沈盼盼，樊 豐，伍瑞卿

(電子科技大學(xué)，四川 成都 611731)

1 背景介紹

對(duì)視頻序列中運(yùn)動(dòng)目標(biāo)的提取是計(jì)算機(jī)視覺和視頻分析的基本部分，在視頻監(jiān)控［1］、體育運(yùn)動(dòng)分析［2］、人機(jī)交互［3］、輔助臨床醫(yī)療診斷［4］等領(lǐng)域有廣泛的應(yīng)用前景?；诒尘安罘值倪\(yùn)動(dòng)目標(biāo)檢測(cè)是最常用的方法［5］，該方法中背景的獲取和更新是關(guān)鍵。近年來，人們對(duì)如何構(gòu)建背景進(jìn)行了大量的研究，例如高斯模型的法、中值法、時(shí)間平均法等，大多數(shù)都是針對(duì)像素建立的。

本文從直接計(jì)算背景像素值的角度研究。因?yàn)闀r(shí)間平均法容易將前景運(yùn)動(dòng)目標(biāo)混入到背景圖像中，導(dǎo)致提取的背景圖像出現(xiàn)混影。自適應(yīng)平滑算法利用通過時(shí)間段內(nèi)像素點(diǎn)的不變性建立背景模型，但是如果運(yùn)動(dòng)目標(biāo)運(yùn)動(dòng)緩慢或者暫時(shí)靜止時(shí)候會(huì)將前景像素值誤判為背景像素值，產(chǎn)生錯(cuò)誤結(jié)果?；谙袼卦跁r(shí)間軸上變化提出的中值法，檢測(cè)過程中可能會(huì)因光照的變化將噪聲點(diǎn)像素值誤判為背景。針對(duì)這些問題，本文根據(jù)運(yùn)動(dòng)目標(biāo)像素值的變換比背景的變化快［6］的思想，采用幀間差分法和中值法相結(jié)合構(gòu)造背景模型，并且利用幀差信息對(duì)背景實(shí)時(shí)更新。采用對(duì)RGB空間的三通道分離的運(yùn)動(dòng)目標(biāo)檢測(cè)方法，采用Osto法［7］獲取閾值來提取運(yùn)動(dòng)區(qū)域。本文算法在運(yùn)動(dòng)目標(biāo)存在的情況下也能建立較完整的背景模型，構(gòu)建的背景可適應(yīng)光照變化和微小物體的抖動(dòng)，克服了在對(duì)目標(biāo)和背景灰度相近的情況下難以提取準(zhǔn)確的目標(biāo)對(duì)象的問題，另外，背景更新是針對(duì)每個(gè)像素點(diǎn)更新，大大減少了運(yùn)算時(shí)間。

2 背景模型的建立

首先，利用中值法獲取背景BM;然后，利用相鄰幀間差分的變化獲取背景BS;考慮到光照等影響，中值法難免會(huì)將噪聲點(diǎn)誤判為背景，所以最后將得到的BM和BS進(jìn)行加權(quán)，得到初始背景模型。圖1為初始背景模型的獲取流程圖。

算法步驟為:

1)從N幀視頻呢序列中獲取n幀圖像，記作(f1，f2，…，fn)。

圖1 背景模型獲取流程圖

4)對(duì)n幀圖像進(jìn)行灰度變換，變換后的灰度圖像序列記為 (g1，g2，…，gn)。

5)對(duì)n幀灰度圖像(g1，g2，…，gn)進(jìn)行幀間差分，對(duì)差分后的每個(gè)灰度圖像進(jìn)行二值化，閾值的選取由Otsu 法確定，得到一個(gè)二值圖像序列 D2(i，j)，D3(i，j)，…，Dn(i，j)。

6)在二值圖像序列中，每個(gè)像素點(diǎn)的值可看作是由0和1組成的一維數(shù)組，找出其一維數(shù)組中連續(xù)性最長的0 的區(qū)間，例如點(diǎn) (i，j)的像素點(diǎn)變化情況為［0，1，0，0，1，0，0，0，1，1］，可以看出最長的0 區(qū)間中有 3 個(gè) 0。求出這個(gè)區(qū)間中最中間的元素所在的列數(shù)，找出其對(duì)應(yīng)的視頻序列號(hào)，如果是奇數(shù)個(gè)0就取最中間一列，對(duì)應(yīng)視頻序列號(hào)為M，如果是偶數(shù)個(gè)0就取中間兩列，對(duì)應(yīng)視頻序列號(hào)為M1和M2。

7)假設(shè)提取的最長0區(qū)間有m個(gè)0，則背景圖像BS的每個(gè)像素值計(jì)算公式如下

每個(gè)像素都進(jìn)行處理，最后得到第二個(gè)背景模型BS。

8)考慮到兩種方法的優(yōu)缺點(diǎn)，本文將獲取的兩個(gè)背景模型按照式(2)結(jié)合來作為初始背景模型B0

式中，λ在(0，1)的范圍內(nèi)。

圖2和圖3顯示了對(duì)SampleVideo和highway分別利用時(shí)間均值法、文獻(xiàn)［4］的方法以及本文算法建立的背景模型。序列SampleVideo中λ取值為0.97，序列highway中λ取值為0.9。從圖中可以看出，用時(shí)間平均法獲取的背景模型會(huì)殘留前景部分的重影，尤其在運(yùn)動(dòng)目標(biāo)速度較快的時(shí)候比較明顯。文獻(xiàn)［4］的方法在目標(biāo)存在或者移動(dòng)緩慢的情況下會(huì)將目標(biāo)部分誤判為背景。而本文算法建立的背景效果較好。

3 背景模型的更新

取n幀視頻序列，由視頻序列每個(gè)圖像和初始化背景模型對(duì)比得到一個(gè)差異累計(jì)圖像。在差異累計(jì)圖像每個(gè)像素點(diǎn)設(shè)置一個(gè)計(jì)數(shù)器，序列圖像和初始化背景模型之間在某個(gè)像素點(diǎn)出現(xiàn)一次較小差異就令計(jì)數(shù)器加1，差異大小根據(jù)閾值Tf來判斷。當(dāng)?shù)趉幀圖像與初始化背景模型相比較時(shí)，差異累計(jì)圖像可看作是隨時(shí)間變化的一個(gè)動(dòng)態(tài)矩陣A(i，j，tk)。根據(jù)運(yùn)動(dòng)對(duì)象的像素值變化比背景像素值變化快的特點(diǎn)，按照如下方法更新背景:

設(shè)有 m 幀視頻序列 f1(i，j)，f2(i，j)，…，fm(i，j)，差異累計(jì)矩陣為

式中:τ(i，j)記錄每個(gè)像素差異累計(jì)的次數(shù)，由二值圖像序列(g1，g2，…，gn)中每個(gè)像素點(diǎn)的最長0區(qū)間長度決定，因此每個(gè)像素點(diǎn)的τ值不同。假如當(dāng)前的背景模型為Bk－1(i，j)，則當(dāng)累計(jì)至 τ(i，j)時(shí)，點(diǎn) (i，j)處的背景像素值根據(jù)式(2)自動(dòng)更新，而差異累計(jì)圖像中為0的像素點(diǎn)處背景像素值不變，公式為

式中:α為更新率，取值在(0，1)區(qū)間。

4 運(yùn)動(dòng)目標(biāo)的檢測(cè)

為了在閾值化時(shí)消除部分噪聲的影響，首先對(duì)背景差后的灰度圖像進(jìn)行濾波處理，本文采用的中值濾波。fk為當(dāng)前視頻圖像，Bk為當(dāng)前背景圖像。本文采用Otsu法自動(dòng)選取分割閾值T0，另外為了抑制光照突變的影響，增加一個(gè)動(dòng)態(tài)閾值Ts。計(jì)算公式如下

式中:T為選取的閾值，Ts體現(xiàn)了光照的整體變化，增加Ts能夠在閾值時(shí)候抑制光線的影響。ε為抑制系數(shù)，如果光照變化明顯則取較大值反之，取較小值。

閾值化后的二值圖像中，運(yùn)動(dòng)對(duì)象已經(jīng)大致獲取，但是由于光照的突變或者噪聲的影響使得檢測(cè)到得前景中含有噪聲點(diǎn)、空洞、間隙等，需要進(jìn)一步優(yōu)化才能得到較準(zhǔn)確的運(yùn)動(dòng)目標(biāo)。本文首先采用形態(tài)學(xué)的開、閉操作來填充小的空洞間隙，消除小一些的噪聲點(diǎn)，然后對(duì)整個(gè)圖像進(jìn)行連通性分析，將面積較小的區(qū)域去除，最后留下的即是運(yùn)動(dòng)區(qū)域。

5 陰影去除

背景圖像中，被陰影遮擋后的區(qū)域的灰度值將比原來減小，但是在色度變化不大的情況下可認(rèn)為歸一化的顏色空間對(duì)陰影造成的像素點(diǎn)顏色、亮度變化不敏感，具有一定穩(wěn)健性［8］?？紤]到只用RGB空間會(huì)丟失像素值的亮度信息，因此，分別按照式(4)計(jì)算當(dāng)前視頻圖像和當(dāng)前背景圖像的歸一化顏色空間的r和g的值，計(jì)算當(dāng)前視頻圖像和當(dāng)前背景圖像的亮度值為

如果在 (r，g，I)空間的當(dāng)前像素值為 (rk，gk，Ik)，背景像素值為(rb，gb，Ib)，則當(dāng)前像素值同時(shí)滿足式(10)的3個(gè)條件時(shí)，即為陰影

最后將檢測(cè)出的陰影部分從提取出運(yùn)動(dòng)目標(biāo)的二值圖像中清除，得到更加精確的目標(biāo)對(duì)象。

6 實(shí)驗(yàn)結(jié)果與分析

為了驗(yàn)證本文算法的有效性，選取了2組視頻序列進(jìn)行目標(biāo)檢測(cè)，并將本文算法在灰度域進(jìn)行試驗(yàn)，與在RGB域的試驗(yàn)結(jié)果進(jìn)行比較。圖4顯示了SampleVideo在灰度域獲取的初始背景模型、目標(biāo)檢測(cè)結(jié)果以及經(jīng)過形態(tài)學(xué)處理后得出的目標(biāo)區(qū)域的二值圖像。圖5顯示了SampleVideo在RGB空間獲取的初始背景模型、各個(gè)通道的目標(biāo)檢測(cè)結(jié)果、3個(gè)通道相結(jié)合的檢測(cè)結(jié)果以及經(jīng)過形態(tài)學(xué)處理后得出的目標(biāo)區(qū)域二值圖像。

比較圖4和圖5可以看出，在目標(biāo)灰度值和背景相近的情況下，在灰度域進(jìn)行背景差分必然會(huì)丟失掉一些有用信息，本文將各個(gè)通道分離后分別進(jìn)行目標(biāo)檢測(cè)，然后取并集可以得到更完整的運(yùn)動(dòng)對(duì)象。

圖6是對(duì)SampleVideo序列第21幀、第30幀、第45幀的檢測(cè)結(jié)果，圖7是對(duì)hall的第15幀、第80幀、第100幀的檢測(cè)結(jié)果，圖8是對(duì)viptraffic的第20幀、第35幀、第51幀的檢測(cè)結(jié)果。

7 結(jié)論

本文主要對(duì)初始背景模型的獲取加以改進(jìn)，采用三通道分離來檢測(cè)運(yùn)動(dòng)目標(biāo)，實(shí)時(shí)性好，對(duì)目標(biāo)和背景灰度相近的情況有較好的檢測(cè)結(jié)果。但是也存在一些不足，如果目標(biāo)長時(shí)間停留或者做微小的運(yùn)動(dòng)，獲取的背景模型會(huì)摻雜較多目標(biāo)區(qū)域，使得檢測(cè)結(jié)果不夠理想，有待進(jìn)一步研究，結(jié)合其他方法進(jìn)行改進(jìn)。

［1］于忠校.視頻監(jiān)控圖像的運(yùn)動(dòng)目標(biāo)檢測(cè)方法綜述［J］.電視技術(shù)，2008，32(5):72－76.

［2］JI Xiaofei，LIU Honghai.Advances in view－invariant human motion analysis:a review［J］.IEEE Transaction on Systems，Man，and Cybernetics，Part C:Applications and Reviews，2010，40(1):13－24.

［3］FAI H，YAMAMOTO S.Bayesian online change point detection to improve transparency in human－machine interaction systems［C］//Proc.the 49th IEEE Conference on Decision and Control.［S.l.］:IEEE Press，2010:3572－3577.

［4］楊紅梅.基于人體運(yùn)動(dòng)跟蹤的遠(yuǎn)程康復(fù)系統(tǒng)關(guān)鍵技術(shù)的研究［D］.重慶:重慶郵電大學(xué)，2010.

［5］齊志才.自動(dòng)化儀表［M］.北京:中國林業(yè)出版社，2006.

［6］YANG T，LI S Z.Real－time and accurate segmentation of moving objects in dynamic scene［C］//Proc.the ACM 2nd International Workshop on Video Surveillance ＆ Sensor Networks.［S.l.］:IEEE Press，2004:136－143.

［7］朱瑾瑜，劉海燕，黃淑梅.基于連通性檢測(cè)的視頻監(jiān)控運(yùn)動(dòng)目標(biāo)提?。跩］.電視技術(shù)，2007，31(10):78－80.

［8］毛曉波，謝曉芳，張曉林.消除運(yùn)動(dòng)物體陰影的最大色度差分檢測(cè)法［J］.電子技術(shù)應(yīng)用，2007，33(1):61－63.