運動目標的分區域混合檢測方法

湯希瑋　胡　偉

?

運動目標的分區域混合檢測方法

湯希瑋胡偉

（湖南第一師范學院 信息科學與工程系，湖南 長沙 410205）

準確檢測出運動目標是視頻監控系統的關鍵環節。文章綜合相鄰幀間差分與背景差分的優點，首先利用相鄰幀差分法對運動目標進行粗略檢測，然后進行區域分割并找出存在運動目標區域，并根據各像素點的不同情況分別采用不同的背景模型再次進行背景差分，同時加以陰影消除，準確檢測出運動目標。實驗表明，該方法快速準確，在各種環境下具有較高的適用性。

視頻監控；運動目標檢測；背景差分；幀間差分

1　引　言

目前視頻監控越來越廣泛于城市治安管理，銀行金融保護和小區與家庭的安防中。如何準確有效地檢測出運動目標是智能視頻監控系統中的基礎和關鍵。常見運動檢測的方法主要有三類：基于光流場的運動檢測、基于相鄰幀圖像差分的運動檢測和基于背景差的運動檢測。其中，基于光流場的運動檢測由于計算復雜，需要專門的硬件支持，并且耗時，不太適合實時監測的要求[1]。基于相鄰幀圖像差分的運動檢測通常具有較強的實時性，實現也較簡單，能較好地適應動態環境，但是只能得到運動目標的部分信息，丟失了很多細節信息[2]；基于背景差的運動檢測能比較準確地檢測出前景信息，受外界的條件影響較大[3]。

綜合考慮上述各種檢測方法各自特點，文章提出一種綜合利用相鄰幀差分和背景差分相綜合的分區域檢測方法，首先根據每個像素點的不同情況分別進行單高斯或混合高斯建模，通過幀間差分進行初步檢測，然后分區域判斷是否存在運動目標，對于存在運動目標的區域則根據各個像素點的不同情況進一步采取不同的背景模型進行背景差分，再進行陰影消除，最終得到準確的檢測目標，這樣有利于減少計算量和空間冗余。

2 分區域的運動目標混合檢測算法

2.1背景模型的建構

在視頻運動目標（即前景）的檢測中，背景模型的建立是基礎和關鍵。但是，背景情況非常復雜，例如受光線或燈光的影響，使背景整體亮度等外部環境發生變化，或者在同一背景中，有些部分變化微小，如天空等。有些部分變化顯著，例如樹葉搖動等。在目前常用的高斯建模中基本上都是統一使用相同數目的高斯分布擬合背景，這樣大大增加了運算量和空間冗余。事實上，我們可以根據各像素點的變化情況分別采用單高斯建模或多模態混合高斯建模。

對于單模態點，采用（2）式高斯模板建立單一模型，并且認為每一點的高斯分布都是獨立的[4]。

對于多模態點，則按照高斯分布建立多個混合模型，這樣可同時處理多種背景變化。其混合高斯背景模型的概率分布為：

2.2場景的幀間差分檢測

在當前常用的視頻監控設備中，視頻監控設備所拍攝的圖像均由R（紅）、G（綠）、B（藍）3種分量組成，同時還加入了色度和亮度信息。如果我們將視頻中的色度和亮度信息加以區分，則能更好地描述物體[6]。為了更準確進行檢測，將連續兩幀進行色度和亮度差分處理。

色度信息則通過R、G、B 的數據確定：

2.3基于分區域運動目標的精確檢測與提取

若該幀有運動物體存在，但通過幀間差分所得到運動目標結果也并不理想。對于運動速度過快或者體積較大且表面顏色相近的運動目標，幀間差分檢測結果有空洞現象，檢測信息不完整，需要對其采取進一步的處理措施。而事實上，需要進一步采取措施的僅僅是運動目標區域，而且對于大部分的視頻監控場景而言，運動目標區域占整個場景的較少部分，其他大部分的場景是不需再進行處理的不含運動目標的區域。因此，我們可將整個場景分割為若干個小區域，只針對含運動目標區域采用背景差分進行運動目標的精確提取，這可減少大量的運算，同時有利于抑制一些孤立的噪聲點。

分割的區域面積大小的選擇應根據檢測目標大小進行恰當地選擇。若區域面積過大，則達不到場景分割的目的，若區域面積過小，不但檢測不出幀間差分檢測法中的空洞，而且還會增加計算量。根據實踐經驗，一般可按4×4或5×5的方法進行分割[8]。

在運用背景差分對存在運動物體的區域進行檢測過程中，首先判定該區域中像素點的類型。若為單模態點，采用（6）式進行檢測，

若場景中的像素點為多模態點，則混合高斯模型去擬合[9]。若滿足（7）式

通過（6）（7）式完成了場景中運動目標的提取。在這個處理過程中是對可能出現了運動目標的區域進行的進一步背景差分處理得到的,處理區域不大,且可以有效地排除其他區域的干擾,同時減少了計算量，有利于提高整個系統的實時性。

2.4運動目標的陰影檢測

= {，且存在X在空間滿足式(7)的背景分布模型}。

3　算法實現與結果分析

基于分區域的運動目標混合檢測算法主要包括視頻序列預處理、背景模型選定、幀間差分運算、運動目標的判斷、運動目標區域判定、區域背景差分、陰影檢測等步驟，其算法結構框圖如圖1所示。

圖1.算法結構框圖

圖2.各種算法的效果比較

圖2中的(a) 圖是本段視頻中某一幀的源圖像。(b) 圖是通過本文所設計的算法而得到的源圖像的背景圖像。(c)圖是采用的幀間差分法得出的差分圖像，在(c)圖中可以清楚地看出，運用對稱差分法雖然能夠得到檢測目標的較為完整的輪廓，卻丟失了檢測目標的許多細節信息，形成了較大的空洞。(d)圖是采用了基于Stauffer等人所研究的混合高斯模型而得到的差分圖像。從(d)圖中可以非常明顯地看出，雖然我們得到了較好的檢測目標細節信息，但是檢測結果受到非常大的陰影干擾，增加了較多的額外信息。在(c)圖和(d) 圖中還含有一些由背景擾動和噪聲而導致的非運動目標的噪聲點。(e)圖則是采用了基于分區域的相鄰差分和背景差分的混合算法所得到的圖像。從實驗結果(e)圖中可看到，它克服了幀間差分法只能檢測到目標輪廓的缺陷，由于只對運動目標出現的區域進行檢測，所以能更好地排除孤立噪聲點的干擾，減少了背景像素點誤檢為前景點的個數。因此，不但完整精確地檢測出了前景目標信息，而且噪聲很少，并且大大縮短了檢測時間，檢測效果優于前述兩種算法的檢測效果。

4　結　語

本文綜合了對稱差分法和和基于彩色混合高斯模型的背景差分法兩者的各自的優點，提出了視頻監控系統中種改進的精確目標檢測算法。其特點是不但能準確提取并更新背景模型，并能準確檢測出運動目標的細節信息。通過分區域的檢測方法，能有效地提高減少非必要的運算，提高檢測速度。通過實驗測試表明，文中的方法檢測準確，實行性強，穩定性強，具有一定的實用性。

[1] 彭可,陳燕紅,唐宜清.一種室內環境的運動目標檢測混合算法[J].計算機工程與應用,2008,(5):239-241.

[2] 樊曉亮,楊晉吉.基于幀間差分的背景提取與更新算法[J].計算機工程,2011,(22):159-161.

[3] Rymal J,Renno J,Greenhill D,et al.Adaptive eigen back–grounds for detection[C]//The IEEE International Conference on Image Processing(ICIP),2004.

[4] 孫挺,齊迎春,耿國華.基于幀間差分和背景差分的運動目標檢測算法[J].吉林大學學報(工學版),2016,(4):1325- 1329.

[5] 王水魚,李艷婷.基于Surendra背景差分和幀間差分的運動目標檢測[J].微型機與應用,2016,(17):42-44.

[6] Elgammal A,Harwood D,Davis L.Non-parametric model for background subtraction.ICCV Frame RateWorkshop,1999: 246-252.

[7] 白向峰,李艾華,等.新型背景混合高斯模型[J].中國圖象圖形學報,2011,(6):983-988.

[8] 傅赟,王桂麗,等.交通監控系統中視頻運動目標檢測算法研究[J/OL].http://kns.cnki.net,2017-09-13.

[9] 趙冠華,馮曉毅,等.結合對稱差分法和背景減法的目標檢測方法[J].計算機工程與應用,2010,(3):145-147.

[10] Rosin P L ,Ellis T.Image difference threshold strategies and shadow detection. Proc. of the Sixth British Machine Vision Conference,1995,347–356.

[11] 丁芒,彭黎輝,等.復雜交通場景中的運動目標提取方法[J].計算機工程,2011,(7):184-186.

[12] 韓紅斌,郭紅.基于分塊統計模型的運動目標提取方法研究[J].電子科學技術,2017,(4):54-56.

[13] SHENG ZUNBING, CUIXIANYU. An adaptive learning rate GMM for background extraction[J].Optoelectronics Letters,2008,(6):174-176.

（責任編校：何俊華）

2017－05－15

湖南省教育廳科學研究項目（項目編號14C0 243）。

湯希瑋（1973－），男，湖南常德人，湖南第一師范學院副教授，博士，國防科技大學博士后，主要從事計算機應用研究；胡偉（1978－），男，湖南長沙人，湖南第一師范學院副教授，主要從事計算機仿真研究。

TP391.41

A

1673-2219（2017）10-0085-04