王孝艷，張艷珠，董慧穎，李 媛，李小娟

(沈陽理工大學(xué)信息科學(xué)與工程學(xué)院，遼寧沈陽110159)

隨著信息技術(shù)的發(fā)展，人類對數(shù)字視頻的應(yīng)用越來越廣泛［1］。運動目標(biāo)檢測與跟蹤是一個很重要的應(yīng)用方向［2］。運動目標(biāo)檢測技術(shù)是從數(shù)字視頻中將運動目標(biāo)和背景區(qū)分開，并從中提取出運動的目標(biāo)，從而應(yīng)用到銀行、高速公路、小區(qū)等智能監(jiān)控系統(tǒng)中。運動目標(biāo)檢測效果的好壞直接影響到以后關(guān)于運動目標(biāo)跟蹤的結(jié)果。

目前，運動目標(biāo)檢測的方法較多，常用的有背景減除法(background subtraction)、光流法(optical flow)［2］和幀差法(temporal difference)［3-4］。背景減除法首先要通過視頻建立背景圖像的像素模型，然后通過對每幀圖像和背景圖像進行對比，得到運動目標(biāo)。這種方法需要考慮背景模型的表示及初始化和背景更新的方法等。光流法的主要任務(wù)是計算光流場，即在適應(yīng)的平滑約束性條件下，根據(jù)圖像序列的時空梯度估算運動場，通過分析運動場的變化對運動目標(biāo)和場景進行分割。但這種方法計算相當(dāng)復(fù)雜，且抗噪性能差，不能很好地應(yīng)用于實時監(jiān)控中。幀差法則是對相鄰兩幀的圖像進行差分，并設(shè)定一個閾值，認(rèn)為差分結(jié)果大于閾值的像素點就是運動目標(biāo)。這種方法因其計算量小、實時性高，在目標(biāo)檢測中比較常用［5-6］。不過，大部分方法的檢測結(jié)果都會伴有大量的噪聲。在此，使用三幀差法檢測運動目標(biāo)，采用運動圖像形態(tài)學(xué)的方法對得到的結(jié)果進行優(yōu)化處理，利用MATLAB實現(xiàn)，驗證文中提出的方法。

1 幀差法檢測運動目標(biāo)

對于攝像機靜止時拍攝的視頻序列，首先對第k幀及k-1幀圖片進行平滑去噪，再做幀差法處理，用第k幀圖片減去第k-1幀圖片，得到二值圖像。公式表示為

式中，T為預(yù)先設(shè)定的閾值，可根據(jù)經(jīng)驗選取。若T選取過大，則檢測的目標(biāo)則可能出現(xiàn)較大的空洞甚至漏檢，若T選取過小，將會出現(xiàn)大量噪聲。

從幀差法的公式可以看出，如果運動目標(biāo)勻速運動，幀差法得到的運動目標(biāo)會比較一致，但當(dāng)目標(biāo)加速或減速運動時，檢測到的運動目標(biāo)會存在多檢或者少檢。其次，幀差法檢測出的運動目標(biāo)中包含兩幀中的運動信息，這樣會檢測出較多的目標(biāo)點。為了改進幀差法的不足，提出了三幀差法［5］。

三幀差法首先對連續(xù)的三幀圖片進行平滑去噪，再分別做幀差法處理，用第k幀圖片減去第k-1幀圖片，得到二值圖像D1(x，y)，再用第k+1幀圖片減去第k幀圖片，得到二值圖像D2(x，y)，最后用D1(x，y)和D2(x，y)進行“與”運算，便可得到三幀差圖像D(x，y)。公式表示為

幀差法的原理如圖1所示。其中，圖1a、圖1b和圖1c是連續(xù)的三幀圖片，兩幀差法的結(jié)果如圖1d和圖1e所示，三幀差法的結(jié)果如圖1f所示。從圖中可以看出，三幀差法檢測的結(jié)果更加完整，比兩幀差法檢測的結(jié)果更接近實際的運動目標(biāo)。

圖1 幀差法原理圖

Grzegorz M.Wojcik 等人［6］采用三幀差法，即分別對連續(xù)三幀圖像中前幀與中間幀，中間幀與后幀進行兩幀差分運算，定義連續(xù)三幀序列圖像前后灰度幀差重合的部分，作為中間幀運動目標(biāo)的邊緣，這樣可有效遮擋前后幀的遮擋問題。李秋林等人［7］采用三幀差法和二維交叉熵閾值法相結(jié)合的方法對運動車輛進行檢測。三幀差法充分考慮了運動像素的時間相關(guān)性，對動態(tài)檢測比較靈敏，對隨機噪聲也有很好的抑制作用，但也存在一定缺陷，即差分圖像的檢測閾值需手動設(shè)定，大多數(shù)情況下只能依據(jù)實踐經(jīng)驗。

2 數(shù)學(xué)形態(tài)學(xué)原理

數(shù)學(xué)形態(tài)學(xué)在圖像處理中的主要作用是對圖像中目標(biāo)的幾何參數(shù)或者灰度值進行變換。常用的方法有腐蝕、膨脹、開運算、閉運算和形態(tài)學(xué)重構(gòu)等。本文主要使用腐蝕和膨脹兩種最基本的形態(tài)學(xué)運算。膨脹具有擴大圖像的作用，即將圖像的邊緣擴大些，將目標(biāo)的邊緣或者是內(nèi)部的坑填掉。圖2簡單說明了膨脹運算的作用。圖2a顯示包含一個簡單的二值圖像;圖2b為一個結(jié)構(gòu)元素，在此例中它是一條8個像素長的曲線，并用方框表明結(jié)構(gòu)元素的原點;圖2c所示的是圖2a被圖2b膨脹的結(jié)果。

圖2 膨脹示例

腐蝕具有收縮圖像的作用，即去除圖像中的噪聲，將目標(biāo)邊緣的“毛刺”踢除掉。圖3簡單說明了腐蝕運算的作用。圖3a顯示包含一個簡單的二值圖像;圖3b為一個結(jié)構(gòu)元素，在此例中它是一條3個像素長的直線，并用方框表明結(jié)構(gòu)元素的原點;圖3c所示的是圖3a被圖3b腐蝕的結(jié)果［8-9］。

圖3 腐蝕示例

在數(shù)學(xué)上，膨脹和腐蝕的定義都是集合運算。A被B膨脹，記為A⊕B，定義為A⊕B={z|(^B)z∩A≠φ};A被B腐蝕，記為AΘB，定義為:AΘB={z|(B)z∩AC≠φ}。其中φ為空集，B為結(jié)構(gòu)元素。

3 基于數(shù)學(xué)形態(tài)學(xué)的幀差法

文中首先采用改進的幀差法，即三幀差法對運動目標(biāo)進行檢測，在得到二值圖像后，運用數(shù)學(xué)形態(tài)學(xué)腐蝕和膨脹的方法對二值圖像進行處理。如用數(shù)學(xué)形態(tài)學(xué)的方法，大都是運用開閉運算或更復(fù)雜的形態(tài)學(xué)方法對檢測結(jié)果進行改進，文中只采用腐蝕和膨脹的方法。因為無論是開運算還是閉運算，都是由一對腐蝕和膨脹運算組成的，但腐蝕和膨脹的結(jié)構(gòu)元素是相同的。如果用腐蝕和膨脹的方法對圖像進行處理，就可以隨意變換結(jié)構(gòu)元素，即將腐蝕的結(jié)構(gòu)元素設(shè)置成背景擾動噪聲的形態(tài);將膨脹的結(jié)構(gòu)元素設(shè)置成目標(biāo)空洞的形態(tài)。和其它形態(tài)學(xué)方法比較，這兩種方法既可以降低計算量，又可以靈活控制結(jié)構(gòu)元素，這樣便可以去除噪聲，填充目標(biāo)的空洞，用最快的時間獲得最理想的效果。

實驗中所用的視頻是用Cannon相機在室外拍攝的一組視頻，將該視頻轉(zhuǎn)化為圖片后，共有256幀240×320×3的unit8圖片。圖4為分別采用三幀差法和文中方法對室外運動的小車進行檢測的結(jié)果對比圖。圖4a、圖4b、圖4c為連續(xù)的三幀圖片，圖4d為三幀差法檢測出的運動目標(biāo)，圖4e為本文方法檢測結(jié)果。文中采用的方法比傳統(tǒng)的三幀差法效果好很多，它不僅排除了外界光線強烈變化下對運動目標(biāo)檢測帶來的影響，有效去除噪聲，并且可以清晰地檢測出運動的目標(biāo)，使得運動目標(biāo)的輪廓清晰可見。從圖4d和圖4e的對比可以發(fā)現(xiàn)，文中采用的方法增強了檢測系統(tǒng)的實時性和準(zhǔn)確性。

實驗算法如下:

Step1:將連續(xù)的三幀圖片 fk-1(x，y)，fk(x，y)，fk+1(x，y)轉(zhuǎn)化為灰度圖片(x，y)，'(x，y)(x，y);

Step2:利用幀差法求出差分圖像，并將圖像二值化為 Dk，k-1(x，y)和 Dk+1，k(x，y);

Step3:對 Dk，k-1(x，y)和 Dk+1，k(x，y)進行“與”運算，得到含有運動目標(biāo)的圖像;

Step4:對圖像進行圖像形態(tài)學(xué)的處理，得到待檢測的運動目標(biāo)。

圖4 檢測方法對比圖

4 結(jié)論

文中采用一種運動目標(biāo)檢測的新方法，即采用改進的幀差法-三幀差法對運動目標(biāo)進行檢測，在得到二值圖像后，運用數(shù)學(xué)形態(tài)學(xué)中腐蝕和膨脹的方法對二值圖像進行處理，與傳統(tǒng)方法不同的是，這里每次用的結(jié)構(gòu)元素是根據(jù)圖像的實際需要選取的。該方法對運動物體所在的環(huán)境沒有任何約束，所以，這種方法可以應(yīng)用到很多視頻場所中。該算法的特點是計算量小，實時性強，準(zhǔn)確性高。大量實驗的結(jié)果表明，文中的算法有很強的應(yīng)用性。

對于運動物體的檢測，雖然能檢測出運動物體大概的輪廓，還會有一些地方被漏檢，對其分析原因。原因一，有可能是被漏檢的區(qū)域像素值變化不是很大，恰好小于幀差法公式中設(shè)定的閾值，如果是這種原因，可以考慮改變閾值設(shè)定的方法，即不采用傳統(tǒng)的根據(jù)經(jīng)驗給值，可考慮根據(jù)統(tǒng)計理論獲得閾值或者設(shè)置動態(tài)閾值;原因二，可能是成像和光強變化導(dǎo)致黑色小車上一些部分被漏檢。這一不足有待改進，將是下一步研究的重點。

［1］Lin Rui，Du Zhijiang，Sun Lining.Moving Object Tracking based on Mobile Robot Vision［C］.China:International Conference on Mechatronies and Automation，2009:3625-3630.

［2］Yuqiang Fang，Bin Dai.An Improved Moving Target Detecting and Tracking Based On Optical Flow Technique and Kalman Filter［C］.Proceedings of 2009 4th International Conference on Computer Science＆ Education，2009:1197-1202.

［3］Robert T.Collins，Alan J.Lipton，Takeo Kanade，et al.A system for video surveillance and monitoring:VSAM final report［R］.The Robotics Institute，Carnegie Mellon University，Pittsburgh PA，2000.

［4］張 瑋，王 平.基于動態(tài)背景的視頻圖像運動檢測［J］.科技廣場，2007，(11):127-130.

［5］何衛(wèi)華，李平，文玉梅，等.復(fù)雜背景下基于圖像融合的運動目標(biāo)輪廓提取算法［J］.計算機應(yīng)用，2006，2(1):123-126.

［6］Grzegorz M.Wojcik，Wieslaw A.Kaminski.Liquid state machine built of Hodgkin-Huxley neurons and pattern recognition［J］.Neurocomputing，2004，58-60:245-251.

［7］李秋林，何加峰.基于三幀差法和交叉熵閾值法的車輛檢測［J］. 計算機工程.2011，37(4):172-174.

［8］Claudio Rosito Jung.Unsupervised Multiscale Segmentation of Color Images［J］.Pattern Recognition Letters ，2007 ，28:523-533.

［9］Rafael C.Gonzalez，Richard E.Woods，Steven L.Eddins.Digital Image Processing Using MATLAB［M］.阮秋琦等譯.北京:電子工業(yè)出版社，2009.