一種改進的運動目標檢測算法研究與實現

摘要：運動目標檢測是計算機視覺領域的一個重要分支與基礎，在軍事、交通、工業以及生物醫學等領域具有廣泛的應用前景。但由于運動目標檢測問題本身的復雜性，運動目標的檢測與跟蹤面臨諸多挑戰。背景差分技術是常用的運動目標檢測方法，但對于動態場景的變化，如光照和外來無關事件的干擾等特別敏感。本文提出基于背景差分技術的一種有效的運動目標檢測方法，對于解決這些問題是非常有幫助的，首先利用混合高斯模型建立背景模型，再實時更新背景模型，以適應視頻本身和光線的變化，最后使用形態學方法消除噪聲和背景擾動帶來的影響。運動目標跟蹤方面使用區域跟蹤技術，并引入兩個參數實現跟蹤匹配，很好地處理了目標之間的相互遮擋問題。實驗結果表明，該方法是快速有效，能夠滿足實時的需要。

關鍵詞：視頻信息處理 混合高斯背景建模 目標跟蹤 檢測

1 概述

在視覺監控系統等應用領域中，其重要研究內容就是檢測與跟蹤運動目標。當下我們餓越來越多的需要進行視頻信息智能化處理，人們開始將主力以更多地集中在怎樣才能從視頻流中提取運動目標、并對目標進行實時跟蹤。在各種運動目標檢測方法中使用的最普遍的是背景差分方法，但是關于動態場景的變化，如光照和外來無關事件的干擾等特別敏感。本文主要是依據背景差分技術，找到了一個更好的運動目標檢測方法。在進行背景提取時，運用混合高斯模型方法建立背景模型，在對視頻中的運動目標進行檢測時，通過背景差分操作的方法來實現，實時更新背景模型，以適應光線的變化和場景本身的變化，通過形態學運算得到最終的檢測結果，最后運用連通區域面積限制目標大小的方法進行后處理，使由于噪聲和背景擾動產生的影響不再存在。當運動目標確定后，采用區域跟蹤技術對目標進行實時跟蹤，跟蹤技術中使用了兩個參數以避免運動目標之間的遮擋問題。實驗結果證明提出的檢測方法是高效的。

2 背景的提取和更新

2.1 混合高斯模型 在采集的視頻圖像中是包含彩色分量的，一些應用中則使用了協方差的方法來進行計算，這種方法計算量大但效果提升不高，不適合實時性的要求。因此，本算法中直接簡化了這一過程，將彩色圖像轉為灰度圖的方法來進行高斯混合建模。根據場景的復雜程度，高斯模型的數量k(3~7)，隨著k值的增加，其能表征的場景會變得更加復雜，會加大相應的計算量。

2.2 背景訓練 首先對一段幀數的視頻進行訓練，通過訓練幀中所得到模型計算出均值，方差和權重等各參數來從作為背景模型的參數。在訓練過程中，不必對每個高斯模型都進行確定，如果對于某一像素點來說，在訓練時間內其灰度值變化不大，即其一個到兩個高斯模型內就已經能包含圖像中90%以上的像素值，那么可直接將有較大的方差和較小的權值的參數賦予其他模型。本算法中將方差設為11，權值初始設置設為1。通過對背景的訓練，可以消除背景中的擾動因素，以避免將運動物體視為背景模型，訓練幀數越長，所得到的背景模型越精確，但一般訓練時間不超過50幀，否則會影響整系統的啟動時間。

2.3 模板匹配 得到了背景模型后，通過模板匹配來進行前景分割。在進行模板匹配前，首先要對混合高斯模型中的三個單高斯模型按照從大到小的方式進行排序，找出能與背景圖像匹配的那個高斯模型。因動態區域點的方差會比靜態區域的點要大，再加上由于運動物體的出現而使得模型更新后該單高斯模型的權值變小，所以隨著權值的增加，方差會越來越小，匹配度相應的變高。通過公式dist在進行匹配，其中dist為馬氏距離、fTb表示閥值，var為模板中的方差。

如果當前幀的像素值與所有的高斯分布模型都不匹配，則可以判斷該點為前景點，但找到匹配的高斯模型后，還不能就將其判斷為背景點。因為背景模型中還是可能包含一定的噪聲和干擾因素，并不是所有的高斯模型能完全代表背景。但由于噪聲等干擾因素不會在圖像中長時間停留在某一位置，其相對應的權值就應該很小。在對高斯模型排序的過程中，需設定一個權值閥值T。如果排序后所得到的第一個高斯模型的權值大于該閥值，則B 為1，否則，按順序累加各高斯模型的權值，只到其權值大于該閥值，并將該高斯模型序號賦給B。在上面進行匹配成功的模型中，如果該匹配模型號小于B 值為背景，否則為前景。

2.4 背景更新 由于場景中環境的不斷變化，通過訓練建立好的背景模型不可能適應新的背景的需要，因此，需要對背景進行實時更新，以保證前景提取的正確性。在背景模型更新過程中，引入了學習率alpha 這一概率。當學習率取值比較小，其適應環境變化的能力就低，需要給足夠的時間才能更新背景模型。相反，當alpha 取值較大時，其對場景的適應性較強，能很快的變化背景模型，但是對于一段時間內停留的場景中的目標，卻很容易學入背景中去。針對這種情況，算法對學習率進行調整，在圖像中的不同處設定不同的學習速率，以保證場景變化的需要。學習率的變化范圍應該在0~1之間。

對k個高斯模型進行更新，也就是對混合高斯模型中的三個參數，即權值，均值和方差進行調整。其權值的更新算法如下：

weight=（1-alpha）*weight+alpha*fCT+alpha*M

fCT為一參數，M為匹配度，對于匹配上的模型取值為1，否則取值為0。可見當像素點與高斯模型不匹配時，其權值會降低。對于匹配上的i 個高斯模型，需對均值和方差進行更新。未匹配的模型，其均值和方差都保持不變。如果對于當前點的像素值，其與所有的高斯分布模型都不匹配，則新建立一個高斯分布將混合高斯模型中排序最后一個的高斯模型替換掉，同樣該分布應選取較大的方差和較小的權值，而其均值則設為當前像素點的值。

3 形態學過濾

由于視頻本身不可避免的噪聲影響，導致檢測結果產生各種問題，可能會將背景圖像的區域像素點誤測成為運動區域的像素點，也可能會由于各種原因漏檢運動目標內的部分區域，以及背景圖像的分部區域由于樹枝、樹葉的輕微晃動而被誤判為運動目標的區域等等。要想不讓這些影響存在要做到：第一，通過運用形態學的腐蝕、膨脹方法處理上一步的檢測結果，第二，找出其經過形態學處理后的連通區域，計算每個連通區域的面積，如果區域面積不大于一定閥值，不將其看作是前景運動目標區域。運用形態學運根據具體的實際狀況最終確定連通區域內像素點個數的閾值。

4 運動物體的跟蹤

目標檢測結束之后，對運動目標進行跟蹤時，選擇的是區域跟蹤方法，而且可以在區域跟蹤算法中選擇兩個參數進行匹配。通過這種方法，即使有物體重疊和遮擋的現象，仍然能準確找出運動物體在圖像中的位置。不僅能夠對物體進行準確的跟蹤，而且還實現了實時性處理的要求。

具體跟蹤時要做到：①首先檢測出第一幀中的目標，通過計算找到被跟蹤目標在本幀中面積、質心的位置等，我們可以假設被跟蹤目標為M。②對下一幀中的目標進行檢測，通過計算得出各自面積，最終確定質心的位置。③計算出目標M與下一幀中各目標的質心間的距離Dis和面積差Dif。④更新被跟蹤對象的面積和質心位置的數據。再進行②中的操作，對后續幀進行跟蹤。

5 實驗結果及結論

本實驗采用.NET開發，下圖是實驗的結果，該算法快速檢測到運動的輪廓。

6 結論

本文提出了一種基于背景模型法的背景更新方法，以混合高斯模型和背景差分技術為基礎，結合形態學濾波、連通域算法等對運動目標進行檢測。實驗證明，基于背景差分的運動目標檢測算法能夠較好的檢測動態目標，證明了算法的可行性，使用價值明顯。

參考文獻：

[1]張笑微，周建雄.復雜場景中基于對象的運動目標檢測方法，光電工程，2010/11.

[2]陳瓊，魚濱.基于手部軌跡識別的ATM智能視頻監控系統，計算機工程，2012/11.