李慶武，蔡艷梅，徐立中

(河海大學(xué)計算機及信息工程學(xué)院，江蘇 常州 213022)

隨著社會的發(fā)展，需要專人值守的傳統(tǒng)的視頻監(jiān)控系統(tǒng)的各項缺點逐漸顯露，如浪費人力資源、報警不準確不及時甚至錯過各種異常情況等等，已經(jīng)不能適應(yīng)越來越高的監(jiān)控要求.基于智能數(shù)字圖像處理技術(shù)的無人值守智能視頻監(jiān)控系統(tǒng)［1-4］，便能很好地解決上述缺點.視頻監(jiān)控系統(tǒng)實現(xiàn)智能化的一個關(guān)鍵問題是如何準確地提取運動目標.目前常見的運動目標檢測算法主要有3類:光流法、幀差法和背景差分法［5-7］，其中背景差分法是目前最常用且簡單有效的一種運動目標檢測方法.

在背景差分法中，首先要做的是背景圖像的提取和更新.這是背景差分法中的難點，也是決定運動目標檢測成功與否的關(guān)鍵.近年來，人們對如何實現(xiàn)背景圖像的自適應(yīng)更新提出了各種算法，如幀差法［8］、卡爾曼濾波器方法［9］、單高斯模型［10］、混合高斯模型［11］等.幀差法的背景更新時間長，需要資源多，在目標運動較快的情況下，會產(chǎn)生偽目標現(xiàn)象.卡爾曼濾波器方法在遞歸背景模型出現(xiàn)錯誤的情況下，對后續(xù)背景估計會造成持續(xù)較長時間的影響.單高斯模型無法適應(yīng)復(fù)雜背景，且只適合光線變化非常緩慢的情況.混合高斯模型及其改進算法雖然能適應(yīng)復(fù)雜的動態(tài)背景更新，但是計算量復(fù)雜，建模參數(shù)難調(diào)，對全局亮度突變敏感.上述幾種算法主要是以逐個像素為操作對象，計算量較大，且不能很好地適應(yīng)光線的變化.本文提出一種將差分圖像進行二級分塊分類處理的背景更新算法.首先將當前幀圖像與參考背景圖像之間的差分圖像進行初次分塊，按照子塊均值和標準差特征將初級子塊圖像分為前景塊和背景塊，這樣可以先把大部分背景子塊分離出去.再對前景塊進行二次分塊，分為二級前景塊和背景塊.最后對不同類別的子塊圖像采用不同的策略來實現(xiàn)背景的實時更新.該算法以塊為操作對象，提高了運算速度，對全局光照變化具有較強的魯棒性，且原理簡單，容易實現(xiàn).

1 基于均值特征的分塊分類

1.1 分塊分類原理

背景更新不僅要很好地適應(yīng)環(huán)境的變化，而且還要考慮處理速度能否達到實時性要求.一般情況下，運動目標往往只占監(jiān)控畫面的小部分，完全采用逐點更新像素的策略，會產(chǎn)生大量的冗余計算.這里采用分塊的思想，將相鄰的多個像素進行整體處理，可以有效地減少計算量，提高更新速度.

設(shè)待處理的視頻圖像大小為X×Y，當前幀的圖像為F，某預(yù)設(shè)的背景參考圖像為B，則根據(jù)背景差分法得到其差分圖像Fs為

將該差分圖像劃分為多個互不重疊的M×N大小的子塊，子塊的數(shù)目為，則Fs可以用式(2)所示的塊形式表示:

式中:Blij為Fs中的某個子塊.如果當前監(jiān)控場景中沒有運動目標出現(xiàn)，則Blij均為背景塊.若場景中存在運動目標，則Blij可分為3種:背景塊、前景塊以及兼有背景和前景像素的子塊.本文將后兩者均視為前景塊處理.

設(shè)v(k，l)為Blij中某像素的灰度值，則該子塊像素灰度的均值μij和標準差σij分別為

一般情況下，在視頻序列中，如果背景區(qū)域中沒有物體移進或移出的變化時，其相鄰像素灰度值之間具有某種穩(wěn)定的關(guān)系.當環(huán)境光線發(fā)生變化時，背景中的像素將同時變亮或變暗［12］.差分圖像Fs中的背景像素灰度值主要代表的是光線對當前幀各背景像素的影響幅度，因此，F(xiàn)s中的各背景像素灰度值之間的差距將不會太大，各個背景子塊的均值μij和標準差σij相差也是比較小的.而前景塊由于融合了目標自身的特征和光照等其他信息，它們的均值和標準差將會有比較大的差異.因此，可以將每個子塊的均值和標準差作為度量特征來進行子塊的分類.

式中:μij為子塊均值，μB為參考均值，σij為子塊標準差，T1、T2為分類閾值.

1.2 分塊大小的討論

分塊的大小應(yīng)根據(jù)具體的視頻圖像大小和視頻監(jiān)控系統(tǒng)實際使用場合而定.一般來講，子塊尺寸越大，背景更新速度越快，但會影響背景更新的精細程度.當然，子快劃分也不是越小越好.太小的子塊劃分，不僅時間花費較長，而且過分注意細節(jié)問題，會將目標中某些灰度與背景灰度接近的像素誤判為背景像素，從而導(dǎo)致后續(xù)差分處理中出現(xiàn)個別目標邊緣缺失或目標內(nèi)部孔洞的現(xiàn)象.因此要權(quán)衡算法的執(zhí)行效率和更新效果來選擇合適的分塊大小.

實際應(yīng)用中，運動目標往往只占監(jiān)控畫面的小部分.如果對圖像所有部分采用同樣大小子塊劃分，會影響背景更新效果.本文提出一種二級分塊的方法，先將差分圖像分為多個較大的初級子塊，該初級子塊以包含600～800個像素為宜.這樣可以先把大部分背景子塊分離出去.然后，將被判為前景的初級子塊再進行二次分塊，利用二級小子塊來處理細節(jié)，提高精度.為盡量避免將目標部分灰度與背景相似的點誤判為背景點，該二級子塊的大小也不宜過小，一般包含40～60個像素比較合適.

2 背景更新算法

2.1 背景更新策略

采用上述分塊分類的方法分離出背景塊和前景塊后，便可對這2類子塊采取相應(yīng)的背景更新策略.

1)背景塊:它是當前幀中未被目標遮擋的部分，可使用當前幀圖像中相應(yīng)的子塊對其進行實時更新.

2)前景塊:該類子塊包含純目標塊和兼有前景和背景的子塊.為提高背景更新的精度，對這樣的子塊實行逐點掃描，按式(4)的規(guī)則判別該像素是屬于背景點或前景點.若v(k，l)屬于背景點，則用當前幀圖像F中的相應(yīng)點像素值更新;若v(k，l)屬于前景點，則用背景參考圖像B中的相應(yīng)點像素值恢復(fù).

2.2 算法的實現(xiàn)步驟

本文提出的背景更新算法流程圖如圖1所示，分為如下6個主要步驟:

1)首幀背景提取:采用文獻［13］中介紹的連續(xù)多幀序列圖像中取中值的方法提取首幀背景B0，并將B0設(shè)為參考背景B.

2)獲取差分圖像:按照式(1)得到Fs.

3)初級分塊分類:根據(jù)式(3)的規(guī)則對Fs進行初級分塊分類操作，得到初級背景塊和初級前景塊.

4)二級分塊分類:根據(jù)式(3)的規(guī)則對初級前景塊進行二級分塊分類，得到二級前景塊和二級背景塊.

5)各類子塊處理:上述操作后得到3類子塊，分別是初級背景塊、二級背景塊和二級前景塊.分別按照背景塊與前景塊的更新策略進行背景更新.

6)當所有子塊均按上述步驟完成后，背景更新完畢.同時將更新后的背景作為參考背景進行存儲.

圖1 背景更新流程圖Fig.1 Background update flow chart

2.3 算法中幾個參數(shù)的自適應(yīng)設(shè)置

2.3.1 參考均值μB的自適應(yīng)獲取與更新

參考均值μB是非常重要的參數(shù)，它是子塊分類的重要判斷依據(jù).對于實際的監(jiān)控場景，運動目標一般只占監(jiān)控畫面的小部分，劃分的子塊中大部分為背景子塊，而且監(jiān)控視場四角同時出現(xiàn)運動目標的概率幾乎為零.因此差分圖像Fs的四角子塊中均值最小的子塊可以視為背景子塊，并取其均值和標準差作為初始參考均值μB和初始標準差σB.

在對子塊的處理過程中，為使μB和σB體現(xiàn)更多的背景信息，對它們引入學(xué)習(xí)機制，即處理完每塊初級背景子塊后，用式(5)、(6)分別更新背景參考均值 μB和 σB.

式中:μB、σB分別為參考均值和標準差;μij、σij分別為屬于初級背景塊的子塊均值和標準差;α為更新率，其值一般在(0.5，1)區(qū)間選取，本文α值均設(shè)定為 0.8.

2.3.2 幾個分類閾值的動態(tài)設(shè)置

目前大多數(shù)算法中閾值都是采用手動選取一個固定的經(jīng)驗值，但此方法不適用具有光線變化等復(fù)雜情況的環(huán)境.針對這一問題，提出以2幅圖像的光線變化來自適應(yīng)改變閾值.

差分圖像的標準差和各子塊標準差是反映監(jiān)控場景變化信息的重要參數(shù)，且它們與均值有內(nèi)在的聯(lián)系，因此可利用標準差來動態(tài)地設(shè)定各個閾值.

按照數(shù)理統(tǒng)計中的3σ準則［14］，可以認為背景塊像素灰度的均值μij基本上都是在參考均值μB的(－3σB，3σB)范圍內(nèi)變化，因此分類閾值 T1設(shè)為3σB.

設(shè)σs為差分圖像Fs的整體標準差，經(jīng)實驗表明，分類閾值T2設(shè)為0.5σs對室內(nèi)室外監(jiān)控環(huán)境均比較適用.

3 實驗結(jié)果與分析

為了驗證本文算法的有效性，分別在室內(nèi)、室外2種場景情況下進行了背景更新實驗，并與單高斯模型更新效果進行了對比.室內(nèi)視頻背景更新處理效果如圖2所示，室外交通視頻背景更新處理效果如圖3所示.實驗中，采集的視頻圖像大小均為240×320.本文算法初級分塊大小為24×32，二級分塊大小為6×8.

圖2 室內(nèi)視頻背景更新處理效果圖Fig.2 Results of indoor video background update

圖3 室外交通視頻背景更新處理效果圖Fig.3 Results of outdoor video background update

圖2(a1)、(a2)為室內(nèi)視頻序列中開燈前后的2幀圖像.圖2(b1)、(b2)分別是對這2幀圖像采用單高斯模型算法獲得的背景更新圖像.圖2(c1)、(c2)分別是圖2(a1)與(b1)、圖2(a2)與(b2)的差分圖像.圖2(d1)、(d2)分別是本文方法得到的背景更新圖像.圖2(e1)、(e2)分別是本文方法得到的差分圖像.

從圖2(b2)、(c2)中可以看出，高斯模型無法感應(yīng)光線變強這一信息，導(dǎo)致差分圖像中背景清晰可見，加大了后續(xù)目標提取的困難.而本文算法得到的背景更新圖像圖2(d1)、(d2)則能夠適應(yīng)光線的變化，背景更新效果明顯，這從差分圖像為圖2(e1)、(e2)中也能體現(xiàn)出來，明顯比單高斯模型算法獲得的差分圖像圖2(c1)、(c2)效果要好.

在本文方法中，背景更新首先采用二級分塊來判斷前景塊和背景塊，對于前景塊中的前景點保持背景參考圖像中的相應(yīng)點像素值不變;所以，若當前幀圖像光照變化強烈，則參考背景圖像與當前幀圖像光照會存在明顯差異，也正是因此，才保證了最終差分圖像較好的去背景效果.

為了進一步檢驗算法的有效性，圖3給出了室外交通視頻處理效果圖.其中，圖3(a1)為上午10點鐘采集的視頻圖像中的某一幀，圖3(a2)則是下午4點半鐘采集的視頻圖像中的某一幀.圖3(b1)、(b2)和圖3(c1)、(c2)分別是對這2幀采用單高斯模型背景更新算法獲得的背景圖像及其相應(yīng)的差分圖像.圖3(d1)、(d2)和圖3(e1)、(e2)則分別是本文算法獲得的背景圖像及其相應(yīng)的差分圖像.從圖3(c2)中可以看出背景干擾信息較多，這表明高斯模型獲得的背景圖像無法完全適應(yīng)光線變暗的信息.而本文算法很好地感應(yīng)到光線的變化，使得未被目標遮擋部分基本上得到了實時更新，其相應(yīng)的差分圖像圖3(e1)、(e2)中背景干擾信息都非常少，有利于目標的提取.

4 結(jié)束語

針對現(xiàn)有智能視頻監(jiān)控中背景更新算法計算量大、對光照變化敏感等問題，提出一種將差分圖像進行二級分塊分類處理的背景更新算法.該算法以塊為操作對象，不需要背景先驗知識，對全局光照變化具有較強的魯棒性，可準確地更新背景圖像，為后續(xù)的運動目標識別與理解提供了良好的基礎(chǔ)條件.

［1］VALERA M，VELASTIN S A.Intelligent distributed surveillance systems:a review［J］.Image and Signal Processing，2005，152(2):192-204.

［2］HARITAOGLU I，HARWOOD D，DAVIS L S.Real-time surveillance of people and their activities［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，2000，22(8):809-830.

［3］杜友田，陳峰，徐文立，等.基于視覺的人的運動識別綜述［J］.電子學(xué)報，2007，35(1):84-90.DU Youtian，CHEN Feng，XU Wenli，et al.A survey on the vision-based human motion recognition［J］.Acta Electronica Sinica，2007，35(1):84-90.

［4］李慶武，許和英，陳小剛，等.基于 USB2.0的智能視頻監(jiān)控系統(tǒng)設(shè)計［J］.光學(xué)技術(shù)，2007，33(S1):22-24.LI Qingwu，XU Heying，CHEN Xiaogang，et al.Design of intelligent video monitoring system based on USB 2.0［J］.Optical Technique，2007，33(S1):22-24.

［5］魏志強，紀筱鵬，馮業(yè)偉.基于自適應(yīng)背景圖像更新的運動目標檢測方法［J］.電子學(xué)報，2005，33(12):2261-2264.WEI Zhiqiang，JI Xiaopeng，F(xiàn)ENG Yewei.A moving object detection method based on self-adaptive updating of background［J］.Acta Electronica Sinica，2005，33(12):2261-2264.

［6］張洪斌，黃山.面向?qū)崟r交通視覺監(jiān)控的綜合動態(tài)背景更新方法［J］.計算機應(yīng)用，2007，27(9):2134-2136.ZHANG Hongbin，HUANG Shan.Comprehensive dynamic background updating method for real-time traffic visual surveillance［J］.Journal of Computer Applications，2007，27(9):2134-2136.

［7］汪沖，席志紅，肖春麗.基于背景差分的運動目標檢測方法［J］.應(yīng)用科技，2009，36(10):16-18，30.WANG Chong，XI Zhihong，XIAO Chunli.Moving objects detection based on background subtraction method［J］.Applied Science and Technology，2009，36(10):16-18，30.［8］GUPTE S，MASOUD O，MARTIN R F K，et al.Detection and classification of vehicles［J］.IEEE Transactions on Intelligent Transportation Systems，2002，3(1):37-47.

［9］MESSELODI S，MODENA C M，SEGATA N，et al.A Kalman filter based background updating algorithm robust to sharp illumination changes［J］.Lecture Notes in Computer Science，2005，3167:163-170.

［10］曹丹華，鄒偉，吳裕斌.基于背景圖像差分的運動人體檢測［J］.光電工程，2007，34(6):107-111.CAO Danhua，ZOU Wei，WU Yubin.Motion human detection based on difference background image［J］.Opto-E-lectronic Engineering，2007，34(6):107-111.

［11］STAUFFER C，GRIMSON W E L.Adaptive background mixture models for real-time tracking［C］//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition.Fort Collins，USA，1999，2(6):246-252.

［12］楊廣林，孔令富.基于圖像分塊的背景模型構(gòu)建方法［J］.機器人，2007，29(1):29-34.YANG Guanglin，KONG Lingfu.Approach of constructing background model based on image blocks［J］.Robot，2007，29(1):29-34.

［13］李強，趙亦工，高永晶.基于背景差分的動目標檢測算法研究［J］.遙測遙控，2007，28(6):68-72.LI Qiang，ZHAO Yigong，GAO Yongjing.Moving object detection algorithm based on background difference［J］.Journal of Telemetry，Tracking and Command，2007，28(6):68-72.

［14］于學(xué)漢.概率論與數(shù)理統(tǒng)計教程［M］.北京:兵器工業(yè)出版社，1996:149.