摘要：運(yùn)動(dòng)目標(biāo)的檢測(cè)與分割是視頻監(jiān)控系統(tǒng)的基礎(chǔ)，所分割出的目標(biāo)的完整性對(duì)視頻的后續(xù)處理如目標(biāo)分類(lèi)、跟蹤及行為理解產(chǎn)生重要影響。實(shí)際場(chǎng)景通常很復(fù)雜包括靜態(tài)的背景和動(dòng)態(tài)的背景及運(yùn)動(dòng)目標(biāo)。該文提出了基于貝葉斯框架的目標(biāo)檢測(cè)方法。首先求相鄰兩幀之差，通過(guò)自適應(yīng)閾值把幀差圖二值化為變化部分和靜止部分。每個(gè)像素維護(hù)兩個(gè)表分別對(duì)應(yīng)靜止和運(yùn)運(yùn)兩種狀態(tài)，表中表項(xiàng)記錄像素最近最重要的概率信息，檢索這些概率代入貝葉斯公式，求出當(dāng)前幀像素點(diǎn)的最大后驗(yàn)概率，根據(jù)貝葉斯分類(lèi)原則，對(duì)當(dāng)前幀的像素進(jìn)行分類(lèi)。最后，對(duì)室內(nèi)、室外拍攝的兩個(gè)視頻做實(shí)驗(yàn)進(jìn)行驗(yàn)證，實(shí)驗(yàn)表明該方法在較復(fù)雜環(huán)境下，也具有較好的目標(biāo)檢測(cè)能力。

關(guān)鍵詞：貝葉斯；目標(biāo)分割；

中圖分類(lèi)號(hào)：TP18 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（2013）04-0866-04

在視頻流中檢測(cè)和分割前景目標(biāo)是后續(xù)處理如目標(biāo)分類(lèi)、目標(biāo)跟蹤和行為理解的基礎(chǔ)。人腦智能所謂的前景通常是自已感興趣的目標(biāo)，其他場(chǎng)景成分一概歸入背景。固定的攝像機(jī)，分割前景常用的方法有幀差法、背景減除法等，這些方法假設(shè)背景都是由靜止的物體（其顏色或強(qiáng)度緩慢變化）構(gòu)成。然而，當(dāng)背景中含有目標(biāo)物體的陰影如車(chē)影，運(yùn)動(dòng)物體如晃動(dòng)的樹(shù)枝，水波以及光照變化給前景目標(biāo)的正確檢測(cè)和分割帶來(lái)挑挑戰(zhàn)。當(dāng)背景處于或場(chǎng)景緩慢變化時(shí)，單高斯就能較好的描述背景像素的噪聲。對(duì)于周期運(yùn)動(dòng)的背景如搖動(dòng)的樹(shù)葉，像素在葉子和葉子后面的地面兩種顏色為均值的分布中變化。像素呈現(xiàn)雙峰狀態(tài)?；诒尘爸锌赡苡兄芷谛詣?dòng)用的物體，近來(lái)，人們又提出了采用高斯混合模型（多個(gè)高斯的線(xiàn)性組合）來(lái)描述每個(gè)背景像素。高斯的權(quán)重、均值，方差迭代更新以適應(yīng)環(huán)境的變化。但是，這些方法不能處理光線(xiàn)的緩慢的變化和突變。如從早到晚的光線(xiàn)變化和開(kāi)關(guān)燈的全局背景光線(xiàn)的突變。此外，存在前景目標(biāo)與背景的相互轉(zhuǎn)換的情況如移動(dòng)背景物體而產(chǎn)生的背景局部變化（如移動(dòng)凳子）及開(kāi)車(chē)停在停車(chē)位，車(chē)成為了背景物體。在某些情況下，背景像素可能有多種狀態(tài)，因此，對(duì)于復(fù)雜的場(chǎng)景，背景的不同部分應(yīng)用不同的特征來(lái)描述。

本文中采用基于貝葉斯框架目標(biāo)檢測(cè)方法。首先求相鄰兩幀之差，通過(guò)自適應(yīng)閾值把幀差圖二值化為變化部分和靜止部分。每個(gè)像素維護(hù)兩個(gè)表分別對(duì)應(yīng)靜止和運(yùn)運(yùn)兩種狀態(tài)，表中表項(xiàng)記錄像素最近最重要的概率信息，檢索這些概率代入貝葉斯公式，求出當(dāng)前幀像素點(diǎn)的最大后驗(yàn)概率，根據(jù)貝葉斯分類(lèi)原則，對(duì)當(dāng)前幀的像素進(jìn)行分類(lèi)。

1 貝葉斯分類(lèi)

假設(shè)[vt]是序列圖像中t時(shí)刻， [s=x，y]位置，像素的特征向量。由貝葉斯規(guī)則，[vt]的后驗(yàn)概率是

[PC|vt，s=Pvt|C，sPC|sPvt|s] （1）

式中的分母

[Pvt|s=Pvt|C，sPC|s] （2）

其中[C]為前景或背景，這是兩類(lèi)判別問(wèn)題，由貝葉斯決策論，比較后驗(yàn)概率[Pb|vt，s]和[Pf|vt，s]的大小，如果滿(mǎn)足

[Pb|vt，s>Pf|vt，s] （3）

則把[vt]分類(lèi)為背景。將式（1）、（2）代入（3）中得

[2Pvt|b，sPb|s>Pvt|s] （4）

這個(gè)公式說(shuō)明，我們只要知道了當(dāng)前像素的三個(gè)概率：[Pb|s]，[Pvt|b，s]，[Pvt|s]就可以判定像素的類(lèi)別。

2 特征統(tǒng)計(jì)表示

背景通常被認(rèn)為是沒(méi)有出現(xiàn)感興趣目標(biāo)的場(chǎng)景，由無(wú)生命的物體組成，靜止在原地不動(dòng)，背景像素的狀態(tài)穩(wěn)定。而感興趣目標(biāo)經(jīng)常在場(chǎng)景中移動(dòng)。因此，所選取表達(dá)背景的特征，在像素s，特征向量會(huì)集中在一個(gè)特征直方圖很少量直方塊內(nèi)。而前景的特征向量會(huì)分布在較寬的范圍。這種意味著，選擇好的特征，可以覆蓋大部的特征向量（背景在s處的像素，在時(shí)間域上的直方圖，少量的柱塊，就能反映大部分的像素變化），比例為[M]，如[M1]=90%，[M2]=10%。設(shè)[Pvt|b，s，i=1，…，N1]，是[Pvt|b，s]的降序排列的前[N1]個(gè)概率值。[N1]是經(jīng)驗(yàn)值，穩(wěn)定的背景特征相對(duì)集中，[N1]取較小值，而對(duì)于變化較大的背景，取稍大的值。

[i=1N1Pvit|f，s>M1]， [i=1N1Pvit|f，s

每個(gè)像素，在t時(shí)刻都維護(hù)著一個(gè)統(tǒng)計(jì)表[Ss，t，ivt]，記錄[N2]（[N2>N1]）個(gè)最重要的值的概率信息。表中的每個(gè)表項(xiàng)，由三項(xiàng)組成，這三項(xiàng)對(duì)就于（4）式中的三個(gè)概率。

[Ss，t，ivt]= （6）

此表由特征直方圖的最重要的部分構(gòu)成，表中的元素以[pt，iv]降序排列。同時(shí)[ps，tb=Pb|s]要據(jù)場(chǎng)景的變化，迭代更新。表中的前[N1]個(gè)元素足以覆蓋背景特征向量絕大部分。所以在表的前[N1]個(gè)元素中有，[pt，iv≈pt，ivb]。

3 特征選擇

靜態(tài)背景的像素，采用顏色的三個(gè)分量（r， g， b）做為特征向量，[vt=ct=[rt，gt，bt]]。對(duì)于運(yùn)動(dòng)的背景物體，雖然像素的顏色變化很大，但相鄰兩幀間運(yùn)動(dòng)物體上的顏色發(fā)生相似的變化。據(jù)此，采用前后幀兩組顏色分量做為特征向量，[vt=cct=[rt-1，gt-1，bt-1，rt，gt，bt]]。為了表達(dá)背景中的像素具有靜止和運(yùn)動(dòng)兩種狀態(tài)，每個(gè)像素維護(hù)兩個(gè)記錄表[Ss，t，ic]和[Ss，t，icc]。

4 算法描述

4.1 變化檢測(cè)

前后兩幀求差和背景減除得到兩副幀差圖[FDjs，t=Fjs，t-Fjs，t-1]和[BDjs，t=Fjs，t-Bjs，t]，其中[j=r，g，b]，[Bjs，t]為參考背景圖。分別對(duì)[FDjs，t]和[BDjs，t]求灰度直方圖，直方圖求區(qū)間[255-i，255]上的方差[δ2i]，其中[i=1，…，255]。 [T=maxδ2i] 。對(duì)[FDj]及[BDj]二值化，圖像靜態(tài)區(qū)域置0，變化區(qū)域設(shè)置1。

（7）

（8）

[T]取最大方差，考慮的是只有當(dāng)像素灰度變化很大時(shí)，才把像素分為變化部分，提高了靜態(tài)背景的搞噪聲能力。

4.2 細(xì)分類(lèi)

二值圖把圖分為靜止區(qū)域和變化區(qū)域。應(yīng)依像素狀態(tài)的不同選擇的相應(yīng)的描述像素的特征向量。屬于靜止物上的像素，采有特征向量[vt=Ct=[rt，gt，bt]]，變化的像素采用特征向量[vt=CCt=[rt-1，gt-1，bt-1，rt，gt，bt]]。當(dāng)前幀的像素的特征向量[vt]與該像素維護(hù)的對(duì)應(yīng)表的前[N1]元素的向量比較，如果向量對(duì)應(yīng)分量差的絕對(duì)值均小于預(yù)定義閾值[δ]，則認(rèn)為它們匹配，[M=1]，否則[M=0]。把表項(xiàng)中所有匹配（即所有與[vt]相似的向量）的相應(yīng)概率相加，求出當(dāng)前在[s]處的像素的兩個(gè)概率[P（vt|s）]及[P（vt|b，s）]。因此，根據(jù)貝葉斯判別式（4），可以把像素分類(lèi)為背景或者前景。如果表中無(wú)匹配的項(xiàng)，則令 ==0。

（9）

4.3 聯(lián)合時(shí)空域信息的分割

通過(guò)像素的鄰域約束關(guān)系可以減少目標(biāo)的破碎或孔洞的情況，提高分割的質(zhì)量。為了進(jìn)一步剔除被錯(cuò)誤檢測(cè)為前景的背景像素和填充漏檢的前就像素，我們聯(lián)合像素時(shí)空信息來(lái)對(duì)目標(biāo)二值化模板進(jìn)行處理。對(duì)于第t幀，由前面方法檢測(cè)的目標(biāo)區(qū)域，統(tǒng)計(jì)當(dāng)前二值圖像目標(biāo)外接矩形框內(nèi)各像素在前面[L]幀中屬于前景點(diǎn)的情況，計(jì)算像素的累計(jì)值。令[ps，t]表示當(dāng)前幀中像素[s]基于時(shí)域特征屬于前景的概率：

[pus，t=1Li=t-L-1tFtds，t] （10）

[pus，t]反映了各像素在時(shí)間軸上的相關(guān)性，即如果一個(gè)像素在序列圖像前若干幀中的對(duì)應(yīng)像素屬于前景，則該像素在當(dāng)前幀中屬于前景的可能性會(huì)比較大，相反，該像素屬于前景的可能性就小。

考慮第[t]幀二值圖像中像素[s]的[3×3]鄰域，如果一個(gè)像素鄰域內(nèi)有若干個(gè)像素屬于前景，則該像素屬于前景的可能性會(huì)比較大，反之，屬于前景的可能性就小。

[pvs，t=19k=-11j=-11Ftdx+k，y+j，t] （11）

令[pmaxs，t=maxpus，t，pvs，t]，當(dāng)[pmaxs，t]大于預(yù)定義的閥值[Tp]時(shí)，表示像素屬于前景。

4.4 模型更新

4.4.1 漸變時(shí)表更新

表的更新采用迭代等式同時(shí)進(jìn)行。

其中[Ms，tb]為最終分割出來(lái)二值圖像在[s=（x，y）]處的值。當(dāng)[vt]與[Ss，t，ivt]的[vit]最匹配時(shí)，[Ms，t，iv=1]，[Ms，t，jv=0，j∈1，…，N2，j≠i]，由上式可以看出當(dāng)?shù)仁接疫叺钠ヅ漤?xiàng)[Ms，tb]，[Ms，t，iv]，[Ms，tb∧Ms，t，iv]為1時(shí)，等式左邊的[ps，t+1b]，[ps，t+1，ivb]，[ps，t+1，ivb]分別略有增大，否則，減少。[α]決定背景的更新速度，[α]越小，越穩(wěn)定，越大，越來(lái)越能適應(yīng)環(huán)境的變化，但會(huì)對(duì)噪聲敏感。當(dāng)在[Ss，t，ivt]中找不到匹配項(xiàng)時(shí)，令[Ss，t，ivt]的第[N2]項(xiàng)[ps，t+1，N2v=α]，[ps，t+1，N2vb=α]，[vN2t+1=vt]。表項(xiàng)更表完后，要對(duì)表項(xiàng)以[ps，t+1v]降序排序，保證最常出現(xiàn)的特征排在前面。

4.4.2 突變時(shí)表更新

背景穩(wěn)定時(shí)由（5）式，兩邊乘[Pf|s]得

[Pf|si=1N1Pvit|f，s

由此可以得出，當(dāng)由于背景突變時(shí)，存在關(guān)系式

[Pf|si=1N1Pvit|f，s>T] （14）

將式（3）代入式（14）中，變換得

[i=1N1ps，t，iv-ps，tbi=1N1ps，t，ivb>T] （15）

此式為檢測(cè)到背景突變的判斷標(biāo)準(zhǔn)，當(dāng)檢測(cè)到背景像素有突變時(shí)，每個(gè)像素維護(hù)的表以下方式更新

4.4.3背景更新

根據(jù)像素s是否是變化點(diǎn)，采用不同的更新方式如下：

5 實(shí)驗(yàn)結(jié)果

拍攝了兩個(gè)視頻：視頻1：一個(gè)人在室內(nèi)來(lái)回走動(dòng)，室內(nèi)光線(xiàn)強(qiáng)度發(fā)生變化。

視頻2是戶(hù)外的以晃動(dòng)的樹(shù)為背景，兩個(gè)人在樹(shù)前來(lái)回走動(dòng)，稍后，其中一個(gè)人停在原地不動(dòng)，另外一個(gè)人，繼續(xù)走動(dòng)。

從以上視頻處理的結(jié)果，可以看出本文中提出的算法，對(duì)樹(shù)木擺動(dòng)，光線(xiàn)變化，以及運(yùn)動(dòng)目標(biāo)轉(zhuǎn)變?yōu)楸尘暗拳h(huán)境具有較好的適應(yīng)能力。

6 結(jié)束語(yǔ)

本文提出了基于貝葉斯框架的目標(biāo)檢測(cè)方法。首先求相鄰兩幀之差，通過(guò)自適應(yīng)閾值把幀差圖二值化為變化部分和靜止部分。每個(gè)像素維護(hù)兩個(gè)表分別對(duì)應(yīng)靜止和運(yùn)運(yùn)兩種狀態(tài)，表中表項(xiàng)記錄像素最近最重要的概率信息，檢索這些概率代入貝葉斯公式，求出當(dāng)前幀像素點(diǎn)的最大后驗(yàn)概率，根據(jù)貝葉斯分類(lèi)原則，對(duì)當(dāng)前幀的像素進(jìn)行分類(lèi)。最后，對(duì)室內(nèi)、室外拍攝的兩個(gè)視頻做實(shí)驗(yàn)進(jìn)行驗(yàn)證，實(shí)驗(yàn)表明該方法在較復(fù)雜環(huán)境下，也具有較好的目標(biāo)檢測(cè)能力。

參考文獻(xiàn)：

[1] Wren C， Azarbaygaui A， Darrell T， et al. Pfinder： Real-time tracking of the human body[J]. IEEE Trans. Pattern Analysis and Machine Intelligence， 1997，19（7）：780-785.

[2] Rosin P. Thresholding for change detection[J]. In Proceeding of IEEE Int’t Conf. on Computer Vision， 1998：274-279.

[3] 葛慶國(guó).基于自適應(yīng)背景更新車(chē)輛檢測(cè)算法[J].電子測(cè)量技術(shù)，2004，27（3）：17-18.

[4] Stauffer C， Grimson W E L. Adaptive background mixture models for real-time tracking[J].In Proceedings.1999 IEEE Computer Society Conference on Computer Vision and Pattern Recongition. IEEE Comput. Soc.，1999.

[5] Christopher M. Bishop. Pattern Recognition and Machine Learning[M].Springer Science+Business Media， LLC，2006.