一種基于全景視覺的運動目標檢測方法

張忠民，李穎晶，賈艷麗

(哈爾濱工程大學信息與通信工程學院，黑龍江哈爾濱 150001)

一種基于全景視覺的運動目標檢測方法

張忠民，李穎晶，賈艷麗

(哈爾濱工程大學信息與通信工程學院，黑龍江哈爾濱 150001)

針對基于全景視覺系統采集的圖像序列中運動目標檢測的方法進行了研究，采用三幀差法和混合高斯模型相融合的算法對運動目標進行檢測。不但解決了三幀差法無法檢測出全部目標信息的缺點，而且還避免了背景減除法容易出現兩個目標的假現象，在背景顏色和目標顏色相近時檢測效果較好。實驗表明，該算法能準確檢測出運動目標，具有較好的實時性。

目標檢測;全景視覺;幀差法;背景減除;數學形態學

全景視覺［1］及運動目標檢測是計算機視覺領域的研究重點，這兩項技術的結合能為其提供廣泛的應用前景。全景視覺傳感器特點是能獲取水平方向360°、垂直方向240°范圍內場景的高清晰圖像，解決傳統視覺傳感器只能觀測局部信息的不足。

序列圖像中的運動目標檢測作為視頻監控領域中基本的一步，目的是從視頻流中提取出感興趣的運動區域，為運動目標的識別、跟蹤等后續處理打下基礎。目前常用的運動目標檢測方法有3種:幀間差分法、背景減除法［2］和光流法。幀間差分法是將連續兩幀進行差分，提取出運動目標的信息，優點是對動態環境有良好的適應性，缺點是不能完全提取目標的所有信息，在運動物體內部容易產生空洞;背景減除法是目前運動目標分割中常用的一種方法，利用當前圖像與背景圖像的差分來檢測運動區域，最核心的步驟就是背景建模及更新，常用的方法有普通背景差分法和高斯背景模型法等，能夠提取完整的特征點，但對于動態場景的變化，如光線、天氣等條件的干擾較敏感;光流是圖像亮度模式的視在運動，可以通過計算位移向量光流場來初始化目標的輪廓，從而使基于輪廓的跟蹤算法有效地檢測和跟蹤目標。光流法的缺點就是計算量非常大，且抗噪性能差，需要硬件支持。

文中基于上述方法的優缺點，用三幀差和混合高斯模型［3－4］相融合的方法對全景視覺運動目標進行檢測，實時更新背景，改進了單個算法的缺點，解決了前一幀做背景時背景差分法有兩個目標出現的缺點，使其優勢互補。

1 運動目標檢測

1.1 三幀差法

文中采用雙曲面折反射全景成像系統，經過雙曲面反射鏡的反射得到的全景圖像如圖1所示，可看出全景圖像是扭曲的，不符合人眼的觀察，因此柱面展開［5］為符合人眼觀察的圖像，如圖2所示。

傳統兩幀差分法檢測結果除包括運動對象本身外，被運動對象遮擋的部分和背景噪聲也會被檢測出來。因此，想要使原始圖像運動輪廓與時間差分圖像的運動區域高度相關，采用三幀差分法［6］效果更好。

采集全景視覺柱面展開后一段視頻序列的圖像，設在 t時刻，I(x，y，t)表示當前幀圖像(x，y)像素處的灰度值，其前后相鄰的兩幀圖像的灰度值分別用I(x，y，t－1)和 I(x，y，t+1)表示。t時刻相鄰兩幀灰度值的二值化結果為

其中，th1是灰度的閾值;St，t－1(x，y，t)表示當前幀I(x，y，t)和前一幀 I(x，y，t－1)差分后的二值化運動區域;St，t+1(x，y，t)表示當前幀 I(x，y，t)和后一幀I(x，y，t+1)差分后的二值化的運動區域，利用閾值th1對St，t－1(x，y，t)和 St，t+1(x，y，t)運動區域，可有效抑制噪聲，提取運動信息，然后將兩幀灰度差相融合得到

截取全景展開視頻序列中的第101幀，102幀和103幀分別做兩幀差和三幀差的運動目標檢測，圖3是前兩幀差結果，圖4是三幀差結果，可看出兩幀差法檢測的運動目標輪廓明顯大于圖4中三幀差法檢測的運動目標輪廓，這部分就是由于遮擋而將背景區域誤認為是運動的前景區域，兩幀差法會把這部分背景也檢測出來，而三幀差法效果較好，同時也可抑制隨機噪聲的影響。

1.2 混合高斯模型

1.2.1 圖像混合高斯模型的建立

已知在視頻序列中，圖像中的每一個像素都可以用一個或多個高斯分布近似表示，混合高斯模型不僅對背景建模而且也對前景建模。設到t時刻前，對像素(x0，y0)定義分布模型{X1，…，Xt}={I(x0，y0，i)∶1≤i≤t}，該像素的所有值用k個高斯模型近似，觀察到的當前像素值的概率是

其中，k是混合高斯模型中高斯分布的個數，通常取在3 ～ 5 之間;μk，t和∑k，t分別為t時刻k個高斯模型的均值和協方差;ωk，t是 t時刻 k個高斯模型的權值，，其大小反映用該高斯模型表示當前像素值的可靠程度;η是高斯概率密度函數［7］，定義為

1.2.2 背景更新

通常認為權值 ωk，t較大而方差 σk，t較小的高斯模型是匹配背景的模型。混合模型的參數要隨每幀圖像的輸入不斷更新，更新前要看是否滿足條件，和混合模型中的某個模型是否匹配，如果

時，則當前像素值與模型匹配，則更新背景模型參數。更新公式為

式中，α為權值更新率;ρ為均值更新率。更新完各個參數后，需重新計算各個優先級及排列。

1.2.3 背景估計

第二步進行后已經重新按優先級調整了高斯分布的排列順序，然后取前B個模型作為背景模型。

其中，T是上文中提到的閾值，如果T選擇的比較小，背景模型會被認為是單峰的，相反，背景模型會被認為是多峰的。圖5為高斯混合模型訓練視頻得到的背景圖像，可看到混合高斯模型的優點是背景中沒有前景目標，從而減少檢測的誤差度。

圖5 混合高斯模型得到的背景圖像

1.2.4 前景提取

通過前B個高斯分布建立的背景模型及閾值T的選定選出背景的最匹配分布，按照優先級次序將Xt與各高斯分布逐一匹配，如果Xt沒有與表示背景分布的高斯分布匹配，則判定該點為前景點，否則為背景點。

2 改進算法

第一步 通過三幀差法快速的檢測出運動目標，提高算法靈敏度，得到當前幀在視頻序列中運動目標所在區域記為S(x，y，t)。其中，三幀差法的閾值選取采用Otsu算法對所得的幀差圖像進行自適應閾值分割，獲得二值化圖像從而得到前景目標，在復雜環境中Otsu算法比固定閾值適應性強。

第二步 對當前幀進行混合高斯建模，首先判斷輸入的視頻序列是否是第一幀，如是可初始化混合高斯模型的參數，如不是則直接更新模型，之后用當前圖像中的每個像素點與混合高斯模型匹配，閾值T，α權值更新率和ρ均值更新率根據環境選擇不同的值，文中T=7，α選擇較小的值，α=0.005，均值更新率選擇較大，β=0.015，如果匹配，求得由混合高斯模型法得到的運動目標前景記 D(x，y，t)。

第三步 前景圖像做相與運算求得新的前景目標，設為R(x，y，t)，則檢測得到的運動目標計算公式

運算求得新的前景目標，設為 R(x，y，t)，則檢測得到的運動目標計算公式

具體流程如圖6所示。

圖6 算法流程

最后對得到的前景做形態學處理。因為算法求得的運動目標，通過與運算減少了部分噪聲但仍有孤立噪聲點，所以用中值濾波［8］方法去除噪聲點，使噪聲得到抑制，文中采用領域內模板的中值濾波［8］法進行中值濾波。由于得到的目標圖像中還有小毛刺和小空洞，采用先腐蝕后膨脹的方法對圖像進行處理，也就是開運算。腐蝕是一種消除邊界點，使邊界向內部收縮的過程，可以消除小且無意義的物體。膨脹是將與物體接觸的所有背景點合并到該物體中，使邊界向外部擴張的過程，填補物體中的空洞。

3 實驗結果

分別采集兩段視頻序列，第一組為全景視頻序列，像素大小為1 024×768，柱面展開的圖像序列為1 200×300，實驗環境為室內。第二組為非全景視覺的視頻序列實驗，通過兩種不同視頻序列的實驗結果，驗證其算法的有效性。文中算法都是在Windows XP系統下，基于Microsoft Visual C++6.0軟件仿真實現。圖7為視頻一、二的一幀。

文中混合高斯模型參數選取為:T=7，α=0.005，β=0.015。通過驗證算法的有效性，視頻序列中的前景目標穿一個顏色和背景中桌子的底下顏色相近的褲子。從圖8(a)和圖8(d)看出，背景減除法的檢測結果，圖8(a)明顯看出會有兩個目標，人體的下半身檢測不出來，目標檢測不完整;圖8(b)和圖8(e)為混合高斯模型法，目標檢測部分完整，但噪聲較大;圖8(c)和圖8(f)利用文中算法準確檢測出了運動目標，目標完整，與三幀差法相與后噪聲明顯減少。

4 結束語

提出一種基于全景視覺系統的運動目標的檢測方法，用三幀差法和混合高斯模型法相融合的算法。改進了三幀差法只能檢測目標輪廓，背景減除法出現兩個目標，當目標顏色與背景顏色相近時混合高斯模型法檢測不完整等缺點，通過實驗對比驗證了算法的有效性及正確性。文中算法在防空裝甲車中得到應用。

［1］甄景蕾.基于全景視覺的運動目標檢測與跟蹤方法研究［D］.哈爾濱:哈爾濱工程大學，2008.

［2］左國輝，王金剛，靳曉輝.運動檢測算法［J］.電子測量技術，2005(6):48－49.

［3］SAUFFER C，GRIMSON W E L.Learning patterns of activity using real－ time tracking［J］.IEEE Transcins on Pattern A-nalysis and Machine Intellience，2000(8):747 －757.

［4］STAUFFER C，GRIMSON W.Adaptive background mixer models for real－ time tracking［C］.Cambridge，United Kingdom:Proceedings of the 17th International Conference on Pattern Recognition，2004(2):28 －31.

［5］凌云峰，朱齊丹，吳自新.全景視覺圖像柱面理論展開算法實現及其改進［J］.應用科技，2006，33(9):4 －6.

［6］KAMEDA Y，MINOH M.A human motion estimation method using 3－successive video frames［C］.Proceedings of international conference on virtual systems and multi－ media，1996:135－140.

［7］ZIVKOVIE Z.Improved adaptive Gaussian mixture model for background subtraction［C］.Cambridge，United Kingdom:Proceedings of the 17th International Conference on Pattern Recognition，2004(2):28 －31.

［8］何斌，馬天宇.Visual C++數字圖像處理［M］.2版.北京:人民郵電出版社，2002.

A Method of Moving Target Detection Based on Omni-directional Vision

ZHANG Zhongmin，LI Yingjing，JIA Yanli
(School of Information and Communication Engineering，Harbin Engineering University，Harbin 150001，China)

This essay proposes a method of moving target detection based on omni-directional vision，which detects a moving target by using the three frame difference and the mixture Gaussian model.Not only can it overcome the weakness of the three frame difference model that it fails detect all information of the target，but also it can avoid the false phenomenon of two objectives emerging by the background subtraction method.The effect is much better when the background color is close to the target color.Experimental results show that the proposed method can detect moving objects accurately in real time.

target detection;omni-directional vision;frame difference;background subtraction;mathematical morphology

TP391.41

A

1007－7820(2012)06－006－04

2011-12-30

張忠民(1972—)，男，副教授。研究方向:現代數字通信系統，數字信號處理。李穎晶(1985—)，女，碩士研究生。研究方向:基于全景視覺的運動目標檢測跟蹤。賈艷麗(1986—)，女，碩士研究生。研究方向:視頻檢測與跟蹤。