dòng)目標(biāo)提取

2.1 自適應(yīng)背景提取

以固定攝像機(jī)和交通場(chǎng)景為例，自適應(yīng)背景提取方法有很多，在實(shí)際使用的主要有3種，即混合髙斯背景建模（MoG）算法、Surendra算法、自適應(yīng)中值濾波器（AMF）算法。MoG算法在小車流量時(shí)效果、魯棒性較好，但不適合復(fù)雜場(chǎng)景；Surendra算法與AMF算法能較快地適應(yīng)背景的實(shí)時(shí)變化，滿足在不同天氣狀況、光照下提取背景的要求，在城市交通監(jiān)控工程中應(yīng)用前景較廣。本文對(duì)Surendra算法進(jìn)行改進(jìn)，實(shí)現(xiàn)自適應(yīng)背景提取[2-5]。

Surendra算法提取背景的思想為：通過(guò)背景差分找出運(yùn)動(dòng)區(qū)域，使運(yùn)動(dòng)區(qū)域內(nèi)的背景保持不變，而非運(yùn)動(dòng)區(qū)域的背景則用當(dāng)前幀進(jìn)行更新，經(jīng)過(guò)一定幀數(shù)的迭代即可提取出背景。由于Surendra算法沒(méi)有對(duì)得到的二值圖像進(jìn)一步處理，當(dāng)連續(xù)兩幀的前景有紋理相似的重疊部分時(shí)會(huì)形成空洞，如圖1（b）所示，本文改進(jìn)算法對(duì)二值圖像進(jìn)行形態(tài)學(xué)處理，使得空洞被填充，如圖1（c）所示，從而消除了原始Surendra算法的不足。

圖1 效果對(duì)比圖Fig.1 Results contrast images

具體步驟及改進(jìn)如下：

1）把第一幀圖像I0作為原始背景B0，在這里兼顧準(zhǔn)確性與實(shí)時(shí)性，采用前30幀圖像平均作為原始背景，經(jīng)驗(yàn)證效果更好。

2）令迭代參數(shù)i=1；

3）求當(dāng)前背景差分的二值圖像BWi：

其中Ii，Ii-1分別為當(dāng)前幀和上一幀圖像，abs（Ii-Ii-1）為兩幀差分的絕對(duì)值，T為閾值。

4）對(duì)二值圖像BWi進(jìn)行形態(tài)學(xué)處理，二值圖像BWi變?yōu)镈BWi。然后利用式（6）更新背景：

其中，Bi（x，y），DBWi（x，y）分別為背景圖像和二值圖像在坐標(biāo)（x，y）處的值，更新系數(shù)α值為0.1。

5）i=i+1，返回步驟3）迭代，迭代到一定幀數(shù)時(shí)的Bi即為提取出的背景。效果如圖2所示。

圖2 算法效果圖Fig.2 Results diagram of algorithm

2.2 閾值分割

常用的閾值算法有迭代法、雙峰法和大津法等。迭代法實(shí)現(xiàn)較復(fù)雜，且運(yùn)算時(shí)間長(zhǎng)；雙峰法處理某些圖像的效果較好，但試驗(yàn)證明不適于車輛視頻圖像處理；大津法得到二值圖像的車輛內(nèi)部仍存有少量空洞，但其分離情況較好，所以這里選用大津法。

大津法，又叫最大類間方差法（簡(jiǎn)稱OTSU），是一種自適應(yīng)閾值分割方法，它以圖像的灰度直方圖為基礎(chǔ)，依據(jù)類間距極大準(zhǔn)則來(lái)確定分割門(mén)限，對(duì)圖像進(jìn)行分割。方法如下：

設(shè)圖像有L個(gè)灰度級(jí)，灰度值是i的像素?cái)?shù)為ni，則總的像素?cái)?shù)是

各灰度值出現(xiàn)的概率為

設(shè)以灰度t為門(mén)限將圖像分割成兩個(gè)區(qū)域，灰度級(jí)為1～t的像素區(qū)域A（背景類），灰度級(jí)為（t＋1）～（L-1）的像素區(qū)域B（目標(biāo)類）。A、B出現(xiàn)的概率分別為

A和B兩類的灰度均值分別為

圖像總灰度均值為由此可以得到A，B兩區(qū)域的類間方差：

為了得到最優(yōu)分割閾值，把兩類的類間方差作為判決準(zhǔn)則，將式（12）代入式（13），使得σ2最大的T即為所求的最佳閾值：

背景和目標(biāo)之間的類間方差越大，說(shuō)明構(gòu)成圖像的兩部分的差別越大，因此，使類間方差最大的分割意味著錯(cuò)分概率最小。部分幀的效果如圖3所示。

圖3 部分幀與各自相應(yīng)背景差分后的二值圖像Fig.3 Current frames and their binary images difference with their background

3 后處理

如圖3所示，在二值圖像中，有時(shí)存在很多細(xì)小的噪聲，即便前景本身也可能不是完整的，甚至部分還存在空洞。因此，需要進(jìn)行數(shù)學(xué)形態(tài)學(xué)處理以得到前景的完整效果。

基本的形態(tài)學(xué)處理是腐蝕和膨脹[6]。腐蝕（Erosion）是消除目標(biāo)圖像中的無(wú)用點(diǎn)的一個(gè)過(guò)程。一般意義的腐蝕定義為：對(duì)Z中的集合A和B，使用B對(duì)A進(jìn)行腐蝕，用A?B表示：

式（14）表明，使用B對(duì)A進(jìn)行腐蝕就是所有B中包含于點(diǎn)z的集合用z平移。

膨脹（Dilation）是腐蝕運(yùn)算的對(duì)偶運(yùn)算（逆運(yùn)算），A被B膨脹定義為：

式（15）是以得到B的相對(duì)于其自身的映像B＾并且由z對(duì)映像進(jìn)行位移為基礎(chǔ)的。A被B膨脹是所有位移z的集合，這樣B＾和A至少有一個(gè)元素是重疊的。膨脹是將與目標(biāo)接觸的所有點(diǎn)合并到該目標(biāo)的過(guò)程。膨脹在填補(bǔ)分割后目標(biāo)中的空洞很有用。

將上述提取出來(lái)的前景（運(yùn)動(dòng)目標(biāo)）通過(guò)形態(tài)學(xué)處理得出的部分結(jié)果如圖4所示。

圖4 部分幀通過(guò)形態(tài)學(xué)處理后得到的完整運(yùn)動(dòng)目標(biāo)Fig.4 Complete moving target get by morphological processing

4 結(jié)論

本文提出了一種改進(jìn)的基于自適應(yīng)背景提取與自適應(yīng)閾值相結(jié)合的背景差分法來(lái)實(shí)現(xiàn)對(duì)運(yùn)動(dòng)目標(biāo)物體的檢測(cè)，并結(jié)合了高斯濾波及形態(tài)學(xué)處理的方法。通過(guò)實(shí)驗(yàn)驗(yàn)證，該方法在實(shí)際工程中可不斷的更新背景，能用自適應(yīng)閾值準(zhǔn)確、有效、完整的對(duì)運(yùn)動(dòng)目標(biāo)進(jìn)行分割[7-8]。

本文算法通過(guò)編程試驗(yàn)，取得了較好的運(yùn)動(dòng)目標(biāo)檢測(cè)效果，對(duì)于后期目標(biāo)分類、跟蹤、視頻分析、視頻編碼、視頻檢索以及視頻監(jiān)控等具有實(shí)際應(yīng)用價(jià)值。

[1]Robert K.Video-based traffic monitoring at day and night[C]//Proceedings of the 12th International IEEE Conference on Intelligent Transportation Systems.St.Louis，MO，USA，2009.

[2]Surendra，Gupte，Osama，et al.Detection and classification of vehicles[J].IEEE Transactions on Intelligent Transportation Systems，2002，3（1）:37-47.

[3]王正勤，劉富強(qiáng).自適應(yīng)背景提取算法的比較[J].計(jì)算機(jī)工程，2008，34（23）:220-223.

WANG Zheng-qin，LIU Fu-qiang.Comparison of adaptive extract algorithm of object scene[J].Computer Engineering，2008，34（23）:220-223.

[4]袁基煒，史忠科.一種快速運(yùn)動(dòng)目標(biāo)的背景提取算法[J].計(jì)算機(jī)應(yīng)用研究，2004，2l（8）:128-129.

YUAN Ji-wei，SHI Zhong-ke.An algorithm of automatic background extraction of target based on fast motion[J].Application Research of Computers，2004，21（8）:128-129.

[5]羅志升，王黎，高曉蓉，等.序列圖像中運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤方法分析[J].現(xiàn)代電子技術(shù)，2009，32（11）:125-128.

LUO Zhi-sheng，WANG Li，GAO Xiao-rong，et al.Analysis of moving object detection and tracking in sequence image[J].Modern Electronics Technique，32（11）:125-128.

[6]Gonzalez R C，Woods R E.數(shù)字圖像處理[M].北京：電子工業(yè)出版社，2007.

[7]李春生，龔曉峰.視頻序列中的運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤[J].現(xiàn)代電子技術(shù),2009，32（23）：149-151.

LI Chun-sheng,GONG Xiao-feng.Detection and tracking of moving object in vedio sequence[J].Modern Electronics Technique,2009，32（23）：149-151.

[8]張建軍,黃山,張洪斌,等.基于視頻的運(yùn)動(dòng)目標(biāo)檢測(cè)與識(shí)別[J].現(xiàn)代電子技術(shù),2009，32（8）：87-91.

ZHANG Jian-jun,HUANG Shan,ZHANG Hong-bin,et al.Moving object detection and recognition based on video[J].Modern Electronics Technique,2009，32（8）：87-91.