基于自適應閾值分割的復雜運動背景中慢速小目標檢測

閆鈞華，段 賀，許倩倩，楊 勇

（南京航空航天大學 航天學院，江蘇 南京　210016）

基于自適應閾值分割的復雜運動背景中慢速小目標檢測

閆鈞華，段 賀，許倩倩，楊 勇

（南京航空航天大學 航天學院，江蘇 南京210016）

針對復雜運動背景中慢速小目標檢測誤檢率高，實時性差等問題，提出了基于自適應閾值分割的慢速小目標檢測算法。首先計算連續兩幀圖像特征點的金字塔光流場，對光流場進行濾波，獲取匹配特征點集合。然后對圖像運動背景進行建模，擬合投影模型參數，通過投影模型得到運動背景補償圖像，進行圖像差分處理，獲得差分圖像。最后迭代計算差分圖像的自適應閾值，修正差分閾值，差分圖像二值分割，檢測出運動目標。實驗結果表明算法能夠準確地檢測出復雜背景中的慢速小目標，虛警率為2%，目標漏檢率為2.6%，目標檢測準確率95.4%，每幀圖像目標檢測時間為38ms，能夠滿足運動目標檢測對實時性的要求。

目標檢測；慢速；復雜運動背景；特征點

復雜運動背景下的運動目標檢測一直是計算機視覺領域研究的重點和難點，運動背景的運動規律不再僅局限于簡單的平移和抖動情況，背景運動更加復雜，如機載光電視頻序列圖像中背景運動包含背景劇烈旋轉［1］的情況。對于運動背景較為復雜的情況，直接差分法以及光流法［2-3］均不再適應，背景建模是處理背景運動較為復雜情況下的運動目標檢測較為理想的方法。運動背景建模，就是對背景運動規律［4］進行分析，通過數學模型計算并擬合背景的運動規律，預測背景的運動趨勢，通過運動模型將視頻中復雜運動背景下的運動目標檢測轉化為相對靜止背景下的運動目標檢測。在此基礎上，通過幀間差分以獲取差分圖像，設置分割閾值T，對差分圖像進行二值分割，進而檢測出運動目標。

運動背景建模的方法，存在原理上的誤差。一是背景建模對運動背景進行補償，運動模型只能盡可能的接近于真實的背景運動情況，而無法實現完全等價背景實際運動情況；二是基于運動模型對運動背景進行補償時，存在圖像像素值插值計算等計算誤差。因此，獲取的差分圖像則不甚理想，噪聲及其計算誤差帶來的干擾較強。由于戰機飛行速度相對較快，機載視頻中的運動目標運動速度相對較慢，幀間目標的運動量較小，檢測的是慢速［5］運動目標，慢速運動目標很容易淹沒在誤差以及噪聲中，進而導致目標檢測較為困難。因此差分圖像的分割閾值是目標檢測成敗與否的關鍵，既要保證目標能夠分割出來，又不會出現虛警目標，這正是慢速運動目標檢測的難點所在。

經典的圖像分割算法有最小誤差法、最大類間方差法以及最大熵法。3種經典方法基本用于圖像的直接分割，尤其對一定紅外背景下的目標檢測有較好效果，無法適應差分圖像的分割。龍建武［6］等提出了自適應最小誤差閾值分割算法，對均勻光照下的圖像處理效果較好，對非均勻光照下的圖像分割效果不甚理想。吳一全［7］等提出了一種改進的二維Otsu法閾值分割快速迭，該算法著重于圖像形狀邊緣及其細節的分割，對小目標檢測效果較差。文獻［8］提出的基于透射模型圖像補償的幀差法對旋轉背景下的快速運動目標檢測效果較好，但無法適應慢速運動目標檢測。

文中針對機載視頻序列圖像中運動背景劇烈旋轉下的慢速運動目標檢測漏檢率和誤檢率較高的問題展開研究，提出了基于自適應閾值分割的復雜運動背景中對地慢速小目標檢測算法。

1　獲取復雜運動背景下的差分圖像

機載對地視頻序列圖像的運動背景是較為復雜的，包含背景劇烈旋轉情況。通過背景建模獲取幀間差分圖像，以實現目標檢測。檢測前后兩幀圖像的特征點，通過金字塔光流法獲取匹配特征點光流場，對光流場進行濾波，用濾波后的匹配特征點集合擬合投影模型參數，然后通過投影模型將后一幀圖像進行運動背景補償［9］，補償后的圖像與前一幀圖像進行差分處理，獲取差分圖像。

1.1金字塔Lucas-Kanade光流法計算圖像光流

Lucas-Kanade稀疏光流算法［10］應用在輸入圖像中的一組點上，基于像素亮度恒定、時間連續、運動一致性三個假設，在在一塊k×k小區域內可以得到光流矢量：

其中，v→x和v→y是特征點在x和y方向上的光流矢量。

1.2背景運動光流場濾波

根據光流法獲取特征點光流場，通過對光流場的局部角度濾波和局部模值濾波，濾除明顯錯誤的矢量，獲取精確的矢量場，進一步提高投影模型的參數估計精度。由金字塔光流法獲取的N0對有效匹配特征點，則可以得到光流矢量的角度：

假設圖像f?（x，y）為圖像fn背景運動矢量場，將圖像均分為K個M×N的局部小區域，對于每一個局部小區域的背景運動矢量場進行濾波。

首先，任意一局部小區域的矢量角度均值anglemean：

然后，對該局部小區域的背景運動矢量進行濾波，角度濾波方法為：

同理，對光流場的光流矢量模值濾波。模值的濾波區間為局部小區域矢量模值均值的0.5～2倍。

1.3投影模型

機載光電視頻序列圖像的成像受到載機、光電探測平臺以及探測相機的姿態共同影響，其圖像成像符合投影原理，因此，采用投影模型對機載光電視頻圖像進行建模，擬合背景的運動規律。

圖像fn+1（x，y）中任意一點（x，y）的像素經過投影模型進行運動背景補償后對應圖像fn（x，y）的像素點（x′，y′），其投影模型為：

為提高圖像的背景補償精度，通過雙線性插值計算投影模型計算出的像素點的灰度值，進而得到以圖像 fn+1（x，y）為基準圖像的補償圖像f′n+1（x，y）。通過對圖像fn+1（x，y）和圖像補償圖像f′n+1（x，y）進行差分，即獲得復雜運動背景下的差分圖像f″（x，y）：

2　自適應分割閾值

通過背景建模進行背景補償得到差分圖像，對差分圖像以閾值進行二值分割，進而檢測出運動目標。由于目標的運動量很小，在存在計算精度誤差以及噪聲的情況下，準確分割運動目標，且避免噪聲或補償誤差被誤檢為目標，分割閾值的值尤為關鍵。

2.1自適應閾值計算

在同一機載光電視頻序列圖像中，視頻序列圖像的背景及其運動規律是相似的，通過分析差分圖像獲取差分圖像的自適應分割閾值是可行的。

以視頻中第295幀和第296幀圖像為例說明，如圖1中所示，圖（a）和（b）是連續兩幀圖像，圖（c）是圖（a）經過投影模型計算的補償圖像，與圖（b）相對背景靜止。圖（d）是圖（b）和（c）的差分圖像，圖（e）是圖（d）的三維彩色圖像，以圖像的寬為X軸，以圖像的高為Y坐標，以圖像的像素灰度值為Z坐標，且當Z=0時的二維平面坐標與以左上角為原點的圖像坐標系完全重合。在三維圖中，像素點的灰度值在較小時呈現藍色，隨著灰度值的增大，顏色逐漸變化為黃色，最后成紅色。圖（e）中標記的目標A的顏色即呈現紅色，在圖中仍然存在呈現出紅色顏色的干擾噪聲，其灰度值非常接近目標的灰度值，對目標檢測產生強烈干擾。此圖中目標的最大灰度值為97，干擾的最大灰度值為92，因此閾值需要在兩者之間的較小范圍內。

圖1　差分圖像分析圖

本文提出了基于差分圖像像素灰度值的自適應閾值計算方法。由于差分圖像中絕大多數像素灰度值為零，因此對差分圖像像素值統計分析處理時，只統計灰度值非零的像素，優化統計數據。

差分圖像自適應分割閾值計算方法為：

1）設置判斷閾值T1和T2，初始化均為零；

2）計算差分圖像非零像素灰度值的均值μ和標準差σ；

3）設置閾值T1=μ+0.1σ

4）用閾值T1對差分圖像根據式（7）進行分割，得到新的差分圖像；

5）計算T1-T2＞ε是否成立（ε為閾值分割精度），如果成立，執行步驟6），否則執行步驟7）；

6）將T1的值賦值給 T2，以步驟4）得到的新差分圖像重新執行步驟2）～5）；

7）獲得分割閾值T=（T1+T2）/2。

圖2　自適應閾值

通過上述步驟獲取差分圖像的分割閾值的流程圖如圖2所示。

根據圖2自適應閾值分割的方法，對圖 1中（d）圖的差分圖像進行迭代［11］分割計算，設置 T1=T2=0，ε=4，求得分割閾值T=95.3，對差分圖像進行二值分割，形態學處理［12-13］，得到的目標二值圖像，如圖3所示。

圖3　目標檢測

2.2自適應閾值修正

為了檢驗差分圖像自適應閾值計算方法在視頻檢測中的魯棒性，從視頻中抽取500幀連續圖像進行分析，即從1幀至501幀，進而獲取500幀差分圖像，計算此500幀差分圖像的分割閾值，并且檢驗目標檢測的效果。

根據實驗統計，數據如圖4所示。

試驗數據顯示，在500幀差分圖像中，有 28幀圖像出現虛警目標，30幀出現目標檢測丟失。在檢測結果為虛警目標的28幀中，有22幀的分割閾值在80以下，而目標檢測丟失的30幀中，有20幀圖像的分割閾值高于 100。進一步分析發現，小于分割閾值80的 24幀圖像中，22幀出現了虛警目標，大于分割閾值100的34幀圖像中，有20幀目標檢測丟失。

圖4　圖像分割閾值曲線圖

圖5　修正后圖像分割閾值曲線圖

綜上分析，可以得出，出現虛警目標的圖像中，絕大部分分割閾值低于80，分割閾值低于80的差分圖像中，大部分出現了虛警目標，因此，差分圖像的分割閾值低于80是虛警目標的主要來源，即圖4中包含圓圈的直線以下的部分。同樣，目標檢測丟失的圖像中，絕大部分分割閾值大于100，分割閾值大于100的差分圖像中，大部分目標檢測丟失，因此，差分圖像分割閾值大于100是目標檢測丟失的主要來源，即圖4中包含三角形的直線以上的部分。因此，有必要對計算得到的差分圖像的分割閾值進行修正，以提高目標檢測的正確率。

自適應分割閾值的修正原則：

1）閾值修正的目標區間為［80，100］；

2）較小的閾值校準后仍然相對較小，較大的閾值校準后仍然相對較大。

閾值修正方法為：

其中，%為求余運算。自適應閾值經過修正后，閾值曲線圖如圖5所示。

自適應閾值修正后，500幀差分圖像中，虛驚目標僅有8幀，目標丟失僅有12幀，則目標檢測的準確率達96%，說明差分圖像的自適應閾值修正是有效的。

3　運動目標檢測算法流程圖

運動目標檢測算法流程圖如圖6所示。

圖6　運動目標檢測算法流程圖

4　實驗結果與分析

用拍攝機場附近的機載光電視頻做實驗，驗證了算法的性能，分析了算法的實時性。實驗平臺為Windows XP操作系統的PC機，使用VC6.0進行編程實現。

圖7　運動目標檢測

圖7是視頻中隨機兩幀圖像目標檢測效果圖，分別是第279幀和第350幀。目標用紅色框標記，且放大顯示于圖像的左下角。整個視頻1200幀圖像中，目標的虛警率為2%，目標漏檢率為2.6%，目標檢測準確率95.4%。視頻幀中的圖像大小為720×576，每幀圖像目標檢測的時間為38 ms，滿足幀率為25幀/秒的視頻目標檢測的實時性。

5　結束語

文中提出了一種基于自適應閾值分割的復雜運動背景下慢速小目標檢測算法。實驗結果表明該算法能夠準確地檢測出復雜運動背景下的慢速小目標，虛警率和漏檢率較低，魯棒性較好，并且具有很好的實時性。

［1］蔣建國，蔡志祥，齊美彬，等.旋轉攝像機下的快速目標檢測算法［J］.電子測量與儀器學報，2012（7）：624-628.

［2］Gance J，Malet J P，Dewez T，et al.Target Detection and Tracking of moving objects for characterizing landslide displacements from time-lapse terrestrial optical images［J］. Engineering Geology，2014：172.

［3］Wenming CAO，Weixin XIE，Tiancheng HE.Target Detection in Three-Dimension Sensor Networks Based on Clifford Algebra［J］.Wireless Sensor Network，2009：1-2.

［4］Wang Q X，Gao F，Gao F，et al.A novel hybridization indicator for the low-background detection of short DNA fragments based on an electrically neutral cobalt（II）complex［J］. Biosensors and Bioelectronics，2012，32（1）：50-55.

［5］王法棟，高鑫偉，馬冬冬.一種基于小波包變換的海面慢速小目標檢測方法［J］.艦船電子對抗，2012（4）：52-54.

［6］龍建武，申鉉京，陳海鵬.自適應最小誤差閾值分割算法［J］.自動化學報，2012（7）：1134-1144.

［7］吳一全，樊軍，吳詩婳.改進的二維Otsu法閾值分割快速迭代算法［J］.電子測量與儀器學報，2011（3）：218-225.

［8］閆鈞華，儲林臻，艾淑芳，等.地面劇烈旋轉運動背景中運動目標檢測［J］.儀器儀表學報，2014（9）：2078-2086.

［10］李響，譚南林，王天雷，等.復雜場景下基于局部運動補償的目標檢測［J］.儀器儀表學報，2014（7）：1555-1563.

［11］Luo Delin，Xie Rongzeng，Duan Haibin.A guidance law for UAV autonomous aerial refueling based on the iterative computation method［J］.Chinese Journal of Aeronautics，2014 （4）：875-883.

［12］ThomasH?hne，Deendarlianto.Numericalsimulationsof counter current flow experiments using a morphology detection algorithm［J］.The Journal of Computational Multiphase Flows，2012：43.

［13］劉輝，張云生，張印輝，等.均勻空間色差度量的矢量形態學圖像處理［J］.中國圖象圖形學報，2011（12）：2145-2151.

Slow dim target detection based on adaptive threshold segmentation in the background of complex moving background

YAN Jun-hua，DUAN He，XU Qian-qian，YANG Yong
（College of Astronautics，Nanjing University of Aeronautics and Astronautics，Nanjing 210016，China）

Aiming at the problem of high false detection rate and poor real-time performance in the background of complex moving background，a slow and dim target detection algorithm based on adaptive threshold segmentation is proposed.Firstly，

the feature points of the two frames of the Pyramid optical flow field are calculated，and the optical flow field is filtered to obtain the matching feature points.Then the background of image motion is modeled，and the model parameters which are obtained by using the projection model is to get the motion background compensation images.Finally，The adaptive threshold of the difference image is calculated.The difference threshold is corrected，and the difference image is segmented，and the moving target is detected.Experimental results show that algorithm can accurately detect the complex background of slow and dim target，the false alarm rate is 2%，the undetected rate was 2.6%，target detection accuracy of 95.4%，38 ms time for each frame of the video object detection can meet the requirements of real-time detection of moving targets.

target detection；slow；complex moving background；feature points

TN919.82

A

1674－6236（2016）06-0077-04

2015-10-27稿件編號：201510199

國家自然科學基金（61471194）；航空科學基金（20155552050）；中國航天科技集團公司航天科技創新基金；南京航空航天大學研究生創新基地（實驗室）開放基金（kfjj20151505）；中央高校基本科研業務費專項資金資助

閆鈞華（1972—），女，陜西隴縣人，博士，副教授。研究方向：多源信息融合、目標檢測跟蹤與識別。