基于概率估計的運動目標檢測算法

摘 要:針對現(xiàn)有智能視頻中運動目標檢測算法存在的問題，提出一種新的對稱差分及背景減除相融合的算法。該算法基于子塊操作，首先利用高斯分布的概率特性，分離出運動變化區(qū)域和靜止區(qū)域，對分割閾值的選取進行了改進;然后背景重構(gòu);最后通過背景和變化區(qū)域相差分得到精確運動目標分割。實驗結(jié)果表明，該方法能夠?qū)ΡO(jiān)控場景中運動目標進行有效的分割，對光線變化、背景干擾不敏感，具有較好的魯棒性和實用性。

關(guān)鍵詞:背景重構(gòu); 對稱差分; 分塊; 高斯分布

中圖分類號:TP391 文獻標識碼:A

文章編號:1004-373X(2010)10-0096-03

Moving Object Detection Algorithm Based on Probability Estimation

CHEN Yi-yi， WU Jin

(Wuhan University of Science and Technology， Wuhan 430081， China)

Abstract: A novel moving object fusion algorithm based on background subtraction and symmetrical differencing is proposed to overcome the problems of the current moving target detection algorithm in the intelligent video. This algorithm is based on sub-block operation: step one， according to gaussian probability distribution characteristics， isolate the motion area from the rest， and improve the selection of the segmentation threshold; step two， reconstruct the background; step three， achieve the accurate moving object segmentation by differencing the background and changing area. Experimental results demonstrate that this method can effectively isolate the motion object in monitoring scenes， and is immune to light changing and background interference. It is of great robustness and practicality.

Keywords: background reconstruction; symmetrical differencing; blocking; Gaussian distribution

近年來，智能視頻監(jiān)控系統(tǒng)優(yōu)勢愈發(fā)明顯，其以高度的開放性、集成性和靈活性，為整個安防產(chǎn)業(yè)的發(fā)展提供了更加廣闊的空間。它改變了傳統(tǒng)視頻監(jiān)控的被動接收感受模式，可以主動地對監(jiān)控現(xiàn)場的視頻進行自動的檢測、跟蹤和分析。對于固定攝像機捕捉的視頻圖像，運動目標檢測的主要方法有幀差分法、背景差分法和光流場法。幀差分法[1]運算簡單，易于實現(xiàn)，但容易出現(xiàn)運動目標的斷裂和破碎，在較大程度上依賴于差分幀的選擇時機和目標的運動速度。光流場法[2]計算復雜，不適合于實時處理，同時抗噪聲能力差。背景差分法[3]是目標檢測最常用的一種方法，計算速度快，檢測準，實現(xiàn)最簡單，但由于光照和外部條件造成的動態(tài)場景變化，造成運動背景不穩(wěn)定，從而增加了背景提取的復雜性，故自適應的背景模型尤為重要。針對這樣的問題設(shè)計一種算法，其能自動地分離出每幅圖像的運動區(qū)域和靜止區(qū)域，然后將所有靜止區(qū)域進行統(tǒng)計，以得到可靠的背景圖像，同時對分離出的運動區(qū)域進行精細分割，以得到運動目標，而達到雙贏的效果。目前，大多數(shù)背景的重構(gòu)算法只是基于像素亮度或顏色特征，忽視了相鄰像素間的空間關(guān)系，且受噪聲的影響較大。因此，本文對智能視頻監(jiān)控系統(tǒng)中的核心技術(shù)——運動目標檢測進行算法實現(xiàn)，該算法對目標運動的速度沒有限制;不需要存儲歷史圖像;構(gòu)建的背景可以適應光照和背景物體的變化。

1 運動目標檢測算法實現(xiàn)

本文目標檢測算法的基本思想是采用對稱差分法和背景差分法共同作用檢測運動目標。對圖像分塊操作，運用概率估計[4]的思想建立高斯模型，使自適應的分割閾值有效地分離出運動變化子塊和靜止子塊;然后用靜止子塊構(gòu)建背景模型，將運動變化子塊組成運動變化區(qū)域和背景模型相差分得到精確的運動目標。

1.1 區(qū)域分類檢測

(1) 圖像對稱差分。為了更準確地提取變化信息，去除因為運動而顯露的背景影響，這里采用對稱差分法[5]，即取連續(xù)的三幀、相鄰幀分別進行差分，然后將查分結(jié)果相與，得到中間幀的運動目標信息。在此，計算對稱差分的目的不是直接用于獲取運動目標模板，而是關(guān)注于信息可靠的靜止背景，分離出可靠背景和運動變化區(qū)域，最終得到粗略的目標分割。

設(shè){fk(x，y)}，k=1，2，…為一圖像序列，間隔l幀圖像連續(xù)取三幀圖像分別為fk-l(x，y)，fk(x，y)，fk+l(x，y)。兩兩計算差值圖像為:

D(k-l，k)(x，y)=fk(x，y)-fk-l(x，y)

D(k，k+l)(x，y)=fk+l(x，y)-fk(x，y)

(2) 差分圖像分塊，并對子塊的分類。在沒有運動目標時，幀差圖像中各個像素點值不為零，這意味著幀差圖像是一個隨機過程[6]。分析表明，這一過程服從均值為μ、方差為σ2的高斯分布即N(μ，σ2)。若場景中有運動目標出現(xiàn)，則序列中連續(xù)幀圖像的目標變化區(qū)域差異較大，進而使幀差圖像中目標變化區(qū)域出現(xiàn)較大的灰度差值，從而影響分布。而這也就是運用的概率估計思想，對場景中每個像素點建立高斯模型，每一像素點都視為服從獨立的高斯分布。每一個像素處理都是一系列在相應時間內(nèi)(從起始時間到當前時間)該點值的集合，即在任意時間t，像素點(x0，y0)的值都應該是以時間為軸的點集合中的一個，可由式(1)表示:

{X1，X2，…，X4}={f(x0，y0，i)|1≤i≤t}(1)

式中:f表示這一個圖像序列，也就是這個集合;i表示第i幀。那么從時間軸上看，這些點的集合符合高斯分布，即:

P(Xt)=12πσe-(x-μ)22σ2，x∈f(x0，y0，t)(2)

因此，運用上述思想可以對運動變化區(qū)域和靜止區(qū)域進行分類。

首先，將差分圖像D(k-l，k)(x，y)從左到右、從上到下按順序分成M×N個子塊Sij(x，y)，i=1，2，…m;j=1，2，…，n，則D(k-l，k)(x，y)=∑M×Nn=1Sij(x，y)。

當處于沒有運動目標的背景下時，每個子塊Sij(x，y)應該和fk(x，y)具有相同的分布。計算其k階中心矩為:

ηk=∑(x，y)∈DSij(x，y)∑DSij(x，y)-E[DSij(x，y)]k(3)

k階原點矩為:

mk=∑(x，y)∈DSij(x，y)∑[DSij(x，y)]k(4)

定義峰度系數(shù):

FDSij=η4/σ4-3(5)

偏度系數(shù):

PDSij=η3/σ3(6)

由于正態(tài)分布的3階及3階以上的統(tǒng)計量為零，則有:

FDSij=0，PDSij=0(7)

由此可見，可以利用峰度系數(shù)和偏度系數(shù)來判斷子塊是否符合正態(tài)分布，從而判斷該子塊是否為運動或靜止子塊，其構(gòu)造判別函數(shù):

CDSij=η4-3η22(8)

判別規(guī)則為:

CDSij(x，y)≤T，則DSij(x，y)為靜止子塊

>T，則DSij(x，y)為運動子塊(9)

式中:T為判別閾值，理論上T=0。

由于各種因素的影響，在實際計算中，即使在純背景的情況下，式(8)往往也不能滿足，這不僅使判別閾值很難客觀確定，而且對判別結(jié)果也有直接的影響。所以這里引入子塊能量。定義塊的能量為:

Energy(k-l，k)(x，y)=1M×N∑(x，y)∈DSijD(k-l，k)(x，y)2

根據(jù)圖像塊的定義，若差分圖像塊的位置屬于背景區(qū)域，則此能量應該較小，反之則塊的能量較大。此時，只需確定能量門限即可判斷。在概率中高斯分布的“3δ”特性[7]表明，服從高斯分布的隨機變量主要分布在以均值為中心的3σ范圍內(nèi)，當差分圖像中像素(x，y)的灰度值與相對噪聲均值之間的誤差不超過相對噪聲的方差時，即D(k-l，k)(x，y)-μ≤δ時，表明該像素屬于相對噪聲的可能性較小，在基于圖像塊處理中，設(shè)空間區(qū)域?qū)餐尘癰(k-l，k)(x，y)子塊bSij(x，y)，圖像子塊平均能量定義為Eb=1W2∑∑(x，y)∈bSij(x，y)[D(k-l，k)(x，y)]2。

對式D(k-l，k)(x，y)-μ≤δ變換，得到Eb≤δ2-μ2+2μm0。其中，W2，δ2，μ2，m0分別是差分噪聲的子塊像素、圖像方差、圖像均值和子塊均值。由此可以確定一個門限值T=δ2-μ2+2μm0。

因此改進的判別規(guī)則如下:

CDSij(x，y)≤0且Eb≤δ2-μ2+2μm0，則DSij(x，y)

為背景子塊

反之，則DSij(x，y)為目標子塊(10)

同時對差分圖D(k，k+l)(x，y)也做矩分析和能量分析。

(3)將上述分析中的參數(shù)確定為閾值，從而將兩差分圖二值化，得到b(k-l，k)(x，y)，b(k，k+l)(x，y)。設(shè)定1為靜止子塊，0為運動子塊:

b(k-l，k)(x，y)=1，if CDSij≤0Eb≤δ2-μ2+2μm0

0，else(11)

式中:b(k，k+l)(x，y)同上處理。

(4) 對兩個二值化的圖像進行邏輯與操作，得到對稱差分結(jié)果二值化圖像:

Bk(x，y)=1，if b(k-l，k)(x，y)=1b(k，k+l)(x，y)=1

0，else(12)

可以看到，這樣操作后可以分離出運動變化的區(qū)域。由于存在光照變化強烈，以及背景物體變化，這些也有可能被歸入目標子塊，所以這種分割是粗糙的，大部分情況是把運動區(qū)域擴大了。

上面提出了靜止子塊和運動子塊的方法，由此可見分塊的大小對結(jié)果的影響很大。如果塊分得太大，雖計算時間較少，但是當一個字塊被確定為運動子塊時，對子塊判別的精細程度影響較大[8];而字塊的劃分太小，則由于耗時較長，不便于實際應用。

1.2 背景重建和更新

對于連續(xù)幾幀均被判定為靜止的子塊，認為是背景部分，加入背景圖像，直到所有子塊滿足要求，即背景重構(gòu)完成。具體如下:

(1) 對相與后的二值圖像Bk(x，y)每一個子塊進行標記，如果該子塊含有前景像素，則標記為運動區(qū)域，否則標記為靜止區(qū)域。

(2) 統(tǒng)計每子塊被標記為靜止區(qū)域或者運動區(qū)域的次數(shù)。為每個子塊設(shè)計一個計數(shù)器，某子塊被標記為靜止子塊，其對應計數(shù)器的計數(shù)增1。

(3) 假如統(tǒng)計數(shù)值大于r，則認為是背景區(qū)域，將該子塊納入背景圖像。

(4) 令k=k+1，轉(zhuǎn)步驟(1)，直到背景重構(gòu)完成。將所有確定為背景子塊的圖像組合輸出，得到整幅的背景圖像。

由于歷史圖像只是用來判斷子塊是運動，還是靜止，所以可以邊采集，邊舍棄，不需要進行存儲，這樣大大地節(jié)省了空間，避免了資源損耗過大的問題。由于自適應地選取閾值，所以不需要更新背景。可以參照文獻[9]，當前幀與背景幀所得差分圖像中，如果統(tǒng)計發(fā)生變化的子塊數(shù)與全部子塊數(shù)的百分比，如果大于某個閾值(通常取80%)，則背景光線發(fā)生突變;若連續(xù)多幀的這一比值都很大，則重新抽取此時的圖像序列，按照算法重新構(gòu)造背景。

1.3 運動對象提取

一旦背景重構(gòu)完成，就可以進行背景差分的精細分割。針對當前幀圖像只對變化區(qū)域中圖像與背景圖像做差分來檢測運動的物體，則由于噪聲的存在，差值圖像除了包含運動目標外，還存在大量噪聲，需要設(shè)置一個閾值來判斷。在這個檢測過程閾值的選取十分關(guān)鍵，它關(guān)系到是否能夠準確完整的提取運動目標。目前，還沒有太好的閾值選取方法，集中常見的確定閾值的方法有:直方圖雙峰法[10]、最大類間方差法[11]、最大熵閾值法[12]等，它們都有具體的應用條件，而且運算也有一定的復雜度。在此應用了一種產(chǎn)生最小平均分割誤差的估計閾值方法，即當前閾值T0使得在決定一個給定的像素是屬于對象，還是背景時平均出錯率最小。由于可能背景和運動目標某些位置的灰度差值較小，使得最后得到的運動目標二值化模板中可能存在著空洞現(xiàn)象，這需要進行形態(tài)學等的后續(xù)操作，從而才能得到真正精確的運動目標模板。

2 仿真結(jié)果及結(jié)論

實驗所用240×320視頻圖像來自采用單個固定CCD攝像機拍攝的片段，間隔3幀提取圖像如圖1所示。此次算法將對稱差分和背景減除法相結(jié)合，將圖像分割細化為由粗到精的過程。

圖1 仿真結(jié)果

3 結(jié) 語

在此，利用圖像的高斯分布特性和能量特性解決了圖像二值化后的閾值選取問題。從圖像的處理結(jié)果可以看到，自適應的閾值選取能夠得到令人滿意的分割效果，分割后的圖像輪廓和邊界較清楚。

參考文獻

[1]李孟歆，吳成東.基于改進動態(tài)閾值的運動車輛實時快速檢測方法[J].計算機應用研究，2009，26(3):953-955.

[2]OBOUKHOVA N A. Automatic segmentation and tracking of objects in video computer system[C]// IEEE Tenth International Symposium on Consumer Electronics. St. Petersburg: IEEE， 2006: 1-4.

[3]LIN Shin-ping. A real-time multiple vehicle detection and tracking system with prior occlusion detection and resolution and prior queue detection and resolution[C]// Proceedings of the 18th International Conference on Pattern Recognition. Hong Kong: IEEE， 2006(1): 828-831.

[4]WANG H Z， SUTER D. Background sub traction based on a robust consensus method[C]// Proc. of Conference on Computer Vision and Pattern Recognition. New York: IEEE Computer Society Press， 2006: 223-226.

[5]倪峰，龔聲蓉，沈項軍.一種基于內(nèi)容的快速視頻運動對象分割算法[J].微電子學與計算機，2007，24(12):40-43.

[6]孫方，汪國慶.多尺度對稱差分交通視頻目標分割及陰影消除[J].計算機系統(tǒng)應用，2009(7):96-100.

[7]吳金勇，虞致國.基于視頻的入侵檢測系統(tǒng)[J].電子測量技術(shù)，2006，29(1):102-103.

[8]齊美彬，王倩，蔣建國，等.基于背景像素值頻次最高假設(shè)的背景重構(gòu)算法[J].中國圖像圖形學報，2008，13(4):723-728.

[9]孫志海，朱善安.基于差異積累的視頻運動對象自動分割[J].光電工程，2007，34(12):97-100.

[10]曹丹華，鄒偉，吳裕斌.基于圖像差分的運動人體檢測[J].光電工程，2007(6):12-14.

[11]吳成東，周博，李孟歆.基于小波變換的墻地磚缺陷圖像分割[J].沈陽建筑大學學報，2006，22(3):35-38.

[12]黎燕，樊曉平，李剛.一種新的圖像閾值分割算法[J].計算機仿真，2006(6):195-197.