改進(jìn)的幀間差分運(yùn)動(dòng)目標(biāo)檢測(cè)算法研究

陳媛，蔡曉燕

（武漢科技大學(xué)城市學(xué)院機(jī)電工程學(xué)部，武漢 430083）

0 引言

隨著當(dāng)今社會(huì)的快速發(fā)展，越來(lái)越多的高新技術(shù)應(yīng)運(yùn)而生，其中計(jì)算機(jī)視覺(jué)技術(shù)逐步受到人們的普遍關(guān)注，在國(guó)防科技、網(wǎng)絡(luò)安全、視頻監(jiān)控等領(lǐng)域應(yīng)用廣泛，其相關(guān)應(yīng)用領(lǐng)域的智能化程度也越來(lái)越高，節(jié)省了大量的人力和物力。智能視頻監(jiān)控系統(tǒng)是計(jì)算機(jī)視覺(jué)技術(shù)的一個(gè)重要研究熱點(diǎn)，在安全防范、處理突發(fā)事件以及智能信息處理等方面具有舉足輕重的作用。而運(yùn)動(dòng)目標(biāo)檢測(cè)技術(shù)是智能視頻監(jiān)控系統(tǒng)的核心技術(shù)，是實(shí)現(xiàn)視頻監(jiān)控智能化的關(guān)鍵，也是計(jì)算機(jī)視覺(jué)領(lǐng)域的重要基礎(chǔ)研究之一，它為后續(xù)目標(biāo)跟蹤和行為分析等研究提供必要的基礎(chǔ)，具有廣闊的應(yīng)用前景[1]。

運(yùn)動(dòng)目標(biāo)檢測(cè)可看成是前景目標(biāo)和背景的劃分問(wèn)題，即從一系列視頻圖像序列中將運(yùn)動(dòng)目標(biāo)從背景中檢測(cè)出來(lái)。目前應(yīng)用于運(yùn)動(dòng)目標(biāo)檢測(cè)的方法有很多，傳統(tǒng)的運(yùn)動(dòng)目標(biāo)檢測(cè)方法有光流法、背景差法和幀間差法。光流法是依據(jù)圖像各像素點(diǎn)的速度矢量特征來(lái)檢測(cè)運(yùn)動(dòng)目標(biāo)的方法[2]，它對(duì)圖像場(chǎng)景的先驗(yàn)信息沒(méi)有要求，可適用于攝像機(jī)運(yùn)動(dòng)的情況下的目標(biāo)檢測(cè)。由于要對(duì)圖像中每個(gè)像素點(diǎn)的速度矢量進(jìn)行分析，所以光流法的計(jì)算量很大，實(shí)時(shí)性不理想。

背景差法需要建立背景模型，通過(guò)待測(cè)幀圖像與背景圖像之間做差分計(jì)算來(lái)提取運(yùn)動(dòng)目標(biāo)。該方法操作簡(jiǎn)單，計(jì)算量小，但受外界光照條件、場(chǎng)景環(huán)境條件等因素的影響[3]，需要不斷更新背景模型，否則會(huì)降低檢測(cè)的準(zhǔn)確度。幀間差法與背景差法相似，是選取相連視頻幀圖像進(jìn)行差分運(yùn)算來(lái)檢測(cè)運(yùn)動(dòng)目標(biāo)，相連幀的選取可以是兩幀、三幀或是多幀。該算法原理簡(jiǎn)單，計(jì)算量也不大，實(shí)時(shí)性好，但是容易出現(xiàn)檢測(cè)出的目標(biāo)物輪廓不完整，內(nèi)部有“空洞”的現(xiàn)象[4]。

本文針對(duì)小區(qū)視頻監(jiān)控，在攝像機(jī)靜止情況下，對(duì)監(jiān)控畫(huà)面進(jìn)出小區(qū)的車(chē)輛進(jìn)行檢測(cè)研究，提出了一種基于最大模糊熵閾值化的三幀差分運(yùn)動(dòng)目標(biāo)檢測(cè)方法，在目標(biāo)和背景區(qū)分的閾值選取上實(shí)現(xiàn)自適應(yīng)選取，有效提高了算法的檢測(cè)性能。

1 基本幀間差分算法

基本幀間差分算法的原理是采用連續(xù)兩幀圖像做差得到差分圖像，然后通過(guò)選取合適的閾值來(lái)提取運(yùn)動(dòng)目標(biāo)?；編g差分算法用公式表示如下：

式（1）中Ii(x,y)、Ii-1(x,y)為連續(xù)的兩幀圖像，Di(x,y)為幀間差分圖像。選取合適的閾值T，對(duì)差分圖像Di(x,y)進(jìn)行二值化，如式（2）所示，Ri(x,y)為二值化后的結(jié)果。當(dāng)差分圖像的像素值大于或等于某閾值T，二值化結(jié)果為1，該像素位置判定為運(yùn)動(dòng)目標(biāo)區(qū)域；差分圖像的像素值小于某閾值T，二值化結(jié)果為0，則該像素位置判定為背景。由于基本幀間差分算法選取的是連續(xù)兩幀圖像作差，可能會(huì)出現(xiàn)在保留兩幀圖像相對(duì)變化區(qū)域的同時(shí)而忽略掉部分重疊的區(qū)域，使得目標(biāo)輪廓不能精準(zhǔn)檢測(cè)出來(lái)，且目標(biāo)內(nèi)部會(huì)出現(xiàn)“空洞”；另外該算法檢測(cè)出的運(yùn)動(dòng)目標(biāo)會(huì)比實(shí)際目標(biāo)大，會(huì)出現(xiàn)重影現(xiàn)象[5]。

2 三幀差分算法

三幀差分算法是根據(jù)基本的幀間差分法所做的改進(jìn)，選取連續(xù)的三幀圖像進(jìn)行比較，其算法原理如下[6]。

選取視頻圖像序列中相連的三幀圖像Ii-1(x,y)，Ii(x,y)，Ii+1(x,y)，進(jìn)行兩兩差值計(jì)算：

選擇合適的閾值T對(duì)上述差分計(jì)算后得到的差分圖像進(jìn)行二值化處理：

再將上述二值化后的差分圖像邏輯“與”：

算法流程如圖1所示。

采用三幀差分法可以在一定程度上克服兩幀差分法檢測(cè)運(yùn)動(dòng)目標(biāo)出現(xiàn)的重影問(wèn)題，但是仍舊無(wú)法避免檢測(cè)出的運(yùn)動(dòng)目標(biāo)輪廓不完整，內(nèi)部有“空洞”問(wèn)題。從算法原理可以看出，不管三幀差分法還是兩幀差分法，在對(duì)差分圖像進(jìn)行二值化處理時(shí)，所選取的閾值是固定的，并不能靈活適應(yīng)環(huán)境的變化。閾值的選取也是決定目標(biāo)檢測(cè)準(zhǔn)確性的影響因素之一，自適應(yīng)選取閾值可以進(jìn)一步的提高目標(biāo)檢測(cè)的準(zhǔn)確性。本文在閾值選取方面引入模糊集理論，通過(guò)建立差分圖像的隸屬函數(shù)，依據(jù)最大模糊熵準(zhǔn)則，確定最佳分割閾值，提升運(yùn)動(dòng)目標(biāo)的檢測(cè)精度。

圖1 三幀差分算法的流程圖

3 改進(jìn)的三幀差分算法

3. 1 模糊集定義

根據(jù)模糊集合理論，對(duì)于論域X上的模糊集合A，可以由隸屬函數(shù)μA(x)來(lái)表示，0≤μA(x)≤1，μA(x)的值反映了X中的元素x對(duì)于A的隸屬程度，即當(dāng)μA(x)=1時(shí)，x完全屬于 A；當(dāng)μA(x)=0時(shí)，x完全不屬于 A。μA(x)=1越接近于1，x屬于于A的程度就越大。

本文對(duì)視頻序列圖像采用三幀差分法得到的差分圖像進(jìn)行模糊集定義。設(shè)差分圖像X的灰度級(jí)數(shù)為L(zhǎng)，大小為M×N，令xmn表示坐標(biāo)(m,n)處像素點(diǎn)的灰度值。將差分圖像劃分成目標(biāo)（target）模糊集和背景（backdrop）模糊集。這兩個(gè)模糊集的隸屬函數(shù)分別定義如下：

式中，[a,b]為模糊區(qū)間，[0,a]和[b,L-1]為非模糊區(qū)間。μtarget(xmn)表示(m,n)像素點(diǎn)屬于目標(biāo)的程度，μbackdrop(xmn)表示(m,n)像素點(diǎn)屬于背景的程度，且

μtarget(xmn)+μbackdrop(xmn)=1。當(dāng)xmn=(a+b)/2時(shí)，該灰度級(jí)的像素屬于目標(biāo)和背景的隸屬度均為0.5，則可選xmn=(a+b)/2為分割閾值。灰度級(jí)小于(a+b)/2的像素屬于背景區(qū)域，灰度級(jí)大于(a+b)/2的像素屬于目標(biāo)區(qū)域。

3. 2 最大模糊熵閾值分割

根據(jù)概率統(tǒng)計(jì)的知識(shí)，目標(biāo)(target)模糊集發(fā)生的概率P(target)為：

背景(backdrop)模糊集發(fā)生的概率P(backdrop)為：

圖像的模糊熵為：

由于P(target)+P(backdrop)=1，得：

由信息論知，當(dāng)事件的熵越大時(shí)，則事件真實(shí)的可能性也越大。若圖像的熵取最大值，則目標(biāo)和背景的區(qū)分程度最佳。根據(jù)最大模糊熵原則，可得到最佳的模糊參數(shù)aopt和bopt，并進(jìn)一步得到最佳分割閾值(aopt+bopt)/2。

3. 3 算法流程

改進(jìn)后的三幀差分法采用最大模糊熵閾值，用差分后的圖像像素值與最大模糊熵閾值進(jìn)行比較，來(lái)判定運(yùn)動(dòng)目標(biāo)和背景。算法流程圖如圖2。

圖2 改進(jìn)三幀差分算法的流程圖

4 實(shí)驗(yàn)結(jié)果與分析

本文的仿真實(shí)驗(yàn)是在Intel Core i5-5200 CPU，2.20 GHz，內(nèi)存為 12GB，Microsoft Windows 7操作系統(tǒng)的PC上通過(guò)OpenCV軟件完成。選取進(jìn)出某小區(qū)的車(chē)輛行駛視頻，視頻幀尺寸大小為352×240，共150幀，連續(xù)選取三幀圖像，如圖3所示。采用傳統(tǒng)三幀差分算法和本文改進(jìn)的三幀差分算法所得的實(shí)驗(yàn)仿真結(jié)果如圖4所示。

圖3 連續(xù)選取的三幀圖像

圖4實(shí)驗(yàn)仿真結(jié)果

圖4 （a）是采用固定閾值的傳統(tǒng)三幀差分算法的二值化圖像，圖4（b）是采用最大模糊熵閾值的改進(jìn)三幀差分算法的二值化圖像。由圖可知，采用固定閾值的三幀差分算法雖然能檢測(cè)出運(yùn)動(dòng)目標(biāo)，但是目標(biāo)物的輪廓不完整，而且圖像噪聲明顯。而本文所采用的基于最大模糊熵閾值的改進(jìn)三幀差分法對(duì)于檢測(cè)出的目標(biāo)輪廓連續(xù)性得到改善，一定程度上消除了目標(biāo)物內(nèi)部“空洞”問(wèn)題，圖像噪聲有所抑制，有效提高了檢測(cè)的準(zhǔn)確性，滿(mǎn)足實(shí)時(shí)性要求。

5 結(jié)語(yǔ)

本文通過(guò)引入模糊集概念，在傳統(tǒng)的三幀差分算法的閾值選取上采用最大模糊熵閾值對(duì)差分圖像進(jìn)行二值化處理，可以避免固定閾值不能靈活適應(yīng)環(huán)境變化的缺點(diǎn)，彌補(bǔ)了傳統(tǒng)三幀差分法檢測(cè)運(yùn)動(dòng)目標(biāo)出現(xiàn)內(nèi)部“空洞”，輪廓不連續(xù)等不足，提高了算法的檢測(cè)性能。