背景提取算法在雷達視頻圖像中的應用＊

熊 偉 孫宇宸 劉 奇

（1.海軍航空工程學電子信息工程系 煙臺 264001）（2.海裝軍械裝備部彈藥武器處 北京 100038）

1 引言

背景提取算法是通過處理連續圖像，將其中的運動物體剔除，從而獲得只含有靜止物體（如：房屋、靜止的汽車等）的圖像的一系列圖像處理方法，這些算法可以將視頻圖像中靜止的或者是遵循一定規律運動的物體提取出來。近年來，背景提取算法已經成為來國內外諸多學者研究的重點課題。背景提取算法的應用非常廣泛，最典型的是交通道路視頻檢測［1～5］。通過對交通道路進行背景提取，可以有效地檢測出某一路段的車流量等信息，從而為交通部門進行車流疏導提供參考依據。背景提取算法應用在雷達視頻圖像中可以將雷達視頻圖像中的固定目標、島嶼等識別并且提取出來，從而更快捷、清晰地捕捉雷達圖像中的動目標信息，提高對雷達視頻圖像中運動目標的跟蹤性能。

國內外專家學者已經針對背景提取提出了諸多方法［6］。常見的背景提取算法有：多幀平均法［7～8］、統計中值圖法［9～12］、混合高斯模型法等［13～19］。本文將這幾種典型的背景提取算法應用在雷達視頻圖像中并進行仿真分析，通過比較，找出現有的背景提取算法在雷達視頻圖像背景提取中的優缺點，為進一步的算法研究打下較好的基礎。

2 背景提取算法

2.1 多幀平均法

多幀平均法是利用圖像中每個像素的灰度信息（灰度即亮度）進行背景提取的方法。在雷達圖像中，由于各種景物的雷達反射回波的強弱不同，圖像中呈現出亮度不同的區域。由于圖像中的雜波具有多樣性，其灰度值出現大于、小于或者與背景的灰度值相當的情況。從統計學的角度看，在一段時間內，由于雜波變化引起的圖像灰度值的改變可以通過求平均值加以消除。因此，我們可以將多幀平均法用在雷達視頻圖像的背景提取中。

多幀平均法的原理是用累加平均法將雷達視頻圖像中的噪聲消除。由于雷達視頻圖像的大部分噪聲是隨機的，不同幀之間的噪聲明顯不同，通過多幀平均，可以將噪聲消除，從而提取雷達視頻圖像中的背景。多幀平均法可以用如下公式表示：

式（1）中，Background（x，y）表示背景圖像；N 表示總的幀數；imagei（x，y）表示第i幀圖像。

多幀平均法具有模型簡單、計算方便等優點。但是，當圖像中某一點的灰度值大范圍波動時，會造成提取的背景圖像中呈現亮暗分布不均勻的情況，隨著幀數的增多，這種情況會有所改善。在處理雷達視頻圖像時，由于圖像中的運動物體速度較慢，該方法不能準確捕捉運動物體，會將慢速運動的艦船誤識別為背景。

2.2 統計中值法

統計中值法是基于排序理論的背景提取方法，這種方法的特點是可以有效地抑制噪聲中非線性信號。在光學視頻圖像的背景提取中，這種算法的優點在于可以克服線性濾波帶來的模糊影響，很好地保持圖像的邊緣特性。由于雷達視頻圖像中的隨機噪聲大部分都不是線性信號，所以，該算法對雷達視頻圖像中的隨機噪聲有很好的識別效果。

統計中值法的思想和數字圖像處理中的中值濾波的思想相似，就是把圖像中某個像素點的值用其領域中各個像素點的中值代替。描述為：將序列x1，x2，…，xn中的數據按照從小到大的順序排列，組成新的序列xi1，xi2，…，xin，中值y可以表示為

統計中值法進行雷達圖像處理的時候，有效地減輕了算法的復雜程度，較好地保護了邊緣信息，但是這種算法無法為圖像序列的變化給出嚴格的統計解釋，同時，在處理背景差值的時候無法對偏差做出估計。

2.3 混合高斯模型法

混合高斯建模是從單高斯建模發展而來的。單高斯模型的核心思想是假設每個像素點的亮度值服從高斯分布N（μ，σ2），噪聲認為是白噪聲。混合高斯模型將每個像素的亮度值用K個高斯分布來建模，同時對這K個高斯分布設定優先級，按照優先級從高到低的順序排列，設置適當的背景權值和閾值，只有符合閾值的分布被認為是背景，否則認為是前景。在處理雷達視頻圖像的時候，可以利用該模型較高的自適應能力，對圖像中不斷變化的隨機噪聲進行剔除，同時，對于圖像中運動較快的目標，該方法也有較好的辨別能力。

對高斯模型的描述較為復雜，詳細描述見文獻［16］、文獻［17］。混合高斯模型背景提取算法是一個能處理多模情況而且自適應的背景提取算法。在光學視頻圖像背景提取時，這種算法提取的背景精確度較高，可以有效地識別運動物體和靜止的背景。

混合高斯模型法是幾種常用方法中背景提取效果最好的一種方法，這種方法基本不會受到光照強弱、雜波數量和種類等因素的影響。現有文獻對混合高斯模型提出了很多改進，并且取得了一定的效果，比如文獻［19］，我們下一步的研究主要是針對高斯模型進行改進，將其更好的用在雷達圖像的背景提取中。

3 仿真

3.1 仿真環境

本文利用裝有Opencv（計算機視覺庫）的 Microsoft Visual Studio 2008軟件對第二章提到的各種算法進行仿真。選取的兩幅雷達圖像分別為晴朗天氣和陰雨天氣采集的民用導航雷達（JRC）視頻圖像。

3.2 仿真結果與分析

圖1為本次選取的雷達視頻圖像中某一幀的雷達原始圖像，其中圖1（a）為晴朗天氣原始雷達圖像，圖1（b）為陰雨天氣原始雷達圖像。圖1中標明的區域一為雷達原始圖像中的陸地區域，區域二為由于遮擋物導致的雷達信號盲區，區域三為雷達圖像中的海洋區域，為了使觀察方便，該三塊區域在其他各個圖像中不再標出。圖1（a）中標明的目標一、目標二均為包含多個目標的群目標，為了方便觀察，在下面的圖像中不再分別標出，如果下文提及，則為相對應的目標（圖1（b）同）；圖1（b）中表明目標一、目標二、目標三，其中，目標一為單目標，目標二、目標三均為群目標。

圖1 原始雷達圖像

圖2 多幀平均法獲取的背景圖像

圖3 統計中值法獲取的背景圖像

圖4 混合高斯模型法獲取的背景圖像

分別對比圖1、圖2中相對應的圖像（即對比圖2（a）和圖1（a），圖2（b）和圖1（b），下同）圖2整體亮度變暗。圖2中區域一相對應的區域除變暗外，其邊界有模糊的跡象，這是由于雷達采集數據的時候，由于雷達的抖動造成的相鄰幀圖像中的陸地不能完全重合；圖2中區域二中的雷達回波較強的噪聲點明顯變暗或者減少，這是由于這些噪聲的隨機性，使得多幀平均后被消除；圖1（a）目標二和圖1（b）目標三中的艦船在圖2中均有明顯被拉長的跡象，這是由于這些船運動速度較慢，多幀平均法無法將其消除。

對比圖3和圖1中相對應圖像，圖3整體變得模糊，但是仍舊保持了較好的輪廓信息。其中，區域一的陸地輪廓表現的較為清晰，圖3中各個目標的艦船均出現模糊的趨向，這是由于運動的艦船的形狀趨向于線條狀，而統計中值法由于對邊緣信息比較敏感，統計背景時會將這種近似于線條狀的物體模糊化。

對比圖4和圖1中相對應圖像，圖4的清晰度明顯高于圖1。其中區域一的陸地區域的輪廓顯示效果明顯高于圖1中的陸地輪廓，并且陸地中各種景物的回波更加清晰，基本沒有模糊現象；區域二中的雜波數量大幅度減少，沒有很明顯的強噪聲點。圖1（a）中目標一和圖1（b）中目標一、二中的目標被拉長并且模糊化，顯示出了運動軌跡，通過這樣的現象，我們可以判斷，這兩塊區域中包含的目標在不斷的運動，因此，可以將這些目標認定為運動目標。

通過對三種典型背景提取算法進行仿真分析，可以發現：背景提取算法應用在雷達視頻圖像的背景提取中既有其優點，也有其不足之處。優點在于由于雷達視頻圖像中不存在光照強度的變化對圖像的影響，因此，這些算法應用在光學視頻圖像中時干擾較大的光照因素可以不予考慮；缺點在于由于雷達視頻圖像中大部分的目標運動比較緩慢，或者是在有限幀的范圍內無法發生明顯的位移，導致了在視頻背景提取時會將這些目標誤判為背景，使得背景提取不準確。總之，三種算法都能較好地排除雷達視頻圖像中的隨機噪聲，但是對運動不明顯的目標敏感性較差。

4 結語

本文將三種最基本的背景提取算法應用在雷達視頻圖像的背景提取中，這三種算法分別從多幀平均、統計角度和高斯混合模型法的方向上體現了典型的視頻背景提取算法的幾種思路。鑒于篇幅原因，沒有將其他典型算法，如：統計直方圖法等一一列出，但是，通過本文的研究，我們足以發現視頻背景提取算法應用在雷達視頻圖像的提取中具有一定的可行性，也具有較大的實用價值。

在今后的研究中，我們要以本文的仿真結果為基礎，在分析現有背景提取算法在雷達視頻背景提取中展現出來的優缺點的基礎上，對現有算法進行改進，并且通過仿真實驗不斷發現問題、解決問題。雷達視頻圖像的背景提取是一個比較有研究價值的方向，如果能夠找出好的方案精確地提取圖像中的背景，將能夠更加高效地實現對運動目標的跟蹤。

［1］韓亞偉.視頻交通流背景提取與運動目標跟蹤檢測技術研究［D］.西安：長安大學，2009：10－34.

［2］GLOYER B，AGHAJAN H K，SIU K Y，et al.Vehicle detection and tracking for freeway traffic monitoring［C］／／Conference Record of the Twenty－Eighth Asilomar Conference on Signals，Systems and Computers，1994：970－974.

［3］GUPTE S，MASOUD O，Martin R F K，et al.Detection and classification of vehicles［J］.IEEE Transaction on Intelligent Transportation Systems，2002，3（1）：37－47.

［4］趙有婷，李煦瑩，羅東華.基于視頻車輛軌跡模型的交通事件自動檢測方法研究［J］.中山大學學報，2011，50（4）：56－60.

［5］但妮.視頻序列中運動目標提取與檢測算法研究［D］.南京：南京郵電大學，2009：32－47.

［6］PACCARDI M.Background subtraction techniques：a review［C］／／2004IEEE International Conference on Systems，Man ＆Cybemetics，2004：3099－3104.

［7］樊曉亮，楊晉吉.基于幀間差分的背景提取與更新算法［J］.計算機工程，2011，37（22）：159－161.

［8］劉欣頁，李文舉，高連軍，等.一種有效的道路背景提取與更新算法［J］.微型機與應用，2012，31（7）：46－48.

［9］LO B.P.L，VELASTIN S.A.Automatic congestion detection system for underground platforms［C］／／2001International Symposium on Intelligent Multimedia，Video and Speech Processing，2001：158－161.

［10］CUCCHIARA C，CRANA C，PICCARDI M，et al.Detecting moving objects，ghosts，and shadows in video streams［J］.IEEE Transaction on Pattern Analysis and Machine Intelligence，2003，25（10）：1337－1442.

［11］蘇禮坤，陳懷新.中值濾波的視頻背景更新［J］.光電工程，2010，34（1）：37－41.

［12］KOLLER D，WEBER J，HUANG T，et al.Towards robust automatic traffic scene analysis in real－time［C］／／12th IAPR International Conference on Patten Recognition.Jerusalem，1994：126－131.

［13］Stauffer C，Grimson W E L.Adaptive background mixture models for real－time tracking［C］／／Proceedings of IEEE Computer Society Conference on Computer Vision and Pattern Recognition.Fort Collins，Colorado，USA，1999：246－252.

［14］Elgammal A，Duraiswami R.Harwood D，et al.Background and foreground modeling using nonparametric kernel density estimation for visual surveillance［C］／／Proceedings of IEEE.New York，USA，2002：1154－1163.

［15］Heikkila M，Pietikainen M.A texture－based method for modeling the background and detecting moving objects［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，2006，28（4）：657－662.

［16］李明之，馬志強，單勇，等.復雜條件下高斯混合模型的自適應［J］.計算機應用，2011，31（7）：115－118.

［17］朱齊丹，李科，張智，等.改進的混合高斯自適應背景模型［J］.哈爾濱工程大學學報，2010，31（10）：1347－1352.

［18］王永忠，梁彥，潘泉，等.基于自適應混合高斯模型的時空背景建模［J］.自動化學報，2009，35（4）：371－377.

［19］張燕平，白云球，趙勇，等.應用改進混合高斯模型的運目標檢測［J］.計算機工程與應用，2010，46（34）：155－158.