物體融入背景情況下的目標(biāo)檢測方法

彭接力，劉 巖

(第二炮兵工程大學(xué)研究生二隊，陜西西安 710025)

運動目標(biāo)檢測與跟蹤技術(shù)是計算機視覺、人機交互等領(lǐng)域研究的重要內(nèi)容，有廣泛的應(yīng)用前景。目前常用的運動目標(biāo)檢測方法主要有3種:幀差法、光流法和背景差法［1］。靜止攝像機時下最流行的目標(biāo)檢測算法為背景差分［4－6］，該方法是利用當(dāng)前圖像與背景圖像的差分圖像來檢測運動目標(biāo)的一種方法。建立簡單、可靠的背景模型是背景差法提高運動目標(biāo)檢測與跟蹤可靠性的基礎(chǔ)，文中利用 Open CV進(jìn)行編程實現(xiàn)。

1 Open CV簡介

Open CV(Open Source Computer Vision Library)是Intel公司支持的開源計算機視覺庫。它高效簡潔，由一系列C函數(shù)和少量C++類構(gòu)成，主要用于對視頻圖像進(jìn)行一些高級處理，如人臉識別、運動跟蹤、圖像分割及人機互動等，Open CV的設(shè)計目標(biāo)是執(zhí)行速度盡量快，主要關(guān)注實時應(yīng)用，它可以在VC++環(huán)境下使用，調(diào)用方便、功能強大、大幅縮短相關(guān)程序的開發(fā)周期［3］。

2 基于背景差分法的運動目標(biāo)檢測

2.1 基于背景差分法建立的運動目標(biāo)檢測

運動目標(biāo)檢測流程如圖1所示。

圖1 背景差分法目標(biāo)檢測流程

2.2 背景圖像的獲取

文中背景初始化方法采用圖像平均法，就是從視頻中提取的一系列連續(xù)圖像，將圖像的對應(yīng)像素灰度值進(jìn)行累加，之后求平均值作為背景像素灰度值。經(jīng)過一段時間的圖像平均后，就可以消除運動目標(biāo)所造成的影響，得到比較準(zhǔn)確的背景。

2.3 前景圖像的獲取

假設(shè)環(huán)境光照不變，視頻圖像的背景也不變，在運動目標(biāo)可視情況下，包含運動目標(biāo)的當(dāng)前圖像與背景圖像之間必然在運動目標(biāo)區(qū)域存在較大的灰度差值，利用圖像減法就可得到差分灰度圖像。差分圖像包含了運動目標(biāo)信息，相對于背景圖像又稱為前景圖像。假設(shè)利用圖像平均法可得到當(dāng)前背景圖像Bfr+1(x，y)，假設(shè)當(dāng)前輸入圖像為Cfr(x，y)，前景圖像Dfr(x，y)可以表示為

由公式可知，前景圖像最后可歸結(jié)為當(dāng)前圖像幀中的運動對象和被它遮擋的背景差值。

2.4 ROI分割

ROI分割是將圖像中潛在的目標(biāo)區(qū)域分割出來，以便后面的目標(biāo)檢測操作。ROI分割步驟包括圖像二值化處理、數(shù)學(xué)形態(tài)學(xué)處理、標(biāo)記連通區(qū)域3個子步驟［8］。

(1)圖像二值化處理。采用直接灰度門限法［5］對前景圖像進(jìn)行二值化處理，通過設(shè)置合適的灰度閾值T，將前景圖像分割為兩個區(qū)域，即目標(biāo)區(qū)域與背景區(qū)域。實驗閾值T設(shè)為20

(2)數(shù)學(xué)形態(tài)學(xué)處理。由于上述處理后的前景圖像包含有較多噪聲，而噪聲多是亮度較高的像素或小區(qū)域，因此可采用數(shù)學(xué)形態(tài)學(xué)開運算對前景圖像進(jìn)行處理，消除前景圖像中的噪聲點及細(xì)小區(qū)域，平滑較大區(qū)域邊界。

(3)標(biāo)記連通區(qū)域。高亮區(qū)域檢測結(jié)果可能包含較多分離的連通區(qū)域，為完成對目標(biāo)的檢測需要對這些區(qū)域進(jìn)行標(biāo)記。需要進(jìn)行區(qū)域合并，如果兩個區(qū)域存在接合部分，則合并這兩個區(qū)域，采用這兩個區(qū)域最外面的坐標(biāo)為新區(qū)域的坐標(biāo)［8］。

2.5 背景更新

現(xiàn)實情況下，環(huán)境光照是不斷變化的，因此背景需要采用自適應(yīng)背景估計的方法。自適應(yīng)背景估計的顯著特征是背景隨時間更新，更新按照更新公式進(jìn)行，更新公式的作用在于只用當(dāng)前圖像和已知背景圖像來更新背景圖像。在OpenCV函數(shù)庫中有一個專門用于背景更新的函數(shù)［9］cvRunningAvg，其定義為

式中，Bfr(x，y)為當(dāng)前背景圖像;Bfr+1(x，y)為更新后的背景圖像;Cfr(x，y)為當(dāng)前的輸入圖像;α是背景更新速率。α越大背景更新越快，當(dāng)前輸入圖像對背景的影響越大。利用背景差分法檢測運動目標(biāo)時，若α取值較大，在更新的背景圖像中運動目標(biāo)后面會出現(xiàn)短而明顯的陰影，這對于后續(xù)處理有較大影響，導(dǎo)致低目標(biāo)檢測的精確度下降，目標(biāo)短暫停留造成漏檢等。反之，α取值較小時，這種陰影則長而淡，此時陰影的影響可以通過設(shè)置閾值來消除。一般來說，α取值不宜過大，實驗α取為0.01。

3 實驗結(jié)果分析與改進(jìn)

3.1 實驗結(jié)果

程序在VC 6.0環(huán)境下編程實現(xiàn)，程序中調(diào)用了OpenCV 1.0庫函數(shù)，硬件運行環(huán)境為Intel i3處理器，2.13 GHz、2 GB內(nèi)存，視頻為靜止攝像機拍攝到的avi文件，大小為240×320，25幀/s，視頻中有一輛汽車沿公路行駛。檢測系統(tǒng)對此視頻中的運動目標(biāo)進(jìn)行檢測，實驗結(jié)果以3個視頻的形式輸出，這3個視頻分別為背景，如圖2所示，前景如圖3所示，以及運動目標(biāo)檢測視頻如圖4所示，實驗結(jié)果可以看到檢測結(jié)果較好。

由于背景的更新速率較小，當(dāng)視頻中原來運動的物體由運動變?yōu)殪o止?fàn)顟B(tài)時，背景模型不能得到迅速的更新，此時仍舊利用背景差法對運動目標(biāo)進(jìn)行檢測，會檢測出不存在運動的“目標(biāo)”，出現(xiàn)目標(biāo)的虛檢。針對以上問題提出以下改進(jìn)方法。

3.2 目標(biāo)檢測方法的改進(jìn)

當(dāng)運動目標(biāo)由運動變?yōu)殪o止?fàn)顟B(tài)，將會成為背景的一部分，由于傳統(tǒng)的背景更新方法中，當(dāng)前幀圖像的權(quán)值較小，變?yōu)楸尘暗哪繕?biāo)不能被快速更新，得到的前景圖像中就會出現(xiàn)虛檢的目標(biāo)。分析上述問題，當(dāng)運動目標(biāo)由運動變?yōu)殪o止?fàn)顟B(tài)，成為背景的一部分時。幀差法是使用前后相鄰的兩幀圖像做差，如果目標(biāo)由運動變?yōu)殪o止成為背景的一部分，此時使用幀差法得到的前景圖像中，將檢測不到該目標(biāo)。同時通過背景差方法得到的前景圖像中，仍能“檢測”到該目標(biāo)，此時被檢測出的目標(biāo)區(qū)域，有些已經(jīng)成為了背景的一部分，不是真實的運動目標(biāo)。流程如圖5所示。

圖5 本文流程圖

圖6和圖7是視頻中抓取的兩幀圖像，圖8是背景差法得到的圖像，圖9是幀差法得到的圖像。幀差法得到的圖像含有運動目標(biāo)和運動目標(biāo)的“鬼影”，背景差法得到的圖像中含有運動目標(biāo)以及有運動變?yōu)殪o止成為背景一部分的“運動目標(biāo)”。兩張圖像的公共部分是運動目標(biāo)，可以對兩張圖像進(jìn)行邏輯與運算得到新前景圖像，新前景圖像中的前景物體，即是檢測到的運動目標(biāo)。圖10是文中方法的檢測結(jié)果。

圖6 視頻幀1

本視頻來自交叉路口的監(jiān)控視頻，前面路口的紅燈亮?xí)r，車輛陸續(xù)停止，位于左側(cè)車道的白色轎車是惟一的運動目標(biāo)，其他車輛運動狀態(tài)都變?yōu)殪o止，從而成為背景的一部分，利用文中方法，能夠較好地檢測到白色轎車。

4 結(jié)束語

系統(tǒng)闡述了基于背景差分法檢測運動目標(biāo)的方法步驟，利用OpenCV加以實現(xiàn)，從實驗結(jié)果看，3個視頻輸出畫面自然流暢，檢測的準(zhǔn)確率也很高。對實驗結(jié)果進(jìn)行了分析，提出了改進(jìn)，經(jīng)實驗驗證，改進(jìn)效果較好。系統(tǒng)適合對靜止的攝像機拍攝的視頻圖像進(jìn)行運動目標(biāo)檢測，只對運動目標(biāo)由運動變?yōu)殪o止的情況提出了背景更新的方法運動目標(biāo)檢測方法，沒有討論目標(biāo)由長時間靜止再次變?yōu)檫\動的情況運動目標(biāo)的檢測方法，需要在后續(xù)工作中進(jìn)一步地研究。

［1］譚歆，武岳.基于OpenCV的運動目標(biāo)檢測方法研究與應(yīng)用［J］.電視技術(shù)，2010，34(S1):184 －187，193.

［2］劉勃.交通流量的視頻檢測方法研究［D］.合肥:中國科學(xué)技術(shù)大學(xué)，2005.

［3］劉瑞禎，于仕琪.OpenCV教程:基礎(chǔ)篇［M］.北京:北京航空航天大學(xué)出版社，2007.

［4］TSAIDM，LAIS C.Independent component analysis－ based background subtraction for indoor surveillance［J］.IEEE Trans on Image Processing，2009，18(1):158 －167.

［5］AVIDAN S.Ensemble tracking［J］.IEEE Trans on Pattern Analysis and Machine Intelligence，2007，29(2):261 －271.

［6］WANG Yang.Real－ time moving vehicle detection with cast shadow removal in video based on conditional random field［J］.IEEE Trans on Circuits and Systems for Video Technology，2009，19(3):437 －441.

［7］STAUFFER C G.Learning patterns of activity using realtime tracking［J］.IEEE Trans on Pattern Analysis and Machine Intelligence，2000，22(8):747 －757.

［8］梁英宏.紅外視頻圖像中的人體目標(biāo)檢測方法［J］.紅外與激光工程，2009，38(5):931 －935.

［9］HOOSEN.MPACT:an image analysis tool for motor way analysis and surveillance ［J］.Traffic Engineering Control Journal，1992，23(4):140－147.