視頻監(jiān)控系統(tǒng)中一種運(yùn)動目標(biāo)的檢測方法

孫 濤，陳瑞平

(煙臺大學(xué)，山東 煙臺 264005)

運(yùn)動目標(biāo)的檢測是指從序列圖像中將運(yùn)動目標(biāo)從背景圖像中分割出來。運(yùn)動目標(biāo)的檢測和跟蹤是計算機(jī)視覺研究的主要問題之一，它融合了自動控制、圖像處理、模式識別、計算機(jī)及人工智能等領(lǐng)域的先進(jìn)技術(shù)，在智能交通、視頻監(jiān)控、醫(yī)療診斷等方面都有廣泛的運(yùn)用［1］。常見的運(yùn)動目標(biāo)檢測方法主要有背景圖像差分法、幀間差分法、光流法和邊緣檢測。背景差分法是采用當(dāng)前圖像與背景圖像同位置的像素相減的方式進(jìn)行前景目標(biāo)檢測。它實現(xiàn)簡單，能完整地分割出運(yùn)動目標(biāo);缺點是容易受光照等外在環(huán)境條件的影響。幀間差分法是相鄰幀的圖像對應(yīng)像素點的灰度值相減，對差分圖像進(jìn)行二值化處理來確定運(yùn)動目標(biāo)。幀間差分法自適應(yīng)性強(qiáng)，穩(wěn)健性好，可適用于運(yùn)動場景，但一般不能完整的檢測出運(yùn)動目標(biāo)，容易產(chǎn)生空洞現(xiàn)象。光流法是對序列圖像的光流長分析，來檢測出運(yùn)動的目標(biāo)，但計算量大，實時性差，對硬件要求高。邊緣檢測法的原理是圖像的邊緣為圖像中灰度發(fā)生變化明顯的區(qū)域。邊緣檢測方法有利于鄰近運(yùn)動目標(biāo)的區(qū)分和運(yùn)動目標(biāo)特征的提取，穩(wěn)健性好，但運(yùn)算復(fù)雜度也相對較大［2－5］。

通過總結(jié)、分析各種運(yùn)動目標(biāo)檢測算法的優(yōu)缺點，本文提出了一種基于背景查分法和三幀差分法相結(jié)合的運(yùn)動目標(biāo)檢測算法，該算法能有效地分割出視頻中的運(yùn)動目標(biāo)。由于背景圖像的動態(tài)變化，如光照、天氣、影子等干擾因素，是運(yùn)動檢測成為一個相當(dāng)困難的工作。在此，只研究在背景靜止情況下的目標(biāo)檢測。

1 運(yùn)動目標(biāo)的檢測技術(shù)

運(yùn)動目標(biāo)的檢測過程包括運(yùn)動目標(biāo)檢測的預(yù)處理、運(yùn)動目標(biāo)的分割、運(yùn)動目標(biāo)的跟蹤。背景差分法的關(guān)鍵是背景圖像的提取。獲取背景圖像的簡單方法是在場景沒有運(yùn)動目標(biāo)的情況下進(jìn)行，但在大部分的場合是無法實現(xiàn)的。一個有效的背景的提取應(yīng)該解決幾種常見的現(xiàn)實中存在的問題:1)背景中存在運(yùn)動物體。初始化背景圖像時存在運(yùn)動的物體，容易把物體變成背景圖像的一部分。2)陰影問題。無論是白天還是夜晚都存在光照，物體就存在影子，影子的像素和背景的像素不同就被判為背景圖像的一部分。3)背景的變化。背景中的物體可能在一段時間后發(fā)生位置的變化，差分圖像就會出現(xiàn)錯誤［6］。

1.1 算法流程

算法流程圖如圖1所示。

1.2 圖像預(yù)處理

圖像預(yù)處理中最重要的問題就是噪聲的存在，去除噪聲是首要任務(wù)。消除噪聲可以增強(qiáng)圖像對比度，從而改善圖像質(zhì)量，提高圖像的對比度，以便于后期處理。攝像機(jī)拍攝的圖片可能因為一些外在原因被其他的隨機(jī)信號(即噪聲)污染，考慮到此噪聲的特性，可采用中值濾波法，中值濾波法對很多隨機(jī)噪聲都有良好的去噪能力。

圖1 算法流程圖

1.3 背景初始化

背景初始化常見的一種方法是在室內(nèi)、走廊等一些場景變化不大的地方，直接采用靜態(tài)的沒有運(yùn)動物體的背景圖像，將不同時間段的背景圖像儲存到數(shù)據(jù)庫中，然后根據(jù)時間提取相對應(yīng)的背景圖片。但前期數(shù)據(jù)采集麻煩，穩(wěn)健性也不好。另一種常見的方法就是對一段時間內(nèi)的視頻圖像用累加求平均值的方法獲得背景圖像。此方法雖然計算簡單，但是很容易把前景目標(biāo)混入到背景圖像中，使背景圖像模糊。還有一種較高級的方法是混合高斯模型法，對于緩慢變化的背景，可以用正態(tài)分布來表征像素灰度值的變化，每一種背景圖像的像素都可以通過多個高斯分布的加權(quán)和來描述。混合高斯模型法計算量大、實時性差、對硬件設(shè)備的要求高［6］。

最常見的方法為累加求平均值的方法，公式為

式中:F(x，y)為所求的背景圖像，F(xiàn)i(x，y)為第i幀圖像。這種方法有很大的缺點，當(dāng)初始化時圖像序列中存在運(yùn)動物體時，容易在背景圖像中產(chǎn)生模糊的影子，影響背景圖像的質(zhì)量。

改進(jìn)方法為:取一段視頻的圖像求平均值，然后用平均圖像的灰度值與每一幀圖像的灰度值相減所得絕對值，利用絕對值最小的對應(yīng)圖像的部分區(qū)域組成的圖像就是當(dāng)前的背景圖像。

求3幀圖像灰度值的平均值，公式為

每幀圖像的灰度值與平均值相減的絕對值，公式為

判斷其中的最小值，最小值對應(yīng)的圖像部分可以認(rèn)為背景圖像，公式為

式中:i≤3。

平均法與改進(jìn)法的比較如圖2所示。背景初始化時，視頻中存在運(yùn)動目標(biāo)的情況下，使用多幀圖像取平均值的效果很差，而改進(jìn)法就明顯得到改進(jìn)。平均法得到的背景圖片存在模糊的人影，而改進(jìn)法存在些物體邊緣上的點，這些噪聲可以通過中值濾波去除，通過直方圖均衡化，增加圖像的對比度。

圖2 平均法與改進(jìn)法的比較

1.4 背景圖像的更新

監(jiān)控視頻中的背景并不是一成不變的。最常見的影響背景變化的就是光照，隨著時間的推移、光照的強(qiáng)度和方向的改變，使陰影的灰度值和位置發(fā)生改變，例如白天到黑夜的變化，物體陰影的灰度值就會發(fā)生明顯的變化。其次就是背景區(qū)域內(nèi)的變化，例如停車場內(nèi)新停放的車輛，它們是長時間不移動的，可以視為背景物體，或者是停車場原來的車輛開走，背景圖像中原有的物體消失。如果背景圖像沒有實時更新，會影響運(yùn)動物體的檢測，把背景中的新增物體當(dāng)成運(yùn)動物體檢測出來，或者是在運(yùn)動實體內(nèi)部容易產(chǎn)生空洞現(xiàn)象，所以背景圖像需要更新［7］。

常用的背景圖像更新方法是:每隔一段時間提取新的背景圖像，新取的圖像可以是連續(xù)幀的視頻圖像的平均值，新取圖像與之前的背景圖像按照一定的比例綜合，就是新的背景圖像。此方法取得的背景還是受到運(yùn)動物體的影響，仍需改進(jìn)。數(shù)學(xué)表達(dá)式如下

F(x，y)=αFi+1(x，y)+(1 － α)Fi(x，y)，0 ＜ α ＜ 1 (6)式中:F(x，y)為最新的背景圖像，F(xiàn)i(x，y)為上次的背景圖像，F(xiàn)i+1(x，y)為當(dāng)前新取的背景圖像，F(xiàn)j(x，y)和Fj+1(x，y)為連續(xù)的幾幀圖像，α為權(quán)值，α的取值盡量取大一些，約為0.8～0.95，如果取值太小，背景更新效果不佳。

取幾幀圖像按照背景初始化時的改進(jìn)算法處理，然后與上次的背景圖像取綜合。計算量有所增加，但背景圖像的準(zhǔn)確度高，不宜受運(yùn)動物體及陰影等影響。取當(dāng)前幾幀連續(xù)的圖像，按照初始化的算法求的新的背景圖像Fi+1(x，y)

式中:F(x，y)為最新的背景圖像，F(xiàn)i(x，y)為上次的背景圖像，F(xiàn)i+1(x，y)為當(dāng)前新取的背景圖像，F(xiàn)j(x，y)和Fj+1(x，y)為連續(xù)的幾幀圖像，α為權(quán)值，表達(dá)式為

1.5 二值化圖像

在二值化的處理過程中，閾值的選擇是圖像二值化的關(guān)鍵。單一閾值對差分圖像進(jìn)行二值化操作存在很大的弊端。閾值過小，就得不到完整的運(yùn)動目標(biāo);閾值過大，就會出現(xiàn)太多噪聲。

單一閾值二值化圖像的獲取，其數(shù)學(xué)表達(dá)式為

式中:F(x，y)為背景圖像，F(xiàn)i(x，y)為當(dāng)前幀，Di為二值化后的差值圖像。

對單一閾值的改進(jìn)方法一般有2種:1)動態(tài)閾值法，根據(jù)不同的圖像確定不同的閾值，基本思想是不同時間段使用不同的閾值，使圖像進(jìn)行二值化處理以后，使得目標(biāo)與背景2個像素的類間方差取最大值時的閾值為最佳閾值;2)雙閾值法，取2個閾值，設(shè)雙閾值中的高閾值為YH，此時得到的差值圖像為圖YH，圖YH由于閾值過大，提取的運(yùn)動目標(biāo)不完整。雙閾值中的低閾值為YL，此時得到的差值圖像為圖YL，由于閾值過小，圖YL中不僅提取了運(yùn)動目標(biāo)，同時也包含大量的噪聲。圖YH和圖YL取與，可以得到較完整的運(yùn)動目標(biāo)，并很好地去除噪聲［8］。其數(shù)學(xué)表達(dá)式如下

式中:F(x，y)為背景圖像，F(xiàn)i(x，y)為當(dāng)前幀，Di(x，y)為大閾值二值化后的差值圖像，(x，y)為小閾值二值化后的差值圖像。

本文使用動態(tài)閾值法。動態(tài)閾值的取值隨時間變化的，當(dāng)光照變化、背景中的物體發(fā)生改變時，閾值也改變。基于改進(jìn)迭代的閾值計算方法，初始閾值選取為圖像灰度的中值F0，然后以F0為圖像的像素點分界點分成2個部分，計算出2個部分的平均灰度，分別為FA和FB，計算F1=，用F1代替F0，重復(fù)以上過程，如此迭代，直至FK收斂，即FK+1=FK。此時FK是基數(shù)，閾值是基數(shù)的0.3～0.6倍。

三幀差分法獲得的二值化圖像，將兩種方法獲得的運(yùn)動區(qū)域相或，便可以獲得比較完整的運(yùn)動區(qū)域。二值化圖像和運(yùn)動區(qū)域如圖3所示。

圖3 二值化圖像和運(yùn)動區(qū)域

1.6 二值化圖像的處理

二值化的圖像仍然存在一些小的噪聲干擾點，影響運(yùn)動目標(biāo)的檢測的質(zhì)量，因此還需對二值化圖像進(jìn)行后期處理。首先，對二值化圖像進(jìn)行中值濾波，消除小噪聲;然后，采用數(shù)學(xué)形態(tài)學(xué)圖像處理中的腐蝕、膨脹、開啟和閉合算法對二值化圖像處理，去除前景點等噪聲，從而得到相對完整的運(yùn)動目標(biāo)的輪廓。

2 小結(jié)

在視頻圖像中運(yùn)動目標(biāo)的檢測過程中，背景的選取和閾值是關(guān)鍵。本文提出的背景差分法和幀差分法相結(jié)合的算法，很好地解決了背景選取的問題，動態(tài)閾值法改善了固定單一閾值的弊端。本文提出的運(yùn)動目標(biāo)檢測與識別的原理存在一定的缺點，只能適用于固定攝像機(jī)，但此算法的實時性好、計算量小，完全滿足室內(nèi)和一些固定場合的監(jiān)控。

［1］劉桂喜，邵明禮，劉先紅，等.真實場景下視頻運(yùn)動目標(biāo)自動提取的方法［J］. 光學(xué)學(xué)報，2006，28(8):1150－1155.

［2］LI Gang，ZENG Ruili，LI Ling.Moving target detection in video monitoring system［C］//Proc.the 6th World Congress on Intelligent Control.Dalian，China:［s.n.］，2006:9778－9781.

［3］楊長生，李志舜.水下高速運(yùn)動目標(biāo)檢測及其DSP實現(xiàn)［J］.電聲技術(shù)，2004，28(7):30－36.

［4］楊冬冬，常丹華，韓夏.運(yùn)動目標(biāo)檢測與跟蹤算法的改進(jìn)與實現(xiàn)［J］.激光與紅外，2010，40(2):205－209.

［5］XIAO Benxian，LU Cheng，CHEN Hao，et al.Moving object detection and recognition based on the frame difference algorithm and moment invariant features［C］//Proc.the 27th Chinese Control Conference.Kunming，China:［s.n.］，2008:578－581.

［6］萬衛(wèi)兵，霍宏，趙宇明.智能視頻監(jiān)控中目標(biāo)檢測與識別［M］.上海:上海交通大學(xué)出版社，2009:43－49.

［7］胡彪，龔曉峰.基于改進(jìn)背景差法的運(yùn)動目標(biāo)檢測［J］.計算機(jī)工程與設(shè)計，2010，31(17):3841－3844.

［8］陳明潔.智能視頻監(jiān)控系統(tǒng)目標(biāo)檢測和跟蹤技術(shù)分析［J］.電視技術(shù)，2008，32(10):85－87.