基于關鍵幀背景更新策略的運動目標檢測算法

黃 敏， 劇雷鳴， 劉 謙， 朱顥東*

(1.鄭州輕工業學院 計算機與通信工程學院， 鄭州 450002;2.南陽理工學院 軟件學院， 河南 南陽 473004)

?

黃 敏1， 劇雷鳴2， 劉 謙1， 朱顥東1*

(1.鄭州輕工業學院 計算機與通信工程學院， 鄭州 450002;2.南陽理工學院 軟件學院， 河南 南陽 473004)

近年來，視頻序列圖像中的運動目標檢測在智能監控、視頻壓縮、自動導航、人機交互、虛擬現實等許多領域中的應用越來越廣泛.論文提出了一種基于關鍵幀背景更新策略的運動目標檢測算法，該算法采用視頻序列中提取的關鍵幀作為背景，通過關鍵幀統計平均實現背景更新，結合矩陣像素差分和閾值判定來進行運動目標的檢測.通過實驗表明，本文提出的方法與典型的背景差檢測相比，能夠在一定程度上減少噪聲的影響，提高運動目標檢測的準確度.

關鍵幀； 背景更新； 閾值判定； 運動目標檢測

近年來，視頻序列圖像中的運動目標檢測在智能監控、視頻壓縮、自動導航、人機交互、虛擬現實等許多領域中的應用越來越廣泛，已經成為計算機視覺領域的重要研究內容[1].運動目標檢測的方法主要有：光流法[2]、幀間差分法[3]和背景相差法[4].光流法的優點是能夠檢測獨立運動的對象，但運算公式復雜，多數光流法計算復雜耗時，不借助專用的硬件很難實現實時檢測[5].在實時性要求很高的場合一般采用幀間差分法和背景差分法[6].幀間差分法對場景光線的變化不太敏感，受目標陰影的影響小，非常適合于動態變化的環境，缺點是不能完整地分割運動對象，不利于進一步的對象分析與識別[7].與幀間差分法相比，背景相差法一般能夠提供較完全的特征數據，得到較精確的目標圖像，但所采集到的背景圖像隨著時間的推移，對光照和外部條件造成的場景變化比較敏感，會出現許多偽運動目標點，影響到目標檢測的效果[8].本文提出了一種基于關鍵幀背景更新策略的運動目標檢測算法，該算法采用視頻序列中提取的關鍵幀作為背景，通過關鍵幀統計平均實現背景更新，在此基礎上采用矩陣像素差分和閾值判定，融合多種方法來確定目標對象.

1 基于關鍵幀背景更新策略的運動目標檢測研究

1.1 背景更新

背景對目標檢測的準確與否影響很大.建立準確的背景有很多方法，比如統計平均法、單高斯分布背景模型、混合高斯分布背景模型、基于卡爾曼濾波的背景模型等.背景模型對外界光線的變化具有自適應性，背景點只有在前景運動目標通過該點時，它的亮度值才發生變化，該點在大多數時間內屬于背景區域.

背景更新策略不僅要對背景變化有足夠快的響應速度，而且要對運動目標有較強的抗干擾能力.在這里，我們采用視頻序列中提取的關鍵幀為基礎，以連續提取到的關鍵幀進行平均統計來獲得背景，如(1)式，式中N為圖像幀數.

(1)

由于環境、光線在不斷地變化的不斷變化，背景不可能靜止不變的，因此，如果直接用當前幀和原始背景圖像相減，檢測的結果將很不理想、甚至是錯誤的.因此需要對背景進行更新.設B(x，y)為當前背景，對于每個像素點F(x，y)，背景更新的公式如式(2)所示.

(2)

其中，將背景中某像素點連續檢測到的次數設為c(x，y)，THc為設定的閾值.當c(x，y)大于閾值時即為當前背景.這樣可以較準確的得到背景圖像.

1.2 圖像序列預處理

圖像預處理主要是為了增強圖像中目標和背景圖像的對比度，并去除采集和傳輸圖像時產生的噪聲.首先從差分圖像Gmn-1(x，y) (灰度圖)未變化的背景區域提取一個i×j的圖像塊Si×j該塊像素的分布應與Gmn-1(x，y)中未變化的區域像素的分布規律相一致，通過估計該圖像塊的均值和方差來設計檢測門限，均值和方差分別用下式進行估計.

(3)

(4)

檢測門限為：

T=βσ+Md,

(5)

其中,β為加權系數，一般取3至5.然后對當前的灰度圖像進行二值化：

(6)

1.3 小波去噪

由小波變換的特性可知，高斯噪聲的小波變換仍然是高斯分布的，它均勻分布在頻率尺度空間的各部分，而信號則由于其帶限性，它的小波變換系數僅僅集中在頻率尺度空間上的有限部分.這樣，從信號能量的觀點來看，在小波域上，所有的小波系數都對噪聲有貢獻，也就是噪聲的能量分布在所有的小波系數上，而只有一小部分小波系數對信號能量有貢獻，所以可以把小波系數分成兩類，第一類小波系數僅僅由噪聲變換后得到，這類小波系數幅值小，數目較多;第二類小波系數由信號變換得來，并包含噪聲的變換結果，這類小波系數幅值大，數目較小.根據信號小波分界的這個特點，可以通過這種小波系數幅值上的差異來降低噪聲.對信號的小波系數設置一個閾值，大于這個閾值的小波系數認為屬于第二類系數，它同時含有信號和噪聲的變換結果，可以簡單保留或進行后續操作，而小于這個閾值的小波系數，則認為是第一類小波系數，即完全由噪聲變換而來，應該去掉這些系數.這樣就達到了降低噪聲的目的.同時由于這種方法保留了大部分包含信號的小波系數，因此可以較好地保持圖像細節.傳統的低通濾波方法將圖像的高頻成分濾除，雖然能夠達到降噪的效果，但破壞了圖像細節，利用小波分析的理論可以構造一種既能夠降低圖像噪聲，又能保持圖像細節信息的方法.

1.4 閾值判定

每一幅圖像都是由許多像素構成，每一個像素點我們視之為3×3鄰域的矩陣.如(7)所示：

h(a，b)={(a，b)|x-1≤a≤x+1|， |y-1≤b≤y+1|},

(7)

其中,h(a，b)表示圖像在(a，b)處的灰度值.進一步令

(8)

(9)

(10)

(11)

其中，I1(x，y)表示的是h(x，y)在水平方向的灰度變化，同理，I2(x，y)，I3(x，y)，I4(x，y)分別表示h(x，y)在垂直和兩個對角線方向上的灰度變化.由此得到的I1，I2，I3，I4四個矩陣稱為四個方向的差分矩陣，分別表示圖像在四個方向上灰度的變化情況.

I=(I1+I2+I3+I4)/4.

(12)

進一步利用式(12)進行合并得到總的差分矩陣，其每一點值表示該像素點鄰域內灰度的變化情況.h(x，y)為當前圖像，則

(13)

其中,c為閾值.

1.5 目標檢測算法

本文采用矩陣像素差分和閾值判定，利用矩陣像素差分后，對得到的每個像素點的差值進行閾值判定，確定發生變化的區域，尋找目標圖像.這樣，盡可能減少了漏檢，且得到的目標有較高的準確性.其主要步驟如下：

1)更新圖像背景，使背景更加準確.

2)對背景和待檢測圖像進行小波去噪.

3)使用矩陣像素差分的方法得到每個像素點的差值.

4)使用閾值判定尋找目標.

5)定位、識別目標.

本文所采用的算法的流程圖如圖1所示.

圖1 本文算法流程圖Fig.1 Flow chart of proppsed algorithm

2 實驗及分析

為了對本文提出的方法進行性能測試，本文以一段視頻序列為測試對象進行實驗.實驗條件為AMDSempron(tm)processor3200+1.6GHz、內存1.5G，操作系統為WindowsXP2，以matlab6.0為仿真平臺.

針對給出的視頻關鍵幀，做了如下3個實驗.

實驗1為圖像序列預處理實驗，采用三維圖像對比.圖2為未經圖像與處理和小波去噪的三維圖，圖3為經過預處理和小波去噪的三維圖，圖示結果表明未經處理的圖像噪音對目標圖像影響很大，而處理后圖像的噪音明顯降低，而且目標和背景圖像的對比度增加，有助于最后的目標檢測.

實驗2為運動目標檢測實驗，圖4為背景圖像，圖5為前景圖像，圖6為采用直接背景差分得到的目標，圖7為應用本方法的得到的目標.從結果中容易得出，背景差分造成目標圖像紋理不清晰，細節部分丟失，視覺效果比較模糊，如圖6所示.采用本文的方法，對比前景圖像，可以看出目標圖像的頭部、軀干整體輪廓比較完整，周圍痕跡比較明顯，圖像信息基本沒有丟失，但檢測結果存在虛影和干擾，如圖7所示.另外，從算法的時間復雜度角度來看，直接背景差分算法和本文算法均為為O(n)，表明本文算法在不增加算法復雜度的前提下可以獲得更好的檢測結果.

圖2 原始圖像Fig.2 The original image

圖3 預處理后的圖像Fig.3 The preprocessed image

圖4 背景圖像Fig.4 The background image

圖5 前景圖像Fig.5 The foreground image

圖6 背景差分得到的目標Fig.6 The target form background difference

圖7 本文算法得到的目標Fig.7 The target form proposed algorithm

實驗3為不同閾值效果的實驗，圖8為閾值c=110時使用本文方法得到的目標檢測圖像，圖9為閾值c=180時使用本文方法得到的目標檢測圖像，通過兩個不同閾值檢測效果的對比可以看到，閾值選取的恰當與否對于最終的檢測結果影響很大.當閾值選取過小時，由于背景更新的滯后性會出現大量的重復細節部分，從而使得目標檢測結果受到影響.當閾值選取過小時，則會丟失一部分圖像細節，使得最終檢測結果不夠清晰.因此在算法實際應用中應考慮圖像的特點選取適當的閾值來提高檢測結果的準確度.

圖8 閾值c=110Fig.8 The threshold value c=110

圖9 閾值c=180Fig.9 Tthe threshold value c=180

3 結論

本文采用基于關鍵幀背景更新方法進行運動目標檢測.通過關鍵幀統計平均更新，得到更準確的目標背景，并通過小波去噪的方法進一步去除噪聲以減小檢測誤差.在矩陣像素差分后，對得到的每個像素點的差值進行閾值判定，確定發生變化的區域，尋找目標圖像.通過實驗表明，本文提出的方法與典型的背景差檢測相比，在一定程度上減少噪聲的影響，并使最終檢測的結果更為準確.

[1] 汪 沖， 席志紅， 肖春麗. 基于背景差分的運動目標檢測方法[J]. 應用科技， 2009， 36(10):16-20．

[2] DAI G J， ZHANG Y.A novel auto-camshaft algorithm used in object tracking[C]//C-H MA: The 27th Chinese Control Conferfence.USA:IEEE， 2008，16-18．

[3] 紀筱鵬， 魏志強， 馮業偉， 等. 基于多特征融合的運動物體識別方法研究[J]. 哈爾濱工業大學學報， 2009， 41(3):169-173．

[4] 徐守學， 肖陽輝. 一種復雜背景條件下運動小目標的檢測方法[J]. 微計算機信息， 2009， 25(10):192-194．

[5] TAO Z， NEVATIA R.Tracking multiple humans in complex situations [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2004， 26(9):1208-1221．

[6] 朱明旱， 羅大庸， 曹倩霞. 幀間差分與背景差分相融合的運動目標檢測算法[J].計算機測量與控制， 2005， 13(3):215-217．

[7] 李晉惠， 容 慧. 一種靜態背景下的運動目標檢測算法研究[J]. 西安工業大學學報， 2008， 28(6):573-576.

[8] 劉 鑫， 劉 輝， 強振平， 等. 混合高斯模型和幀間差分相融合的自適應背景模型[J]. 中國圖象圖形學報， 2008， 13(4):729-735．

Moving object detection algorithm based on key frame background updating strategy

HUANG Min1， JU Leiming2， LIU Qian1， ZHU Haodong1

(1.School of Computer and Communication Engineering， Zhengzhou University of Light Industry， Zhengzhou 450002;2.School of Software， Nanyang Institute of Technology， Nanyang， Henan 473004)

Recent years, moving object detection of video frequency sequence image is more and more important in as areas such as intelligent monitoring，video compression, automatic navigation, man-machine interaction, virtual reality. In this paper, we propose a novel algorithm of moving object detection based on key frame background updating strategy. This algorithm uses key frame extracted from video as background and achieves background updating by key frames statistical average. Besides, it combines matrix pixel difference and threshold determination for moving object detection. The results show that the above method reduces the influence of noise and improves the accuracy of moving target detection.

key frame; background updating; threshold determination; moving object detection

2015-03-17.

國家自然科學基金項目(61201447);河南省高等學校青年骨干教師資助計劃項目(2014GGJS-084); 河南省科技創新杰出人才計劃項目(134200510025);河南省教育廳科學技術研究重點項目 (13A520367);鄭州輕工業學院校級青年骨干教師培養對象資助計劃項目(XGGJS02)．

1000-1190(2015)06-0857-04

TP391.41

A

*通訊聯系人. E-mail: zhdjsj016@163.com．