一種自適應閾值的運動目標提取算法

摘 要:為了準確地劃分運動目標和背景區(qū)域，提出一種自適應閾值的運動目標提取算法，對現(xiàn)有基于背景差的提取算法進行改進。本算法將運動目標和背景作為兩個聚類，對圖像中的點按像素灰度進行分類，以聚類間的方根—算術均值距離最大作為分割閾值選擇的準則，使得運動目標提取算法中二值化閾值能夠自動更新，從而實現(xiàn)對運動目標的準確完整提取。實驗結果表明，該算法能夠較準確快速地提取運動目標，并對環(huán)境亮度突變、背景存在微小運動等情況具有較好的魯棒性。

關鍵詞:運動目標提取; 背景差; 閾值; 方根—算術均值距離

中圖分類號:TP391文獻標志碼:A

文章編號:1001-3695(2010)06-2380-04

doi:10.3969/j.issn.10013695.2010.06.110

Adaptive threshold algorithm for extracting moving objects

SUN Mingyu1， DING Ying1，2， LI Wenhui1， JIANG Qi1， XU Changqing1

(1.College of Computer Science Technology， Jilin University， Changchun 130012， China; 2. College of Computer Science Technology， Changchun University of Science Technology， Changchun 130022，China)

Abstract:This paper presented a moving objects extraction algorithm based on adaptive threshold， which had improved extraction algorithm based on background subtraction. Moving objects and background were regarded as two clusters， and classified the intensity values at the pixels， then adopted the max clusters’ square root arithmetic mean divergence as the threshold selection rule. So the threshold could be automatic update， in order to accomplish exactly and perfectly extract. Simulation results indicate that motion objects can be extract correctly and fast by using the new algorithm， even in the case of dynamic natural environments since they include motions like swaying vegetation， breaking luminance etc.

Key words:moving objects extraction; background subtraction; threshold; square rootarithmetic mean divergence

0 引言

在計算機視覺系統(tǒng)中，運動目標的檢測與提取是一個非常重要的問題，應用于視頻監(jiān)控、交通檢測、圖像壓縮等許多方面。在進行運動檢測時，常見的一種情況是攝像機處于靜止狀態(tài)，鏡頭焦距固定，因此，圖像中背景區(qū)域固定不動。通常有三種方法進行該情況的運動檢測，即光流法、相鄰幀差法和背景差法。

光流法[1]在不需要背景區(qū)域的任何先驗知識條件下就能夠實現(xiàn)對運動目標的檢測和跟蹤，但計算量非常大，對噪聲比較敏感，對硬件要求高;相鄰幀差法[2]能夠適應環(huán)境的動態(tài)變化，實現(xiàn)實時的運動檢測，但分割出的運動目標不完整;背景差法[3～11]通過當前幀減去背景參考幀，然后對所得圖像二值化，得到完整的運動目標，是一種最為簡單和有效的方法。實際應用中，背景往往會發(fā)生變化，如室內環(huán)境中的光照變化，室外環(huán)境中一天不同時刻光線和陰影的變化、不同季節(jié)的變化、背景中景物的改變和攝像機位置的漂移等。此時，背景圖像必須能夠不斷更新。針對這一問題，一種經(jīng)典的方法是時間平均法(timeaveraged background image，TABI)，即對一段時間中的圖像序列求和再平均，獲得一幀近似的背景圖像，但這種方法容易將前景運動目標混入到背景圖像當中，產(chǎn)生混合現(xiàn)象(blending)。近年來，人們對如何實現(xiàn)背景圖像的自適應更新進行了大量研究，Ridder等人對背景圖像中的每個像素進行Kalman濾波，使系統(tǒng)在光線發(fā)生變化時也能夠工作[3]。Friedman和Russell將像素的灰度值看做是三個高斯分布的加權，這三個高斯分布分別對應于背景、前景和陰影，同時采用EM算法獲得模型參數(shù)[4]。由于背景往往比較復雜，對背景像素僅用一個高斯分布表示是不夠的，Stauffer等人[5，6]對此進行了改進，采用K個高斯分布(K取3~5)的混合模型表示背景像素的分布規(guī)律，但該方法需要大量的運算時間且不能檢測運動陰影。Kornprobst等人[7]假設背景在圖像序列中總是最經(jīng)常被觀測到，從而提出了一種基于偏微分方程(partial differential equations，PDE)的背景重構和運動分割算法，效果不錯，但該算法比較復雜，所涉及的參數(shù)不容易設置。

國內研究人員也在背景重構與自適應更新方面做了一些工作。張文濤等人[8]利用圖像能量、高階統(tǒng)計量理論和塊處理技術進行背景重構;岑峰等人[9]提出了一種與Stauffer等人方法相似的背景自適應算法;侯志強等人[10]提出基于像素灰度歸類的背景重構方法，并假定滿足背景像素灰度以最大概率出現(xiàn)在圖像序列的前提條件。

上述大多方法都對場景的動態(tài)變化敏感，如場景光照亮度變化、陰影和反射光等影響，使運動目標提取不準確。研究人員大多只針對如何建立較好的背景模型，提出了許多背景更新算法。然而，在背景差法中，除背景模型外，對圖像二值化中閾值的選擇也至關重要，直接影響運動目標提取的準確程度。為此，本文提出了一種自適應閾值的運動目標提取算法，改變了現(xiàn)有方法采用固定閾值進行二值化的方式，在現(xiàn)有背景更新模型基礎上，對當前幀與背景模型差分的結果圖像進行可變閾值的二值化，從而大大提高了運動目標提取的準確性。

1 基于背景差的運動目標提取算法

背景差法[9，10]是常用的灰度圖像運動目標提取算法之一，其特點是位置精確，運算速度快，能夠分割出完整的運動對象，但算法對背景圖像的變化比較敏感，需要對背景模型進行實時更新。基于背景差法的運動目標提取算法的基本流程如圖1所示。首先，利用初始圖像序列建立背景模型;然后，將當前幀圖像與背景模型相減，利用式(1)可求得運動目標圖像(該圖像為二值圖像)。

設當前圖像為Icurrent(x，y)，背景圖像為Ibackground(x，y)，目標圖像為Iobject(x，y)，差分閾值為Threshold，該算法可以抽象為如下公式:

Iobject(x，y)=1 |Icurrent(x，y)-Ibackground(x，y)|≥Threshold0 |Icurrent(x，y)-Ibackground(x，y)|

其中:Iobject(x，y)為1，表示(x，y)點為運動點;反之，(x，y)為背景點。由于背景往往會發(fā)生變化，因此背景模型需要實時更新以保證后續(xù)計算的準確性。背景模型的更新方法[9，10]可用式(2)簡單表示:

Inbackground(x，y)=In-1background(x，y)+α(Icurrent(x，y)) Inobject(x，y)=1In-1background(x，y)Inobject(x，y)=0(2)

其中:Ibackground(x，y)為實時更新的背景模型，假設當前圖像為第n幀;In-1background(x，y)為更新前的背景模型;Inbackground(x，y)為更新后的背景模型;α為更新系數(shù)，決定著當前幀圖像對背景模型作用的大小及更新速度。

2 自適應閾值的運動目標提取算法

基于背景差法的運動目標提取算法中，差分后的圖像需要進行圖像分割。閾值分割算法是最常見的直接檢測區(qū)域的分割算法，對圖像進行二值化，得到前景和背景圖像，實質是對每個像素確定一個閾值，因此，閾值的選擇直接影響到分割效果，現(xiàn)有的閾值分割算法通常采用固定閾值。然而，由于時時存在的光照等環(huán)境因素不斷變化，使得前景與背景之間灰度差值也隨之改變。在差分圖像中，運動目標區(qū)域像素的灰度值與當前圖像的灰度值之差較大時，可選較大的閾值T，但因照明光線逐漸變暗，導致圖像整體亮度值降低，仍采用T作為閾值則會有大量的運動像素被誤判為背景像素，使得運動目標圖像區(qū)域出現(xiàn)大面積的斷裂和漏空。

本文提出的自適應閾值運動目標提取算法，在基于背景差的運動目標提取算法基本流程的基礎上，增加了閾值的自適應求解步驟，使閾值T隨著環(huán)境等因素的變化而自主改變，如圖2所示。實驗發(fā)現(xiàn)，提取運動目標的差分圖像常含有一部分噪聲，本算法采用數(shù)學形態(tài)學的開運算對差分圖像進行了后處理，進一步提高了運動目標提取的準確性。

2.1 定義

設集合F為圖像I中所有運動點組成的集合，即F={P(x，y)| |Icurrent(x，y)-Ibackground(x，y)|≥Threshold}，或者F={P(x，y)| Iobject(x，y)=1 };

N0=∑x，y，P(x，y)∈F1，表示運動點的個數(shù);

N1=∑x，y，P(x，y)F1，表示背景點的個數(shù);

Gray0=∑x，y，P(x，y)∈FIcurrent(x，y)，表示I中所有運動點的像素灰度值之和;

Gray1=∑x，y，P(x，y)FIcurrent(x，y)，表示所有背景點的像素灰度值之和;

Ave0=∑x，y，P(x，y)∈FIcurrent(x，y)∑x，y，P(x，y)∈F1，表示運動點的平均灰度值;

Ave1=∑x，y，P(x，y)FIcurrent(x，y)∑x，y，P(x，y)F1，表示背景點的平均灰度值;

ω0=N0N0+N1，表示運動點在圖像I中所占的比重;

ω1=N1N0+N1，表示背景點在圖像I中所占的比重;

imageSize =N0+N1，表示圖像的尺寸，整幅圖像的灰度均值為Ave=∑x，yIcurrent(x，y)imageSize。

定義1 聚類對(F，B)的類間方根—算術均值距離(clusters’ square root arithmetic mean divergence，CSAM)定義為

CSAM(F，B)=ω0×(Ave0-Ave)2+ω1×(Ave1-Ave)2(3)

其中:B為圖像I中背景點的集合，即

B={P(x，y)| |Icurrent(x，y)-Ibackground(x，y)|

定義2 聚類對(F，B)的CSAM當且僅當滿足如下條件時:

a)MCSAM(F，B)>0;

b)MCSAM=maxi CSAM(Fi，Bi)(其中，i表示選取的第i個Threshold值);

稱為(F，B)的最大類間方根—算術均值距離(max clusters’ square root arithmetic mean divergence，MCSAM)。

2.2 算法步驟

自適應閾值的運動目標提取算法的具體步驟如下:

a)初始化:Threshold=Ave，N0=0，N1=0，Gray0=0，Gray1=0，MCSAM(F，B)=0，Times=0(表示迭代次數(shù))。

b)如果Times

c)遍歷圖像，由上述定義分別計算N0，N1，Gray0，Gray1。

d)計算Ave0，Ave1，ω0，ω1，Ave，CSAM(Fi，Bi)。

e)如果MCSAM(F，B)

將運動目標和背景作為兩個聚類，把聚類間的方根—算術均值距離最大作為閾值選擇的準則是本算法的核心。背景和運動目標之間的CSAM越大，說明構成圖像的兩部分差別越大，當部分目標錯分為背景或者部分背景錯分為目標時，都會導致兩部分差別變小，使得CSAM值變小。因此，MCSAM意味著錯分的概率最小，該方法能保證運動目標提取的準確性。

2.3 閾值更新策略

本文的算法主要采用兩種方法進行閾值更新。第一種是定時更新，即在規(guī)定時間段中(通常3~5 min)，抽取10張連續(xù)圖像序列利用該算法計算下一時間段差分圖像的分割閾值。這種方式適用于背景緩慢變化的情況，如一天當中太陽光照的緩慢變化。第二種方法[12]是實時更新，若在當前幀圖像與背景模型差分后所得差分圖像中，ω0大于某一個閾值(通常取80%)，則認為整個背景發(fā)生了變化;若連續(xù)多幀圖像中這一比值依然很大，則不僅更新背景模型，同時更新閾值Threshold。這種方式適用于背景發(fā)生突變時的情況，如室內突然開燈或關燈。此外，如果圖像中某些固定區(qū)域(非整幅圖像)在較長時間內一直保持變化狀態(tài)，有兩種情況:一種是該區(qū)域像素灰度均值平穩(wěn)變化，則認為該處背景的實際狀態(tài)發(fā)生了變化(如戶外汽車的停泊和駛走)，此時執(zhí)行分割閾值更新操作;另一種情況是該區(qū)域像素灰度均值變化不平穩(wěn)，則該處背景可能存在顯示器屏幕一類的物品，此時標記該區(qū)域，只檢測該區(qū)域以外的圖像，進行閾值更新。

3 實驗結果

利用本文的算法對大量實際視頻圖像序列進行了運動目標提取的實驗，并且在實驗中總結了閾值調整次數(shù)Times和閾值調整步長Step的最優(yōu)選擇方法。

3.1 閾值調整次數(shù)和閾值調整步長的確定

閾值調整次數(shù)和閾值調整步長為本算法中可調整的參數(shù)。對視頻中圖像序列計算分割閾值時，可通過改變閾值調整步長Step和閾值調整次數(shù)Times的值，比較每幀圖像的分割閾值。由實驗統(tǒng)計數(shù)據(jù)可知:分割閾值準確度與閾值調整步長成反比，與閾值調整次數(shù)成正比，即閾值調整步長Step越小，閾值調整次數(shù)Times越大，得到的分割閾值準確度越高，但同時也帶來了巨大的計算量。因此，本文采用如下辦法解決此問題:首先固定Times值，選擇閾值變化減緩時的最小Step值;然后固定Step，尋找閾值變化減緩時的最小Times值;將選定的Step作為閾值調整步長，Times作為閾值調整次數(shù)。

3.2 運動目標提取實驗

利用本文算法對不同情況下的多組視頻序列進行了運動目標提取實驗，視頻包括室內、室外、開關照明等場景，并將運動目標區(qū)域提取結果與基于背景差法的運動目標提取結果進行了比較。其中，后處理采用數(shù)學形態(tài)學的開運算。

實驗1 圖3為攝像頭獲取的室內場景關燈條件下的視頻序列，其中，(a1)(a2)(a3)分別是該圖像序列中第50、110和150幀圖像;圖3(c)為利用本文算法分別對圖1(a)中圖像進行運動目標提取的結果，運動目標完整，且干擾噪聲點較少;圖3(b)是利用普通背景差法進行運動目標提取的結果，可以看到除由于未進行陰影消除出現(xiàn)偽影外，效果與圖3(c)相差不多。

實驗2 圖4為攝像頭獲取的室內場景突然開燈情況下的視頻序列。其中，(a1)(a2)(a3)分別是該圖像序列中第250、310和350幀圖像;圖4(b)是利用背景差法進行運動目標提取的結果，可以看到，提取效果較差，這是由于照明環(huán)境的突然變化，使背景模型發(fā)生改變，而運動目標提取閾值固定不變所導致的結果;圖4(c)是利用本文算法對運動區(qū)域提取閾值進行了自動調整，使得分割更靈活可行，因此，提取結果依然是運動目標完整，且干擾噪聲點較少，從而驗證了本算法對環(huán)境亮度突變的魯棒性。

實驗3 圖5為攝像頭獲取的室外場景視頻序列，室外場景中通常存在一些微小的變化區(qū)域，如樹葉的輕微擺動。由于本文算法后處理采用了數(shù)學形態(tài)學方法，可以有效去除這些微小變化引起的誤檢。但是，當背景中變動區(qū)域的運動幅度非常大，如狂風中搖擺的樹木等，則該處理方法便無法完全去除變動區(qū)域的影響。

執(zhí)行時間也是本算法的一個重要檢測指標，本文使用1.8 GHz Intel Pentium D CPU，512 MB內存的普通PC機，圖像分辨率320×240 pixels，所有實驗的運動目標提取速度均大于25 fps，滿足實時處理要求。

4 結束語

隨著機器視覺系統(tǒng)的應用越來越廣泛，運動目標的檢測與提取問題成為研究熱點。本文提出了一種自適應閾值的運動目標提取算法，該算法按照像素灰度值將圖像劃分為運動目標和背景區(qū)域兩個聚類，利用聚類間的方根—算術均值最大作為選擇分割閾值的準則，采用定時和實時兩種閾值更新策略，從而實現(xiàn)了運動目標的準確完整提取，為進一步的目標識別或跟蹤提供了有力保障。

參考文獻:

[1]SMITH S M， BRADY J M. ASSET2: realtime motion segmentation and shape tracking[J]. IEEE Trans on PAMI，1995，17(8): 814-820.

[2]MEIER T， NGAN K N. Automatic segmentation of moving objects for video object plane generation[J]. IEEE Trans on Circuits and Systems for Video Technology，1998，8(5): 525-538.

[3]卓志敏，楊雷，楊萃元，等. 一種復雜環(huán)境下的紅外成像運動目標檢測方法[J]. 宇航學報，2008，29(1): 339-343.

[4]明英，蔣晶鈺. 基于Cauchy分布的紅外視頻運動目標檢測[J]. 紅外與毫米波學報，2008，27(1): 65-71.

[5]STAUFFER C， GRIMSON W E L. Adaptive background mixture models for realtime tracking[C]//Proc of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition.1999:246-252.

[6]BASHARAT A， GRITAI A， SHAH M. Learning object motion patterns for anomaly detection and improved object[C]//Proc of CVPR. 2008:1-8.

[7]KORNPROBST P， DERICHE R， AUBERT G. Image sequence analysis via partial difference equations[J]. Journal of Mathematical Imaging and Vision，1999，11(1):5-26.

[8]張文濤，李曉峰，李在銘.高速密集視頻目標場景下的運動分析[J]. 電子學報，2000，28(10):114-117.

[9]岑峰，戚飛虎，陳茂林.長期視頻監(jiān)控系統(tǒng)的多分布模型背景差方法[J].紅外與毫米波學報，2002，21(1): 59-63.

[10]侯志強，韓崇昭.基于像素灰度歸類的背景重構算法[J].軟件學報，2005，16(9): 1568-1576.

[11]MITTAL A， PARAGIOS N. Motionbased background subtraction using adaptive kernel density estimation[C]//Proc of the 2004 IEEE Computer Society Conference on Computer Vision and Pattern Recognition.2004:302-309.

[12]HARITAOGLU I， HARWOOD D， DAVIS L. W4: realtime surveillance of people and their activities[J].IEEE Trans on PAMI，2000，22(8): 809-830.