基于有限線積分變換的序列圖像運動目標檢測

宋芳琴

（紹興職業技術學院 信息工程學院，浙江 紹興312000）

智能視頻監控技術的研究是一個具有挑戰性的前沿課題，涉及計算機科學、人工智能、機器視覺、圖像工程、模式識別等多個學科［1］。智能視頻監控技術的研究包括對動態場景中的目標定位、目標識別和目標跟蹤等，并在此基礎上分析和判斷目標的行為，獲得對圖像內容的理解及對客觀場景的解釋，從而對行動進行指導和規劃［2－3］。

運動目標檢測主要是從序列圖像中將變化區域從背景中分離出來。在進行運動檢測時，常見的一種方法是攝像設備處于靜止狀態，而且鏡頭焦距也是固定的，此時，圖像中的背景區域固定不動。這種情況下通常使用以下3種方法進行運動檢測：光流法［4］、相鄰幀差法［5］、背景差法［6］。

光流法可以在不需要背景區域的任何先驗知識情況下，就能夠實現對運動目標的檢測和跟蹤，并且可以應用在攝像機運動的情況。但光流法計算量太大，而且對噪聲較敏感，對硬件的要求也比較高。

相鄰幀差法能適應環境的動態變化，實現實時的運動動態檢測，但分割出的運動目標不太完整。如果運動目標的速度過快，可能會檢測2個運動目標，如果運動目標的速度很慢甚至在場景中停止，可能就檢測不出運動目標。在一個場景中如果有多個運動目標，該方法會很難區分各個運動目標。

背景差法是一種最為簡單和有效的方法，此方法通過當前幀減去背景參考幀，然后對所得圖像選擇合適的閾值二值化后，就得到完整的運動目標，這樣，克服了相鄰幀差法的缺點。但背景往往會發生變化，使得檢測出的運動目標出現偏差。因此，如果背景圖像能自適應更新，背景差法的效果會比較好。

本研究選用新近出現的多尺度幾何分析方法——有限線積分變換作為研究工具，再結合背景差法對運動目標進行檢測。實驗結果表明，該方法能有效檢測呈現出線性特征的運動目標，且對光照變化具有一定的魯棒性。

1 有限線積分變換算法

2005年，Yang M Q等提出了有限線積分變換［7］（finite line integral transform，FLIT）。現以5×5的模板為例，對FLIT進行介紹，如圖1所示。圖1中，相同數字的方格屬于同一條直線，方格X表示屬于任何一條直線。

從圖1可以看出：每條直線都通過模板中心的方格；所有的直線都只在模板中心方格處相交；除模板中心方格外，其余的每個方格只屬于一條直線；關于模板中心方格對稱的方格屬于同一條直線。更一般的形式，設模板尺寸為p×p（p為一奇數），按上述方式定義出的直線共2（p－1）條。（當p≥7時，定義直線的方式不唯一。）設模板中心方格的坐標為（x，y），則在點（x，y）處的FLIT定義如下［7］：

圖1 5×5的模板Fig．1 5×5template

式（1）中：Lk—標記為k的那些方格的集合，不同的k代表了不同斜率的直線集合，k的取值范圍是1≤k≤2（p－1）；f（i，j）—（i，j）點的像素值。

對于一幅尺寸大小為m×n的圖像而言，相應的FLIT計算步驟如下［7］：

1）確定模板尺寸p×p，p為一奇數。

2）對圖像進行延拓操作，上、下、左、右分別加（p－1）／2行或列的零值，延拓后的圖像尺寸變為m′×n′，其中m′＝m＋p－1，n′＝n＋p－1。像素值記為f′（i′，j′），其中0≤i′≤m′－1，0≤j′≤n′－1。

3）對滿足

的任一像素點f′（i′，j′），記以（i′，j′）為中心，p×p的區域為D（i′，j′），將D（i′，j′）內的圖像轉換為零均值的圖像。

4）計算（i′，j′）點，共2（p－1）個方向的FLIT。

5）對滿足式（2）的所有像素點，依次重復步驟3和步驟4。

2 檢測方法

對運動目標檢測的研究采用“FLIT＋背景差法”，算法步驟如下：

設圖像尺寸為m×n，

1）分別對背景圖像和當前圖像作5×5的FLIT，記作bFLIT（k，i，j）和pFLIT（k，i，j），其中0≤k≤7，0≤i≤m－1，0≤j≤n－1。

2）?k∈ ｛0，1，2，3，4，5，6，7｝，計算背景圖像FLIT和當前圖像FLIT差值系數的絕對值

的均值mk和方差σk（共有8組均值和方差），相應的計算表達式為，

3）對dk，k∈ ｛0，1，2，3，4，5，6，7｝分別進行二值化，二值化的規則如下：

式（5）中：t— 常數，常取t＝1；1代表運動目標，0代表背景。

4）對代表不同方向特征的8幅二值圖像進行綜合，綜合的原則是：突出需要的方向特征，抑制不需要的方向特征。例如，由先驗知識知道，某序列圖像的運動目標主要以垂直方向為主，則在綜合不同方向特征的8幅二值圖像時，圖1模板中1～5的方向特征則需突出（特征權重大），6～8的方向特征則需抑制（特征權重小）。

5）采用數學形態學中的開操作來解決孤立噪聲（光噪變化引起）的問題。開操作是先腐蝕后膨脹的過程，相關的定義如下［8］：

A用B來腐蝕、膨脹，分別記做AΘB、A⊕B

式（7）中：＾B ＝ ｛w｜w ＝－b，b∈B｝。

3 實驗結果與分析

實驗數據來自文獻［9］，實驗環境為PC＋Microsoft Visual C＋＋6．0。圖2為背景圖像和一幀序列圖像。圖3為對背景圖像和檢測圖像分別作5×5的FLIT，并使用背景差法且二值化后的8個方向的圖像。圖4為綜合8幅圖像并進行形態學操作后的結果。圖5是為顯示檢測結果的正確性和合理性，將圖4中的檢測結果映射到原檢測圖像上的顯示。結合圖4和圖5可以看出，除了區域1（由光照變化引起）外，區域2、3、4、5都是期望被檢測出的結果。區域2是背景圖像中交談的2個人，其相對位置發生了移動；區域3是相對于背景圖像新走進的2個行人；區域4是遠處一個行人走過引起圖像局部的變化（局部放大圖如圖6所示）；區域5是一個行人走到柱子后面，露出了其腳后跟（局部放大圖如圖7所示）。區域1、2、3、4、5的共同點在于，它們都呈現出一定的線性特征，這正是它們能被FLIT檢測到的根本原因。圖8是檢測出由于行人的影子使背景（如柱子表面）呈現出線性特征變化的區域。

圖2 實驗圖像Fig．2 Experiment images

圖3 不同方向上的檢測結果Fig．3 Detection results of different orientations

圖4 運動目標檢測結果Fig．4 Detection result of moving object

圖5 檢測結果在檢測圖像上的映射Fig．5 Mapping of detection result in dection image

總的來說，在筆者所做的實驗圖像序列中，當前檢測圖像中的地板、柱子表面、墻面等與參考圖像中的地板、柱子表面、墻面等相比，都存在或多或少的光照變化，而這些變化都不是實驗所關心的。在絕大部分的檢測結果中可以看到，上述變化對感興趣運動目標的檢測影響較小。因此，該方法對光照變化具有一定的魯棒性。

圖6 區域4的圖像放大圖Fig．6 Enlarged images of region 4

圖7 區域5的圖像放大圖Fig．7 Enlarged images of region 5

圖8 實驗結果Fig．8 Experiment result

4 結 語

本研究以新近出現的多尺度幾何分析方法FLIT為基礎，結合背景差法來進行運動目標的檢測。實驗結果表明，該方法對具有線性特征的目標能進行有效的檢測，并對光照變化具有一定的魯棒性。同時，該方法對運動目標的檢測還存在少量的漏檢測或過檢測的情況，因此，呈現出運動目標不完整或者是引入非感興趣的運動目標。這些是下一步研究需要解決的問題。

［1］ 王素玉，沈蘭蓀．智能視覺監控技術研究進展［J］．中國圖象圖形學報，2007，12（9）：1505－1514．

［2］ 牛少平．計算機視頻監控技術研究［D］．西安：西北工業大學，2006．

［3］ 謝少林．智能監控系統中高壓縮比視頻處理研究［D］．杭州：浙江大學，2006．

［4］ Smith S M，Brady J M．ASSET－2：Real－time motion segmentation and shape tracking［C］∥Fifth Internation Conference on Computer Vision．Cambridge，MA：IEEE Computer Society，1995：814－820．

［5］ Meier T，Ngan K N．Automatic segmentation of moving objects for video object plane generation［J］．IEEE Transactions on Circuits and systems for Video Technology，1998，8（5）：525－538．

［6］ Stauffer C，Grimson W E L．Adaptive background mixture models for real－time tracking［C］∥Conference on Computer Vision and Patten Recognition．Fort Collins，CO：IEEE Computer Society，1999：246－252．

［7］ Yang M Q，Peng Y H，Liu Y X．The algorithm and application of finite line integral transform［C］∥Microwave，Antenna，Propagation and EMC Technologies for Wireless Communications．Beijing：IEEE Computer Society，2005：411－414．

［8］ Gonzalez C R，Woods R E．Digital Image Processing［M］．2nd ed．Beijing：Publishing House of Electronics Industry，2005，519－527．

［9］ Online Computer Computers，Inc．History of OCLC［EB／OL］．［2013－12－17］．http：∥homepages．inf．ed．ac．uk／rbf／CAVIAR／．