基于視頻監控的運動目標檢測算法研究

陳媛

（武漢科技大學城市學院機電工程學部，武漢 430083）

0 引言

由于現代社會人口密集程度高,社會關系復雜,日常人們面對越來越多的突發和異常事件,幾乎所有公共場合都有部署監控的需求,但是因為人工監控固有的缺陷,人力越來越不足以分析和處理海量的視頻數據[1]。因此,視頻監控必須實現智能化，代替人工監控，用于解決實際問題。而運動目標檢測是實現智能化視頻監控的重要技術，是上層行為理解和描述的基礎。運動目標檢測也是計算機視覺領域中的一個研究熱點,其目的是從待檢測的視頻序列中把運動目標有效地從背景中提取出來，可理解為運動目標與背景的分類問題。而運動目標的有效分割對后期的目標分類、目標跟蹤和行為分析等處理都具有重要意義[2]。

運用于運動目標檢測的檢測方法有多種，根據不同的檢測需要選擇不同的檢測方法。光流法、幀間差分法和背景差分法是目前常用的三種檢測方法。光流法是根據圖像目標的亮度信息進行檢測的方法，不需要事先知曉監控場景的相關信息，并在攝像頭運動時能有效的檢測目標[3]，但是該算法計算比較復雜，且抗干擾能力差，不適合用于實時性要求高的場合。幀間差分法采用相連幀圖像做差，實現運動目標的提取，對動態變化場景有較強的適應性[4]，但是相連幀的合理選擇需要不斷調試，否則影響檢測的效果。背景差分法是直接采用各幀圖像與背景圖像做差，進而得到實時圖像中出現的運動目標[5]，具有高效簡單易實現的優點，但對光照、曝光度以及外界環境的變化等影響較大。

本文針對小區視頻監控，在攝像機靜止情況下，對監控畫面進出小區的車輛進行檢測研究，提出了一種改進的基于背景差分的運動目標檢測方法，降低了光線變化等外界干擾對背景圖像的影響，實現了運動目標檢測的實時性、可靠性以及有效性。

1 背景差分法

背景差分算法的基本原理是首先通過背景建模得到合適的背景圖像，然后再將視頻序列中待檢測圖像與背景圖像進行差分運算，通過選取合適的閾值提取運動目標，用公式描述如下:

式（1）中fk(x,y)為當前幀圖像，Bk(x,y)為背景圖像，Dk(x,y)為當前幀圖像與背景圖像的差分結果。

選取合適的閾值T，對差分圖像Dk(x,y)進行二值化，如式（2）所示，Rk(x,y)為二值化后的結果，當差分圖像的像素值大于或等于某閾值T，二值化結果為1，表明該像素屬于運動目標區域；差分圖像的像素值小于某閾值T，二值化結果為0，表明該像素屬于背景。

由此可知，采用背景差分法能夠獲得比較完整的運動目標輪廓，檢測速度快，位置準確。對于攝像機靜止情況下，隨著時間的推移，光照或環境的變化都會使背景圖像發生變化，如果仍舊使用原來的背景圖像，勢必對運動目標的檢測效果造成影響，因此建立合理的背景模型十分重要。

2 改進均值法背景建模

采用背景差分法進行運動目標檢測時，背景建模是檢測的首要工作。本文采用簡單且快速的均值法背景建模，適用于監控場景不太復雜的情況。均值法實質上是采用統計濾波的思路[6]，在一段時間內，將采集到的多幀圖像相加，求其平均值，將這個平均值看作參考的背景模型。具體計算式如下：

式（3）中B(x,y)表示背景圖像，Ii(x,y)表示第i幀序列圖像，N表示平均幀數。

當場景光照突變時，上述方法提取的背景會受影響。因此本文所做的改進是首先將一段時間內采集到的多幀圖像相加再平均，將這個平均值設定為初始化光照補償模型，記為P(x,y)；然后將待檢測的視頻幀分別與P(x,y)相加再平均，公式為：

式（4）中i=1,…,N，Ii(x,y)表示原第i幀序列圖像，Fi(x,y)表示經過光照補償后的第i幀序列圖像。視頻中的某一時刻的光線若出現突然變強或突然變弱，都會被光照補償模型做近似于低通濾波的處理[7]。再將光照補償后的新視頻序列進行均值建模，此時視頻幀中的背景更接近實際背景，弱化了光照突變對均值背景模型的影響，能有效提高均值背景模型下的檢測效果。

3 最大模糊熵閾值分割

通過上述建立的背景圖像與當前幀圖像進行差分運算，選取合適的閾值來對差分圖像二值化操作，就能將運動目標檢測出來。二值化的目的就是運用閾值將圖像分成目標和背景兩個區域，閾值選擇的恰當與否決定了是否能正確地提取出運動目標。如果閾值選擇偏大或者選擇偏小都有可能出現檢測不準的情況，即將前景運動目標判斷為背景或背景判斷為前景運動目標[8]。通常比較簡單的方法是根據經驗給定一個固定閾值。而實際上絕大多數圖像的采集是在室外進行的，如對汽車、行人等移動目標檢測，光線的變化是無時無刻都會發生的，如果我們采用的是不能自適應的閾值，那么隨著光線的變化，圖像的采集就會出現很大的誤差[9]。本文引入最大模糊熵閾值分割的思想，合理選取閾值。

設差分圖像X的灰度級數為L，大小為M×N。令xmn表示坐標(m,n)處像素點的灰度值。將差分圖像劃分成兩個模糊集合，即目標（bright）模糊集和背景（dark）模糊集。這兩個模糊集的隸屬函數分別定義如下：

式中，[a,c]為模糊區間，[0,a]和[c,L-1]為非模糊區間。μbright(xmn)表示(m,n)像素點屬于目標的程度，μdark(xmn)表示 (m,n)像素點屬于背景的程度，且μbright(xmn)+μdark(xmn)=1。當xmn=(a+c)/2時，該灰度級的像素屬于目標和背景的隸屬度均為0.5，則可選xmn=(a+c)/2為分割閾值。灰度級小于(a+c)/2的像素屬于背景區域，灰度級大于(a+c)/2的像素屬于目標區域。

圖像的模糊熵為：

其中：

由于P(bright)+P(dark)=1，得：

由信息論知，熵越大的事件，接近事件真實狀態的可能性也越大。若圖像的熵取得最大值，則應能實現目標與背景的最佳分割。依據最大模糊熵準則，可得到最優的模糊參數aopt和copt，并進一步得到最佳分割閾值(aopt+copt)/2。

4 實驗結果與分析

本實驗的環境是在CPU2.2 GHz，內存12GB的PC上，使用MATLAB 2017a仿真工具實現智能視頻監控中運動目標的檢測。本文抽取進出小區的車輛行駛視頻，視頻幀尺寸大小為352×240，共150幀，在視頻的135至145幀處時光照突變，選取視頻第140幀如圖1所示，按本文方法做實驗，仿真結果如圖2和圖3所示。

對比圖2和圖3可知，采用固定閾值分割差分圖像，當場景中有光照突變時，目標檢測效果噪聲明顯，帶光照補償模型的均值法提取背景，再采用最大模式熵閾值分割差分圖像，噪聲點大大減少，提高了目標檢測的有效性。

5 結語

本文提出的帶光照補償模型均值背景建模并采用最大模糊熵閾值分割的改進背景差分法，降低了光照突變對背景建模的影響，間接提高了運動目標檢測的準確性和有效性，且運算簡單，易于實現。本文算法適合于監控場景不太復雜且攝像機靜止的情況，因此后續還需對算法進一步的完善，以適應更復雜的環境變化。

圖1 原圖140幀

圖2 未帶光照補償模型的檢測結果（采用固定閾值）

圖3 帶光照補償模型的檢測結果 （采用最大模糊熵閾值）

[1]吳晶.面向運動目標檢測的背景差分算法改進與實現[D].北京郵電大學，2012.

[2]丁瑩，楊華民，范靜濤，等.復雜環境運動目標檢測技術及應用[M].國防工業出版社，2014.

[3]劉潔.基于光流法的運動目標檢測和跟蹤算法研究[D].中國礦業大學，2015.

[4]余慧玲.視頻圖像中的運動目標檢測方法研究[D].中南大學，2012.

[5]王引輝.監控視頻中運動目標檢測算法研究[D].南京郵電大學，2013.

[6]亢潔，李曉靜.基于均值背景與三幀差分的運動目標檢測[J].陜西科技大學學報，2018,（1）:148-153.

[7]陶傳會.基于混合高斯模型的運動目標檢測技術研究[D].沈陽理工大學，2014.

[8]侯宏錄，李寧鳥，劉迪迪，等.智能視頻監控中運動目標檢測的研究[J].計算機技術與發展，2012,22（2）：49-52.

[9]畢恒.運動目標檢測技術研究[J].濰坊學院學報，2015,15（2）：67-72.

作者簡介：

陳媛（1980-），女，湖北鄂州人，碩士研究生，副教授，研究方向為圖像處理與智能控制

收稿日期：2018-03-22 修稿日期：2018-05-20