基于背景差分的視頻運動對象檢測

姚文 沙萱

摘要： 視頻圖像序列中，對運動目標分割的主要目的是能夠提取出有意義的運動對象實體。背景差分法能夠較好地檢測視頻圖像序列中的運動目標。確定可靠的背景圖像是該算法的關鍵。在安檢系統視頻圖像序列的行李檢測中應用此法，初步獲得運動目標，并根據當前幀利用一種背景更新算法以獲得可靠的背景。然后做一些后期圖像處理，去除噪聲，取得了較好的效果。最后對實驗結果進行了分析并提出相應的改善計劃。

關鍵詞： 背景差分；運動檢測；背景更新

中圖分類號：TP18 文獻標識碼：A 文章編號：1009-3044（2018）04-0161-03

Moving Video Objects Detection Based on Background Subtraction

YAO Wen1， SHA Xuan2

（1.Troops 94789 PLA， Nanjing 210018， China； 2. Southeast University Chengxian College， Nanjing 210088， China）

Abstract： The main purpose of motion segmentation in video serial images is to extract representative moving objects. The background subtraction method can detect moving objects in image sequence efficiently. Extraction of the stable background is the key problem of this algorithm. By using this method in the video image sequence of the security inspection system to detect the baggage， the moving objects can be obtained first. Then use a background update algorithm to update the background according to current frame. Some latter image process is done followed to eliminate noise， which got a better result. Finally some analysis on the experiment results was given and corresponding optimal plans were suggested.

Key words： background subtraction； motion detection； background update

近年來，視頻運動對象的檢測及跟蹤技術在各個領域都得到了廣泛的研究和應用，本文主要針對通過安檢機上的行李包裹視頻圖像序列進行檢測及跟蹤。在客流高峰期，通過火車站、汽車站內安檢機的行李往往比較擁擠，容易出現誤拿行李現象，而一旦某行李箱或包裹里存在危險品，正確判斷危險品的歸屬者是非常重要的，故需對安檢機出口處的行李進行必要的檢測與跟蹤。

目前比較流行的運動對象檢測方法有背景差分法 [1][2]、幀差分法[2]和光流法[3]。很多學者在這些算法的基礎上派生出一系列適用于不同場景的運動分割算法[4][5]。背景差法是三種方法中最直接、最簡單的方法，對實時性要求比較高的場合更加適用；幀差分也比較簡單；光流法計算量比較大，不適合實時性要求較高的場合。由于安檢機出口處的背景相對比較單一、固定，所以本文僅討論背景差分法在實時行李運動檢測中的應用。

1 主要算法介紹

1.1 背景差分法概述

背景差法（BS）是在視頻運動對象檢測中最早被廣泛應用的方法之一。背景差法是在背景圖像已知的情況下，計算背景圖像與當前圖像的差值圖像，通過對差值圖像取門限來檢測出運動目標。設當前圖像和背景圖像分別為F和B，則運動目標MO檢測如下：

（1）

其中T為檢測門限。背景差法的結果示例見圖1。

在安檢機視頻監視應用中，攝像頭是靜止不動的，并且安檢系統也是固定的，僅傳送帶和行李出口處的檔板變化，而傳送帶顏色均勻，可認為是不變的，所以整個背景變化也不大，則背景差法應用在此處可以起到較好的效果。但在實際應用中還需注意以下幾個問題：（1）背景特征的確定（如像素灰度值、色度或紋理等）；（2）雖然理想背景的變化很小，但當背景由于出現各種不確定運動目標時，如何更新背景；（3）門限T的選取。

1.2 背景更新算法

本實驗的背景更新部分采用Surendra算法[6]。該算法原理是把每幅當前幀的像素點分為前景點和背景點。當前幀中的背景點像素值和背景圖中的對應點加權平均，作為當前背景中像素值。前景點處則保持原來的背景值不變。該算法的核心在于通過直方圖統計和經驗取值而區分當前幀中的前景點和背景點。它能夠較快地適應背景場景的變化，實現實時更新。其算法可以分以下幾步：

（1） 將第1幀圖像I0作為背景B0；

（2） 選取閾值T，迭代次數m=1，設定最大迭代次數為；

（3） 求當前幀與前一幀的差分圖像

（2）

（4） 由二值圖像Di更新背景圖像Bi，即

（3）

其中和為背景圖像和差分二值圖像在的灰度值；為輸入的第i幀圖像；為迭代速度系數；

（5） 迭代次數，返回（3），當迭代次數時結束迭代，此時可視為背景圖像。

2 運動行李檢測

首先讀入視頻序列圖像，以第一幀為初始背景。然后逐幀讀取，依次處理每幀圖像。對當前處理的圖像運用背景差法，初步獲得二值前景圖像。對于所獲得的二值圖存在的噪聲比較大，一些非目標區域可能會被誤判為目標區域，所以對目標圖像進行形態學濾波是有必要的。對目標圖像依次進行腐蝕和膨脹運算，濾掉一些噪聲，有利于提取出正確的運動目標。最后判斷運動行李的連通性，用矩形框標注目標。

在處理的同時，進行實時背景更新，對行人或光照條件對背景的影響起到了一定的抑制作用。

本文中背景差閾值T的選取通過迭代閾值分割算法確定。

將RGB圖轉換為灰度圖時，運用了以下轉換公式：

（4）

其中，Gray（x， y）為轉換為灰度圖像后的像素灰度值；R為RGB圖像的紅色分量值；G為綠色分量值；B為藍色分量值。

在運動行李檢測實驗中，背景更新運用公式（3），取值定為0.03時效果效為理想。圖2為運動行李檢測的主流程。

3 實驗結果及分析

根據上文所述方法，對拍攝的安檢機實驗視頻序列圖像進行處理，部分實驗結果如圖3所示。其中，圖（a）為視頻原始幀；圖（b）為經過背景更新后的背景圖像（其中初始背景圖像為視頻第1幀）；圖（c）為背景差分處理結果，二值圖像的白色部分為運動行李目標。

可以看出，對于圖3-2的這類前景與背景灰度對比相差較大的情況，能夠清楚地將運動目標提取出來，結果比較理想。而對于圖3-3，從原始幀圖像（a）可以看出，位于安檢機傳送帶上的行李箱與傳送帶顏色較為相近，導致通過灰度信息區分前景與背景的效果比較差，只能提取出部分目標。圖3-4顯示了多個運動目標的實驗結果。圖中多個目標存在重疊現象，這便引入了另一個問題：在用矩形框標注運動目標時，如何判斷重疊部分的歸屬。

圖4列出了運動行李目標行標注的結果。圖4-1與圖4-2的結果與理想結果一致；圖4-3沒有區分出兩個運動對象，將它們誤判為一個運動對象。圖4-4行李之間靠得太近或者重疊時，由于二值圖像的前景塊之間還存在一定的聯系，很難明確地區分開，所以，判斷出來的連通區域的外接矩形就包括了幾個相連的物體，出現誤判，這是在今后的研究工作中必須改進的地方。

4 結束語

本文通過對所拍攝的安檢機視頻序列圖像運用基于背景差分的視頻運動對象檢測算法，實現了對運動行李的檢測。詳細討論了實現過程，并對實驗結果進行了分析，找出了該方法用于這種情況下的優缺點。由于場景背景基本是不變的或變化比較小，所以在背景差分法的基礎上運用實時背景更新，得到了比較好的實驗結果。但是，對于論文中提到的幾個問題，將是今后工作的重點所在。在今后的研究工作中，將綜合運用時空聯合運動對象分割算法，并對運動行李的去向進行跟蹤，判斷各對象的歸屬，以進一步完善整個系統。

參考文獻：

[1] Stringa E， Regazzoni CS. Real-time video-shot detection for scene surveillance applications[J]. IEEE Transactions on Image Processing，2000，9（1）：69-79.

[2] 鄧玉春， 姜昱明， 張建榮. 視頻序列圖像中運動對象分割綜述[J].計算機應用研究，2005（1）：8-11.

[3] Horn BKP， Rhunck BG. Determining optical flow[J]. Artificial Intelligence，1981（17）：185-203.

[4] 曾煒. 視頻運動對象分割算法研究[D]. 哈爾濱工業大學，2005.

[5] 楊文凱. 序列圖像中運動目標的檢測[D]. 西北工業大學，2004.

[6] Surendra G， Osama M， Robert F K， et al. Detection and classification of vehicles[J].IEEE Transactions on Intelligent Transportation Systems， 2002，3（1）：37-47.