李曉等

摘要：運(yùn)動(dòng)目標(biāo)檢測(cè)是固定攝像機(jī)智能視頻監(jiān)控的重要研究?jī)?nèi)容，針對(duì)現(xiàn)有方法難以均衡時(shí)間復(fù)雜性與檢測(cè)效果的不足，提出一種新方法：利用視頻背景信息劃分目標(biāo)出現(xiàn)區(qū)域，在小范圍目標(biāo)出現(xiàn)區(qū)域內(nèi)采用Canny算子檢測(cè)運(yùn)動(dòng)目標(biāo)，在目標(biāo)出現(xiàn)區(qū)域外，根據(jù)目標(biāo)運(yùn)動(dòng)的連續(xù)性，結(jié)合前一幀檢測(cè)出的運(yùn)動(dòng)目標(biāo)，自適應(yīng)檢測(cè)當(dāng)前幀的運(yùn)動(dòng)目標(biāo)。實(shí)驗(yàn)結(jié)果證明，該方法不僅具有較高的準(zhǔn)確性，而且能夠滿足實(shí)時(shí)性要求。

關(guān)鍵詞：智能視頻監(jiān)控 運(yùn)動(dòng)目標(biāo)檢測(cè) 區(qū)域劃分 視頻背景信息 固定攝像機(jī)

1 概述

目前，基于減背景（如時(shí)間差分法、運(yùn)行期均值法和混合高斯模型）和基于目標(biāo)特征（如顏色特征、邊緣特征和運(yùn)動(dòng)特征）是固定攝像機(jī)監(jiān)控視頻中運(yùn)動(dòng)目標(biāo)檢測(cè)的常用方法。但現(xiàn)有方法通常在時(shí)間復(fù)雜性和檢測(cè)效果之間難以達(dá)到較好的均衡。

為滿足實(shí)時(shí)性，針對(duì)10幀/秒的視頻序列，每幀圖像的處理時(shí)間不超過(guò)100毫秒，并需為目標(biāo)跟蹤和事件檢測(cè)等預(yù)留時(shí)間。因此，在實(shí)時(shí)性的約束下，運(yùn)動(dòng)目標(biāo)檢測(cè)的處理時(shí)間十分有限。運(yùn)行期均值法RA（Running Average）[2]是目前在實(shí)時(shí)性約束下的常用方法，但其對(duì)減背景閾值的設(shè)定和光照條件的變化比較敏感。

為了彌補(bǔ)RA的不足，本文提出ODBAP（Object Detection Based on Area Partition）檢測(cè)方法，該方法是一種基于區(qū)域劃分對(duì)運(yùn)動(dòng)目標(biāo)進(jìn)行檢測(cè)的方法。其基本思路為：在處理監(jiān)控視頻的過(guò)程中，對(duì)視頻背景的地形、道路等信息進(jìn)行充分的利用，在視頻背景中通過(guò)手工操作的方式對(duì)目標(biāo)出現(xiàn)的區(qū)域進(jìn)行鎖定，即鎖定視頻背景中運(yùn)動(dòng)目標(biāo)所在的區(qū)域，同視頻背景區(qū)域相比，目標(biāo)出現(xiàn)的區(qū)域要小很多。因此，對(duì)目標(biāo)出現(xiàn)區(qū)域內(nèi)的運(yùn)動(dòng)目標(biāo)進(jìn)行檢測(cè)，通過(guò)Canny算子對(duì)邊緣信息進(jìn)行提取，時(shí)間效率受到的影響微乎其微；基于視頻序列中幀率的快速性，在相鄰的兩幀之間運(yùn)動(dòng)目標(biāo)大同小異，如果運(yùn)動(dòng)目標(biāo)移出目標(biāo)出現(xiàn)區(qū)域，可以在減背景獲得的差異圖像上，利用目標(biāo)運(yùn)動(dòng)的連續(xù)性，根據(jù)運(yùn)動(dòng)目標(biāo)在前一幀被檢測(cè)出的區(qū)域，自適應(yīng)檢測(cè)運(yùn)動(dòng)目標(biāo)在當(dāng)前幀的區(qū)域。ODBAP對(duì)輸入?yún)?shù)和光照條件變化不敏感，時(shí)間復(fù)雜性低，并能更有效地抑制噪聲和檢測(cè)出完整的運(yùn)動(dòng)目標(biāo)。

2 基于區(qū)域劃分的運(yùn)動(dòng)目標(biāo)檢測(cè)ODBAP

2.1 目標(biāo)出現(xiàn)區(qū)域的劃分及背景圖像的獲取

在指定位置裝設(shè)固定攝像機(jī)后，那么相應(yīng)的監(jiān)控區(qū)域也就固定。所以，基于視頻背景劃定的目標(biāo)出現(xiàn)區(qū)域，在一定時(shí)間段內(nèi)是固定不變的。由于建筑布局、地形等因素對(duì)實(shí)際監(jiān)控造成的影響和制約，運(yùn)動(dòng)目標(biāo)只能從監(jiān)控區(qū)域的邊界等特定區(qū)域進(jìn)入視頻背景。在圖1（a）（b）中目標(biāo)出現(xiàn)區(qū)域是監(jiān)控區(qū)域邊界處的閉框。在實(shí)際監(jiān)控過(guò)程中，若監(jiān)控區(qū)域存在遮擋物，目標(biāo)出現(xiàn)區(qū)域也可以是遮擋物的邊界。監(jiān)控視頻圖像的實(shí)例如圖1（a）所示，對(duì)目標(biāo)出現(xiàn)區(qū)域內(nèi)（外）運(yùn)動(dòng)目標(biāo)的檢測(cè)步驟進(jìn)行設(shè)計(jì)。

■

（a） （b）

圖1 目標(biāo)出現(xiàn)區(qū)域的劃分

本文采用RA獲取背景圖像，也就是采用Bt+1（x，y）=λIt（x，y）+（1-λ）Bt（x，y）的更新方式，It（x，y）為t時(shí)刻當(dāng)前圖像（x，y）處的像素亮度，Bt（x，y）為t時(shí)刻背景圖像中（x，y）處的像素亮度，Bt+1（x，y）為t+1時(shí)刻背景圖像中（x，y）處的像素亮度，λ表示背景學(xué)習(xí)率，取值一般是0.03。

2.2 目標(biāo)出現(xiàn)區(qū)域內(nèi)運(yùn)動(dòng)目標(biāo)的檢測(cè)

圖2（a）的圖像與圖1（a）中的實(shí)例相對(duì)應(yīng)，其中存在目標(biāo)進(jìn)入目標(biāo)出現(xiàn)區(qū)域，圖2（b）中的背景圖像與圖2（a）相對(duì)應(yīng)。圖2（a）中實(shí)際場(chǎng)景的背景紋理較為平滑，背景圖像中的邊緣信息很少。因此，可將圖2中的（a）、（b）兩幀圖像作對(duì)比來(lái)檢測(cè)目標(biāo)出現(xiàn)區(qū)域內(nèi)的運(yùn)動(dòng)目標(biāo)。將“0-255”二值圖像I中像素x的值用I（x）表示，檢測(cè)流程分為三步：

①借助Canny算子提取目標(biāo)出現(xiàn)區(qū)域內(nèi)（a）、（b）兩幀圖像的邊緣信息，并用二值圖像I1、I2分別作標(biāo)示，如圖2（d）（e），通過(guò)3×3結(jié)構(gòu)元素的膨脹算子對(duì)I2進(jìn)行一次處理后得到I3，進(jìn)而取得二值圖像I4，即去除背景邊緣的運(yùn)動(dòng)目標(biāo)邊緣（參見(jiàn)圖2（f））（對(duì)？坌像素x，如果I1（x）=255、I3（x）=0，那么I4（x）=255，否則I4（x）=0）。設(shè)定閾值T，若I4（x）=255的像素個(gè)數(shù)稀少，即像素個(gè)數(shù)比閾值T小，則判定目標(biāo)出現(xiàn)區(qū)域內(nèi)不存在運(yùn)動(dòng)目標(biāo)，隨即進(jìn)入下一道檢測(cè)流程。

■

②若I4中的運(yùn)動(dòng)目標(biāo)邊緣呈完整閉環(huán)，可通過(guò)圖像填充手段來(lái)確定完整的運(yùn)動(dòng)目標(biāo)，I4中圖像邊緣未呈閉環(huán)狀是因?yàn)槭艿搅嗽肼暭癐3（背景邊緣）的影響。一系列1個(gè)像素寬的連通曲線以8鄰接的形式構(gòu)成了I4中的閉環(huán)圖像；圖3（a）屬于圖2（f）中的一條連通曲線，從圖3（a）中可以看出，它的紅色連通域有三個(gè)，三個(gè)連通域都與連通曲線的端點(diǎn)相對(duì)應(yīng)，圖3（b）、（c）、（d）中的紅色正方形是基于圖3（a）連通曲線中某一像素為中心的3×3結(jié)構(gòu)元素，將這三幀紅色正方向圖像放大得出如圖4（a）、（b）、（c）所示的圖像：當(dāng)連通曲線中除綠色像素以外同紅色正方形相鄰的像素處于同一連通域，可判定綠色像素為端點(diǎn)像素?；谶@一判斷就能找出I4中如圖2（g）紅色像素所示的全部的連通曲線的端點(diǎn)，只有消除這些端點(diǎn)才能得到閉環(huán)狀的運(yùn)動(dòng)目標(biāo)邊緣。從圖2（g）中截取一段連通曲線L（參見(jiàn)圖4（d）所示），圍繞此段連通曲線中的某一端點(diǎn)為中心向外尋找相鄰的像素，圖4（d）中深灰色與淺灰色的閉環(huán)相互交疊，直至其與L以外的連通曲線交互（交互部位用圖4（d）中綠色像素標(biāo)示），再將紅、綠兩色端點(diǎn)相連得出圖4（d）所示的黃色線段，圖2（g）中的端點(diǎn)隨即消除。在實(shí)地檢測(cè)中，基于噪聲等影響因素的考量，設(shè)定閾值D，當(dāng)圖4（d）中深灰與淺灰的相互交疊的閉環(huán)數(shù)量大于D尚未與除曲線L之外的連通曲線交互，則其相應(yīng)的端點(diǎn)也不與L之外的連通曲線交互。將圖3（g）中的端點(diǎn)連接得出的結(jié)果參見(jiàn)圖3（h）。

■

③運(yùn)動(dòng)目標(biāo)被內(nèi)部邊緣劃分為若干個(gè)區(qū)域，因此擬用圖像填充的手段來(lái)完善運(yùn)動(dòng)目標(biāo)外部圖像，填充部分即為圖2（i）所示的灰色區(qū)域，而運(yùn)動(dòng)目標(biāo)區(qū)域即為圖2（j）所示的非填充部分。為排除噪聲干擾，分別對(duì)圖2（j）進(jìn)行3×3結(jié)構(gòu)元素的腐蝕與膨脹算子進(jìn)行處理來(lái)獲取一個(gè)完整的運(yùn)動(dòng)目標(biāo)（參見(jiàn)圖2（k）），在圖2（a）劃定的目標(biāo)出現(xiàn)區(qū)域中檢測(cè)出運(yùn)動(dòng)目標(biāo)2（c）。

2.3 目標(biāo)出現(xiàn)區(qū)域外運(yùn)動(dòng)目標(biāo)的檢測(cè)

在目標(biāo)出現(xiàn)區(qū)域內(nèi)劃定有指示方向的紅色越界線（參見(jiàn)圖5（a）），基于運(yùn)動(dòng)目標(biāo)檢測(cè)方法得出圖5（b）所示的結(jié)果。圖5（b）中目標(biāo)中心點(diǎn)超出紅色越界線，因而圖5（d）擬用目標(biāo)出現(xiàn)區(qū)域外的方式來(lái)檢測(cè)運(yùn)動(dòng)目標(biāo)。圖5中由于（a）與（d）之間只有0.1s的間隔時(shí)間，因而不存在大的差異。目標(biāo)出現(xiàn)區(qū)域外檢測(cè)運(yùn)動(dòng)目標(biāo)分兩步：

①基于當(dāng)前圖像與背景圖像之差構(gòu)造出差異圖像F，如圖5（e）所示，其像素x的亮度值用F（x）表示。設(shè)N4（x）= {x1，x2，x3，x4}（參見(jiàn)圖5（f）），其中N4（x）b表示像素x的4鄰接，然后將F中的像素逐一歸類(lèi)標(biāo)記：按照上下左右的順序?qū)進(jìn)行掃描，設(shè)掃描至像素為x，則：

xk=argymin{y∈N4（x）}|F（x）-F（y）|

式中，N4（x）中的像素已被歸類(lèi)標(biāo)記。如果|F（x）-F（y）|<3，那么x被標(biāo)記為與xk被歸為同一類(lèi)，否則就會(huì)出現(xiàn)一個(gè)新類(lèi)并且x被標(biāo)記為此類(lèi)；F中像素歸類(lèi)標(biāo)記的最終結(jié)果參見(jiàn)圖5（g）。假設(shè)C是歸類(lèi)標(biāo)記后所有類(lèi)的集合，即C={c1，c2，…，cm}，得出ci（1≤i≤m）中像素屬同一連通域且在差異圖像F中的亮度值差異較小。

②用M、■分別表示前一幀測(cè)得的運(yùn)動(dòng)目標(biāo)區(qū)域和非運(yùn)動(dòng)目標(biāo)區(qū)域（參見(jiàn)圖5（b）），用F′表示前一幀測(cè)得的差異圖像，如圖5（c）；設(shè)IC={ci|ci∈C，ci？哿M}，BC={ci|ci∈C，ci∩M≠Φ，ci∩■≠Φ}（參見(jiàn)如圖5（h）、（i））；如果當(dāng)前幀和上一幀運(yùn)動(dòng)目標(biāo)區(qū)域的差異區(qū)域用BC表示，則BC={b1，b2，…，bn}，對(duì)？坌1≤j≤n：計(jì)算當(dāng)前幀的差異圖像F′中bj∩M的平均亮度值gMj、bj∩■的平均亮度值g■ j，以及差異圖像F中bj的平均亮度值gbj；設(shè)SC={bj|bj∈BC，1≤j≤n， |gbj-gMj|<|gbj-g■ j|}（參見(jiàn)圖5（j）），集合IC∪SC如圖5（k），最終得出當(dāng)前幀所測(cè)得的運(yùn)動(dòng)目標(biāo)區(qū)域 IC∪SC，即圖5（l）所示的白色區(qū)域。

3 算法實(shí)驗(yàn)結(jié)果及其討論

為了證明所提方法ODBAP的正確性，本文通過(guò)圖6（a）～（c）所對(duì)應(yīng)的監(jiān)控視頻（320×240幀率10幀/秒）進(jìn)行實(shí)驗(yàn)。實(shí)驗(yàn)所用計(jì)算機(jī)為Pentium（R）4、CPU為2.40 GHz、內(nèi)存為512MB，配置的軟件環(huán)境為Microsoft Windows XP，采用VC6.0編寫(xiě)算法。

■

圖6 ODBAP與自適應(yīng)閾值RA的實(shí)驗(yàn)結(jié)果與對(duì)比

采用文獻(xiàn)的自適應(yīng)閾值Th獲取方法確定運(yùn)行期均值法RA[2]的減背景閾值：

①Th的初始估計(jì)值采用平均亮度值。

②通過(guò)Th分割法生成兩組像素，一組亮度值大于Th的像素組成G1，另一組是亮度值小于等于Th的像素組成G2。

③對(duì)G1和G2中像素的平均亮度值μ1和μ2進(jìn)行計(jì)算。

④對(duì)新閾值Th（μ1+μ1）/2進(jìn)行計(jì)算。

⑤通過(guò)迭代的方法重復(fù)Step2～Step4，直到Th值之差穩(wěn)定。

本文通過(guò)對(duì)比ODBAP與RA[2]，ODBAP的實(shí)驗(yàn)結(jié)果如圖6（d）～（f）所示，自適應(yīng)閾值RA的實(shí)驗(yàn)結(jié)果如圖6（g）～（i）所示。經(jīng)比對(duì)后得知，運(yùn)動(dòng)目標(biāo)可以通過(guò)ODBAP進(jìn)行完整的檢測(cè)，相較于自適應(yīng)閾值RA，它對(duì)光照的敏感性稍差。實(shí)驗(yàn)表明，無(wú)論閾值T取值為100～260，還是閾值D為8～16，ODBAP對(duì)輸入?yún)?shù)始終不敏感。閾值T的最佳取值空間在整個(gè)圖像空間的1/500，當(dāng)閾值D在整個(gè)圖像空間的1/4000進(jìn)行取值時(shí)效果最好。所以，本實(shí)驗(yàn)閾值T為150，閾值D為10。ODBAP不需要構(gòu)造精細(xì)的背景模型，采用clock（）函數(shù)的100幀均值對(duì)CPU的執(zhí)行時(shí)間進(jìn)行測(cè)試，結(jié)果顯示ODBAP對(duì)每幀圖像的平均處理時(shí)間為0.026秒，進(jìn)而解決了運(yùn)動(dòng)目標(biāo)實(shí)時(shí)檢測(cè)的問(wèn)題。

4 結(jié)束語(yǔ)

為了彌補(bǔ)運(yùn)行期均值法RA[2]的不足，本文對(duì)時(shí)間復(fù)雜性和檢測(cè)效果進(jìn)行考慮，進(jìn)而提出ODBAP的檢測(cè)方法，該方法對(duì)輸入?yún)?shù)和光照條件的變化不敏感，時(shí)間復(fù)雜性低，借助背景特征信息檢測(cè)運(yùn)動(dòng)目標(biāo)，并且該方法能夠抑制噪聲，以及對(duì)完整的運(yùn)動(dòng)目標(biāo)進(jìn)行檢測(cè)。

參考文獻(xiàn)：

[1]Jager M，KnollC，Hamprecht F A.Weakly Supervised Learning of a Classifier for Unusual Event Detection [J].IEEE Transactions on Image Processing， 2008， 17（9）： 1700～1708.

[2]Martin Ulmke，Wolfgang Koch.Road-Map Assisted Ground Moving Target Tracking [J].IEEE Transactions on Aerospace and Electronic Systems，2006，42（4）：1264～1274.

[3]Canny J.A Computational Approach to Edge Detection [J].IEEE Transactions on Pattern Analysis and Machine Intelligence，1986，8（6）：679～698.

[4]Gonzalez R C，Woods R E.Digital Image Processing， Second Edition [M].New Jersey： Prentice Hall，Upper Saddle River，2002.

[5]李利杰.一種改進(jìn)的運(yùn)動(dòng)目標(biāo)檢測(cè)算法研究與實(shí)現(xiàn)[J].中小企業(yè)管理與科技（下旬刊），2012/09.

[6]陳靜，楊文飛，謝方方，楊素敏，成城.基于SSE指令集的運(yùn)動(dòng)目標(biāo)模板匹配算法設(shè)計(jì)[J].價(jià)值工程，2012（29）.

[7]喻鈞，陳娜，胡志毅，陳宏書(shū).邊緣處理在仿真迷彩設(shè)計(jì)中的研究與應(yīng)用[J].計(jì)算機(jī)仿真，2011（06）.

[8]范亞男，葛衛(wèi)麗.智能視頻監(jiān)控系統(tǒng)發(fā)展及應(yīng)用[J].價(jià)值工程，2010（17）.

[9]郭旭，張麗杰.運(yùn)動(dòng)目標(biāo)檢測(cè)視頻監(jiān)控軟件的設(shè)計(jì)與實(shí)現(xiàn)[J].計(jì)算機(jī)技術(shù)與發(fā)展，2010（08）.