頻繁抖動相機下的運動目標快速檢測算法

徐西平，周寶燦

(凱邁(洛陽)測控有限公司，河南 洛陽 471009)

頻繁抖動相機下的運動目標快速檢測算法

徐西平，周寶燦

(凱邁(洛陽)測控有限公司，河南 洛陽 471009)

摘要:為了區分相機抖動導致的圖像運動與真實目標導致的圖像運動，提出一種新的算法，其分析了兩類運動分布，而不是亮度/彩色分布。一類運動分布是長時間范圍建立起來的，其僅包含背景運動。另一類運動分布是短時間范圍建立起來的，既包含背景運動也包含目標運動。最終通過對這兩類運動分布的差分進行閾值分割實現運動目標檢測。該算法運行速度快，且內存開銷低，實驗表明其在有著頻繁相機抖動的室內及室外場景中表現出優異的性能。

關鍵詞:圖像處理；背景相減；目標檢測；運動分布；相機抖動

1運動目標檢測

作為計算機視覺的基礎課題，運動目標檢測在視頻監控中有著廣泛的應用。由于視頻監控通常采用靜止的相機，因此一條直觀的運動目標檢測思路[1-2]就是將輸入圖像與不含運動目標的參考圖像(即背景圖像)求差分，然后利用差分將圖像中的像素分為目標或者背景。為了更為準確地處理圖像噪聲，文獻[3]使用單個高斯分量建模每個背景像素的亮度分布。基于噪聲與時間無關的假設，高斯分量的參數通過一序列靜態背景圖像訓練得到。而后認為概率值低于預設閾值的像素即為運動檢測結果。可是，在許多戶外場景中，背景并非完全靜態的，比如風吹動的樹枝、水面的波紋、雪花等自然現象。在這些場合，每個像素的亮度分布通常是多模態的，難以用單個高斯分量描述。因此，研究人員相繼提出了混合高斯模型[4-6]及非參數背景模型[7-8]。文獻[4]利用混合高斯模型對每個像素進行建模，并使用一種逼近的在線算法對模型進行更新，該方法對漸變的背景具有很好的適應性。在文獻[7]中，核密度估計方法被用來對每個像素進行建模，其中每個像素均涉及到兩種模型，即選擇性更新的短時模型與隨時更新的長時模型，而后應用一個概率閾值分割出相應的前景目標。此外，還有研究人員利用Winer濾波[10-11]或者Kalman濾波[10-11]預測動態背景的亮度值。這些預測的優勢在于能夠學習重復的紋理模式，因而即使運動目標的亮度分布背景相似，它們仍能被檢測出。文獻[12]雖然能夠快速檢測出運動目標，但其只能在相機靜止情形下適用。

雖然上述方法可以很好地適應背景的漸變變化，但是，當場景中存在頻繁的相機抖動時，這些方法的性能會大打折扣。如圖1所示，在強邊緣附近存在大量的虛假檢測，這是因為相機的頻繁抖動會引起這些區域像素的亮度發生快速變化，而傳統的統計建模方法難以將這類變化與運動目標導致的圖像變化區分開來。盡管通過相機運動補償來配準圖像可以克服該缺陷，但是，相機運動估計及補償會極大地增加算法的復雜度。因此，本文提出一種新的運動檢測方法，其無需相機運動補償配準圖像的過程，且仍能在相機頻繁抖動的情形下表現出不錯的性能。傳統的統計建模方法主要是對亮度/彩色分布進行建模，而本文提出的方法是對運動的分布進行建模。此外，本文的方法僅需少量的存儲開銷且擁有較快的運行速度。

2算法

2.1概念

將背景圖像與第t幀輸入圖像分別記為b={b(x)|x∈S}與I={I(x,t)|x∈S}，S為圖像中像素坐標集合。對灰度圖像序列而言，b(x)與I(x,t)表示0～255之間的標量，而對于彩色圖像而言，b(x)與I(x,t)為(0,0,0)至(255,255,255)之間的向量。

2.2具體思路

如前所述，相機的抖動可通過相機運動補償來移除，然而這樣會極大地增加算法的運算復雜度。因此本文算法的目的是在無需相機運動補償的前提下實現頻繁抖動相機下的運動目標檢測。

傳統的運動檢測算法往往使用像素的亮度/彩色特征，本文提出通過分析像素的運動特征來進行運動檢測。盡管對于圖像序列而言存在多種多樣的運動特征可供使用，但是最簡單而意義最直觀的運動特征為背景相減獲得的二值結果，也就是Lt。

圖2　本文算法流程

(1)

其中，M是訓練圖像的數量。如圖2所示，A圖像包含了背景的平均運動特征，其在強邊緣附近的值較大，而均勻區域的值較小。同時，假如M足夠大，即使訓練序列中含有運動目標，但其對于A圖像的值幾乎不會產生影響。

類似地，第t幀觀測到的前w幀的運動特征平均值可定義為

(2)

由圖2所示，O圖像在強邊緣附近的值較大，這是因相機抖動導致的，同時在含有真實目標運動的區域，其值也較大。因此，一種新的運動檢測結果可以通過對O圖像與A圖像的差分進行閾值分割來得到，其在很大程度上移除了因相機頻繁抖動導致的虛假檢測，公式如下

L′(x,t)=(O(x,t)-A(x))>τ

(3)

其中，τ為閾值。為了適應場景的變化，A圖像還需進行更新，更新過程如下

A=αA+(1-α)O

(4)

其中，α為更新參數，其值處于0至1之間。此外，用于計算L的背景圖像b也需進行類似的更新。

算法的具體步驟(偽代碼)如下：

輸入：視頻圖像I

輸出：運動檢測結果L′

初始化：

1.b←對序列圖像(I0,I30,I60,…,IN)進行

時域上的中值濾波

2.A←0

3.For每一幀t=1,2,…,M

A←A+Lt/M

End

運動檢測：

1.k←0

2.For每一幀t

L′←(O-A)>τ

A=αA+(1-α)O

k←mod(k+1,w)

End

3實驗結果

為了驗證所提出的方法，接下來將采用室內及室外包含頻繁相機抖動的圖像序列進行測試。實驗參數設置為τ1=35，τ=0.5，M=300以及w=30。在此，將提出的算法與混合高斯模型[5]及核密度估計技術[7]進行比較。為了便于比較，對二值檢測結果均不進行形態學濾波等后處理工作。

兩個序列分別為人行道場景及羽毛球館場景，兩個場景均存在頻繁的相機抖動。如圖3所示人行道場景，3b為混合高斯檢測結果，3c為核密度估計檢測結果，可以看出，以上兩種技術無法處理相機的頻繁抖動，因而強邊緣附近均存在大量的虛假檢測，而這些在本文算法的檢測結果3d中都得到了極大的移除。與此類似，對于圖4所示的羽毛球館場景，本文算法對相機頻繁抖動的處理效果明顯優于混合高斯模型及核密度估計技術。

圖4　羽毛球館場景

此外，本文算法僅需很低的存儲開銷，但具有較快的運行速度。對每一個像素，O與A分別需要一個浮點數，存儲L[·]需要w/8byte，這遠低于高斯混合模型及核密度估計技術所需的存儲開銷。同時，在雙核2GCPU/ 1GbyteRAM的PC上，對于320×240的圖像序列而言，本文算法在MATLAB上運行速度約為20f/s(幀/秒)。

4結論

為了處理相機頻繁抖動下的運動目標檢測問題，本文提出了一種新的方法，其利用場景的運動分布，而不是亮度/彩色分布，并且無需相機運動補償過程。該方法累積兩種運動分布：一種是較長時間范圍內的運動分布，其對應著背景的運動；另一種是較短時間范圍內的運動分布，其既有目標的運動又有背景的運動。通過對這兩種運動分布求差分并進行閾值分割，即可得到最終的運動目標檢測結果。實驗證實該方法可有效處理相機的頻繁抖動，且運算速度快，存儲開銷低。

參考文獻：

[1]代科學，李國輝，涂丹，等. 監控視頻運動目標檢測減背景技術的研究現狀和展望[J].中國圖象圖形學報，2006，11(7)：919-927.

[2]ELHABIANSY，EL-SAYEDKM，AHMEDSH.Movingobjectdetectioninspatialdomainusingbackgroundremovaltechniques-state-of-art[J].Recentpatentsoncomputerscience，2008(1)：32-54.

[3]BARNICHO，DROOGENBROECKMV.ViBe：Auniversalbackgroundsubtractionalgorithmforvideosequences[J].IEEEtransactionsonimageprocessing，2011，20(6)：1709-1724.

[4]WRENCR，AZARBAYEJANIA，DARRELLT，etal.Pfinder：Real-timetrackingofthehumanbody[J].IEEEtransactionsonpatternanalysisandmachineintelligence，1997，19(7)：780-785.

[5]STAUFFERC，GRIMSONWEL.Learningpatternsofactivityusingreal-timetracking[J].IEEEtransactionsonpatternanalysisandmachineintelligence，2000(22)：747-757.

[6]ZIVKOVICZ，VANDERHEIJDENF.Efficientadaptivedensityestimationperimagepixelforthetaskofbackgroundsubtraction[J].Patternrecognitionletters，2006，27：773-780.

[7]MIGDALJ，GRIMSONWEL.Backgroundsubtractionusingmarkovthresholds[C]//Proc.IEEEWorkshoponMotionandVideoComputing.WashingtonDC：[s.n.]，2005：58-65.

[8]ELGAMMALA，DURAISWAMIR，HARWOODD，etal.Backgroundandforegroundmodelingusingnon-parametrickerneldensityestimationforvisualsurveillance[C]//ProcIEEE. [S.l.]：IEEEPress，2002，90：1151-1163.

[9]MITTALA，PARAGIOSN.Motion-basedbackgroundsubtractionusingadaptivekerneldensityestimation[C]//ProceedingsofIEEEConferenceonComputerVisionandPatternRecognition. [S.l.]：IEEEPress，2004：302-309.

[10]TOYAMAK，KRUMMJ，BRUMITTB，etal.Wallflower：Principlesandpracticeofbackgroundmaintenance[C]//ProceedingsofInternationalConferenceonComputerVision. [S.l.]：IEEEPress，1999：255-261.

[11]ZHONGJ，SCLAROFFS.SegmentingforegroundobjectsfromadynamictexturedbackgroundviaarobustKalmanfilter[C]//ProceedingsofInternationalConferenceonComputerVision. [S.l.]：IEEEPress，2003： 44-50.

[12]許亞軍，許慧芳，張艷春. 智能視頻監控系統中運動目標檢測的研究[J]. 電視技術，2014，38(9)：228-231.

責任編輯：閆雯雯

Fastmovingobjectdetectionwithheavycamerajitter

XUXiping，ZHOUBaocan

(CAMA(Luoyang) Measurements&Controls Co.，Ltd.，Henan Luoyang 471009，China)

Abstract:In order to deal with the disambiguation of image motion induced by the camera jitter and image motion influenced by the truly moving objects， a new method is proposed by analyzing two types of motion distributions instead of intensity and color distributions. One type of motion distribution is accumulated during a long period of time， and contains only the background motion. The other is accumulated during a short period of time， and includes both the background motion and the object motion. Finally moving objects can be detected by thresholding the difference between the two distributions. The proposed method is fast and requires little memory. Experimental results validate the method performs well on both indoor and outdoor video sequences with heavy camera jitter.

Key words:image processing； background subtraction； object detection； motion distribution； camera jitter

中圖分類號:TP391

文獻標志碼：A

DOI：10.16280/j.videoe.2016.03.027

收稿日期：2015-06-24

文獻引用格式：徐西平，周寶燦. 頻繁抖動相機下的運動目標快速檢測算法[J]. 電視技術，2016，40(3)：126-129.XUXP，ZHOUBC.Fastmovingobjectdetectionwithheavycamerajitter[J].Videoengineering，2016，40(3)：126-129.