應用于嵌入式視頻監控系統的運動目標檢測方法

戴麗麗 杜蘭

摘要

在嵌入式視頻監控系統中，考慮到運動目標檢測算法效率以及精度的問題，文章提出了基于改進的自適應閑值混合差分的運動目標檢測法，將運動目標分離出來后，再采用圖像形態學濾波方法將多余的噪聲點去掉。得到精準的運動目標，最終，為了能夠避免虛假報警以及減少存儲空間，通過面積法進行取舍圖像。實驗證明。此算法能夠適應復雜環境變化，快速有效，并且能夠完整的提取運動目標，可以很好的應用到嵌入式系統中。

【關鍵詞】嵌入式 運動目標檢測 混合差分法大律法

1 引言

現如今，人們的生活水準在不斷的改善，人們對居民環境和各種公共場所的安全防范意識也在不斷的增強，因此，為了關注一些人及車輛等目標的活動情況，視頻監控系統的應用越來越普遍。但是視頻數據量相當大，要想進行實時的視頻監控還是比較困難的，從而傳統的視頻監控系統難以進行高效直觀的監控管理。然而，隨著數字圖像處理技術以及嵌入式技術的的飛速發展，開發和設計一款數字化、智能化、傳輸數據量小、實時可靠的視頻監控系統越來越多的備受人們關注。

為了保證該視頻監控系統的穩健性，運動檢測算法必須準確、有效。所以要想在智能系統中實際應用，就應選擇計算速度盡量快，能夠達到實時處理效果;并且所提取的目標盡可能完整精準，無錯誤目標提取的運動檢測算法。

2 運動目標檢測算法的研究

運動目標檢測是將運動的前景從背景像中提取出來。這一過程對于后續的處理而言是至關重要的一步。常用的運動目標檢測方法主要有：光流法、背景差分法和相鄰幀差法等。

光流法是借助光流效應進行目標區域的檢測，該方式能夠較好的檢測出前景目標，但計算量比較大，算法復雜費時，要求有特殊的硬件支持，對噪聲及其敏感，抗造性能比較差。

背景差分法是當前應用最為普遍的一種運動區域檢測和提取方法，而直接決定了運動區域檢測效果的關鍵步驟就是背景模型的創建。背景模型的建立分為簡單背景模型和高斯背景模型。簡單背景模型是選取靜止的一幀圖像用作背景模型。如果當前幀的某一像素點與背景圖像的相同位置像素點的顏色值相減得到的差值大于某個閾值時，則認為是運動目標像素點，否則認為是背景像素點。該算法比較簡單、易于實現，但極易受光照和天氣等外界因素干擾，并且所選取的閾值都是通過一系列的實驗獲得，因此不適合用于場景動態變化的情況。而混合高斯模型是最常用的檢測提取方法，此方法是利用幾個高斯函數加權求和來得到近似的亮度點分布，結果準確，避免了簡單背景模型的缺點，能夠很好地處理背景亮度有波動的情形。但這種效果的代價就是計算量會非常大，實際應用是會造成相應速度非常慢，因此不適用于嵌入式系統中。

相鄰幀差法的原理是通過相鄰的兩幀圖像相減取得運動目標區域，該算法簡單，速度快，實時性強，不易受光照所影響，因此對于動態變化的環境有較強的自適應能力。但同樣也存在缺點：很難檢測出靜止或運動速度很慢的實物，而要檢測極快速度運動的物體又會使提取區域遠大于目標物體的真實大小，其提取區域受到運動速度的影響很大;其次，如果物體內部有比較均勻的灰度值，這種方法將不能全部的提取出相關的特征像素點，提取出來的運動目標極易出現空洞效果，從而不利于后面的對于目標的進一步處理。但在實際應用中，簡單幀差法是其他一些復雜算法的基礎。

鑒于以上幾種檢測算法的優缺點，綜合考慮算法計算量和嵌入式系統的存儲容量受限等問題，本文所運用的運動檢測算法是根據幀差法的缺點，以其為基礎進行適當改進，提出了四幀混合差分法的概念。

2.1 算法的流程圖

算法的總圖流程圖如圖1所示。

主要是通過改進的最大類間方差法和四幀混合差分法實行運動檢測分離出運動目標區域，然后將得到的二值化圖像再進行邏輯或運算，最后運用形態學濾波的方法去掉噪聲點，得到準確的運動目標。然后再根據運動目標的面積占整幀圖像的比重來進行取舍。將閾值設定為a%（一般根據具體監控場景設定），若判定為是所監控的運動目標，便對其進行后續處理。

2.2 幀間差分法的改進一混合差分法

該混合差分法即將前三幀的圖像存儲下來，為了增強對前景運動物體辨別的敏感度，用相鄰的第四幀分別與前三幀圖像進行兩兩差分。具體步驟如下：

設I_t（i，j）為t時刻的圖像，I_t-k（i，j）為t-k時刻所存儲的圖像，（i，k）為每幀圖像相同像素點的位置，D_t-k^t（iJ）代表第t和t-k幀在（i，j）像素點處的的差值。通過多次實驗證明k取3時利用該混合差分法對監控中的運動目標的獲取是最為精確的，并且獲得的目標最為完整、清晰。即：

由公式（1）獲得的差值圖像，利用適當的閾值判別，得到二值化圖像：

對公式（2）中所得的二值化圖像采用邏輯或運算，所得到的結果就是進行混合差分后的最終圖像，得：

公式（3）所得到的D（i，j）即為最終提取檢測到的運動目標。

2.3 混合差分法閾值的確定

本文中的閾值T的確定采用的是自適應方法，選取準確的閾值對于完整的分割圖像中的前景和背景是至關重要的。閾值的確定方法比較多，最常用的方法有迭代法、直方圖法、自適應局部閾值法、最大類間方差法等。

較為理想的確定閾值的方法就是迭代法，但該方法計算量比較大，速度慢;而直方圖法僅適用于圖像呈現較為明顯的雙峰狀的灰度直方圖的現象;自適應局部閾值法適用于場景中有不同強度的照明，并且在圖像分割時有突發噪聲出現的場景下，該方法應用非常廣泛，適應性強，但速度較慢，并且極易呈現偽影現象。

大律法（OTSU）是一種最大類間方差法，它是用最準確的門限值把灰度直方圖分為兩個部分，使兩部分的類間方差值最大，即擁有最大的分離性。此方法計算簡單而高效，不需要人工干預，能夠滿足實時性要求。具體步驟如下：設圖像的灰度級在（0-255）這個區域內，灰度級i擁有n;個像素數，那么圖像灰度直方圖所得的概率函數為p_i=n_i/N，選取閾值T將灰度級劃分為C₁=<0，1，2，…，T）和C₂=（T+1，T+2，…，255）兩類，因此：

由（4）（5）（6）（7）得：

其中，ω₀是歸于前景類像素的概率，μ₀為平均灰度;ω₁為歸于背景類像素的概率，μ¹為灰度平均值，μ_r為整幀圖像的總灰度平均值。

C₁和Cm³的類間方差為：

將（8）代入（9）得

為使類間方差B的值最大，選取最恰當的閾值T，即為最終的閾值。

由以上推導的Otsu法的推導過程表明，由于最終求得的閾值是經過對每一個灰度值都要進行方差運算，如果每一個灰度進行方差運算耗時均為T₁，則對于整幀圖像中的256級灰度來說，就需要消耗256T;的時間，因此運算量還是非常大的，本文對其做了適當的改進，降低搜索時間，從而提高運算效率。

由于圖像的灰度值在0～255之間，為了減少計算次數，可以選擇每隔△x個灰度級計算一次（根據不同情況選取的值不同，這里△x取10），算出使類間方差g最大的值，設為t，再在區間[t-△x，t+△x]上對每一級灰度進行計算，選取最終的使8最大的t的值，即為所求。對于所求的t有兩種特殊情況：

（1）若t-△x<0，則在區間[0，t+△x]上對每一個灰度進行計算。

（2）若t+△x>255，則在區間[t+△x，255]上對每一個灰度進行計算

通過此種方法進行閾值的選取，所需的時間是35T₁或45T₁，未改進的算法所需的時間是其的6到7倍，從而提高了運算速度。

2.4 形態學處理

本文中混合差分法檢測速度快，但提取出的前景中不可避免地會出現一些小的空洞，這是所產生的不連續的噪聲。本文采用3x3的矩形窗結構元素，為所獲得的圖象采用形態學處理，先膨脹后腐蝕，去除孤立的噪聲點，保證像素的位置和形狀固定，填補前景圖像中的一些小的空洞，最終得到完整準確的前景目標。

3 算法實驗與結論

為更好的觀察運動檢測算法的效果，本文的實驗在普通的PC機上進行。實驗中，檢測幀數在12-15fps，基本滿足實時性的需求。利用間隔差分法和本文算法進行比較，分別對一段視頻序列進行處理。檢測結果如圖2所示。

圖2是選取一段視頻序列的第6幀和第25幀圖像，可見間隔差分法檢測到的圖像信息不夠完整，目標不清晰，并且會受到較大的干擾，而通過本文所提出的最大類間方差法得到閾值T后進行混合差分法來檢測運動物體，并利用形態學方法進行處理去除一些不連續的的噪聲點，所檢測到的運動物體清晰、完整。實驗證明，該算法簡單，計算速度比較快，能很好的適應動態環境，檢測效果清晰、完整，在實際應用中，能夠較好的移植到嵌入式系統中。并在系統中通過面積法判斷是否為要檢測的目標物體，從而避免系統誤檢，造成虛假報警，并且可以減少存儲的信息量，使監控工作更加實時、高效。

參考文獻

[1]田小平，史蕾.視頻監控中的背景提取與更新算法[J].西安郵電大學學報，2014，1，13-16.

[2]盧章平，德飛，李小蕾等.背景差分與三幀差分結合的運動目標檢測算法[J].計算機測量與控制，2013，21（12）：3315-3318.

[3]李波.基于視頻圖像的人群檢測與分析研究[D].武漢理工大學，2014.

[4]謝紅，袁博，解武.LK光流法和三幀差分法的運動目標檢測[J].應用科技，2016，43（03）：23-33.

[5]屈晶晶，辛云宏.連續幀間差分與背景差分相融合的運動目標檢測方法[J].光子學報，2014，7（07）：219-226.

[6]盛旭鋒，朱方文，李校祖，莊俊.基于三幀時間差分法的獨居老人運動檢測[J].計算機工程與應用，2010，46（13），239.