動態環境下改進五幀差分的運動目標檢測新算法

陳志勇, 彭力, 張紀寬

(江南大學物聯網工程學院,江蘇無錫214122)

動態環境下改進五幀差分的運動目標檢測新算法

陳志勇, 彭力*, 張紀寬

(江南大學物聯網工程學院,江蘇無錫214122)

在噪聲、光照變化和背景不斷變換等動態環境下運動目標檢測存在著誤檢、漏檢現象。幀間差分法對動態環境有較強的適應性,但一般只能提取目標的輪廓,不能完全檢測出目標,容易產生內容空洞和虛假邊緣的現象。為此文中提出一種改進五幀差分法的運動目標檢測新算法。該算法首先利用中值濾波對每一幀圖像進行去噪處理,然后對去噪后的圖像進行文中的五幀運算,最后通過新的動態閾值分割算法和數學形態學處理完成對運動目標的提取。實驗結果表明,該算法的運算復雜度較低,可以檢測動態環境下的運動目標,大大提高了運動目標檢測的準確性。

五幀差分;中值濾波;動態閾值;運動目標檢測

智能的視覺分析已經成為在智能環境、安全監控和人機交互方面的關鍵技術之一,檢測運動目標是已較基礎的技術[1]。針對視頻圖像的特殊性,常用于運動目標檢測的方法[2]有光流法、幀間差分法、背景差分法等。光流法適合靜態和動態背景,但由于其復雜的計算和較差抗噪聲性能,需要特殊的硬件實時處理。背景差分法[3]算法簡單,能夠有效地提取出運動區域,但是場景變換比如樹葉搖擺、光線改變,都會影響運動目標的提取。幀間差分法對于光線的變化、快速的背景更新有良好的自適應性能。

文中在較復雜的環境下以幀間差分法為基礎,提出了一種改進的運動目標檢測新算法,并提出一種新的動態閾值算法。實驗結果表明,該算法有較低的運算復雜度,可以檢測復雜環境下的運動目標,提高了運動目標檢測的效率和準確性。

1 幀間差分法

幀間差分法[4](Frame difference)是運動目標檢測領域常用的方法之一。它利用視頻圖像中相鄰兩幀圖像的差異來進行運動目標檢測,即對視頻圖像中時間上相鄰的圖像求絕對差,然后用一個閾值來判斷是否存在運動物體。幀間差分法原理:假設視頻圖像中當前第k幀和第k-l幀圖像各像素點的灰度值分別為Ik(i,j)和Ik-1(i,j),則它們的差分圖像為

對上述得到的差分圖像,通過設定閾值T來對圖像中的各個像素點進行判斷,從而提取出視頻圖像中的運動區域:

基于幀間差分法的運動目標檢測方法抗干擾能力較強,對環境有較好的適應性。

五幀差分法[5]是在三幀差分法的基礎上加以改進的,可以在一定程度上有效地克服三幀差分法的不足。設預處理后的5幀圖像ft-2(x,y),ft-1(x, y),ft(x,y),ft+1(x,y),ft+2(x,y),其中ft(x,y)為中間幀,利用中間幀分別和前2幀和后2幀做差分運算,得到的差分結果為

然后將差分后的結果D13(x,y)和D35(x,y),D23(x, y)和D34(x,y)分別進行“與”運算:

“與”運算能夠有效地克制或運算造成目標重疊現象。最后對D1和D2進行濾波處理,再用動態閾值二值化處理,將其結果進行“或”運算,能夠有效地克制空洞現象,得到最終的目標輪廓[6]:

另外,還有一種方法是將差分結果求和再取平均值。當然,這種算法適合運動緩慢的目標,如果運動目標運動快很容易出現重疊、拖拽現象。

2 改進五幀差分法

2.1 中值濾波

在圖像處理中,進行如邊緣檢測這樣的進一步處理之前,通常需要首先進行一定程度的降噪。中值濾波[7]是圖像處理中的一個常用步驟,它對于斑點噪聲(Speck le noise)和椒鹽噪聲(Salt-andpepper noise)來說尤其有用。

文中在對圖像進行差分之前,首先進行中值濾波,去除圖像中的部分噪聲,有利于下面對運動目標的提取。

2.2 改進的算法

算法以5幀差分為基礎,利用中值濾波對圖像進行去噪處理,再用改進的五幀差分法得到較為完整的運動目標輪廓,最后通過后期處理,提取完整、準確的運動目標區域。

算法的整體流程如圖1所示。

圖1 改進算法流程Fig.1 Flow chart of the im proved algorithm

簡述整個算法流程。取出連續的5幀圖像,分別進行中值濾波處理,以中間幀為基礎分別和其他4幀圖像進行差分運算。得到4個差分結果D13,D23, D34,D35,分兩組分別進行取“與”、取“異或”操作。首先取“與”操作將同時存在的前景運動目標取出,“異或”操作將差分后各自的運動目標都取出,當然這個操作中會比原來存在較多的噪聲,接著取“或”操作將相同的以及各自的運動像素合在一起,這時存在的前景運動目標像素是最多的,但是重影現象和噪聲也增多。最后一步將生成的2幀取“與”操作,很好地改善重影和消除絕大部分的噪聲,然后經過數學形態學處理獲取最終的前景運動目標。

2.3 動態閾值

傳統算法閾值T是固定值,且需人為設定,適應性較差,對光照變化的場景不太適用[8]。文中提出一種新的基于時間的動態閾值算法[2]。為了適應光線變化,在固定閾值Threshold的基礎上增加一個動態值ΔT,ΔT由光線變化和時間來決定:

則動態閾值[9]:

其中ΔT反映了環境的整體變化情況。t(x,y)跟光線的變化有關。當光線變化很小時,t(x,y)取Threshold,這時相當于取開始采用的最佳固定閾值Threshold;當光線變化明顯時,t(x,y)來自公式(12),其中FPS定義為幀率,此時t(x,y)的初始值為Threshold的二分之一。隨著光線的變化強度增強,t(x,y)隨著時間在不斷減小,ΔT在逐漸增大,T也在不斷增大,這樣有效地抑制了光線整體變化帶來的影響。

2.4 數學形態學

數學形態學是由一組形態學的代數運算子組成,它的基本運算為膨脹(或擴張)、腐蝕(或侵蝕)、開啟和閉合。基于這些基本運算還可推導和組合成各種數學形態學實用算法,用它們可以進行圖像形狀和結構的分析及處理,包括圖像分割、邊緣檢測、圖像濾波、圖像增強和恢復等[10-11]。

將膨脹運算和腐蝕運算進行簡單組合,可以得到形態學中的開運算和閉運算。A用結構元素B的開運算定義為

A用結構元素B的閉運算定義為

開運算一般能平滑圖像的輪廓,削弱狹窄的部分,去掉細長的突出、邊緣毛刺和孤立半點,斷開目標物之間黏連時使用。閉運算一般用來填充目標內的細小空洞和裂縫,連接斷開的臨近目標。

3 實驗結果對比

3.1 實驗結果

以Matlab7.0進行實驗仿真,初始閾值Threshold=20,t(x,y)=10,FPS=30,為了驗證算法的有效性,分別利用三幀差分法、五幀差分法,以及文中算法對一組光照改變后的AVI視頻序列圖像進行測試,其中對五幀差分法進行同樣預處理,檢測結果如圖2所示。

圖2 實驗檢測結果Fig.2 Experimental test results

文中采用的視頻是在光線變化特別明顯的情況下提取的運動目標,光照時強時弱,采用背景差分時出現大量噪聲部分,周圍環境變化較大。

由檢測結果可以看出,三幀差分法和五幀差分法的檢測結果無明顯差別,都能檢測出運動目標,然而輪廓都不連續。而改進的算法檢測出的目標輪廓更接近目標本身,并且明顯地解決了拖影和輪廓不很連續的現象,也消除了大部分空洞。運用新的動態閾值分割算法很好地適應了環境的變化,在光線變化明顯的復雜條件下該算法的優越性尤為突出。

本實驗取出差分結果采用“與”和“異或”再進行“或”邏輯操作,“與”操作取出差分中共同的運動目標,“異或”操作取出差分后遺漏的運動目標以及部分噪聲,進行“或”操作來補全原來遺漏的運動像素,保留了更多目標信息,從而使檢測結果更加準確。最后得出的2幀再進行“與”很好地減少了重疊部分,很大程度上改善了運動目標檢測,檢測結果準確、完整、目標輪廓清晰,能滿足實時性檢測的要求。

3.2 結果分析

以識別率DR和誤檢率FAR對上述算法的效率和準確度進行分析,計算方法如下:

其中,AP為檢測到與實際相符的運動目標數目;BP為誤檢出的非運動目標數目;FN為未檢測出的目標數目。在同等條件下3種方法的比較結果如表1所示。

表1 算法的識別率與誤檢率Tab.1 Recognition rate and error detection rate

3種算法都能達到95%以上的識別率,能有效地檢測出運動目標,而誤檢率變化較為明顯,文中所用的算法在誤檢率上有明顯改進,且檢測結果準確、完整,目標輪廓清晰,滿足實時性檢測要求。

4 結 語

結合五幀差分法和中值濾波,提出了一種新的運動目標檢測算法。首先對連續5幀圖像通過中值濾波進行去噪處理,然后對5幀連續去完噪的圖像進行新的五幀差分算法,最后通過二值化處理和數學形態學處理完成對運動目標的準確檢測。實驗結果表明,該算法能對運動目標準確提取,并且克服了傳統幀間差分法目標輪廓不連續、空洞的缺陷,且計算簡單,能夠實時顯示。

[1]Cheung SC S,Kamath C.Robust techniques for background subtraction in urban traffic video[J].Proceedings of SPIE,2004, 5308(1):881-892.

[2]YANG J B,SHIM,YI Q M.A new method for motion target detection by background subtraction and update[J].Physics Procedia,2012,33:1768-1775.

[3]Parks D H,Fels SS.Evaluation of background subtraction algorithmswith post-processing[C]//Fifth International Conference on Advanced Video and Signal Based Surveillance 2008.Santa Fe,NM:IEEE,2008:192-199.

[4]鄔大鵬,程衛平,于盛林.基于幀間差分和運動估計的Camshift目標跟蹤算法[J].光電工程,2010(1):55-60.

WU Dapeng,CHENG Weiping,YU Shenglin.Camshift object tracking algorithm based on inter-frame difference and motion prediction[J].Opto-Electronic Engineering,2010(1):55-60.(in Chinese)

[5]舒欣,李東新,薛東偉.5幀差分和邊緣檢測的運動目標檢測[J].計算機系統應用,2014,23(1):124-127. ZHAO Gaochang,ZHANG Lei,WU Fengbo.Application of improved median filtering algorithm to image denoising[J].Journal of Applied Optics,2011,32(4):678-682.(in Chinese)

[6]賈偉,黃小天,謝椿,等.融合5幀差分與高斯模型的運動物料袋檢測[J].電子技術應用,2013,39(10):139-142.

JIA Wei,HUANG Xiaotian,XIE Chun.Movingmaterial bag detectionmethod of a fused five frame difference and Gaussianmodel [J].Computer Technology and Its Applications,2013,39(10):139-142.(in Chinese)

[7]趙高長,張磊,武風波.改進的中值濾波算法在圖像去噪中的應用[J].應用光學,2011,32(4):678-682. SHU Xin,LIDongxing,XUE Dongwei.Five frame difference and edge detection ofmoving target detection[J].Computer System and Application,2014,23(1):124-127.(in Chinese)

[8]陳鳳東,洪炳镕.基于動態閾值背景差分算法的目標檢測方法[J].哈爾濱工業大學學報,2005,37(7):883-884.

CHEN Fengdong,HONG Bingrong.Object detectingmethod based on background image difference using dynamic threshold[J]. Journal of Harbin Institute of Technology,2005,37(7):883-884.(in Chinese)

[9]郝毫剛,陳家琪.基于5幀差分和背景差分的運動目標檢測算法[J].計算機工程,2012,38(4):146-148.

HAO Haogang,CHEN Jiaqi.Moving object detection algorithm based on five frame difference and background difference[J]. Computer Engineering,2012,38(4):146-148.(in Chinese)

[10]Kim K,Chalidabhongse TH,Harwood D,et al.Real-time foreground-background segmentation using codebook model[J].Real-Time Imaging,2005,11:172-185.

[11]TIAN Y L,LU M,Hampapur A.Robust and efficient foreground analysis for real-time video surveillance[C]//IEEE Computer Society Conference on.Yorktown Height,NY:IEEE,2005,1:1182-1187.

(責任編輯:楊 勇)

New M oving Ob ject Detection A lgorithm Based on the Im ported Five Fram e Difference Under the Dynam ic Environm ent

CHEN Zhiyong, PENG Li*, ZHANG Jikuan
(School of Internet of Things Engineering,Jiangnan University,Wuxi214122,China)

The moving-objective detecting algorithm always detects incorrectly in complicated environment,which contains noise illumination change and background disturbance.The interframe differencemethod is one of the basic method in the moving target detection in dynamic environment.The interframe difference method to the dynamic environment has strong adaptability,but can’t detect the targets,and is prone to the edge of the hole and false phenomenon.In this paper,a new method by using five frame differences is proposed for motion targer detection.The median filter is used to deal with the noise of a frame image,then the screen image is denoised after five frames arithmetic,by dynamic threshold segmentation andmathematicalmorphology,the processing is completed to extract the moving object.The experimental results show that the algorithm has low computational complexity,and can detect moving targets in a complicated environment,greatly improve the efficiency of the moving target detection and accuracy.

five frame difference,median filtering,dynamic threshold,moving target detection

*通信作者:彭 力(1967—),男,河北唐山人,教授,博士生導師。主要從事視覺傳感器網絡、人工智能、計算機仿真等研究。Email:pengli@jiangnan.edu.cn

TP 391.41

A

1671-7147(2015)01-0034-04

2014-08-10;

2014-09-02。

江蘇省產學研聯合創新項目(BY2013015-33,BY2014024,BY2014023-362014,BY2014023-257)。

陳志勇(1990—),男,江蘇鹽城人,控制工程專業碩士研究生。