基于改進壓縮背景碼書模型的運動目標檢測方法

段繼華 郝鐸 劉華宇 盧夢思

摘要：運動目標檢測是視頻監控系統中的關鍵技術步驟。傳統算法一般通過視頻序列中像素分布的時空域特點進行判斷，對亮度變化和陰影的魯棒性較差。提出了一種基于改進壓縮背景碼書模型的運動目標檢測方法，提出了一種改進色彩偏差和亮度差異閾值的檢測策略，并采用形態學處理去除不規則和較小面積誤檢測的影響，對外界光線變化具有更強的魯棒性。仿真實驗表明，此算法在暗/亮區域目標檢測中更具合理性，證明了算法的有效性。

關鍵詞：壓縮背景碼書模型；運動目標檢測；色彩偏差；亮度差異閾值

中圖分類號：TP391.4文獻標志碼：A文章編號：1008-1739（2022）05-59-4

0引言

運動目標檢測是計算機視覺監控/跟蹤系統中的關鍵步驟[1-3]。在視頻監控或光電雷達系統中，運動目標檢測技術是識別、跟蹤等后續處理的前提，直接決定后續處理的精度。根據文獻顯示，運動目標檢測算法可以大致分為以下幾類：①基于學習的分割方法[4-5]，訓練時間過于冗長，通過遷移學習的方法訓練也具有一定局限性。②基于圖像亮度差分的檢測方法[6-7]，差分檢測方法僅對邊緣具有較強的識別能力，不能有效識別運動物體內部的像素。③基于壓縮背景碼書模型算法的檢測方法[8]。傳統碼書算法在視頻圖像的暗區（像素值較低部分）和亮區（像素值較高部分），由于色彩偏差和亮度閾值的適應性不強造成的碼字匱乏現象，從而使檢測結果出現大量誤檢測和虛影。

針對傳統碼書模型在暗/亮區的誤檢測和虛影問題，本文進行了兩方面的研究：①通過在不同亮度區域測試和分析，討論了色彩偏差、亮度閾值合理區間以及自適應閾值問題。②根據分析結果，提出了一種由改進的色彩偏差和亮度閾值構建的新型背景碼書模型，實現運動目標的動態檢測。

1傳統碼書模型缺陷分析及模型改進

壓縮背景碼書模型是Kim等人[8]于2005年提出的一種實時運動目標檢測算法。背景碼書模型主要基于2個評價指標創建，第一個標準是色彩偏差閾值，第二個是亮度差異閾值，即如果一個輸入像素滿足：①與某個碼字之間的色彩偏差小于色彩偏差閾值；②與某個碼字之間亮度差處于亮度閾值區間之內，則認為該輸入像素屬于背景像素；否則認為該像素為前景運動物體像素。

在傳統的壓縮背景碼書算法中，碼書模型是根據色彩偏差和亮度差異來構造的。該策略基于以下2個結論：①在光照變化過程中，像素值大多沿原點（0，0，0）方向的軸呈細長狀分布。②當光照發生變化時，物體的亮度值也在亮度閾值范圍內發生變化。然而，在某些特殊情況下，這個數學模型并不適用。

1.1傳統背景碼書模型缺陷分析

對不同顏色塊中的5個點進行測試，如圖1所示。不同光照下被測點的RGB值如圖2所示，當值接近255時，測試點4和測試點5像素值沿軸向點（255，0，0）呈細長形狀分布。因此，傳統的色彩偏差計算公式在值接近255時，其色彩偏差可能產生比較大的數值，從而會產生過多的碼字，導致最大時間間隔過短，出現碼字匱乏現象，造成檢測精度下降。

1.2模型改進

2改進壓縮背景碼書模型運動目標檢測算法

2.1背景碼書模型構建

背景碼書模型構造完成后，將時刻屬于背景的所有像素賦給一個碼字，反復執行步驟②～⑤，即可完成背景碼書模型的構造。

2.2運動目標檢測

3實驗結果

使用了2個典型的評價標準Tanimoto/Jacard error（T/JE）[15]和normalized absolute error（NAE）[16]進行對比，并得出相應的可視化結果。做了如下3組實驗，在紅色箭頭處有明顯的光線波動、或者暗區和亮區。檢測結果分別如圖3、圖4和圖5所示。WT算法可以識別出運動物體的輪廓，但是有時在運動目標內部會出現孔洞。Kim的方法能夠獲得更好的檢測結果，但在光照頻繁變化處以及暗/亮區有很多誤檢測。Sigari的方法的檢測效果優于前2種方法；但不能完全避免在特殊區域出現的誤檢測。與其他方法相比，本文所提方法的檢測結果明顯提升，并克服了對頻繁局部光照變化敏感的缺點。

這3種測試的T/JE和NAE值對比分別如表1和表2所示。數值計算結果與前面的分析結果一致。與其他3種方法相比，產生的T/JE和NAE值都要低得多。結果表明，該方法在暗/亮區域更加有效。

4結束語

本文提出了一種基于改進壓縮背景碼書模型的運動目標分割方法。針對傳統碼書模型算法在暗/亮區域分割結果不準確的問題，提出了一種基于自適應色彩偏差和亮度差異閾值的改進壓縮碼書模型的方法。通過仿真實驗驗證了該方法的有效性。將所提方法的結果與WT算法、Kim方法和Sigari方法的結果進行了比較。仿真實驗表明，該方法優于其他方法，特別是在暗/亮區域有明顯的改進，證明了所提方法的有效性。

參考文獻

[1]代科學，李國輝，涂丹，等.監控視頻運動目標檢測減背景技術的研究現狀和展望[J].中國圖象圖形學報， 2006， 11（7）： 919-927.

[2]左軍輝，賈振紅，楊杰，等.基于改進背景減法的視頻圖像運動目標檢測[J].計算機工程與設計， 2020， 41（5）：1367-1372.

[3]李云鵬，侯凌燕，王超.基于YOLOv3的自動駕駛中運動目標檢測[J].計算機工程與設計， 2019， 40（4）：1139-1144.

[4] STAUFFER C， GRIMSON W E L，[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence，2002，22（8）： 747-757.

[5] KATO J， WATANABE T， JOGA S， et al. An HMM-based Segmentation Method for Traffic Monitoring Movies[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2002， 24（9）：1291-1296.

[6] KIM C， HWANG J N. Object-based Video Abstraction for Video Surveillance Systems[J]. IEEE Transactions on Circuits and Systems for Video Technology，2002，12（12）：1128-1138.

[7] HUANG J C， HSIEH W S. Wavelet-based Moving Object Segmentation[J]. Electronics Letters， 2003， 39（19）：1380-1382.

[8] KIM K， CHALIDABHONGSE T H， HARWOOD D，et al. Real-time Foreground Background Segmentation Using Codebook Model[J]. Real-Time Imaging，2005，11（3）：172-185.

[9] CHOU C H， LI Y C. A Perceptually Tuned Subband Image Coder Based on the Measure of Just-noticeable-distortion Profile[J]. IEEE Transactions on Circuits and Systems for Video Technology， 1995， 5（6）：467-476.

[10]霍宏濤.數字圖像處理[M].北京：機械工業出版社，2003.