摘要：隨著社會的發(fā)展，人們獲取的信息途徑越來越多，單純的依靠人類的五官已不能及時的將我們獲取的海量信息進(jìn)行甄別和判斷，因此計算機(jī)技術(shù)基礎(chǔ)上發(fā)展的圖像處理技術(shù)為我們生活、工作中的信息處理提供了很大的幫助，其在社會中的作用也越來越凸顯。其中，運(yùn)動目標(biāo)檢測技術(shù)是整個圖像處理技術(shù)的基礎(chǔ)性環(huán)節(jié)，直接關(guān)系到后續(xù)信息處理的成敗。本文主要介紹了目標(biāo)檢測的常用算法的原理以及它們的優(yōu)缺點(diǎn)，并對其中的幀間差分法和背景減除法進(jìn)行了仿真實(shí)驗(yàn)，以驗(yàn)證其優(yōu)缺點(diǎn)。

關(guān)鍵詞：運(yùn)動目標(biāo)檢測算法；幀間差分法；背景減除法

中圖分類號：TP391 文獻(xiàn)標(biāo)識碼：A 文章編號：1007-9599 （2012） 23-0000-03

1 引言

運(yùn)動目標(biāo)檢測技術(shù)是圖像處理技術(shù)中的關(guān)鍵基礎(chǔ)技術(shù)[1]，利用運(yùn)動目標(biāo)檢測技術(shù)可以對視頻圖像中感興趣的目標(biāo)進(jìn)行實(shí)時地檢測、識別、提示報警，是進(jìn)一步視頻圖像處理的重要依據(jù)。運(yùn)動目標(biāo)檢測技術(shù)已經(jīng)廣泛應(yīng)用于智能視頻監(jiān)控、犯罪預(yù)防、智能分辨、自動制導(dǎo)等安防、軍事領(lǐng)域[2]。

運(yùn)動目標(biāo)檢測是將運(yùn)動目標(biāo)從視頻序列圖像背景中分離出來。各類實(shí)際應(yīng)用需求的不斷增多，大大地推動了運(yùn)動目標(biāo)檢測技術(shù)的發(fā)展，產(chǎn)生了許多成熟的目標(biāo)檢測算法。一般我們會把運(yùn)動目標(biāo)檢測區(qū)分為動態(tài)環(huán)境下和靜態(tài)環(huán)境下，由于動態(tài)環(huán)境處理較為復(fù)雜，所以本文主要介紹靜態(tài)環(huán)境下的目標(biāo)檢測算法。

2 運(yùn)動目標(biāo)檢測常見方法

靜態(tài)環(huán)境下的運(yùn)動目標(biāo)檢測是指將視頻序列中的圖像分割為背景圖像和前景圖像[1]，提取其中存在變化的區(qū)域?yàn)榍熬皥D像，即運(yùn)動目標(biāo)或稱感興趣區(qū)域，而沒有發(fā)生變化的區(qū)域?yàn)楸尘皥D像。能否準(zhǔn)確地檢測出監(jiān)控場景中的運(yùn)動目標(biāo)直接影響了后續(xù)目標(biāo)跟蹤和行為分析等效果的好壞，因?yàn)槟繕?biāo)檢測提取出來的像素是后續(xù)處理分析的主要對象，是分析與處理的基礎(chǔ)。雖然，在視頻監(jiān)控場景中，監(jiān)控環(huán)境情況十分復(fù)雜，但每個運(yùn)動圖像都具有獨(dú)特的可供計算機(jī)識別的特點(diǎn)，計算機(jī)利用這些特點(diǎn)就可以將前景圖像檢測出來。常用的靜態(tài)

2.1 光流法[3][4]

光流法是基于運(yùn)動的目標(biāo)檢測方法，主要是將運(yùn)動目標(biāo)分解為單個的像素點(diǎn)，根據(jù)像素點(diǎn)灰度值隨時間變換的表觀運(yùn)動，即物體運(yùn)動在成像器材上的投影變化來對運(yùn)動物體進(jìn)行提取的。在運(yùn)動的特定時刻，圖像上的點(diǎn)與目標(biāo)區(qū)域中的點(diǎn)一一對應(yīng)，這種關(guān)系是一種投影關(guān)系；根據(jù)各個像素點(diǎn)的速度矢量特征，可以對圖像進(jìn)行動態(tài)分析。如圖1所示。

由于運(yùn)動目標(biāo)在空間的運(yùn)動變化會產(chǎn)生光流特性，可以簡單的理解為物體的運(yùn)動矢量場，而同一像素的焦點(diǎn)運(yùn)動與物體運(yùn)動之間會存在速率差，即將不同時刻的同一投影像素的運(yùn)動速度的差值進(jìn)行疊加，得到光流場分布，從中提取圖像序列中的變化信息，便可實(shí)現(xiàn)目標(biāo)的檢測和跟蹤，這就是光流法的原理。光流法可以在不了解監(jiān)控場景的背景環(huán)境以及攝像機(jī)運(yùn)動的情況下，完成運(yùn)動目標(biāo)的檢測。但是光流法對噪聲干擾比較敏感，當(dāng)目標(biāo)范圍內(nèi)出現(xiàn)樹葉搖曳致使光照亮度變化或前景目標(biāo)的陰影干擾時，即使監(jiān)控的目標(biāo)處于靜止?fàn)顟B(tài)，圖像中的一定區(qū)域的亮度仍然發(fā)生了變化，系統(tǒng)會誤以為監(jiān)控范圍內(nèi)發(fā)生了物體的運(yùn)動，導(dǎo)致誤報的發(fā)生，會對實(shí)際的識別檢測效果產(chǎn)生很大影響。此外，由于光流的計算方法較為復(fù)雜，如果沒有高端的硬件支持，計算量較大，運(yùn)算耗時較長，對系統(tǒng)的實(shí)時性會產(chǎn)生明顯的影響。

2.2 幀間差分法[5]

相鄰幀間差分法，主要通過相鄰兩幀圖像之間亮度差的絕對值來分析圖像序列的運(yùn)動特性，確定圖像序列中有無運(yùn)動物體。在監(jiān)控環(huán)境較穩(wěn)定的情況下，通過對相鄰兩幀圖形進(jìn)行差分處理并取絕對值，如果該值大于設(shè)定的閾值，則認(rèn)為發(fā)生了運(yùn)動，反之則認(rèn)定為背景圖像。圖像序列的逐幀差分相當(dāng)于對圖像序列進(jìn)行了濾波，去除了共有的部分。假設(shè)差分圖像為 ，圖像的（x，y）處在t時刻和t+1時刻的灰度值分別為 和 ，差分圖像二值化后的結(jié)果為 ，設(shè)定的閾值為那么

幀間差分法的優(yōu)點(diǎn)是原理簡單，易于實(shí)現(xiàn)，程序設(shè)計復(fù)雜度低，對硬件要求不高，同時幀間差分對環(huán)境要求不高受光線等影響不明顯，因而具有較好的魯棒性，可以適應(yīng)各種環(huán)境。但是幀間差分法的缺點(diǎn)也比較明顯，由于需要根據(jù)兩時間幀之間的差別進(jìn)行判斷，因此對兩幀之間的時間間隔有要求，即運(yùn)動物體的運(yùn)動速度會對識別效果產(chǎn)生一定影響。另外，由于是兩幀圖像相減很容易出現(xiàn)空洞現(xiàn)象，即幀間差分法不易提取運(yùn)動目標(biāo)的完整輪廓。

2.3 背景減除法

背景減除法[6][7][8]是目前最常見的一種運(yùn)動檢測方法，該方法的優(yōu)點(diǎn)是簡單方便，適用于攝像機(jī)靜止的情況，可以較完整地提取整個運(yùn)動目標(biāo)的輪廓信息。缺點(diǎn)是容易受光線、水紋反光、天氣等外界條件變化的影響，使背景圖像被誤判斷成前景圖像。背景減除法可以用圖3表示，主要包括預(yù)處理、背景建模、目標(biāo)檢測（前景檢測）及后處理（濾波處理）四個過程。其中，背景模型的建立和更新是背景減除法關(guān)鍵和難點(diǎn)，背景模型的好換和更新的是否及時直接影響了運(yùn)動目標(biāo)的檢測效果。

圖3背景減除法流程圖

背景減除法首先是利用監(jiān)控環(huán)境來建立一個用于比較的背景模型，該模型要與隨后輸入的視頻幀進(jìn)行差分處理，去除其中的背景圖像再進(jìn)行二值化等處理，從而得到包含運(yùn)動目標(biāo)的前景圖像。背景減除法的關(guān)鍵就背景模型的建立與更新，背景模型建立的方法通常有兩種，一種是閉環(huán)的背景更新方法，即利用人工進(jìn)行更新，這種方法要求建立背景模型是錄入的圖像中僅僅包含監(jiān)控場景的背景，而不能包含運(yùn)動目標(biāo)。顯然這種方法已經(jīng)不能滿足當(dāng)今復(fù)雜多變的監(jiān)控要求，所以第二種方法就是自適應(yīng)的背景模型建立與更新方法，較常見的是混合高斯建模方法。每個像素點(diǎn)都可以用均值為 ，方差為 的高斯分布表示，將多個單高斯模型點(diǎn)疊加到一起就組成了混合高斯分布模型，一般取3到5個參數(shù)進(jìn)行疊加。背景模型的更新就是及時對高斯分布的參數(shù)進(jìn)行更新，再根據(jù)建立的模型判斷哪個點(diǎn)為前景圖像哪個點(diǎn)為背景圖像。參數(shù)更新應(yīng)滿足以下關(guān)系：

其中， 表示t時刻圖像幀的強(qiáng)度， 為高斯分布的學(xué)習(xí)率，即參數(shù)更新的頻率。由有關(guān)正態(tài)分布的知識，我們知道當(dāng)剛剛更新的均值 從中心偏離 的范圍時，函數(shù)覆蓋范圍為99.54%，當(dāng)剛剛更新的均值 從中心偏離 的范圍時，函數(shù)覆蓋范圍為99.74%。所以當(dāng)新的一幀圖像更新完背景后，如果該像素的平均灰度值 ，說明該像素與高斯分布相匹配，可進(jìn)行參數(shù)的更新，如果沒有相比配，就增加一個高斯分布的模型。所以，系統(tǒng)可以根據(jù)前后幀圖像的關(guān)聯(lián)性自適應(yīng)的進(jìn)行模型更新，即系統(tǒng)建立了一條可靠的反饋系統(tǒng)，可以使模型參數(shù)按情況進(jìn)行實(shí)時的更新，更能夠適應(yīng)環(huán)境的變化。當(dāng)背景模型建立后即將整幀圖像分隔為多個高斯分布參數(shù)模型后，將隨后圖像幀灰度值與背景模型進(jìn)行匹配，以判斷是前景圖像還是背景圖像。這樣的背景減除法在理論上就可以比較好的克服背景環(huán)境的干擾，得到較好的檢測效果。

3 實(shí)驗(yàn)結(jié)果及分析

本論文的實(shí)驗(yàn)平臺是Windows7系統(tǒng)、Intel（R）Core（TM）2DuoCPU、2G內(nèi)存的PC機(jī)，圖像采集工具用了常見的USB接口的的攝像頭，使用的編程工具是VS2010和Intel公司開發(fā)的OpenCV開源計算機(jī)視覺庫。實(shí)驗(yàn)用于處理的視頻序列的分辨率為640*480。

實(shí)驗(yàn)1：室內(nèi)幀間差分法目標(biāo)檢測

我們進(jìn)行的第一個實(shí)驗(yàn)是應(yīng)用幀間差分進(jìn)行目標(biāo)檢測，實(shí)驗(yàn)過程分去噪和未去噪兩種情況實(shí)驗(yàn)結(jié)果如圖4所示。從實(shí)驗(yàn)中可以發(fā)現(xiàn)幀間差分法如果不經(jīng)過處理很容易產(chǎn)生重影現(xiàn)象，很難提取出完整的運(yùn)動目標(biāo)輪廓，如圖4中b圖所示。而c圖則是經(jīng)過了簡單的形態(tài)學(xué)去噪處理，雖然不能避免檢測目標(biāo)中出現(xiàn)陰影，但是已經(jīng)基本可以提取出較為完整的目標(biāo)輪廓。

系統(tǒng)原始狀態(tài)為圖5中（a）（b）表示，此時沒有運(yùn)動發(fā)生，所以得到前景圖像沒有任何信息，如圖5（c）所示。當(dāng)有運(yùn)動物體突然出現(xiàn)時，背景圖像進(jìn)行了及時的更新，如圖5（d）（e）所示。同時將背景與前景分隔開來得到完整的運(yùn)動物體輪廓，就可以得到圖5（f）。

在實(shí)驗(yàn)中筆者發(fā)現(xiàn)，如果運(yùn)動目標(biāo)運(yùn)動太快，則系統(tǒng)存在一個背景圖像更新速度的問題，背景圖像容易受到光線變化的影響，會將運(yùn)動目標(biāo)以外的物體識別為運(yùn)動目標(biāo)。而如果運(yùn)動速度過慢，則會把目標(biāo)一部分判斷為背景。

由實(shí)驗(yàn)結(jié)果可以看出，無論是幀間差分法還是背景減除法都有自己的優(yōu)點(diǎn)和長處，但是如果監(jiān)控場景相對靜止，光線變化不是很明顯的情況下，本文介紹的算法還是可以較為精確的檢測出運(yùn)動物體的輪廓，理論上可以為后續(xù)的處理過程提供較好的處理依據(jù)。

參考文獻(xiàn)：

[1]崔宇巍.運(yùn)動目標(biāo)檢測與跟蹤中有關(guān)問題的研究[D].西安：西北大學(xué)，2005.

[2]丁忠孝.視頻監(jiān)控圖像的運(yùn)動目標(biāo)檢測方法綜述[J].視頻應(yīng)用與工程，2008，32（5）：72-75.

[3]裴巧娜.基于光流法的運(yùn)動目標(biāo)檢測與跟蹤技術(shù)[D].北方工業(yè)大學(xué)，2009.

[4]萬文靜.基于光流的圖像目標(biāo)跟蹤方法研究[D].西北工業(yè)大學(xué)，2006.

[5]LiptonA，F(xiàn)ujiyoshiH，PatilR.Movingtargetclassificationandtrackingfromreal-timevideo[J].IEEEWorkshopofApplicationsofComputerVision，Princeton，NJ，1998，8-14.

[6]McKennaS，etal.Trackinggroupsofpeople.ComputerVisionandImageUnderstanding，2000，80（1）：42-56.

[7]萬衛(wèi)兵，霍宏，趙宇明.智能視頻監(jiān)控中目標(biāo)檢測與識別[M].上海：上海交通大學(xué)出版社，2010.

[8]TBouwmans，F(xiàn)ElBaf，BVachon.BackgroundModelingusingMixtureofGaussiansforForegroundDetection-ASurvey[J].RecentPatentsonComputerScience1，2008（3）：219-237.