融合背景差分法和幀間差分法的運動目標檢測

陳媛，胡娜，余秋月

（武漢科技大學城市學院機電工程學部，武漢430083）

0 引言

現今社會人口密度越來越大，社會關系日益復雜，各種異常突發事件時有發生，從安防角度考慮，不管是企業、商場、學校還是小區都設置有視頻監控。運動目標的檢測是視頻監控系統逐步信息化和智能化的關鍵技術之一，在當今熱門的計算機視覺領域占有一席之位，相關的基礎研究開展得也比較多，具有廣闊的應用前景[1]。

運動目標檢測是通過應用計算機圖像處理方面的知識，將運動目標從視頻圖像的背景中分割出來。應用于目標檢測的方法大致可以分為三類：背景差分法、幀間差分法和光流法。背景差分法是將待測幀圖像與背景圖像做差，然后二值化提取前景目標。該方法的關鍵是要建立合適的背景模型，對光照和環境的影響敏感[2]。幀間差法也是用圖像做差來檢測運動目標，所選取的圖像一般是連續的或相隔的幾幀圖像。該方法原理簡單，運算方便，但是檢測出的目標物常常輪廓不連續，內部會出現“空洞”[3]。光流法是通過引入速度矢量的概念，分析圖像像素點的速度矢量來進行運動目標檢測的一種方法[4]。由于要分析各個像素點速度矢量，因此計算耗時，實時性差。本文提出一種改進的背景差分和幀間差分相結合的運動目標檢測算法，能較好地解決背景差分法對光照突變的敏感和幀間差法檢測的目標物輪廓不完整的問題，具有一定的魯棒性。

1 背景差分法

1.1 基本原理

背景差分法是將待測幀圖像與背景圖像做差，然后二值化提取前景目標。用公式描述如下：

式（1）中fi(x,y)為待測幀圖像，Bi(x,y)為背景圖像，Di(x,y)為兩者的差分結果。式（2）中，通常根據經驗選擇恰當的閾值T，對差分圖像Di(x,y)做二值化處理，得到二值化圖像Ri(x,y)。當Di(x,y)≥T時，二值化結果為1，該像素位置判定為運動目標區域；當Di(x,y)＜T時，二值化結果為0，則該像素位置判定為背景。

1.2 改進的均值法背景建模

背景建模是背景差分法的關鍵步驟，常見的背景建模法有均值法、中值法、單高斯法以及混合高斯法等。本文采用方便快捷的均值法進行背景建模。考慮到現實場景的光照突變影響，引入光照補償模型進行均值法建模，具體過程如下：

第一步，將一段時間內采集到的多幀序列圖像進行相加再平均，將其作為初始化光照補償模型，記為P(x,y)。

第二步，將待測幀圖像分別與P(x,y)相加再平均，公式如下：

式（2）中，i=1,…,N，Ii(x,y)表示待檢測的第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。

第三步，將光照補償后的新視頻序列進行均值建模[5]，公式如下：

式（4）中B(x,y)表示背景圖像，N表示平均幀數。

完成以上步驟后，再將待測幀圖像與得到的背景圖像做差，然后對差分后的圖像進行二值化處理。

2 幀間差分法

幀間差法是選取連續的或相隔的幾幀圖像做差分運算來檢測運動目標。本文選取相連的三幀圖像進行檢測研究。

2.1 三幀差分法的原理

三幀差分法是選取連續的三幀圖像進行差分，其算法思想如下[6]。

（1）選取連續的三幀圖像Ii-1(x,y)，Ii(x,y)，Ii+1(x,y)，進行差分運算：

（2）根據經驗選取適當的閾值T進行二值化：

（3）進行邏輯“與”操作：

2.2 改進的三幀差分法

在上述第二步選取的閾值是根據經驗選取的，通常是一個固定值，這會使得檢測的結果有一定的誤差，對于環境變化的適應性較差。靈活的選取閾值也成為準確檢測運動目標的一個關鍵因素。本文在傳統三幀差分法的分析基礎上，通過最大模糊熵法則確定最優閾值，以進一步提高檢測運動目標的準確性。

Fig. 8 illustrates a scanning electron microscopy (SEM)image of ZnS films deposited on a Si substrate (100) by 200 W RF sputtering. This image shows that our thin ZnS layer has a smooth and homogeneous surface, and reveals small grains of average size less than 50 nm.

設差分圖像X的灰度級為L，大小為M×N，用xmn表示像素點(m,n)的灰度值。將差分圖像劃分為目標（bright）和背景（dark）兩個模糊集，它們的隸屬度函數分別定義如下：

式中，[a,b]為模糊區間，[0,a]和[b,L-1]為非模糊區間。μbright(xmn)表示像素點，(m,n)屬于目標的程度，μdark(xmn)表示像素點(m,n)屬于背景的程度，且μbright(xmn)+μdark(xmn)=1。當xmn=(a+b)/2時，表明像素點(m,n)屬于目標和背景的程度均為 0.5，則可選xmn=(a+b)/2為分割閾值。

灰度級小于(a+b)/2的像素屬于背景區域，灰度級大于(a+b)/2的像素屬于目標區域。

圖像的模糊熵為：

其中：

一個事件的熵越大，則事件本身越真實。那么，如果圖像的熵越大，則目標和背景的區分程度就越好。由此可得最優的模糊參數aopt和bopt，以及最優閾值(aopt+bopt)/2。

改進后的三幀差分算法流程圖如圖1所示。

圖1 改進三幀差分算法的流程圖

3 算法融合

將以上改進的背景差分法和改進的三幀差分法相結合，得到本文提出的融合背景差分和幀間差分的運動目標檢測算法，其算法流程圖如圖2所示。

圖2 本文算法流程圖

4 實驗結果與分析

為了驗證本文算法的有效性，實驗選取某小區進出口的監控視頻，視頻幀尺寸大小為352×240。本文的仿真實驗是在OpenCV軟件完成，電腦配置為Intel Core i5-5200 CPU，2.20 GHz，內存為 12GB，Microsoft Windows 7操作系統。本文分別使用改進的背景差分法、改進的幀間差分法和兩者融合的算法進行實驗，仿真結果如圖3所示。

圖3 實驗仿真結果

圖3 （a）是原始幀圖像，圖3（b）是采用光照補償模型的均值背景建模的背景差分法檢測的結果，圖3（c）是采用最大模糊熵閾值分割的三幀差分法檢測的結果，圖3（d）是本文提出的將兩種算法相融合的檢測結果。由圖可知，本文所采用的融合改進的背景差分和改進的幀間差分算法檢測出的運動目標更加清晰準確，進一步提高了檢測的有效性。

5 結語

本文首先介紹了背景差分的基本原理，在建立背景圖像的過程中，提出采用帶光照補償模型的均值法建模進行算法改進；然后介紹了幀間差分法中的三幀差分法，提出采用最大模糊熵閾值進行圖像的二值化處理；最后將兩種改進的算法進行相融，提出了改進的背景差分和幀間差分相融合的運動目標檢測算法，在一定程度上克服了傳統的背景差分和幀間差分的缺點，能較好地檢測出運動目標，具有一定的魯棒性。