一種區(qū)塊特征匹配與邊緣差分結(jié)合的運動目標(biāo)檢測算法

胡均平，蔡 韜，李勇成

HU Jun-ping,CAI Tao,LI Yong-cheng

（中南大學(xué) 機電工程學(xué)院，長沙 410083）

0 引言

近年來計算機技術(shù)發(fā)展飛速，其中的運動目標(biāo)檢測是智能汽車的關(guān)鍵技術(shù)之一，其中動態(tài)背景中的運動目標(biāo)檢測一直是備受科研學(xué)者關(guān)注的研究熱點，并擁有廣闊的應(yīng)用前景與市場價值[1]。通常按照攝像頭的運動狀態(tài)分類，區(qū)分為靜態(tài)與動態(tài)背景下的運動目標(biāo)檢測。近年來靜態(tài)背景下的運動檢測目前相對成熟[2～4]，反觀動態(tài)背景中的運動目標(biāo)檢測，由于其背景存在的復(fù)雜與未知性導(dǎo)致檢測較為困難[5～7]。

運動目標(biāo)檢測常用的方法主要有：幀差法、光流法和背景差分法等。幀差法對運動目標(biāo)敏感，通常利用相鄰幀相減或者連續(xù)三幀相減，根據(jù)差分圖像確定運動目標(biāo)，但目標(biāo)內(nèi)部存在空洞現(xiàn)象[8]；光流法在任何無先驗條件的場景條件下，能夠完整檢測出運動目標(biāo)，但計算量較大，實時性較差[9]；背景差分法在背景穩(wěn)定不變的情況下提取效果較好，但在光強變化和陰影遮蔽的情形下效果不理想[10]。針對現(xiàn)有問題，魏國劍提出基于邊緣差分的運動目標(biāo)檢測方法[11]，能有效抑制背景噪聲和光照變化的影響，但在動態(tài)背景下檢測存在較大誤差；屈晶晶提出連續(xù)幀間差分與背景差分相融合的目標(biāo)檢測方法[12]，能有效提高檢測準(zhǔn)確率和實時性，但檢測結(jié)果存在空洞現(xiàn)象，在復(fù)雜背景運動情況下的檢測還不是很理想；王洪斌提出一種分塊特征匹配與局部差分結(jié)合的運動目標(biāo)檢測算法[13]，能通過圖像分割有效降低計算量提高準(zhǔn)確率，但該方法對噪聲干擾敏感，檢測結(jié)果有存在空洞現(xiàn)象；火元蓮提出一種基于邊緣特征和多幀差分結(jié)合的目標(biāo)檢測算法[14]，對檢測目標(biāo)提取的完整性較好，但在復(fù)雜背景中的檢測效果表現(xiàn)較差，且計算耗時較長。

為克服以上缺點，本文將分塊特征匹配與邊緣差分相結(jié)合，提出一種基于二進(jìn)制魯棒不變尺度特征（binary robust invariant scalable key-points，BRISK）的區(qū)塊特征匹配與邊緣差分相結(jié)合的運動目標(biāo)檢測算法。基于BRISK的特征提取，因其良好的尺度特征不變性及旋轉(zhuǎn)不變性，且對光照不敏感有較好的魯棒性，其精度較高且運算速度快；區(qū)塊特征匹配能有效地降低計算量、減少運算時間，利用邊緣特征檢測運動目標(biāo)，能有效避免檢測結(jié)果空洞現(xiàn)象和噪聲干擾。其計算簡單，抗干擾能力較強，能有效準(zhǔn)確地檢測運動目標(biāo)。

1 分塊特征匹配

1.1 BRISK算法簡介

BRISK算法主要分三步：角點檢測，特征描述，特征匹配。首先，構(gòu)建尺度空間金字塔，并通過AGAST（Adaptive and Generic Accelerated Segment Test）角點檢測算子提取連續(xù)尺度空間中的穩(wěn)定極值點；進(jìn)而通過隨機采樣點對在圖像局部的灰度關(guān)系構(gòu)建局部圖像的特征描述子；最后再選取漢明距離進(jìn)行特征匹配[15]。

基于對尺度空間金字塔的構(gòu)建，運用AGAST算法對角點進(jìn)行檢測，對尺度空間中相應(yīng)的函數(shù)值進(jìn)行線性擬合，進(jìn)而運用非極大值抑制，剔除其中不穩(wěn)定的極值點。再對各層穩(wěn)定的極值點做拋物線擬合，最終獲得在連續(xù)尺度空間中精度為亞像素級的穩(wěn)定極值點。

BRISK特征描述子將采取如圖1所示的鄰域采樣模式，先在以特征點作為中心的40×40像素塊內(nèi)構(gòu)建多個同心圓，然后采樣點（圓點）均布呈現(xiàn)在圓周上，共60個采樣點。

圖1 自定義的鄰域采樣模式

設(shè)采樣點對集G，選用歐氏距離以定義短距采樣點對集S和長距采樣點對集P：

通常預(yù)設(shè)閾值δmax=9.75t，δmin=13.67t（其中t為連續(xù)尺度空間中檢測角點過程提取的尺度特征量）。令L表示長距采樣點對集P的元素個數(shù)，g（pi，pj）表示點對（pi，pj）的梯度，角點的特征方向定義為：

在進(jìn)行BRISK特征描述之先，將其采樣模板以中心沿順時針預(yù)旋轉(zhuǎn)角度α，α=arctan2（gy，gx）。然后利用強度對比的方式對集合S中運算，采樣點對（），得出512bits的特征描述，其中比特b定義如下：

為以上特征描述采取漢明距離的方式完成特征匹配，且能夠獲得其全局運動估計。

1.2 基于BRISK的分塊特征匹配

BRISK算法對于全局圖像特征點進(jìn)行檢測，其中包含了動態(tài)的復(fù)雜背景和需檢測的運動目標(biāo)，因此運動目標(biāo)檢測區(qū)域內(nèi)包含大量背景特征點，影響圖像的檢測及配準(zhǔn)精度，每個特征點領(lǐng)域信息的不同都將直接影響其獨特性，而且對整圖進(jìn)行BRISK特征的提取與匹配的計算量相對較大，且運算時間長。針對以上存在的問題，文章提出了一種基于BRISK結(jié)合圖像分塊的運動補償方法。

考慮到檢測目標(biāo)在圖像當(dāng)中存在各位置分布不定的概率，且對背景塊特征需要充分提取，因而預(yù)設(shè)分割比例N、M，并以圖像像素寬高的1/N、1/M作為長短軸建立橢圓邊界，對像素圖像進(jìn)行分塊，將視頻圖像分割為目標(biāo)檢測塊和背景特征塊。圖2為N=1.1，M=1時的分割效果圖。

圖2 所檢測圖像的分塊

運動目標(biāo)檢測塊f0（x，y）的尺寸與原圖相對應(yīng)，其圖塊像素值的選取如下所示：

其中，m為幀圖像像素的寬，n為幀圖像像素的高，ft（x，y）為檢測圖像中在t時刻（x，y）處的像素值。背景特征匹配塊被區(qū)分為I，II好的準(zhǔn)確性III，IV四個區(qū)塊。背景特征塊f1b（x，y），f2b（x，y），f3b（x，y），f4b（x，y）像素選取原則為：

采用BRISK算法對特征點進(jìn)行檢測提取，獲得背景特征匹配塊當(dāng)中穩(wěn)定的特征信息，如圖3、圖4所示。匹配策略采用快速最近鄰搜索算法，大致分為以下步驟：

1）使用BRISK算法獲取背景特征塊中的角點特征，并獲得穩(wěn)健的粗匹配特征點；

2）為提高檢測速度，先訓(xùn)練匹配器，根據(jù)數(shù)據(jù)選取最優(yōu)的索引類型隨機KD樹和層次K-均值樹為特征描述子建立索引樹；

3）通過對兩幀圖像匹配特征點對取歐氏距離L，選取最小閾值L=r×L，此處r取2。并通過設(shè)定閾值對異常匹配點對進(jìn)行剔除，初步粗匹配。

文章采用的全局運動補償方法為六參數(shù)仿射變換模型[16]：

式中（X'k+1，Y'k+1）為前一幀圖像中優(yōu)選匹配點的對應(yīng)坐標(biāo)，（X'k，Y'k）為當(dāng)前圖像所對應(yīng)的特征點坐標(biāo)。式中A1、A2、A3、A4、A5、A6六個未知數(shù)為仿射模型參數(shù)，最少需要三組匹配點對可求得，文中采用RANSAC[17]（Random Sample Consensus）隨機一致性的方法，通過降低背景特征塊中殘余運動目標(biāo)對模型參數(shù)的影響，并使得模型參數(shù)更為準(zhǔn)確。

圖3 BRISK特征提取

圖4 相鄰幀的優(yōu)選匹配點對

2 邊緣差分檢測

算法的流程如圖5所示。首先將運動補償后的多幀圖像進(jìn)行邊沿特征提取，取得相應(yīng)邊緣圖像，然后為連續(xù)多幀的邊緣圖像多幀差分，最后經(jīng)由自適應(yīng)閾值T對圖像進(jìn)行二值化處理[18]，獲取目標(biāo)檢測輪廓，進(jìn)而通過形態(tài)學(xué)處理得到檢測目標(biāo)。文中采用連續(xù)三幀圖像差分檢測進(jìn)行分析處理。

圖5 邊緣差分流程圖

Sobel算法是邊緣提取算法當(dāng)中最常用的方法之一，其鄰域像素對其目標(biāo)像素的變化不是等同的，因此面對不同距離的像素將具有不同的權(quán)值，且對算子結(jié)果產(chǎn)生不同的變化影響。相較而言，其運算復(fù)雜度小，易于實現(xiàn)。文章選用Sobel算法檢測邊緣特征。對于一幅圖像f（x，y），它的邊緣圖像為：

其中，

通過確定分割閾值T，令邊緣差分圖像二值化，得到運動目標(biāo)O（x，y，Δt），前后幀圖像差分d（x，y，Δt）=f（x，y，t+1）-f（x，y，t）

以上所獲得的運動目標(biāo)輪廓仍然殘缺不全，并且包含分布不均的噪聲點。針對于此，在邊緣差分之先對圖像預(yù)處理，剔除噪聲點，并對其差分結(jié)果進(jìn)行形態(tài)學(xué)濾波，運用腐蝕及膨脹等方式對殘缺的目標(biāo)輪廓彌補，進(jìn)一步消除噪點，進(jìn)而獲取完整的目標(biāo)區(qū)域。

3 實驗結(jié)果及分析

為了驗證本文算法的有效性，實驗使用500萬高清攝像頭采集視頻，采集視頻分辨率為640×480。實驗計算機配置為Intel 5代CPU，2.4GHz主頻，2G內(nèi)存，64 bit Windows 8操作系統(tǒng)，MATLAB 2016a環(huán)境下運行本文算法。使用本文算法對運動攝像頭條件下的行駛視頻對運動目標(biāo)處理。

文章對實驗視頻進(jìn)行分析，并將本文算法與傳統(tǒng)三幀差分法進(jìn)行對比分析。首先運用BRISK算法對目標(biāo)圖像的背景匹配塊進(jìn)行特征提取，并與未進(jìn)行背景分塊提取的傳統(tǒng)三幀差分法進(jìn)行對比分析，其數(shù)據(jù)統(tǒng)計如表1所示：

表1 特征檢測結(jié)果對比如下(其中N=1.2，M=1)

由表1可以看出分塊后特征提取的時間明顯減少，且特征點數(shù)量充足。為保證背景塊的尺寸，橢圓長半軸將定圖像像素寬的一半，其中預(yù)設(shè)M=1。經(jīng)大量實驗推論，N取值范圍[0.8，1.5]。

表2 不同的N、M值所對應(yīng)的特征點對匹配

表2對圖像分割比例系數(shù)N、M的不同狀況下的結(jié)果進(jìn)行實驗統(tǒng)計，隨著N的減小，背景匹配塊圖像區(qū)域逐漸減小，特征提取時間也相應(yīng)變短，相應(yīng)的特征點數(shù)目以及特征匹配對的數(shù)目也相應(yīng)減少。此外，文章考慮到運動目標(biāo)有存在于背景匹配塊中的情況，利用RANSAC算法將異常點以及誤匹配對剔除，且由于需要一定數(shù)量的匹配點對能夠排除運動目標(biāo)對求解的影響，并能提高模型參數(shù)求解的準(zhǔn)確性和算法的魯棒性，其中為保證足夠的特征點對，實驗當(dāng)中以100個特征點匹配對為限定，取N=1.2。

在實驗視頻中隨機截取三幀連續(xù)圖像，并分割出其目標(biāo)檢測塊進(jìn)行分析，并獲取其連續(xù)三幀的邊緣圖像，如圖6、圖7所示。獲取運動補償后的目標(biāo)檢測區(qū)塊圖像，進(jìn)而運用連續(xù)幀的邊緣圖像差分檢測并獲得運動目標(biāo)，對比文獻(xiàn)[14]與傳統(tǒng)連續(xù)三幀差分法的結(jié)果。如圖8所示，經(jīng)過全局差分后的圖像存在噪聲與空洞現(xiàn)象，而經(jīng)過文中區(qū)域分塊思想并結(jié)合邊緣差分的特點，可彌補圖像完整性的不足，并為之后運動目標(biāo)跟蹤奠定基礎(chǔ)。

圖6 連續(xù)三幀目標(biāo)檢測區(qū)域

圖7 連續(xù)三幀邊緣圖像

圖8 實驗結(jié)果對比

實驗檢測結(jié)果如圖8(a)和圖8(b)所示，由其結(jié)果可以看出，本文算法通過圖像區(qū)塊匹配結(jié)合邊緣差分檢測效果較好，受背景噪聲干擾較少，能夠較好地檢測運動目標(biāo)。

為進(jìn)一步驗證本文算法的有效性和穩(wěn)定性，不妨取實驗視頻第300幀至1200幀作分析，每隔30幀檢測分析，序列圖像幀N為橫坐標(biāo)，通過對比發(fā)現(xiàn)，采用本文提出的改進(jìn)方法，能夠提高目標(biāo)檢測的準(zhǔn)確率并縮短檢測時間。文章以D=R/(R+F)（R表示檢測正確的車輛；F表示漏檢車輛）代表檢測率[19]。

表3 檢測準(zhǔn)確率和誤報率算法對比(%)

再用峰值信噪比（PSNR）對其進(jìn)行評估，可用于對結(jié)果魯棒性進(jìn)行評估，其值越高證明抗噪越好，峰值性噪比對比如圖9所示。由圖9可看出，本文算法進(jìn)行處理后，其PSNR值有明顯提高，且優(yōu)于另外兩種算法。經(jīng)實驗與仿真結(jié)果表明，本文算法峰值信噪比（PSNR）明顯魯棒性表現(xiàn)較好，并擁有較好的準(zhǔn)確性。

圖9 改進(jìn)算法前后幀PSNR值比較

4 結(jié)語

本文提出了一種結(jié)合分塊匹配與邊緣差分的運動目標(biāo)檢測算法。算法基于分塊處理的思想，不僅減少特征匹配耗時，而且降低了運動目標(biāo)對全局運動補償?shù)挠绊懀粚B續(xù)三幀圖像目標(biāo)檢測塊的邊緣圖像進(jìn)行差分處理，有效減少空洞現(xiàn)象和背景噪聲的影響，并通過與傳統(tǒng)三幀差分算法的對比，驗證了本文算法具有較好的準(zhǔn)確性和抗噪性。