黃 敏， 劇雷鳴， 劉 謙， 朱顥東*

(1.鄭州輕工業(yè)學(xué)院 計(jì)算機(jī)與通信工程學(xué)院， 鄭州 450002;2.南陽理工學(xué)院 軟件學(xué)院， 河南 南陽 473004)

?

黃 敏1， 劇雷鳴2， 劉 謙1， 朱顥東1*

(1.鄭州輕工業(yè)學(xué)院 計(jì)算機(jī)與通信工程學(xué)院， 鄭州 450002;2.南陽理工學(xué)院 軟件學(xué)院， 河南 南陽 473004)

近年來，視頻序列圖像中的運(yùn)動(dòng)目標(biāo)檢測(cè)在智能監(jiān)控、視頻壓縮、自動(dòng)導(dǎo)航、人機(jī)交互、虛擬現(xiàn)實(shí)等許多領(lǐng)域中的應(yīng)用越來越廣泛.論文提出了一種基于關(guān)鍵幀背景更新策略的運(yùn)動(dòng)目標(biāo)檢測(cè)算法，該算法采用視頻序列中提取的關(guān)鍵幀作為背景，通過關(guān)鍵幀統(tǒng)計(jì)平均實(shí)現(xiàn)背景更新，結(jié)合矩陣像素差分和閾值判定來進(jìn)行運(yùn)動(dòng)目標(biāo)的檢測(cè).通過實(shí)驗(yàn)表明，本文提出的方法與典型的背景差檢測(cè)相比，能夠在一定程度上減少噪聲的影響，提高運(yùn)動(dòng)目標(biāo)檢測(cè)的準(zhǔn)確度.

關(guān)鍵幀； 背景更新； 閾值判定； 運(yùn)動(dòng)目標(biāo)檢測(cè)

近年來，視頻序列圖像中的運(yùn)動(dòng)目標(biāo)檢測(cè)在智能監(jiān)控、視頻壓縮、自動(dòng)導(dǎo)航、人機(jī)交互、虛擬現(xiàn)實(shí)等許多領(lǐng)域中的應(yīng)用越來越廣泛，已經(jīng)成為計(jì)算機(jī)視覺領(lǐng)域的重要研究?jī)?nèi)容[1].運(yùn)動(dòng)目標(biāo)檢測(cè)的方法主要有：光流法[2]、幀間差分法[3]和背景相差法[4].光流法的優(yōu)點(diǎn)是能夠檢測(cè)獨(dú)立運(yùn)動(dòng)的對(duì)象，但運(yùn)算公式復(fù)雜，多數(shù)光流法計(jì)算復(fù)雜耗時(shí)，不借助專用的硬件很難實(shí)現(xiàn)實(shí)時(shí)檢測(cè)[5].在實(shí)時(shí)性要求很高的場(chǎng)合一般采用幀間差分法和背景差分法[6].幀間差分法對(duì)場(chǎng)景光線的變化不太敏感，受目標(biāo)陰影的影響小，非常適合于動(dòng)態(tài)變化的環(huán)境，缺點(diǎn)是不能完整地分割運(yùn)動(dòng)對(duì)象，不利于進(jìn)一步的對(duì)象分析與識(shí)別[7].與幀間差分法相比，背景相差法一般能夠提供較完全的特征數(shù)據(jù)，得到較精確的目標(biāo)圖像，但所采集到的背景圖像隨著時(shí)間的推移，對(duì)光照和外部條件造成的場(chǎng)景變化比較敏感，會(huì)出現(xiàn)許多偽運(yùn)動(dòng)目標(biāo)點(diǎn)，影響到目標(biāo)檢測(cè)的效果[8].本文提出了一種基于關(guān)鍵幀背景更新策略的運(yùn)動(dòng)目標(biāo)檢測(cè)算法，該算法采用視頻序列中提取的關(guān)鍵幀作為背景，通過關(guān)鍵幀統(tǒng)計(jì)平均實(shí)現(xiàn)背景更新，在此基礎(chǔ)上采用矩陣像素差分和閾值判定，融合多種方法來確定目標(biāo)對(duì)象.

1 基于關(guān)鍵幀背景更新策略的運(yùn)動(dòng)目標(biāo)檢測(cè)研究

1.1 背景更新

背景對(duì)目標(biāo)檢測(cè)的準(zhǔn)確與否影響很大.建立準(zhǔn)確的背景有很多方法，比如統(tǒng)計(jì)平均法、單高斯分布背景模型、混合高斯分布背景模型、基于卡爾曼濾波的背景模型等.背景模型對(duì)外界光線的變化具有自適應(yīng)性，背景點(diǎn)只有在前景運(yùn)動(dòng)目標(biāo)通過該點(diǎn)時(shí)，它的亮度值才發(fā)生變化，該點(diǎn)在大多數(shù)時(shí)間內(nèi)屬于背景區(qū)域.

背景更新策略不僅要對(duì)背景變化有足夠快的響應(yīng)速度，而且要對(duì)運(yùn)動(dòng)目標(biāo)有較強(qiáng)的抗干擾能力.在這里，我們采用視頻序列中提取的關(guān)鍵幀為基礎(chǔ)，以連續(xù)提取到的關(guān)鍵幀進(jìn)行平均統(tǒng)計(jì)來獲得背景，如(1)式，式中N為圖像幀數(shù).

(1)

由于環(huán)境、光線在不斷地變化的不斷變化，背景不可能靜止不變的，因此，如果直接用當(dāng)前幀和原始背景圖像相減，檢測(cè)的結(jié)果將很不理想、甚至是錯(cuò)誤的.因此需要對(duì)背景進(jìn)行更新.設(shè)B(x，y)為當(dāng)前背景，對(duì)于每個(gè)像素點(diǎn)F(x，y)，背景更新的公式如式(2)所示.

(2)

其中，將背景中某像素點(diǎn)連續(xù)檢測(cè)到的次數(shù)設(shè)為c(x，y)，THc為設(shè)定的閾值.當(dāng)c(x，y)大于閾值時(shí)即為當(dāng)前背景.這樣可以較準(zhǔn)確的得到背景圖像.

1.2 圖像序列預(yù)處理

圖像預(yù)處理主要是為了增強(qiáng)圖像中目標(biāo)和背景圖像的對(duì)比度，并去除采集和傳輸圖像時(shí)產(chǎn)生的噪聲.首先從差分圖像Gmn-1(x，y) (灰度圖)未變化的背景區(qū)域提取一個(gè)i×j的圖像塊Si×j該塊像素的分布應(yīng)與Gmn-1(x，y)中未變化的區(qū)域像素的分布規(guī)律相一致，通過估計(jì)該圖像塊的均值和方差來設(shè)計(jì)檢測(cè)門限，均值和方差分別用下式進(jìn)行估計(jì).

(3)

(4)

檢測(cè)門限為：

T=βσ+Md,

(5)

其中,β為加權(quán)系數(shù)，一般取3至5.然后對(duì)當(dāng)前的灰度圖像進(jìn)行二值化：

(6)

1.3 小波去噪

由小波變換的特性可知，高斯噪聲的小波變換仍然是高斯分布的，它均勻分布在頻率尺度空間的各部分，而信號(hào)則由于其帶限性，它的小波變換系數(shù)僅僅集中在頻率尺度空間上的有限部分.這樣，從信號(hào)能量的觀點(diǎn)來看，在小波域上，所有的小波系數(shù)都對(duì)噪聲有貢獻(xiàn)，也就是噪聲的能量分布在所有的小波系數(shù)上，而只有一小部分小波系數(shù)對(duì)信號(hào)能量有貢獻(xiàn)，所以可以把小波系數(shù)分成兩類，第一類小波系數(shù)僅僅由噪聲變換后得到，這類小波系數(shù)幅值小，數(shù)目較多;第二類小波系數(shù)由信號(hào)變換得來，并包含噪聲的變換結(jié)果，這類小波系數(shù)幅值大，數(shù)目較小.根據(jù)信號(hào)小波分界的這個(gè)特點(diǎn)，可以通過這種小波系數(shù)幅值上的差異來降低噪聲.對(duì)信號(hào)的小波系數(shù)設(shè)置一個(gè)閾值，大于這個(gè)閾值的小波系數(shù)認(rèn)為屬于第二類系數(shù)，它同時(shí)含有信號(hào)和噪聲的變換結(jié)果，可以簡(jiǎn)單保留或進(jìn)行后續(xù)操作，而小于這個(gè)閾值的小波系數(shù)，則認(rèn)為是第一類小波系數(shù)，即完全由噪聲變換而來，應(yīng)該去掉這些系數(shù).這樣就達(dá)到了降低噪聲的目的.同時(shí)由于這種方法保留了大部分包含信號(hào)的小波系數(shù)，因此可以較好地保持圖像細(xì)節(jié).傳統(tǒng)的低通濾波方法將圖像的高頻成分濾除，雖然能夠達(dá)到降噪的效果，但破壞了圖像細(xì)節(jié)，利用小波分析的理論可以構(gòu)造一種既能夠降低圖像噪聲，又能保持圖像細(xì)節(jié)信息的方法.

1.4 閾值判定

每一幅圖像都是由許多像素構(gòu)成，每一個(gè)像素點(diǎn)我們視之為3×3鄰域的矩陣.如(7)所示：

h(a，b)={(a，b)|x-1≤a≤x+1|， |y-1≤b≤y+1|},

(7)

其中,h(a，b)表示圖像在(a，b)處的灰度值.進(jìn)一步令

(8)

(9)

(10)

(11)

其中，I1(x，y)表示的是h(x，y)在水平方向的灰度變化，同理，I2(x，y)，I3(x，y)，I4(x，y)分別表示h(x，y)在垂直和兩個(gè)對(duì)角線方向上的灰度變化.由此得到的I1，I2，I3，I4四個(gè)矩陣稱為四個(gè)方向的差分矩陣，分別表示圖像在四個(gè)方向上灰度的變化情況.

I=(I1+I2+I3+I4)/4.

(12)

進(jìn)一步利用式(12)進(jìn)行合并得到總的差分矩陣，其每一點(diǎn)值表示該像素點(diǎn)鄰域內(nèi)灰度的變化情況.h(x，y)為當(dāng)前圖像，則

(13)

其中,c為閾值.

1.5 目標(biāo)檢測(cè)算法

本文采用矩陣像素差分和閾值判定，利用矩陣像素差分后，對(duì)得到的每個(gè)像素點(diǎn)的差值進(jìn)行閾值判定，確定發(fā)生變化的區(qū)域，尋找目標(biāo)圖像.這樣，盡可能減少了漏檢，且得到的目標(biāo)有較高的準(zhǔn)確性.其主要步驟如下：

1)更新圖像背景，使背景更加準(zhǔn)確.

2)對(duì)背景和待檢測(cè)圖像進(jìn)行小波去噪.

3)使用矩陣像素差分的方法得到每個(gè)像素點(diǎn)的差值.

4)使用閾值判定尋找目標(biāo).

5)定位、識(shí)別目標(biāo).

本文所采用的算法的流程圖如圖1所示.

圖1 本文算法流程圖Fig.1 Flow chart of proppsed algorithm

2 實(shí)驗(yàn)及分析

為了對(duì)本文提出的方法進(jìn)行性能測(cè)試，本文以一段視頻序列為測(cè)試對(duì)象進(jìn)行實(shí)驗(yàn).實(shí)驗(yàn)條件為AMDSempron(tm)processor3200+1.6GHz、內(nèi)存1.5G，操作系統(tǒng)為WindowsXP2，以matlab6.0為仿真平臺(tái).

針對(duì)給出的視頻關(guān)鍵幀，做了如下3個(gè)實(shí)驗(yàn).

實(shí)驗(yàn)1為圖像序列預(yù)處理實(shí)驗(yàn)，采用三維圖像對(duì)比.圖2為未經(jīng)圖像與處理和小波去噪的三維圖，圖3為經(jīng)過預(yù)處理和小波去噪的三維圖，圖示結(jié)果表明未經(jīng)處理的圖像噪音對(duì)目標(biāo)圖像影響很大，而處理后圖像的噪音明顯降低，而且目標(biāo)和背景圖像的對(duì)比度增加，有助于最后的目標(biāo)檢測(cè).

實(shí)驗(yàn)2為運(yùn)動(dòng)目標(biāo)檢測(cè)實(shí)驗(yàn)，圖4為背景圖像，圖5為前景圖像，圖6為采用直接背景差分得到的目標(biāo)，圖7為應(yīng)用本方法的得到的目標(biāo).從結(jié)果中容易得出，背景差分造成目標(biāo)圖像紋理不清晰，細(xì)節(jié)部分丟失，視覺效果比較模糊，如圖6所示.采用本文的方法，對(duì)比前景圖像，可以看出目標(biāo)圖像的頭部、軀干整體輪廓比較完整，周圍痕跡比較明顯，圖像信息基本沒有丟失，但檢測(cè)結(jié)果存在虛影和干擾，如圖7所示.另外，從算法的時(shí)間復(fù)雜度角度來看，直接背景差分算法和本文算法均為為O(n)，表明本文算法在不增加算法復(fù)雜度的前提下可以獲得更好的檢測(cè)結(jié)果.

圖2 原始圖像Fig.2 The original image

圖3 預(yù)處理后的圖像Fig.3 The preprocessed image

圖4 背景圖像Fig.4 The background image

圖5 前景圖像Fig.5 The foreground image

圖6 背景差分得到的目標(biāo)Fig.6 The target form background difference

圖7 本文算法得到的目標(biāo)Fig.7 The target form proposed algorithm

實(shí)驗(yàn)3為不同閾值效果的實(shí)驗(yàn)，圖8為閾值c=110時(shí)使用本文方法得到的目標(biāo)檢測(cè)圖像，圖9為閾值c=180時(shí)使用本文方法得到的目標(biāo)檢測(cè)圖像，通過兩個(gè)不同閾值檢測(cè)效果的對(duì)比可以看到，閾值選取的恰當(dāng)與否對(duì)于最終的檢測(cè)結(jié)果影響很大.當(dāng)閾值選取過小時(shí)，由于背景更新的滯后性會(huì)出現(xiàn)大量的重復(fù)細(xì)節(jié)部分，從而使得目標(biāo)檢測(cè)結(jié)果受到影響.當(dāng)閾值選取過小時(shí)，則會(huì)丟失一部分圖像細(xì)節(jié)，使得最終檢測(cè)結(jié)果不夠清晰.因此在算法實(shí)際應(yīng)用中應(yīng)考慮圖像的特點(diǎn)選取適當(dāng)?shù)拈撝祦硖岣邫z測(cè)結(jié)果的準(zhǔn)確度.

圖8 閾值c=110Fig.8 The threshold value c=110

圖9 閾值c=180Fig.9 Tthe threshold value c=180

3 結(jié)論

本文采用基于關(guān)鍵幀背景更新方法進(jìn)行運(yùn)動(dòng)目標(biāo)檢測(cè).通過關(guān)鍵幀統(tǒng)計(jì)平均更新，得到更準(zhǔn)確的目標(biāo)背景，并通過小波去噪的方法進(jìn)一步去除噪聲以減小檢測(cè)誤差.在矩陣像素差分后，對(duì)得到的每個(gè)像素點(diǎn)的差值進(jìn)行閾值判定，確定發(fā)生變化的區(qū)域，尋找目標(biāo)圖像.通過實(shí)驗(yàn)表明，本文提出的方法與典型的背景差檢測(cè)相比，在一定程度上減少噪聲的影響，并使最終檢測(cè)的結(jié)果更為準(zhǔn)確.

[1] 汪 沖， 席志紅， 肖春麗. 基于背景差分的運(yùn)動(dòng)目標(biāo)檢測(cè)方法[J]. 應(yīng)用科技， 2009， 36(10):16-20．

[2] DAI G J， ZHANG Y.A novel auto-camshaft algorithm used in object tracking[C]//C-H MA: The 27th Chinese Control Conferfence.USA:IEEE， 2008，16-18．

[3] 紀(jì)筱鵬， 魏志強(qiáng)， 馮業(yè)偉， 等. 基于多特征融合的運(yùn)動(dòng)物體識(shí)別方法研究[J]. 哈爾濱工業(yè)大學(xué)學(xué)報(bào)， 2009， 41(3):169-173．

[4] 徐守學(xué)， 肖陽輝. 一種復(fù)雜背景條件下運(yùn)動(dòng)小目標(biāo)的檢測(cè)方法[J]. 微計(jì)算機(jī)信息， 2009， 25(10):192-194．

[5] TAO Z， NEVATIA R.Tracking multiple humans in complex situations [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2004， 26(9):1208-1221．

[6] 朱明旱， 羅大庸， 曹倩霞. 幀間差分與背景差分相融合的運(yùn)動(dòng)目標(biāo)檢測(cè)算法[J].計(jì)算機(jī)測(cè)量與控制， 2005， 13(3):215-217．

[7] 李晉惠， 容 慧. 一種靜態(tài)背景下的運(yùn)動(dòng)目標(biāo)檢測(cè)算法研究[J]. 西安工業(yè)大學(xué)學(xué)報(bào)， 2008， 28(6):573-576.

[8] 劉 鑫， 劉 輝， 強(qiáng)振平， 等. 混合高斯模型和幀間差分相融合的自適應(yīng)背景模型[J]. 中國(guó)圖象圖形學(xué)報(bào)， 2008， 13(4):729-735．

Moving object detection algorithm based on key frame background updating strategy

HUANG Min1， JU Leiming2， LIU Qian1， ZHU Haodong1

(1.School of Computer and Communication Engineering， Zhengzhou University of Light Industry， Zhengzhou 450002;2.School of Software， Nanyang Institute of Technology， Nanyang， Henan 473004)

Recent years, moving object detection of video frequency sequence image is more and more important in as areas such as intelligent monitoring，video compression, automatic navigation, man-machine interaction, virtual reality. In this paper, we propose a novel algorithm of moving object detection based on key frame background updating strategy. This algorithm uses key frame extracted from video as background and achieves background updating by key frames statistical average. Besides, it combines matrix pixel difference and threshold determination for moving object detection. The results show that the above method reduces the influence of noise and improves the accuracy of moving target detection.

key frame; background updating; threshold determination; moving object detection

2015-03-17.

國(guó)家自然科學(xué)基金項(xiàng)目(61201447);河南省高等學(xué)校青年骨干教師資助計(jì)劃項(xiàng)目(2014GGJS-084); 河南省科技創(chuàng)新杰出人才計(jì)劃項(xiàng)目(134200510025);河南省教育廳科學(xué)技術(shù)研究重點(diǎn)項(xiàng)目 (13A520367);鄭州輕工業(yè)學(xué)院校級(jí)青年骨干教師培養(yǎng)對(duì)象資助計(jì)劃項(xiàng)目(XGGJS02)．

1000-1190(2015)06-0857-04

TP391.41

A

*通訊聯(lián)系人. E-mail: zhdjsj016@163.com．