湯?，|　胡　偉

?

運(yùn)動目標(biāo)的分區(qū)域混合檢測方法

湯?，|胡偉

（湖南第一師范學(xué)院 信息科學(xué)與工程系，湖南 長沙 410205）

準(zhǔn)確檢測出運(yùn)動目標(biāo)是視頻監(jiān)控系統(tǒng)的關(guān)鍵環(huán)節(jié)。文章綜合相鄰幀間差分與背景差分的優(yōu)點(diǎn)，首先利用相鄰幀差分法對運(yùn)動目標(biāo)進(jìn)行粗略檢測，然后進(jìn)行區(qū)域分割并找出存在運(yùn)動目標(biāo)區(qū)域，并根據(jù)各像素點(diǎn)的不同情況分別采用不同的背景模型再次進(jìn)行背景差分，同時(shí)加以陰影消除，準(zhǔn)確檢測出運(yùn)動目標(biāo)。實(shí)驗(yàn)表明，該方法快速準(zhǔn)確，在各種環(huán)境下具有較高的適用性。

視頻監(jiān)控；運(yùn)動目標(biāo)檢測；背景差分；幀間差分

1　引　言

目前視頻監(jiān)控越來越廣泛于城市治安管理，銀行金融保護(hù)和小區(qū)與家庭的安防中。如何準(zhǔn)確有效地檢測出運(yùn)動目標(biāo)是智能視頻監(jiān)控系統(tǒng)中的基礎(chǔ)和關(guān)鍵。常見運(yùn)動檢測的方法主要有三類：基于光流場的運(yùn)動檢測、基于相鄰幀圖像差分的運(yùn)動檢測和基于背景差的運(yùn)動檢測。其中，基于光流場的運(yùn)動檢測由于計(jì)算復(fù)雜，需要專門的硬件支持，并且耗時(shí)，不太適合實(shí)時(shí)監(jiān)測的要求[1]?；谙噜弾瑘D像差分的運(yùn)動檢測通常具有較強(qiáng)的實(shí)時(shí)性，實(shí)現(xiàn)也較簡單，能較好地適應(yīng)動態(tài)環(huán)境，但是只能得到運(yùn)動目標(biāo)的部分信息，丟失了很多細(xì)節(jié)信息[2]；基于背景差的運(yùn)動檢測能比較準(zhǔn)確地檢測出前景信息，受外界的條件影響較大[3]。

綜合考慮上述各種檢測方法各自特點(diǎn)，文章提出一種綜合利用相鄰幀差分和背景差分相綜合的分區(qū)域檢測方法，首先根據(jù)每個(gè)像素點(diǎn)的不同情況分別進(jìn)行單高斯或混合高斯建模，通過幀間差分進(jìn)行初步檢測，然后分區(qū)域判斷是否存在運(yùn)動目標(biāo)，對于存在運(yùn)動目標(biāo)的區(qū)域則根據(jù)各個(gè)像素點(diǎn)的不同情況進(jìn)一步采取不同的背景模型進(jìn)行背景差分，再進(jìn)行陰影消除，最終得到準(zhǔn)確的檢測目標(biāo)，這樣有利于減少計(jì)算量和空間冗余。

2 分區(qū)域的運(yùn)動目標(biāo)混合檢測算法

2.1背景模型的建構(gòu)

在視頻運(yùn)動目標(biāo)（即前景）的檢測中，背景模型的建立是基礎(chǔ)和關(guān)鍵。但是，背景情況非常復(fù)雜，例如受光線或燈光的影響，使背景整體亮度等外部環(huán)境發(fā)生變化，或者在同一背景中，有些部分變化微小，如天空等。有些部分變化顯著，例如樹葉搖動等。在目前常用的高斯建模中基本上都是統(tǒng)一使用相同數(shù)目的高斯分布擬合背景，這樣大大增加了運(yùn)算量和空間冗余。事實(shí)上，我們可以根據(jù)各像素點(diǎn)的變化情況分別采用單高斯建?；蚨嗄B(tài)混合高斯建模。

對于單模態(tài)點(diǎn)，采用（2）式高斯模板建立單一模型，并且認(rèn)為每一點(diǎn)的高斯分布都是獨(dú)立的[4]。

對于多模態(tài)點(diǎn)，則按照高斯分布建立多個(gè)混合模型，這樣可同時(shí)處理多種背景變化。其混合高斯背景模型的概率分布為：

2.2場景的幀間差分檢測

在當(dāng)前常用的視頻監(jiān)控設(shè)備中，視頻監(jiān)控設(shè)備所拍攝的圖像均由R（紅）、G（綠）、B（藍(lán)）3種分量組成，同時(shí)還加入了色度和亮度信息。如果我們將視頻中的色度和亮度信息加以區(qū)分，則能更好地描述物體[6]。為了更準(zhǔn)確進(jìn)行檢測，將連續(xù)兩幀進(jìn)行色度和亮度差分處理。

色度信息則通過R、G、B 的數(shù)據(jù)確定：

2.3基于分區(qū)域運(yùn)動目標(biāo)的精確檢測與提取

若該幀有運(yùn)動物體存在，但通過幀間差分所得到運(yùn)動目標(biāo)結(jié)果也并不理想。對于運(yùn)動速度過快或者體積較大且表面顏色相近的運(yùn)動目標(biāo)，幀間差分檢測結(jié)果有空洞現(xiàn)象，檢測信息不完整，需要對其采取進(jìn)一步的處理措施。而事實(shí)上，需要進(jìn)一步采取措施的僅僅是運(yùn)動目標(biāo)區(qū)域，而且對于大部分的視頻監(jiān)控場景而言，運(yùn)動目標(biāo)區(qū)域占整個(gè)場景的較少部分，其他大部分的場景是不需再進(jìn)行處理的不含運(yùn)動目標(biāo)的區(qū)域。因此，我們可將整個(gè)場景分割為若干個(gè)小區(qū)域，只針對含運(yùn)動目標(biāo)區(qū)域采用背景差分進(jìn)行運(yùn)動目標(biāo)的精確提取，這可減少大量的運(yùn)算，同時(shí)有利于抑制一些孤立的噪聲點(diǎn)。

分割的區(qū)域面積大小的選擇應(yīng)根據(jù)檢測目標(biāo)大小進(jìn)行恰當(dāng)?shù)剡x擇。若區(qū)域面積過大，則達(dá)不到場景分割的目的，若區(qū)域面積過小，不但檢測不出幀間差分檢測法中的空洞，而且還會增加計(jì)算量。根據(jù)實(shí)踐經(jīng)驗(yàn)，一般可按4×4或5×5的方法進(jìn)行分割[8]。

在運(yùn)用背景差分對存在運(yùn)動物體的區(qū)域進(jìn)行檢測過程中，首先判定該區(qū)域中像素點(diǎn)的類型。若為單模態(tài)點(diǎn)，采用（6）式進(jìn)行檢測，

若場景中的像素點(diǎn)為多模態(tài)點(diǎn)，則混合高斯模型去擬合[9]。若滿足（7）式

通過（6）（7）式完成了場景中運(yùn)動目標(biāo)的提取。在這個(gè)處理過程中是對可能出現(xiàn)了運(yùn)動目標(biāo)的區(qū)域進(jìn)行的進(jìn)一步背景差分處理得到的,處理區(qū)域不大,且可以有效地排除其他區(qū)域的干擾,同時(shí)減少了計(jì)算量，有利于提高整個(gè)系統(tǒng)的實(shí)時(shí)性。

2.4運(yùn)動目標(biāo)的陰影檢測

= {，且存在X在空間滿足式(7)的背景分布模型}。

3　算法實(shí)現(xiàn)與結(jié)果分析

基于分區(qū)域的運(yùn)動目標(biāo)混合檢測算法主要包括視頻序列預(yù)處理、背景模型選定、幀間差分運(yùn)算、運(yùn)動目標(biāo)的判斷、運(yùn)動目標(biāo)區(qū)域判定、區(qū)域背景差分、陰影檢測等步驟，其算法結(jié)構(gòu)框圖如圖1所示。

圖1.算法結(jié)構(gòu)框圖

圖2.各種算法的效果比較

圖2中的(a) 圖是本段視頻中某一幀的源圖像。(b) 圖是通過本文所設(shè)計(jì)的算法而得到的源圖像的背景圖像。(c)圖是采用的幀間差分法得出的差分圖像，在(c)圖中可以清楚地看出，運(yùn)用對稱差分法雖然能夠得到檢測目標(biāo)的較為完整的輪廓，卻丟失了檢測目標(biāo)的許多細(xì)節(jié)信息，形成了較大的空洞。(d)圖是采用了基于Stauffer等人所研究的混合高斯模型而得到的差分圖像。從(d)圖中可以非常明顯地看出，雖然我們得到了較好的檢測目標(biāo)細(xì)節(jié)信息，但是檢測結(jié)果受到非常大的陰影干擾，增加了較多的額外信息。在(c)圖和(d) 圖中還含有一些由背景擾動和噪聲而導(dǎo)致的非運(yùn)動目標(biāo)的噪聲點(diǎn)。(e)圖則是采用了基于分區(qū)域的相鄰差分和背景差分的混合算法所得到的圖像。從實(shí)驗(yàn)結(jié)果(e)圖中可看到，它克服了幀間差分法只能檢測到目標(biāo)輪廓的缺陷，由于只對運(yùn)動目標(biāo)出現(xiàn)的區(qū)域進(jìn)行檢測，所以能更好地排除孤立噪聲點(diǎn)的干擾，減少了背景像素點(diǎn)誤檢為前景點(diǎn)的個(gè)數(shù)。因此，不但完整精確地檢測出了前景目標(biāo)信息，而且噪聲很少，并且大大縮短了檢測時(shí)間，檢測效果優(yōu)于前述兩種算法的檢測效果。

4　結(jié)　語

本文綜合了對稱差分法和和基于彩色混合高斯模型的背景差分法兩者的各自的優(yōu)點(diǎn)，提出了視頻監(jiān)控系統(tǒng)中種改進(jìn)的精確目標(biāo)檢測算法。其特點(diǎn)是不但能準(zhǔn)確提取并更新背景模型，并能準(zhǔn)確檢測出運(yùn)動目標(biāo)的細(xì)節(jié)信息。通過分區(qū)域的檢測方法，能有效地提高減少非必要的運(yùn)算，提高檢測速度。通過實(shí)驗(yàn)測試表明，文中的方法檢測準(zhǔn)確，實(shí)行性強(qiáng)，穩(wěn)定性強(qiáng)，具有一定的實(shí)用性。

[1] 彭可,陳燕紅,唐宜清.一種室內(nèi)環(huán)境的運(yùn)動目標(biāo)檢測混合算法[J].計(jì)算機(jī)工程與應(yīng)用,2008,(5):239-241.

[2] 樊曉亮,楊晉吉.基于幀間差分的背景提取與更新算法[J].計(jì)算機(jī)工程,2011,(22):159-161.

[3] Rymal J,Renno J,Greenhill D,et al.Adaptive eigen back–grounds for detection[C]//The IEEE International Conference on Image Processing(ICIP),2004.

[4] 孫挺,齊迎春,耿國華.基于幀間差分和背景差分的運(yùn)動目標(biāo)檢測算法[J].吉林大學(xué)學(xué)報(bào)(工學(xué)版),2016,(4):1325- 1329.

[5] 王水魚,李艷婷.基于Surendra背景差分和幀間差分的運(yùn)動目標(biāo)檢測[J].微型機(jī)與應(yīng)用,2016,(17):42-44.

[6] Elgammal A,Harwood D,Davis L.Non-parametric model for background subtraction.ICCV Frame RateWorkshop,1999: 246-252.

[7] 白向峰,李艾華,等.新型背景混合高斯模型[J].中國圖象圖形學(xué)報(bào),2011,(6):983-988.

[8] 傅赟,王桂麗,等.交通監(jiān)控系統(tǒng)中視頻運(yùn)動目標(biāo)檢測算法研究[J/OL].http://kns.cnki.net,2017-09-13.

[9] 趙冠華,馮曉毅,等.結(jié)合對稱差分法和背景減法的目標(biāo)檢測方法[J].計(jì)算機(jī)工程與應(yīng)用,2010,(3):145-147.

[10] Rosin P L ,Ellis T.Image difference threshold strategies and shadow detection. Proc. of the Sixth British Machine Vision Conference,1995,347–356.

[11] 丁芒,彭黎輝,等.復(fù)雜交通場景中的運(yùn)動目標(biāo)提取方法[J].計(jì)算機(jī)工程,2011,(7):184-186.

[12] 韓紅斌,郭紅.基于分塊統(tǒng)計(jì)模型的運(yùn)動目標(biāo)提取方法研究[J].電子科學(xué)技術(shù),2017,(4):54-56.

[13] SHENG ZUNBING, CUIXIANYU. An adaptive learning rate GMM for background extraction[J].Optoelectronics Letters,2008,(6):174-176.

（責(zé)任編校：何俊華）

2017－05－15

湖南省教育廳科學(xué)研究項(xiàng)目（項(xiàng)目編號14C0 243）。

湯?，|（1973－），男，湖南常德人，湖南第一師范學(xué)院副教授，博士，國防科技大學(xué)博士后，主要從事計(jì)算機(jī)應(yīng)用研究；胡偉（1978－），男，湖南長沙人，湖南第一師范學(xué)院副教授，主要從事計(jì)算機(jī)仿真研究。

TP391.41

A

1673-2219（2017）10-0085-04