適用于動態背景下目標檢測的背景更新

于明杰

（武漢理工大學 汽車工程學院，湖北 武漢430070）

隨著信息技術的發展，基于視覺的運動目標檢測與跟蹤，已逐漸滲透到人們生活的方方面面，其重要性日益突出，吸引了越來越多的海內外學者及研究機構參與到此領域的研究[1]。目前，視頻監控系統在金融、交通、軍事等領域得到廣泛應用[2]，其中，運動目標檢測也顯得尤為重要。運動目標檢測根據背景區域運動與否可分為靜態背景檢測和動態背景檢測，靜態背景檢測是指攝像機鏡頭位置固定、動態背景檢測是指攝像機鏡頭位置隨運動物體變化。而背景更新一般用于靜態背景下的運動目標檢測[3]。對于動態背景下的目標檢測，由于存在背景與攝像機的相對運動，如果使用傳統的背景差分方法，背景變化使得畫面抖動。針對此問題，本文提出一種背景提取方法，運用新的前景與背景疊加方式，使得能提取出動態背景下的目標特征。

1 Surendra算法基本原理

Surendra算法的核心思想是：利用指定閾值計算方法對前一幀圖像與背景對比，如果超過指定的閾值，則用前一幀圖像與原來的背景進行有比例的圖像疊加；如果未超過，則背景不變。其算法步驟如下：

第一步，創建初始背景圖像B1。通常以第一幀圖像作為初始背景圖像。

第二步，設立循環，并設置背景更新的閾值T。

第四步，如果大于閾值T，進行背景更新；如果不大于閾值T，則背景不更新，即：

2 更新系數的選取

在靜態背景圖像中，背景在進行更新時，通常選取較小的前景權重和較大的背景權重，這樣的權重使得背景在更新時，對原來圖像的參考較多，通常選取α=0.1、β=0.9時能得到較好的背景圖像[4]，而背景中變化的物體在更新時逐漸弱化。但在靜態背景圖像中，由于每幀圖像背景都有區別，在更新時，圖像的抖動比較大，因此，將背景的權重降低，保留一部分原先的信息，這些信息在更新過程中被逐漸淡化，而升高前景的權重，使得保留前景的大部分信息，較為明顯的信息保留下來，而不明顯的信息被過濾掉。這樣在后續的差分過程中，有利于區別與背景區別較大的區域或物體。

在文獻[5]中，劉鑫等人提出，α取得較小，適應能力較差，且時間足夠長才能適應環境的變化；如果α取得較大，適應變化能力強，但容易引入噪聲。這為更新系數的選取提供了依據。

經多次實驗驗證，當α=0.91、β=0.31時能夠得到適合于動態背景的背景圖像。由于背景不斷變化，這就使得背景圖像要隨之不斷變化，所以，在應用于動態背景的背景更新不需要進行上述第三步的判斷而直接進行背景更新。

3 實驗結果分析

3.1 實驗步驟

在進行背景更新后，還需要對圖像進一步處理才能得到我們需要的特征。其中，由于需要考慮實際應用中算法的復雜度，且基于背景時時更新的情況，將Surendra算法處理步驟中的對單像素點的具體操作改為對圖像的整體操作。即將第四步改為

將當前幀的灰度圖像與背景圖像減操作。由于要得到二值圖像且為了降低計算復雜度，需要將RGB彩色圖像轉換為灰度圖像進行處理。在得到差分圖像后，設定閾值得到二值圖像。

得到二值圖像后，進行形態學操作，將較小的噪聲點通過腐蝕消除或者通過膨脹將較為不連貫的區域連接起來，得到較為有效的特征二值圖像，便于區分特征。使用基于連通區域的檢測算法，產生多個較為明顯的連通的小區域[2]，這些連通域可能有噪聲干擾產生且形態學操作未能消除的連通集合，通常需要限制連通域的大小來去除這些連通集合。

3.2 實驗過程

為了驗證上述理論，本文在python3.7開發環境中進行軟件實現。其中，視頻單幀大小為640×360像素，實驗場景為攝像機運動普通水泥地面一個靜止物體和一個緩慢移動物體。

3.3 實驗結果及分析

原視頻某一幀原圖像序列如圖1所示，背景圖像序列如圖2所示，閾值分割后二值圖像序列如圖3所示，處理結果序列如圖4所示。

圖1原視頻某一幀原圖像序列

圖2背景圖像序列

圖3閾值分割后二值圖像序列

圖4處理結果序列

每個序列第一幅圖為通常的背景更新方式，可以看出，這種方式并不能在動態背景下很好地進行目標的檢測與識別，表現為識別物體不完全、識別不準確等問題。每個序列的后三幅圖為新的疊加方式同一視頻不同時刻的背景更新，可以看出，該種疊加方式較為完整地提取了物體的信息，準確識別和跟蹤了目標對象。

4 結論

本文采用一種新的背景更新方式，使得背景差法能適用于動態背景下目標的提取與跟蹤。實驗結果表明，這種有著新的更新系數的背景更新方式在動態背景下也能較好地進行識別，但是由于工況的單一，該方法還不能應用于復雜背景下的物體識別。為此，以后的工作將圍繞如何自適應選取合適的閾值，使之能適應多場景復雜工況來展開。