視頻圖像中運(yùn)動(dòng)目標(biāo)檢測算法研究

楊勁， 郭宏晨

（安徽工業(yè)大學(xué)機(jī)械工程學(xué)院，安徽馬鞍山243002）

視頻圖像中運(yùn)動(dòng)目標(biāo)檢測算法研究

楊勁， 郭宏晨

（安徽工業(yè)大學(xué)機(jī)械工程學(xué)院，安徽馬鞍山243002）

視頻圖像中運(yùn)動(dòng)目標(biāo)的檢測一直是視覺分析的研究熱點(diǎn)之一，應(yīng)用廣泛。文中主要針對靜態(tài)背景下即攝像頭固定的情況下，提出一種基于高斯模型的背景差分法來實(shí)現(xiàn)運(yùn)動(dòng)目標(biāo)的檢測。算法首先建立混合高斯背景模型，然后再利用背景差分法提取運(yùn)動(dòng)輪廓，最后通過后續(xù)的形態(tài)學(xué)處理得到完整的運(yùn)動(dòng)目標(biāo)。實(shí)驗(yàn)結(jié)果表明，該算法不僅能夠檢測到運(yùn)動(dòng)目標(biāo)，而且檢測效果得到了提高。

視頻圖像；運(yùn)動(dòng)目標(biāo)檢測；混合高斯模型

0 引言

隨著計(jì)算機(jī)技術(shù)、人工智能、圖像工程等高科技的發(fā)展，視頻智能監(jiān)控已經(jīng)成為計(jì)算機(jī)視覺研究領(lǐng)域的一個(gè)熱點(diǎn)課題。提取運(yùn)動(dòng)目標(biāo)在視頻監(jiān)控中是一個(gè)非常重要的環(huán)節(jié)，它是后期的處理，如目標(biāo)分類、目標(biāo)識別、目標(biāo)跟蹤等的基礎(chǔ)，也是視頻監(jiān)控技術(shù)自動(dòng)化和實(shí)時(shí)應(yīng)用的關(guān)鍵［1-3］。目前，常見的運(yùn)動(dòng)目標(biāo)檢測算法主要有幀間差分法［4］、背景差分法［5］和光流法［6］。其中，幀間差分法實(shí)時(shí)性強(qiáng)，能夠適應(yīng)各種動(dòng)態(tài)環(huán)境，但是不能提取目標(biāo)的完整區(qū)域；背景差分法能夠提取完整的目標(biāo)信息，但是不能精確地檢測到場景中的運(yùn)動(dòng)目標(biāo)；光流法能夠在攝像機(jī)運(yùn)動(dòng)的情況下檢測出獨(dú)立的運(yùn)動(dòng)目標(biāo)，但是其計(jì)算復(fù)雜，需要特殊的硬件設(shè)備支持，實(shí)時(shí)性能差，本文不予考慮。

本文結(jié)合傳統(tǒng)的運(yùn)動(dòng)目標(biāo)檢測算法的優(yōu)點(diǎn)，提出一種基于混合高斯模型背景法的運(yùn)動(dòng)目標(biāo)檢測算法，期望獲得較好的效果。

1 運(yùn)動(dòng)目標(biāo)檢測

1.1 自適應(yīng)混合高斯背景模型

采用背景差分法雖然可以從圖像中提取完整的目標(biāo)，但是實(shí)際應(yīng)用中，外界的微小干擾都會(huì)引起背景圖像的變化，這些場景下固定位置的像素在不斷地改變，呈多模特性。所以問題的關(guān)鍵之處在于隨著時(shí)間改變，可以自適應(yīng)地更新背景模型。

而混合高斯模型［7］針對這一點(diǎn)，采用多個(gè)高斯分布去擬合背景，對于復(fù)雜的背景具有良好的效果。本文研究的是靜態(tài)背景下的目標(biāo)檢測，主要包括背景建模、背景更新和背景提取。

1）背景建模。將圖像序列中的某一像素點(diǎn)（i，j），設(shè)Xt為在時(shí)刻t的觀察值，對于給定點(diǎn)（i，j）的一系列觀察值｛X1，X2，…，Xt｝，可以看做是與其它點(diǎn)獨(dú)立的隨機(jī)統(tǒng)計(jì)過程，用K個(gè)高斯分布的混合模型去模擬，則當(dāng)前t時(shí)刻（i，j）的概率分布為：

2）背景更新。當(dāng)讀取完視頻圖像的像素后，將當(dāng)前幀像素xt與K個(gè)高斯分布進(jìn)行匹配，匹配數(shù)據(jù)為：

如果像素值xi與其中某個(gè)高斯分布的均值μi，t-1之差滿足式（3），則該像素與這個(gè)高斯分布匹配，否則不匹配。如果匹配，對高斯模型進(jìn)行更新：

式中：α為模型學(xué)習(xí)速率，β為參數(shù)學(xué)習(xí)率。在混合高斯模型中為了適應(yīng)環(huán)境的變化，還要考慮權(quán)值的更新。如果匹配則該模型可以較好地描述背景其權(quán)值增加，不匹配則權(quán)值減小。

對視頻圖像進(jìn)行背景建模與更新的流程圖如圖1所示。

圖1 高斯背景建模與更新流程

3）背景提取

式中：T為選取的閾值，其大小根據(jù)不同的場景決定，場景較復(fù)雜時(shí)，閾值相應(yīng)地選取較大；場景簡單時(shí)就選擇較小的。

1.2 背景差分

當(dāng)混合高斯背景模型完成時(shí)，就可以采用背景差分提取出運(yùn)動(dòng)目標(biāo)的輪廓。設(shè)當(dāng)前幀圖像為fk（x，y），背景幀為fbk（x，y），則差分圖像為：

按照式（8）對得到的差分圖像進(jìn)行二值化處理，當(dāng)差分圖像中某點(diǎn)像素大于閾值時(shí)，則認(rèn)為該像素點(diǎn)為前景，反之，則為背景。

1.3 形態(tài)學(xué)處理

由于圖像中噪聲的存在，在通過以上操作后所檢測到的運(yùn)動(dòng)目標(biāo)會(huì)有空洞產(chǎn)生，因此可以采用形態(tài)學(xué)濾波的方法填補(bǔ)目標(biāo)區(qū)域的孔洞。數(shù)學(xué)形態(tài)學(xué)［8］包括基本的開運(yùn)算和閉運(yùn)算。開運(yùn)算可以消除細(xì)小目標(biāo)，平滑圖像的輪廓，而閉運(yùn)算可以去掉小洞，填補(bǔ)目標(biāo)內(nèi)的細(xì)小的縫隙。

2 檢測算法的實(shí)現(xiàn)

圖2 檢測算法流程圖

本文檢測算法具體流程如圖2所示。

1）對背景圖像進(jìn)行初始化；2）利用本文的算法提取視頻序列圖像中變化的部分，并作二值化處理；3）對以上處理后的圖像進(jìn)行形態(tài)學(xué)處理，去除小的噪聲點(diǎn)，同時(shí)填補(bǔ)運(yùn)動(dòng)目標(biāo)內(nèi)部的孔洞和連接斷點(diǎn)，這樣就得到完整的運(yùn)動(dòng)區(qū)域，將運(yùn)動(dòng)目標(biāo)提取出來。

3 實(shí)驗(yàn)結(jié)果分析

本實(shí)驗(yàn)是在2.0GHz的CPU，2GB內(nèi)存的PC機(jī)上，采用MATLAB軟件進(jìn)行的檢測。實(shí)驗(yàn)所用的視頻為普通攝像機(jī)拍攝的，視頻分辨率為320×240像素。

實(shí)驗(yàn)結(jié)果如圖3所示。

圖3 運(yùn)動(dòng)目標(biāo)檢測結(jié)果

使用傳統(tǒng)幀間差分的檢測結(jié)果如圖3（c）所示，獲取的運(yùn)動(dòng)目標(biāo)輪廓不完整，而且其內(nèi)部容易產(chǎn)生一些空洞現(xiàn)象，部分區(qū)域出現(xiàn)漏檢。采用本文方法檢測運(yùn)動(dòng)目標(biāo)的最終結(jié)果如圖3（d）所示，目標(biāo)與背景得到了正確分割，其中運(yùn)動(dòng)目標(biāo)的輪廓十分完整，為后期的運(yùn)動(dòng)目標(biāo)跟蹤、識別奠定了基礎(chǔ)。

4 結(jié)語

本文針對視頻圖像，提出一種基于混合高斯模型的背景差分法來檢測運(yùn)動(dòng)目標(biāo)。實(shí)驗(yàn)結(jié)果表明，此方法不僅能夠精確地檢測到運(yùn)動(dòng)目標(biāo)，而且運(yùn)動(dòng)目標(biāo)的檢測效果得到了提高，具有較好的魯棒性，為后續(xù)工作提供了有力的支持。

［1］ Tsai D M，Lai S.Independent component analysis-based background subtraction for indoor surveillance［J］.IEEE Trans on Image Processing，2009，18（1）：158-167.

［2］ Avidan S.Ensemble tracking［J］.IEEE Trans Pattern Analysis and Machine Intelligence，2007，29（2）：261-271.

［3］ Wang Yang.Real-time moving vehicle detection with cast shadow removal in video based on conditional random field［J］.IEEE Trans on Circuits and Systems for Video Technology，2009，19（3）：437-441.

［4］ Ha J E.Foreground objects detection using multiple difference images［J］.Optical Engineering，2010，49（4）：1-5.

［5］ 魏曉慧，李良福，錢鈞.基于混合高斯模型的運(yùn)動(dòng)目標(biāo)檢測方法研究［J］.應(yīng)用化學(xué)，2010，31（4）：574-578.

［6］ Dessause M P，Dua S.Optical flow object detection，motion estimation，and tracking on moving vehicles using wavelet decompositions［J］.SPIE，2010，7694：1-10.

［7］ 何信龍，趙龍.基于改進(jìn)高斯混合模型的實(shí)時(shí)運(yùn)動(dòng)目標(biāo)檢測［J］.計(jì)算機(jī)應(yīng)用研究，2010，27（12）：476-477.

［8］ 阮秋琦，阮宇智.數(shù)字圖像處理［M］.北京：電子工業(yè)出版社，2011.

（編輯：立 明）

Algorithm Research of Motion Target Detection in Video Images

YANG Jin， GUO Hongchen
（College of Mechanical Engineering,Anhui University of Technology,Ma'anshan 243002,China）

Detection of moving targets in video image,which has been one of the highlights in the visual analysis,is widely used in many aspects.A kind of background difference method based on Gaussian model is put forward to realize the moving target detection under the static background.Firstly mixed Gaussian background model is built in this algorithm,and then the background difference method is used to extract motion contour,finally moving targets is obtained through subsequent morphology processing.Experimental results show that the algorithm not only can detect moving targets,but also can improve the detection effect.

video images；moving target detection；Gaussian mixture model

TP 391

A

1002－2333（2014）04－0101－02

楊勁（1990—），男，碩士研究生，主要從事圖像處理分析研究。

2014-01-10