陳媛

（武漢科技大學(xué)城市學(xué)院機(jī)電工程學(xué)部，武漢 430083）

0 引言

由于現(xiàn)代社會(huì)人口密集程度高,社會(huì)關(guān)系復(fù)雜,日常人們面對(duì)越來(lái)越多的突發(fā)和異常事件,幾乎所有公共場(chǎng)合都有部署監(jiān)控的需求,但是因?yàn)槿斯けO(jiān)控固有的缺陷,人力越來(lái)越不足以分析和處理海量的視頻數(shù)據(jù)[1]。因此,視頻監(jiān)控必須實(shí)現(xiàn)智能化，代替人工監(jiān)控，用于解決實(shí)際問(wèn)題。而運(yùn)動(dòng)目標(biāo)檢測(cè)是實(shí)現(xiàn)智能化視頻監(jiān)控的重要技術(shù)，是上層行為理解和描述的基礎(chǔ)。運(yùn)動(dòng)目標(biāo)檢測(cè)也是計(jì)算機(jī)視覺(jué)領(lǐng)域中的一個(gè)研究熱點(diǎn),其目的是從待檢測(cè)的視頻序列中把運(yùn)動(dòng)目標(biāo)有效地從背景中提取出來(lái)，可理解為運(yùn)動(dòng)目標(biāo)與背景的分類問(wèn)題。而運(yùn)動(dòng)目標(biāo)的有效分割對(duì)后期的目標(biāo)分類、目標(biāo)跟蹤和行為分析等處理都具有重要意義[2]。

運(yùn)用于運(yùn)動(dòng)目標(biāo)檢測(cè)的檢測(cè)方法有多種，根據(jù)不同的檢測(cè)需要選擇不同的檢測(cè)方法。光流法、幀間差分法和背景差分法是目前常用的三種檢測(cè)方法。光流法是根據(jù)圖像目標(biāo)的亮度信息進(jìn)行檢測(cè)的方法，不需要事先知曉監(jiān)控場(chǎng)景的相關(guān)信息，并在攝像頭運(yùn)動(dòng)時(shí)能有效的檢測(cè)目標(biāo)[3]，但是該算法計(jì)算比較復(fù)雜，且抗干擾能力差，不適合用于實(shí)時(shí)性要求高的場(chǎng)合。幀間差分法采用相連幀圖像做差，實(shí)現(xiàn)運(yùn)動(dòng)目標(biāo)的提取，對(duì)動(dòng)態(tài)變化場(chǎng)景有較強(qiáng)的適應(yīng)性[4]，但是相連幀的合理選擇需要不斷調(diào)試，否則影響檢測(cè)的效果。背景差分法是直接采用各幀圖像與背景圖像做差，進(jìn)而得到實(shí)時(shí)圖像中出現(xiàn)的運(yùn)動(dòng)目標(biāo)[5]，具有高效簡(jiǎn)單易實(shí)現(xiàn)的優(yōu)點(diǎn)，但對(duì)光照、曝光度以及外界環(huán)境的變化等影響較大。

本文針對(duì)小區(qū)視頻監(jiān)控，在攝像機(jī)靜止情況下，對(duì)監(jiān)控畫(huà)面進(jìn)出小區(qū)的車輛進(jìn)行檢測(cè)研究，提出了一種改進(jìn)的基于背景差分的運(yùn)動(dòng)目標(biāo)檢測(cè)方法，降低了光線變化等外界干擾對(duì)背景圖像的影響，實(shí)現(xiàn)了運(yùn)動(dòng)目標(biāo)檢測(cè)的實(shí)時(shí)性、可靠性以及有效性。

1 背景差分法

背景差分算法的基本原理是首先通過(guò)背景建模得到合適的背景圖像，然后再將視頻序列中待檢測(cè)圖像與背景圖像進(jìn)行差分運(yùn)算，通過(guò)選取合適的閾值提取運(yùn)動(dòng)目標(biāo)，用公式描述如下:

式（1）中fk(x,y)為當(dāng)前幀圖像，Bk(x,y)為背景圖像，Dk(x,y)為當(dāng)前幀圖像與背景圖像的差分結(jié)果。

選取合適的閾值T，對(duì)差分圖像Dk(x,y)進(jìn)行二值化，如式（2）所示，Rk(x,y)為二值化后的結(jié)果，當(dāng)差分圖像的像素值大于或等于某閾值T，二值化結(jié)果為1，表明該像素屬于運(yùn)動(dòng)目標(biāo)區(qū)域；差分圖像的像素值小于某閾值T，二值化結(jié)果為0，表明該像素屬于背景。

由此可知，采用背景差分法能夠獲得比較完整的運(yùn)動(dòng)目標(biāo)輪廓，檢測(cè)速度快，位置準(zhǔn)確。對(duì)于攝像機(jī)靜止情況下，隨著時(shí)間的推移，光照或環(huán)境的變化都會(huì)使背景圖像發(fā)生變化，如果仍舊使用原來(lái)的背景圖像，勢(shì)必對(duì)運(yùn)動(dòng)目標(biāo)的檢測(cè)效果造成影響，因此建立合理的背景模型十分重要。

2 改進(jìn)均值法背景建模

采用背景差分法進(jìn)行運(yùn)動(dòng)目標(biāo)檢測(cè)時(shí)，背景建模是檢測(cè)的首要工作。本文采用簡(jiǎn)單且快速的均值法背景建模，適用于監(jiān)控場(chǎng)景不太復(fù)雜的情況。均值法實(shí)質(zhì)上是采用統(tǒng)計(jì)濾波的思路[6]，在一段時(shí)間內(nèi)，將采集到的多幀圖像相加，求其平均值，將這個(gè)平均值看作參考的背景模型。具體計(jì)算式如下：

式（3）中B(x,y)表示背景圖像，Ii(x,y)表示第i幀序列圖像，N表示平均幀數(shù)。

當(dāng)場(chǎng)景光照突變時(shí)，上述方法提取的背景會(huì)受影響。因此本文所做的改進(jìn)是首先將一段時(shí)間內(nèi)采集到的多幀圖像相加再平均，將這個(gè)平均值設(shè)定為初始化光照補(bǔ)償模型，記為P(x,y)；然后將待檢測(cè)的視頻幀分別與P(x,y)相加再平均，公式為：

式（4）中i=1,…,N，Ii(x,y)表示原第i幀序列圖像，F(xiàn)i(x,y)表示經(jīng)過(guò)光照補(bǔ)償后的第i幀序列圖像。視頻中的某一時(shí)刻的光線若出現(xiàn)突然變強(qiáng)或突然變?nèi)?，都?huì)被光照補(bǔ)償模型做近似于低通濾波的處理[7]。再將光照補(bǔ)償后的新視頻序列進(jìn)行均值建模，此時(shí)視頻幀中的背景更接近實(shí)際背景，弱化了光照突變對(duì)均值背景模型的影響，能有效提高均值背景模型下的檢測(cè)效果。

3 最大模糊熵閾值分割

通過(guò)上述建立的背景圖像與當(dāng)前幀圖像進(jìn)行差分運(yùn)算，選取合適的閾值來(lái)對(duì)差分圖像二值化操作，就能將運(yùn)動(dòng)目標(biāo)檢測(cè)出來(lái)。二值化的目的就是運(yùn)用閾值將圖像分成目標(biāo)和背景兩個(gè)區(qū)域，閾值選擇的恰當(dāng)與否決定了是否能正確地提取出運(yùn)動(dòng)目標(biāo)。如果閾值選擇偏大或者選擇偏小都有可能出現(xiàn)檢測(cè)不準(zhǔn)的情況，即將前景運(yùn)動(dòng)目標(biāo)判斷為背景或背景判斷為前景運(yùn)動(dòng)目標(biāo)[8]。通常比較簡(jiǎn)單的方法是根據(jù)經(jīng)驗(yàn)給定一個(gè)固定閾值。而實(shí)際上絕大多數(shù)圖像的采集是在室外進(jìn)行的，如對(duì)汽車、行人等移動(dòng)目標(biāo)檢測(cè)，光線的變化是無(wú)時(shí)無(wú)刻都會(huì)發(fā)生的，如果我們采用的是不能自適應(yīng)的閾值，那么隨著光線的變化，圖像的采集就會(huì)出現(xiàn)很大的誤差[9]。本文引入最大模糊熵閾值分割的思想，合理選取閾值。

設(shè)差分圖像X的灰度級(jí)數(shù)為L(zhǎng)，大小為M×N。令xmn表示坐標(biāo)(m,n)處像素點(diǎn)的灰度值。將差分圖像劃分成兩個(gè)模糊集合，即目標(biāo)（bright）模糊集和背景（dark）模糊集。這兩個(gè)模糊集的隸屬函數(shù)分別定義如下：

式中，[a,c]為模糊區(qū)間，[0,a]和[c,L-1]為非模糊區(qū)間。μbright(xmn)表示(m,n)像素點(diǎn)屬于目標(biāo)的程度，μdark(xmn)表示 (m,n)像素點(diǎn)屬于背景的程度，且μbright(xmn)+μdark(xmn)=1。當(dāng)xmn=(a+c)/2時(shí)，該灰度級(jí)的像素屬于目標(biāo)和背景的隸屬度均為0.5，則可選xmn=(a+c)/2為分割閾值?；叶燃?jí)小于(a+c)/2的像素屬于背景區(qū)域，灰度級(jí)大于(a+c)/2的像素屬于目標(biāo)區(qū)域。

圖像的模糊熵為：

其中：

由于P(bright)+P(dark)=1，得：

由信息論知，熵越大的事件，接近事件真實(shí)狀態(tài)的可能性也越大。若圖像的熵取得最大值，則應(yīng)能實(shí)現(xiàn)目標(biāo)與背景的最佳分割。依據(jù)最大模糊熵準(zhǔn)則，可得到最優(yōu)的模糊參數(shù)aopt和copt，并進(jìn)一步得到最佳分割閾值(aopt+copt)/2。

4 實(shí)驗(yàn)結(jié)果與分析

本實(shí)驗(yàn)的環(huán)境是在CPU2.2 GHz，內(nèi)存12GB的PC上，使用MATLAB 2017a仿真工具實(shí)現(xiàn)智能視頻監(jiān)控中運(yùn)動(dòng)目標(biāo)的檢測(cè)。本文抽取進(jìn)出小區(qū)的車輛行駛視頻，視頻幀尺寸大小為352×240，共150幀，在視頻的135至145幀處時(shí)光照突變，選取視頻第140幀如圖1所示，按本文方法做實(shí)驗(yàn)，仿真結(jié)果如圖2和圖3所示。

對(duì)比圖2和圖3可知，采用固定閾值分割差分圖像，當(dāng)場(chǎng)景中有光照突變時(shí)，目標(biāo)檢測(cè)效果噪聲明顯，帶光照補(bǔ)償模型的均值法提取背景，再采用最大模式熵閾值分割差分圖像，噪聲點(diǎn)大大減少，提高了目標(biāo)檢測(cè)的有效性。

5 結(jié)語(yǔ)

本文提出的帶光照補(bǔ)償模型均值背景建模并采用最大模糊熵閾值分割的改進(jìn)背景差分法，降低了光照突變對(duì)背景建模的影響，間接提高了運(yùn)動(dòng)目標(biāo)檢測(cè)的準(zhǔn)確性和有效性，且運(yùn)算簡(jiǎn)單，易于實(shí)現(xiàn)。本文算法適合于監(jiān)控場(chǎng)景不太復(fù)雜且攝像機(jī)靜止的情況，因此后續(xù)還需對(duì)算法進(jìn)一步的完善，以適應(yīng)更復(fù)雜的環(huán)境變化。

圖1 原圖140幀

圖2 未帶光照補(bǔ)償模型的檢測(cè)結(jié)果（采用固定閾值）

圖3 帶光照補(bǔ)償模型的檢測(cè)結(jié)果 （采用最大模糊熵閾值）

[1]吳晶.面向運(yùn)動(dòng)目標(biāo)檢測(cè)的背景差分算法改進(jìn)與實(shí)現(xiàn)[D].北京郵電大學(xué)，2012.

[2]丁瑩，楊華民，范靜濤，等.復(fù)雜環(huán)境運(yùn)動(dòng)目標(biāo)檢測(cè)技術(shù)及應(yīng)用[M].國(guó)防工業(yè)出版社，2014.

[3]劉潔.基于光流法的運(yùn)動(dòng)目標(biāo)檢測(cè)和跟蹤算法研究[D].中國(guó)礦業(yè)大學(xué)，2015.

[4]余慧玲.視頻圖像中的運(yùn)動(dòng)目標(biāo)檢測(cè)方法研究[D].中南大學(xué)，2012.

[5]王引輝.監(jiān)控視頻中運(yùn)動(dòng)目標(biāo)檢測(cè)算法研究[D].南京郵電大學(xué)，2013.

[6]亢潔，李曉靜.基于均值背景與三幀差分的運(yùn)動(dòng)目標(biāo)檢測(cè)[J].陜西科技大學(xué)學(xué)報(bào)，2018,（1）:148-153.

[7]陶傳會(huì).基于混合高斯模型的運(yùn)動(dòng)目標(biāo)檢測(cè)技術(shù)研究[D].沈陽(yáng)理工大學(xué)，2014.

[8]侯宏錄，李寧鳥(niǎo)，劉迪迪，等.智能視頻監(jiān)控中運(yùn)動(dòng)目標(biāo)檢測(cè)的研究[J].計(jì)算機(jī)技術(shù)與發(fā)展，2012,22（2）：49-52.

[9]畢恒.運(yùn)動(dòng)目標(biāo)檢測(cè)技術(shù)研究[J].濰坊學(xué)院學(xué)報(bào)，2015,15（2）：67-72.

作者簡(jiǎn)介：

陳媛（1980-），女，湖北鄂州人，碩士研究生，副教授，研究方向?yàn)閳D像處理與智能控制

收稿日期：2018-03-22 修稿日期：2018-05-20