一種基于DWT 通道分離和函數提取的運動目標檢測新方法

張秋艷，何明一，畢凱凱

（西北工業大學 電子信息學院，陜西 西安710072）

近來,智能視頻監控[1]成為人們關注的熱點之一，它涉及圖像處理、模式識別、計算機視覺等諸多技術。而運動目標檢測[2]作為智能視頻監控中的重要環節也得到學者的持續研究。

智能視頻監控中的運動目標檢測主要分為3類[3]：光流法、幀間差分法和背景差分法。光流法檢測效果較好，但計算耗時難以滿足視頻監控實時性的要求，且收斂速度依賴于場景、運動形態和噪聲。幀間差分法不易受光線變化影響，檢測穩定有效，但易出現虛假和空洞目標。背景差分法適合于攝像機靜止的情形，需要建立準確的背景模型，優點是檢測速度快，但真實場景復雜多變，建立的背景難以自適應的更新。

利用DWT(Discrete Wavelet Transform,離散小波變換)顯著降低圖像噪聲[4]和分層次提取圖像信息以及YCbCr空間具有把顏色亮度和色調分量分離的優勢[5]，本文在圖像小波變換后分別在YCbCr三通道檢測目標，再和函數提取法檢測[6]的結果融合，實現運動目標檢測。

1 原理與方法

本文的運動目標檢測方法主要包括視頻序列的預處理、背景建立、差值決策、通道分離結果的融合和圖像后處理以及DWT通道分離結果和函數提取法結果的融合，其中圖像預處理和通道分離為本算法的重點。算法流程圖如1所示。

圖1 本文算法流程圖Fig.1 Frame chart of moving target detection

其檢測步驟是：

1)對視頻幀進行去噪處理包括直方圖均衡和中值濾波；

2)對視頻幀進行2級小波變換，提取2層主分量LL2[k]；

3)對每幀均進行RGB到YCbCr色彩空間轉換，并用自適應更新的均值法[7]建立背景；

4)采用背景幀差法求取每通道的差值圖像，對差值圖像Otsu[8]二值化即三通道運動目標的初始輪廓。

5)采用投票決策法對每幀相應的像素點進行3選1，融合得到通道分離的最終目標輪廓。

6)DWT通道分離結果和函數提取法結果融合，得到本文最終的檢測目標結果。

1.1 圖像預處理

隨著計算機網絡的發展，傳輸彩色高清圖像和視頻的需求日益突出。彩色圖像比黑白圖像包含了更多視覺信息，如色調，飽和度，同時大大增加了網絡傳輸的壓力。本文在預處理中采用DWT和通道分離法，利用YCbCr空間優勢，減少數據冗余，降低計算和存儲成本。

1.1.1 小波變換

小波分析的應用和成熟的小波理論緊密聯系在一起的，它是泛函數、傅里葉分析、調和分析和數值分析的完美結晶。小波變換是時域和頻域的局部變換，具有多分辨率分析(Multi-resolution Analysis)的特點。由于小波變換子帶的某一位置和其相應的不同頻率的子帶具有相似的空間信息，使其在圖像處理領域得到廣泛的應用，如圖像壓縮，去噪。

如圖2所示，二維DWT能夠把一幅圖像分解為4個不同子帶圖像，即LL1、LH1、HL1以及HH1，不同子帶圖像反映了圖像不同頻率的信息。二維DWT的二級分解如圖3所示，一級分解的低頻部分(LL1)被再次分解成LL2、LH2、HL2以及HH2，二級低頻部分LL2包含了圖像的基本信息。類似地，LL2還可進行三級分解。本文利用二級小波變換減少計算量和降低噪聲，并采用二級主分量(LL2)進一步建立背景，檢測目標。

圖2 二維DWT分解結構Fig.2 The structure of a forward 2-D DWT

圖3 2級DWT子帶Fig.3 Sub-band of DWT

1.1.2 顏色模型

顏色模型是用來精確度量和生成其它各種顏色的一套規則和定義。顏色模型通常用多維坐標系統來表示空間中的單個像素點，整個空間可以表示顏色域的所有色彩，以此來方便的指定需要的顏色。顏色模型主要有 RGB、HSI、YCbCr、CMY等。通常，顏色模型可以劃分為兩大類，面向彩色圖形顯示設備的如RGB模型；和人的直觀色彩感知相一致的如HIS、YCbCr模型，本文采用YCbCr顏色模型。

1)RGB顏色模型

RGB模型是電子顯示領域的標準顏色，用R（紅）、G（綠）、B（藍）三種顏色的值來表示顏色分量，三原色相加實現顏色的合成，即混色。RGB顏色模型對應的三維坐標系統如圖4所示的顏色立方體，所有的色彩均已歸一化到[0,1]范圍內。黑色坐標為[0,0,0],白色坐標為[1,1,1]。

圖4 RGB顏色模型的坐標系統Fig.4 The coordinate system of RGB color model

2)YCbCr顏色模型

YCbCr顏色模型具有與人類視覺感知相類似的構成原理，是YUV壓縮和偏移的一種相對顏色空間，能夠將圖像的亮度信息分離出來，是JPEG、MPEG、攝像機和數字電視普遍采用的顏色格式，和RGB空間相比，YCbCr更符合人眼視覺特性，三通道關聯性小，表示形式相比HIS簡單。硬件支持的RGB空間到YCbCr 空間的轉換為線性變換如下：

1.2 DWT通道分離法檢測

對視頻序列中第幀進行2級DWT，然后對其2級主分量包含信息的圖像進行RGB到YCbCr空間轉換，得到三通道圖像，并分別與背景幀相減如公式(2)所示。

1.3 DWT通道分離法和函數提取法結果的融合

通道分離法像素級融合后得到的初始輪廓存在噪聲和不完整的邊緣，通過圖像數學形態學的恢復和噪聲消除等圖像后處理，能得到較完整的目標輪廓。但是有時行人運動的不規則性，導致整體錄像不清晰，提高快門速度，減少曝光，使得視頻序列灰度降低。提取函數法能夠在灰度值較低的場景中取得滿意的目標檢測效果。為了進一步提升目標檢測的精度，我們進一步結合提取函數法和通道分離法的像素級融合來獲取精確的目標。

圖5 DWT通道分離法流程圖Fig.5 Flow chart of DWT channel separation

設坐標為(i,j)的待檢測圖像幀為f(i,j)，當前背景灰度為b(i,j)，其取值范圍均為[0,255]。則坐標點(i,j)的提取函數計算方法為公式(3)。

由定義可知其取值范圍為[0 1]。對提取函數二值化,如公式(4)所示。

式中，t1為設定的閾值。由t(i,j)的變化趨勢，t1=0.03分割目標錯誤率最小。當背景灰度和當前幀灰度相同時，t(i,j)為0。當f(i,j)和b(i,j)差值增大時，t(i,j)隨之增大，即檢測為運動目標。當b(i,j)=5時，t(i,j)變化較快，可知在低灰度區間，該方法也能很好的區分背景和前景，從而忽略中高灰度區間的變化。提取函數法可以依據灰度背景自適應的調整圖像灰度的差值，精確地提取低灰度的目標，彌補了幀差法的不足。進一步分析表明，提取函數法能夠根據圖像的灰度狀況自適應的提取運動目標，以此來解決低灰度區漏檢的現象。

通道分離法充分利用了圖像的三通道信息提取物體的輪廓，提取函數法在低灰度區間具有良好的檢測特性。通過實驗驗證，DWT通道檢測的結果和提取函數法檢測的結果具有互補的特點，本文采用二者像素級的融合，即二者結果的對應像素點只要有一個為1，則該點判定為1，否為判定為0，可獲取較好的目標輪廓。對視頻流中的第k幀圖像，其融合規則為式(5)。

其中Dk(i,j)為第k幀DWT通道分離法的檢測結果，Tk(i,j)為第k幀提取函數法檢測的結果，Ok(i，j)為融合后的結果。

2 實驗結果與分析

本文實驗環境為Intel(R)Core(TM)i5-2400 CPU，主頻為3.10 GHz，實驗軟件為Matlab 2010a。實驗視頻為實驗室利用三角架固定相機拍攝的西北工業大學校園，視頻格式為.avi，分辨率為 720*576，時長 13 s，幀率 25 fps。 圖 6、圖 7和圖 8為實驗結果圖。

圖6 DWT通道分離檢測法Fig.6 Detection of DWT channel separation

圖7 提取函數檢測圖Fig.7 Detection of extraction function

圖8 通道分離法和提取函數法融合效果圖Fig.8 Fusion effect of channel separation and extraction function

由圖6可知，三通道分離法能夠較好的檢測到運動目標，同時抑制小的背景干擾，如背景中運動的小狗和通過的汽車，二值圖像經過處理包括圖像恢復，行列的掃描填充和形態學濾波后，輪廓較清晰。函數提取法在低的對比度下能夠取得較好的檢測結果，和三通道提取法像素級融合后的目標如圖8所示。本文提出的方法能夠快速準確的檢測出運動目標，受噪聲影響較小。

為了定量分析本文算法的時間復雜度，與在預處理中沒有利用DWT的原始檢測方法做了對比。兩種方法的每幀檢測所需時間如表1所示。

表1 本文算法與沒有利用DWT的原始檢測算法計算時間對比Tab.1 Computing time comparison of proposed algorithm with the original algorithm

由表1知，本文的算法計算量較少，速度較快，檢測精確度較高，基本能滿足智能視頻監控中目標檢測的要求。

3 結束語

本文提出將DWT算法應用到智能視頻監控的目標檢測算法中，使得圖像高頻噪聲得到消除，同時大大的減少了計算量，二層主分量包含有圖像的主要信息，對以后的目標檢測提供足夠的信息。同時充分利用YCbCr的亮度和色差信息，采用背景差分法較好的檢測目標輪廓。結合提取函數法低對比度下的檢測特性，使通道檢測結果和提取函數法檢測的效果圖像素級融合，融合圖像較好的顯示目標輪廓。由實驗結果得知，該方法計算量較少、速度較快，檢測的目標輪廓較完整。

[1] Held C, Krumm J, Markel P, et al. Intelligent videosurveillance[J].Computer,2012,45(3):83-84.

[2]Corbetta M,Kincade J M,Ollinger J M,et al.Voluntary orienting is dissociated from target detection in human posterior parietal cortex[J].Nature Neuroscience,2000,3(3):292-297.

[3]湯寧,何明一.視頻監視中運動物體檢測的一種新算法[J].電子測量技術,2007，30(10):45-48.TANG Ning,HE Ming-yi.New algorithm of moving objects detection for video surveillan [J].Electronic Measurement Technology，2007，30(10):45-48.

[4]Youssef S M,Hamza M A,Fayed A F.Detection and tracking of multiple moving objects with occlusion in smart video surveillance systems[C]//.5th IEEE International Conference on Intelligent Systems,2010:120-125.

[5]Shajeena J,Ramar K.A novel way of tracking moving objects in video scenes[C]//.Proc.of 2011 International Conference on Emerging Trends in Electrical and Computer Technology(ICETECT).IEEE,2011:805-810.

[6]劉曉東,蘇光大,周全,等.一種可視化智能戶外監控系統[J].中國圖像圖形學報,2000,5(12)：1024-1029.LIU Xiao-dong,SU Guang-da,ZHOU Quan,et al.A visual intelligent outdoor surveillance system[J].Chinese Journal of Image and Graphics.2000,5(12)：1024-1029.

[7]楊茂清.車輛檢測技術研究[D].北京：北京交通大學,2012.

[8]Ronggui H M L M W.Application of an improved Otsu algorithm in image segmentation [J].Journal of Electronic Measurement and Instrument,2010,24(5)443:449.