基于雙目視覺的運動目標檢測算法研究

摘 要：運動目標檢測是實現目標識別與跟蹤的基礎，它是計算機視覺研究領域的重要組成部分。鑒于傳統的運動目標檢測算法容易受到噪聲、光照及外部環境影響，導致難以準確檢測到運動目標的缺點，提出了基于視差的目標檢測方法和基于灰度的目標檢測方法相結合的算法進行運動目標檢測。該方法是將兩種算法檢測出的前景目標相交部分作為運動目標，克服了雙目視覺在目標檢測中難以準確的獲得目標輪廓，單目視覺容易受環境變化影響的缺點，可以在環境光線發生變化時、物體被照射產生陰影時、目標發生遮擋時準確檢測出運動目標，從而提高目標檢測的穩定性。

關鍵詞：運動目標檢測；雙目視覺；視差；目標輪廓

中圖分類號：TP391.41 文獻標識碼：A 文章編號：1674-7712 （2014） 10-0000-01

運動目標檢測是實現目標識別與跟蹤的基礎，它是計算機視覺研究領域的重要組成部分。運動目標檢測就是用數字信號處理等技術對包含運動信息的圖像序列進行適當處理，檢測并提取圖像序列中與背景相對運動的前景，然后根據邊緣、灰度等圖像特征將運動前景分割為若干獨立目標的過程。快速、準確的分割并檢測出運動目標，有利于目標跟蹤、識別與行為理解等后續工作的進行。常用的運動目標檢測算法有三種：光流法、幀間差分法、和背景差分法。光流法能檢測出獨立的目標，不需要預先知道場景的任何信息，但該算法計算復雜，不能夠滿足實時處理的需要；幀差法通過比較連續的兩幀或三幀視頻圖像，然后在圖像中獲取運動目標的信息，該算法能夠較好的適應動態環境，但很難完整的提取運動目標信息；背景差分法可以提取目標的完整信息，但容易受到光照等外部場景的動態變化的影響。在實際的應用中，通常是通過對上述方法進行改進來滿足應用需求，比較好的改進算法如Kim算法、自適應高斯背景模型的目標檢測算法。Kim算法是將連續幀間差分法和背景差分法相結合，取得了很好的效果，但還存在著目標相關點保留較少、目標輪廓檢測不完整的問題。自適應背景模型估計算法對于攝像機靜止的情形具有很強的適應性，它首先要建立背景模型，然后將當前圖像與建立的背景模型進行差分，并且和預先設定的閾值進行比較，把差值的絕對值比閾值大的區域作為前景區域。這種方法能夠完整而精確的描述運動目標的相關區域，且計算速度較快，但是對場景中的噪聲及光照條件特別敏感，容易受到外部環境變化的影響。

針對上述問題，研究人員提出了使用多個背景模型方法，使它們具有不同的更新速度，這樣針對不同的條件，就可以選擇不同的背景模型來作為場景的背景。此外，也可以使用多個攝像機從不同角度對同一場景進行監控，利用攝像機之間的視差值來計算場景的深度，這樣可以克服外部環境因素的干擾，并能實現背景的實時更新，提高運動目標檢測的實時性和魯棒性。因此，本文提出了使用灰度背景差分和視差背景差分相結合的算法來進行目標檢測。該方法既克服了單目視覺容易受外界環境變化的影響，又克服了雙目立體視覺難以準確提取目標輪廓的缺點，能夠在環境光線發生變化時、物體被照射產生陰影時、目標發生遮擋時正確檢測出運動目標。

一、本文所提出的運動目標檢測算法

本文綜合立體視覺和單目視覺在目標檢測中的優點，采取將二者結合的方法進行目標檢測。考慮到雙目立體視覺中基于視差的背景差分算法能夠有效地克服光線的突然變化、陰影干擾及目標遮擋等外界條件的影響，但卻很難準確的提取目標的輪廓；而單目視覺中基于灰度差分法能夠準確的檢測出運動目標的輪廓，但容易受外界條件的影響，會把陰影和部分背景檢測為前景。因此，本文提出了基于灰度差分法和背景差分法相結合的算法進行目標檢測，并通過實驗證明了此算法能夠較為準確的檢測出運動目標，并能精確的提取目標輪廓。該算法的具體實現過程可以分為以下四步：

（1）求取視差深度圖：通過對左右立體圖像對進行立體匹配來獲取視差圖，進而獲得景物的深度信息。

（2）建立動態背景模型：主要是對視差圖創建動態背景模型，采用的是基于單高斯分布的動態背景圖像估算方法。

（3）前景目標的檢測：分別運用基于灰度的背景差分法及基于視差的背景差分法檢測運動目標。

（4）前景目標的選擇：首先采用基于灰度背景差分法檢測得到前景圖像，并進行二值化處理，得到二值圖像，然后與基于視差背景差分法獲取前景二值圖像進行“與”運算，把最后得到的結果作為前景目標。

（一）求取視差圖。視差深度圖所反應的是景物離視點距離的遠近。對雙目攝像機同時攝取的左右圖像進行立體匹配，求取視差深度圖，實際上就是找對應點問題，即在基準圖中給定一點，然后再對準圖中尋找對應點的過程，使得這兩點均為空間同一物體的投影。本文采用前期所研究的融合光流的方法對左右圖像對進行立體匹配，求取視差圖。

（二）建立動態背景模型。本文采用基于單高斯統計模型的背景圖像估計算法，對立體匹配所獲得的視差圖進行背景建模，該算法包括背景圖像的初始化和更新兩部分。采用動態模型的方法能夠實時的更新背景模型，可以很好的克服外界環境變化對目標檢測所帶來的影響。

前景目標的檢測包括基于視差的背景差分、去噪處理、前景目標提取。首先對視差圖進行背景差分運算，設f1（x，y）為當前幀圖像的視差圖中的像素點（x，y）的視差，B1（x，y）為背景建模所得到的背景視差圖中像素點（x，y）的視差。對這兩個視差圖進行差分運算檢測出前景，其檢測公式如下：

（1）

其中K為常數，根據3σ原則，取K=3。然后對得到二值圖像D（x，y）進行形態學運算，先用腐蝕算子將圖像中孤立的噪聲前景點去除掉，然后用膨脹算子對目標空洞區域進行填補。最后再從處理過后的二值圖像中提取前景目標，對剩余的各個連通區域的面積進行統計計算，并與預先設定設定的閾值進行比較，若比閾值大，則認為是前景目標區域，否則認為是背景區域，將其從二值圖像D（x，y）中去除。通過對左攝像機獲得的圖像序列的灰度圖進行運算，可以獲得基于灰度的視差圖，檢測出的前景目標記為M（x，y）。

2.3 前景目標選擇。通過前面對雙目視覺中基于視差的背景差分法與單目視覺中基于灰度的差分法各自優缺點的介紹，知道這兩種算法結合起來能夠很好的彌補各自的不足，因此，本文先采用這兩種方法對運動目標進行檢測，然后取他們檢測出來的前景目標的相交部分作為前景，這樣既能較準確的獲得目標的輪廓，又保證檢測的結果能排除受環境變化的影響。對于給點的像素點（x，y），可以用式（2）進行前景目標選擇：

（2）

其中D（x，y）為基于視差背景差分法檢測出的前景二值圖像，M（x，y）為基于灰度的背景差分法檢測出的前景二值圖像，E（x，y）為最終選擇的前景目標。

二、結束語

該算法分別在光線充足和光線昏暗的條件進行實驗驗證，通過實驗結果分析可知，該算法能夠克服視差背景差分法只是限定了運動區域，不能準確的提取目標輪廓、區分運動目標；灰度背景差分法能夠區分運動目標，但容易把陰影也誤測為運動目標的缺點，不受光線的干擾，能夠準確穩定地檢測到運動目標。

參考文獻：

[1]馬義德，朱望飛.改進的基于高斯混合模型的運動目標檢測方法[J].計算機應用，2007（10）.

[2]白雪，黃廷磊.運動目標精確檢測算法[J].計算機系統應用，2009（12）.

[3]汪沖，席志紅，肖春麗.基于背景差分的運動目標檢測方法[J].應用科技，2009（10）.

[4]李勁菊，朱青，王耀南.一種復雜背景下運動目標檢測與跟蹤方法[J].儀器儀表學報，2010（10）.

[5]李澤峰，朱凌云.基于改進背景差法的運動目標檢測[J].儀表技術，2012（01）.

[作者簡介]胡明合（1982-），男，河南信陽人，碩士，主要研究方向：圖形圖像處理；華慶偉（1983-），男，河南平頂山人，本科。