基于背景重構的運動對象越界偵測方法

洪 虹，李文耀

(武漢郵電科學研究院，湖北 武漢 430074)

運動對象越界偵測(例如安全禁區監控、車流量統計)是監控領域經常用到的功能，目前的運動對象統計方法主要有地感線圈檢測、視頻檢測、微波檢測、激光檢測等方法。地感線圈檢測方法因其成本低、精度高、性能穩定、抗干擾能力強等優點而得到廣泛應用，但其缺點是需要切割道路，不僅工程量大、影響道路、影響美觀，而且切割后的道路容易損壞。微波檢測和激光檢測因為成本高，主要用于流動執法等場合。視頻檢測克服了地感線圈檢測方法的缺點，使用方便，價格低廉，應用面越來越廣。

筆者提出了一種實用、有效的運動目標檢測方法，即基于背景重構的運動對象越界偵測方法。首先，該算法通過對一批視頻流圖像計算構造背景圖像，然后利用當前視頻圖像和背景視頻圖像，通過差分法獲取運動對象模型和背景差值，利用運動對象模型的連續性繪制運動對象軌跡，依據軌跡和警戒線交叉方程進行越界偵測。同時，利用背景差值融合背景視頻生成新的背景圖像，能有效保證識別算法的自適應性，提高偵測結果的準確性。

1 運動對象檢測

運動對象檢測就是從實時視頻圖像序列中抽取出感興趣運動對象。該技術是計算機視覺、模式識別、視頻圖像跟蹤等應用領域的重要研究內容［1－8］。運動目標檢測示例見圖1，圖中用紅色框(原圖片為彩色圖)標注的人和車輛便是感興趣的目標，比如汽車和行人。

圖1 運動目標檢測示例

在運動目標檢測過程中，經常會用到幀差分和背景差分兩種檢測算法。

1.1 幀差分法

幀差法是對連續兩幅視頻幀作差分減法，通過設定一個合理差分閾值來分割運動目標和背景［9－11］。幀差分法示例見圖2，最左邊為連續兩幅幀圖像得到，中間為幀差的結果，最右邊為最終分割結果。

幀差分法對于檢測復雜動態環境下的運動物體，具有較強的自適應性和很好的可靠性。但由于運動物體上相似像素的替換效應，幀差分不能完全地提取出運動物體所有相關的特征像素點，這樣在運動實體內部容易產生空洞現象。

圖2 幀差分法示例

1.2 背景差分法

背景差分法是用當前視頻幀與背景圖像進行差分，通過設定一個合理的差分閾值來分割運動目標和背景。如圖3所示，最左邊為兩幅幀圖像，左上一幅為背景圖，左下一幅為當前幀圖像，最右邊為最終分割結果。

圖3 背景差分法示例

背景差分法通過實時圖像和標準背景圖像的差分，判斷運動物體上移動像素，同時通過統計分析移動像素，可以判定運動目標的有效位置、大小、形狀等信息。

在實際采用背景差分法的過程中，經常會碰到以下困難:

1)背景圖像是背景差分法的基礎，但是在實際條件中，很難在場景沒有運動物體干擾的情況下獲取有效的背景圖像。

2)背面圖像中非固定元素的干擾，比如背景中的樹木、花草、彩帶等容易晃動的對象，易對算法判斷產生影響。

3)在監控過程中，外界光照、天氣等元素的變化也會對檢測結果造成影響。

4)如果背景中的固定對象被動或主動地產生移動，則可能造成移走的區域被一直誤判為運動目標。

2 運動對象跟蹤和背景更新

運動目標跟蹤是對于連續視頻圖像中存在的同一個運動目標進行跟蹤并記錄其運動的軌跡。

2.1 算法原理描述

這里提出了一種實用、有效的運動目標檢測與跟蹤方法，該算法綜合考慮了幀差分法和背景差分法的特點，通過重構背景的方法來準確定位運動目標。首先，通過學習一系列視頻幀圖像來構造背景圖像;然后，將當前視頻圖像與背景圖像進行差分處理，得到運動目標，將其加入運動目標隊列，并通過目標匹配算法跟蹤同一個目標;接著，將當前視頻圖像與背景圖像進行擬合，得到新的實時背景圖像。該算法系統框圖如圖4所示，圖中方框代表數據，橢圓框代表處理環節，虛線框包括的4個部分為系統主要處理模塊，處理流程為運動檢測→目標匹配→目標判斷→背景更新→運動檢測，如此反復處理連續視頻圖像。

圖4 算法系統框圖

2.2 運動區域檢測

幀間差分法能夠檢測出相鄰兩幀間發生了變化的區域，這個區域實際上包括運動目標在前一幀所覆蓋的區域(即顯露區)和運動目標現在所覆蓋的區域(在當前幀中就是運動目標本身)。檢測的規則如下

式中:diffFrame(i，j)為分割結果圖，是一個二值圖;f(i，j，t)表示t時刻幀圖像在坐標(i，j)處的灰度值，f(i，j，t+1)表示t+1時刻幀圖像在坐標(i，j)處的灰度值，threshold為閾值，算法中取10。

通過上述操作，得到一幅運動區域圖，即diffFrame(i，j)，其中 diffFrame(i，j)=1 表示為運動點，diffFrame(i，j)=0表示靜止點。由于運動區域圖中存在一些噪聲，如獨立的小塊、空洞等，因此還需要做必要的膨脹、腐蝕、開閉等濾波操作。運動區域檢測濾波效果如圖5所示，上側為運動目標分割圖，下側為經過濾波后的結果圖，從圖中可以看到，噪聲都被消除了。

圖5 運動區域檢測濾波效果圖

2.3 運動目標匹配

對于視頻流中檢測到的一個目標，將會出現在連續的視頻流中，這里需要對同一個目標進行跟蹤，這個問題也就轉換為同一個目標在連續視頻流中的圖像匹配問題。圖像匹配的思路很多，有模板匹配法、Adaboost方法和SIFT方法，這些方法的開銷很大，需要占用大量資源，有時難以做到實時處理。本文提出一種實用的方法，如果視頻采集設備的采樣率比較高，能達到在20 f/s以上，則同一個目標出現在前后連續視頻中必然會出現重疊部分，具體情況如圖6所示，該圖反映了一個目標在連續視頻流中出現的空間位置情況(如1，2，3)，黑色區域即為重疊區域。

圖6 運動區域重疊圖

從上圖中可以看出，只要保證足夠大的采樣率，即便再快速的運動目標也會出現重疊區域，對于慢速運動的目標更是如此，因此可以將圖像匹配問題進一步簡化為重疊區域的檢測問題。通過判斷相鄰幀運動區域重疊來跟蹤運動目標，識別其運動軌跡。

2.4 背景圖像更新

由于背景圖像受到來自自然光照、天氣的影響，為了得到一個相對穩定的背景，需要對背景圖像進行實時更新。在實際應用中，應該根據實際環境情況選取相應的背景更新規則，以獲得更好的性能。

背景更新原則一:對于背景圖像中一個特定像素點，根據2.2節的原理檢測該點在當前幀中是否位于運動區域，若該點為運動點，采用當前幀中該點的值替換背景圖像中對應位置處的像素值，若該點不是運動點，則該點在背景圖像中對應位置處的像素值不予更新。

背景更新原則二:對于背景圖像中一個特定像素點，根據2.2節的原理檢測該點在當前幀中是否位于運動區域，采用以下公式進行更新

式中:bg(i，j)為當前背景值，Frame(i，j)為當前幀值，α通常取0.7～0.9，需要根據實際情況作出選擇;若該點不是運動點，則該點在背景圖像中對應位置處的像素值不予更新。

3 越界偵測

越界偵測是對視頻區域設定的一條警戒線，當運動目標穿越了該線時，則判斷為越界。越界檢測思路為:利用前面所述的方法，可以檢測到視頻中的運動目標并跟蹤運動軌跡，此時計數問題可以歸結為判斷兩條線段的相交問題，若兩條線段相交，表示有運動目標越界，若兩條線段不相交，則表示無越界情況。越界偵測如圖7所示。

圖7 越界偵測

如圖7中，線段AB表示警戒線，虛線段S表示目標運動軌跡，S={S1，S2，…，Sn}，這里Sn表示軌跡點。若目標穿越警戒線，則線段AB與線段S1S2相交;若目標沒有穿越警戒線，則線段AB與線段S1S2不相交。設A坐標(Xa，Ya)，B 坐標 (Xb，Yb)，S1 坐標 (x1，y1)，S2 坐標(x2，y2)，則上述兩條線段可以用如下方程表示

利用式(3)和式(4)求解交點。

越界偵測統計如圖8所示(原圖為彩色圖)，圖中藍色線顯示了車輛跟蹤的軌跡圖，綠色數字為車輛編號，紅色的一條線為警戒線，當一輛車駛過該警戒線時，越界計數器加1，“flux:10”顯示了當前已有10輛車越界駛過。

圖8 越界偵測統計

4 小結

筆者提了一種基于背景重構的運動對象越界偵測技術，該方法簡單實用，且具有很好的自適應性和準確性，可廣泛應用于智能交通、安防等行業，如智能交通中的闖紅燈抓拍系統、公路車輛檢測與記錄系統、交通流量檢測系統、人流量統計計數系統、安防中的入侵檢測等。

［1］CHEN H T，LIU T L.Trust－region methods for real－time tracking［EB/OL］.［2011－09－20］.http://www.google.com.hk/url?sa=t＆rct=j＆q=CHEN+H%EF%BC%8CLIU+T.+Trust－Region+methods+for+real－time+tracking＆source=web＆cd=6＆ved=0CFsQFjAF＆url=http%3A%2F%2Fwww.iis.sinica.edu.tw%2F ～ liutyng%2FPublication_files%2Ficcv01.pdf＆ei=sRhXT － ThKNCTiQeNxbz-NDQ＆usg=AFQjCNHKNwfJAcFKwWCQl2exDz13ykhMjQ＆cad=rjt.

［2］WREN C，AZARBAYEJANI A，DARRELL T，et al.Real－time tracking of the human body［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，1997，19(7):780.

［3］TOYAMA K，KRUMM J，BRUMITT B，et al.Wallflower:principles and practice of background maintenance［C］//Proc.7th IEEE International Conference on Computer Vision，1999.Greece:［s.n.］，1999:255.

［4］FREER J A，BEGGS B J，FERNMDEZ－CANQUE H L，et al.Automatic intruder detection incorporating intelligent scene monitoring with video surveillance［C］//European Conference on Security and Detection.London:［s.n.］，1997:109－113.

［5］TAKANO T，USHITA K.Intruder detection system by image processing［C］//Proc.Conference on Security Technology，Institute of Electrical and Electronics Engineers 28th Annual 1994 International Carnahan.Albuquerque，NM，USA:［s.n.］，1994:31－33.

［6］HARITAOGLU I，HARWOOD D，DAVIS L S.W4S:A real－time system for detection and tracking people and their parts［C］//Proc.IEEE Computer Society Conference on Computer Vision and Pattern Recognition.［S.l.］:IEEE Press，1998:962－977.

［7］胡俊，蘇祥芳，劉立海，等.圖像序列運動檢測算法的研究及應用［J］.武漢大學學報:自然科學版，2000(10):613－616.

［8］艾海舟，樂秀宇.面向視覺監視實時跟蹤的動態背景更新方法［J］.計算機工程與應用，2001(19):104－106.

［9］范勇，游志勝，張建州，等.一種快速運動目標檢測與跟蹤算法［J］.光電工程，2000，27(6):30－33.

［10］劉亞，艾海舟，徐光佑.一種基于背景模型的運動目標檢測與跟蹤算法［J］.信息與控制，2002，31(4):315－319.

［11］蔡榮太，吳元昊，王明佳，等.視頻目標跟蹤算法綜述［J］.電視技術，2010，34(12):22－23.