基于角點的動態(tài)背景下運動目標檢測算法改進

肖春明

摘 要： 由于動態(tài)攝像機行為造成了背景模糊等問題，結合角點矩特征的全局運動估計算法，將最大類間方差法引入RANSAC估計算法，對常用的RANSAC算法進行改進。在目標檢測過程中，利用基于差分相乘原理的運動目標檢測算法實現了運動目標的檢測定位。針對獲取到目標位置的后續(xù)幀序列的目標檢測，提出了基于改進的奇異值分解的角點匹配的運動目標檢測算法。實驗表明，提出的算法對于背景發(fā)生變化的場景，能達到較好的背景運動補償效果，在隨后測量的動態(tài)背景狀態(tài)下，可以準確檢測后續(xù)幀序列的運動目標，并且具有良好的魯棒性。

關鍵詞： 目標檢測； 全局運動估計； 角點； 奇異值分解

中圖分類號： TN911.73?34 文獻標識碼： A 文章編號： 1004?373X（2016）07?0066?05

Abstract： To resolve the indistinct background problem caused by dynamic camera behavior， and in combination with the global motion estimation algorithm of angular point distance feature， the maximum interclass variance method is introduced into the RANSAC estimation algorithm to improve the common RANSAC algorithm. The moving object detection algorithm based on difference multiply principle is used to detect and locate the moving object in object detection process. Aiming at the object detection of follow?up frame sequence of the obtained object location， the moving target detection algorithm based on angular point marching of improved singular value decomposition is proposed. The experimental results demonstrate that the proposed algorithm has good background motion compensation effect in dynamic background， and can accurately detect the moving target of the follow?up frame sequence in the subsequent measured dynamic background measurement. The algorithm has good robustness.

Keywords： target detection； global motion estimation； angular point； singular value decomposition

0 引 言

運動目標檢測是計算機視覺最主要的研究方向和難點之一[1?2]，主要涉及到圖像理解、模式識別、人工智能、自動控制和機器視覺等有關專業(yè)學科和領域的知識，并且已經被廣泛地應用到很多場合 [3]。運動目標檢測為后續(xù)的目標跟蹤和目標識別奠定了良好的基礎。在現實生活中，大量有意義的視覺信息包含在運動之中，人類可以憑借自身強大的視覺系統(tǒng)獲取80%的信息[4]，通過大腦的分析判斷出運動目標，而對于計算機視覺而言，從獲取視頻到分析出運動的物體成為關鍵問題。

基于視頻的目標檢測系統(tǒng)具有結構簡單、隱蔽性好、抗干擾能力強的優(yōu)點，而且視頻檢測系統(tǒng)采用價格低廉的攝像機和光學成像結構，具有更高的性價比。通過攝像機采集回來的圖像信息，可以獲得關于運動目標的豐富信息，具有很高的直觀性和可靠性。因此，研究運動目標檢測的有關問題，在理論上和應用價值上都具有重要的意義。

1 基于角點矩特征的背景運動補償算法

1.1 基于Harris算子的角點矩特征的提取及匹配設計

Harris[5]算子是在 Moravec算子的基礎上進行改進的。因此，它也是一種基于信號的特征點提取算子。通過在圖像位置建立局部窗口，監(jiān)測窗口各個方向的能量數值和變化。對圖像亮度改變具有無關性，算法只關注梯度。因此系統(tǒng)運動后只發(fā)生了方向的改變，系統(tǒng)具有旋轉穩(wěn)定性。同時，Harris特征點提取算子適用于角點數目較多并且光源復雜的情況。但是，Harris角點不具有尺度不變性。因此本文引入不變矩特征對其進行改良。Hu最早提出了幾何矩特征，1962年，他在幾何不變量理論的基礎上提出了幾何矩的概念[6]。Hu構造了7個不變矩并證明了相應的矩組對于平移、旋轉和縮放變換的不變性。

本文將角點和矩特征進行結合，以彌補Harris角點不具備縮放不變性的缺點，提高角點的穩(wěn)定性，從而可以實現在視頻序列中存在平移、旋轉和縮放時，具有一種穩(wěn)定的特征進行全局運動估計和補償，最終實現準確的運動目標檢測。在視頻序列中角點矩特征的提取步驟主要分為：

（1） 在每一幀圖像中提取Harris角點；

（2） 在獲得角點的[W×W]的鄰域內進行矩特征的計算，即得到一個7維的圖像特征向量。

在實現角點矩特征向量的提取后，需要對已提取的特征向量進行幀間的匹配。角點矩特征向量的匹配原理是：視頻序列中存在仿射變換時，矩特征對仿射變換具有不變性，因此對應角點特征向量的矩值是相等的或者是相近的，對于誤匹配的角點向量的矩值存在較大變化。

本文中采用計算特征向量之間的歐式距離進行角點矩特征的匹配。即尋找特征向量在待匹配向量集中與其歐式距離最小的向量且該距離小于設定閾值[T，]如果滿足條件則該特征向量對相互匹配，否則從初匹配特征向量集中刪除該特征向量。將匹配的特征點集作為運動信息的表達，便于進行參數估計的計算。在角點矩特征點集中既包含有背景點，又有前景點，也就是進行魯棒的參數估計所指的內點和外點。把提取出的角點矩特征點集作為待估計點集，如何將該點集中的外點去除，是進行全局運動估計的關鍵。

1.2 基于改進的RANSAC全局運動估計算法

傳統(tǒng)的RANSAC算法是將所有的點都代入參數估計模型，將估計殘差大于所選閾值的點作為外點，迭代[N]次，最終求得所有的內點。但是外點數據在迭代過程中對估計精度會造成影響，而且在攝像機存在旋轉運動時，仿射模型對外點的敏感加強[7]。因此，為了提高全局運動估計的精度，本文將最大類間方差引入RANSAC。

首先，利用RANSAC算法進行全局運動參數的初始值估計。然后，計算每個點的估計殘差[r：]

在本文中，把從圖像中提取出的[n]個角點矩的特征點作為全局運動估計的點，設其殘差點集為[R={r1，r2，…，rn}]。令閾值[Tr∈R，]根據殘差值的大小將點集殘差分為兩類：

本節(jié)詳細闡述了角點矩特征的提取及匹配、基于角點矩特征改進的RANSAC全局運動估計及補償的過程，其流程圖如圖1所示。

2 運動背景下基于特征的運動目標檢測

2.1 角點匹配的基本原理

角點匹配的基本原理通過確定圖像[J]和圖像[I]的單獨相應的組點，在無誤確定相應的點特征的情況下，算法可以進一步進行最優(yōu)匹配，完成圖像最終的匹配。

相匹配的特征點對由于矩陣[P]和[G]具有一致的結構被進一步突出，這種結構具有抑制非對應的特征。

當矩陣[P]中的元素[Pi，j]既是所在列所有元素中的最大值，同時也是所在行所有元素中的最大值，相互對應的特征點則為特征點[Ii]和[Jj，]當元素[Pi，j]不具備上述特征時，則說明[Ii]和[Jj]不匹配[8]。

2.2 改進的角點匹配的運動目標檢測算法

本文提出的改進的基于奇異值分解的角點匹配算法，核心思想是通過改變該算法中涉及到的相似矩陣構造相關系數，達到適用于運動目標角點匹配的目標，解決了由于運動目標位置變化導致待匹配的兩組角點中正確配對的角點之間距離相關性降低，造成誤匹配角點對的問題。其核心流程如圖1所示。

由式（9）可以看出，在相似矩陣構造過程中，上述的核心匹配方法考慮了距離的影響。然而，誤匹配角點的數量增加，多數由于運動目標位置的變化導致待匹配的兩組角點中正確配對的角點之間距離相關性降低。正確描述這些對應的特征點是研究的關鍵所在。在式（9）中，基于奇異值分解的角點匹配算法使用公式[r2i，j=Ii-Jj]描述兩點之間距離的相關性，即兩個特征點[Ii]和[Jj]之間的歐氏距離。然后，針對運動目標，兩個特征點之間的歐式距離不能準確描述兩點之間的距離相關性。

式中：目標運動的距離估計通過目標運動區(qū)域預測中心與模板中心在[y]軸和[x]軸的差值分別用[Δcenter x]和[Δcenter y]表征。系統(tǒng)針對目標運動中心位移及區(qū)域的預測使用Kalman濾波算法進行。

通過四個主要步驟，基于奇異值分解的角點匹配算法可以改善運動目標的檢測：

（1） 確定目標模板。通過上一節(jié)全局運動補償后，且經過基于差分相乘原理的運動目標檢測獲取形心位置來捕獲得到目標區(qū)域。將視頻序列中測量的運動目標的矩形區(qū)域作為目標模板，然后檢測目標角點。

（2） 確定目標預測區(qū)域。使用Kalman濾波預測下一幀目標位置的特征點作為目標模板的中心，從而得到目標預測區(qū)域，最終獲取檢測角點。

（3） 確定偏移距離。通過步驟（1）和步驟（2）計算得到的角點進行匹配，再去除其誤匹配角點，目標位置預測的特征點是由正確角點的聚類中心構成，由此計算目標預測中心與目標模板中心的偏移距離。

（4） 檢測運動目標。利用改進的角點匹配算法進行角點匹配，同時檢測當前幀中目標預測區(qū)域的角點，最后檢測到運動目標并用矩形框標將其標注出來。具體的算法流程框圖如圖2所示。

運動目標檢測流程圖

3 算法仿真試驗

3.1 基于改進的RANSAC全局運動估計算法驗證分析

實驗1：實驗中對河流中船只運動的視頻序列中連續(xù)的兩幀進行全局運動估計和補償。圖3給出了視頻序列上相鄰兩幀在完成全局運動估計和補償前后的幀差。從圖3中可以看出本文提出的全局運動估計和補償算法能夠將幀間的運動背景準確對齊。

實驗2：為了證明基于RANSAC改進算法的效果，通過對比實驗，詳細分析了RANSAC算法和改進RANSAC算法的全局運動精度。通常采用相鄰兩幀完成全局運動估計和補償后的峰值信噪比來衡量全局運動估計的精度，圖中所示，在背景區(qū)域內隨著差分圖像[Id]非零像素點的不斷降低，系統(tǒng)的信噪比PSNR不斷升高的情況下，系統(tǒng)非零值不斷減小，進一步證明了運動補償算法的效果顯著。本實驗在視頻序列1和視頻序列2中分別提取了30幀圖像進行信噪比的計算，圖4為兩種方法的信噪比對比圖。

3.2 基于改進的奇異值分解的角點匹配的運動目標檢測算法驗證分析

實驗是在3.1節(jié)中對相鄰兩幀進行了全局運動估計與補償的基礎上實現的。在對相鄰幀進行了全局運動的估計和補償后，可以按照靜態(tài)背景下的運動目標檢測算法檢測并定位出運動目標，試驗采用基于差分相乘原理的運動目標檢測算法進行運動目標的檢測和定位。然后，根據獲得的運動目標形心，采用基于改進奇異值分解的角點匹配的運動目標算法進行后續(xù)幀的目標檢測。

實驗中對船只的視頻序列進行后續(xù)的檢測。首先對視頻序列中連續(xù)的四幀進行全局運動估計和補償，即在連續(xù)的四幀第10幀、第11幀、第12幀、第13幀中，估計第10幀和第11幀的全局運動，并進行全局補償；同理，對第12幀和第13幀進行處理。圖5（a）～（c）分別表示第10幀原始圖像、第11幀原始圖像、全局運動補償結果。

圖5（d）～（f）分別表示第12幀原始圖像、第13幀原始圖像、全局運動補償結果。圖5（g）～（i）分別表示第11幀與補償幀的幀差二值圖、第13幀與補償幀的幀差二值圖、差分相乘結果。圖5（j），圖5（k）分別表示對圖5（i）進行形態(tài)學濾波處理、連通域分析，最終確定目標范圍獲取形心圖。

圖6中顯示了獲取形心后，利用改進的基于奇異值分解的角點匹配的運動目標檢測算法對運動目標檢測的6幀圖像。可以看出該算法可以穩(wěn)定的檢測出運動目標，當背景中出現其他運動目標時，該算法依然能夠保持良好的檢測效果。

4 結 論

本文提出了基于角點矩特征的全局運動估計算法。此外，本文將最大類間方差的方法引入了隨機抽樣一致性估計算法中，改善了參數估計的精度，且在計算速度上有所提高。針對全局運動估計和補償的復雜性，實際運動目標檢測的實時性檢測難以滿足。本文提出了一種基于改進的奇異值分解的角點匹配的運動目標檢測算法，該算法具有計算簡單的特點，為運動目標檢測系統(tǒng)的實時性實現奠定了基礎。

參考文獻

[1] FUJIMOTO L， YAMADA Y， MORIZONO T， et al. Development of artificial finger skin to detect incipient slip for realization of static friction sensation [C]// Proceedings of 2003 IEEE Conference on Multisensor Fusion and Integration for Intelligent System. [S.l.]： IEEE， 2003： 15?21.

[2] AZARBAYEJANI A， WREN C， PENTLAND A. Real?time 3?d tracking of the human body [J]. IEEE transactions on pattern analysis and machine intelligence， 1996， 19（7）： 780?785.

[3] 謝文輝.動態(tài)場景下運動目標檢測與跟蹤算法研究[D].武漢：華中科技大學，2011.

[4] 章毓晉.圖像工程（上冊）[M].2版.北京：清華大學出版社，2005：1?10.

[5] HARRIS C， STEPHENS M.A combined corner and edge detector [C]// Proceedings of the 4th Alvey Vision Conference. Manchester： ACM， 1988： 147?151.

[6] HU M K. Visual pattern recognition by moment invariants [J].IRE transactions on information theory， 1962： 8（2）： 179?187.

[7] WU Yiliang. An image matching method based on SIFT and SUSAN features [J]. Microcomputer & its applications， 2011（12）： 33?35.

[8] CHEN Shuqiao. A corner matching algorithm based on Harris operator [C]// Proceedings of 2010 2nd International Confe?rence on Information Engineering and Computer Science. Wuhan， China： IEEE， 2010： 1?2.