趙向梅，蘇春莉，陳 宏

（西安歐亞學院 信息工程學院，陜西 西安 710065）

目前，視頻監(jiān)控系統(tǒng)有著廣泛的應用前景，該系統(tǒng)的核心是對視頻圖像的分析和處理，其關鍵技術包括目標檢測、目標分類及目標跟蹤等。而運動目標檢測處于整個視頻監(jiān)視系統(tǒng)的最底層，是各種后續(xù)高級應用（如目標跟蹤）的基礎，因此它對于一個視頻監(jiān)視系統(tǒng)起著關鍵性的作用。運動目標檢測，就是檢測視頻圖像中是否存在相對于整幅場景圖像運動的物體，它最常用的主要是背景差分法、幀間差分法和光流法。

1 常用運動目標檢測方法

幾種檢測方法均有自身的特點，所適用范圍不同。背景差分法一般很容易將運動目標分 割出來，但對動態(tài)場景和光線變化等外界干擾非常敏感，因此一般適用于靜態(tài)場景；幀間差分法對變化的動態(tài)環(huán)境有較強適應性，但一般不能完整的提取出所有的特征像素點，需要與其它檢測方法配合使用才能精確提取運動目標；光流法能在運動攝像機中檢測出運動目標，且不需要預先知道場景的信息，但是運算復雜，不適合實時處理。以下對幾種目標檢測方法逐一詳細介紹。

1.1 光流法

光流場的計算最初是由Horn與Schunck提出的。光流法檢測采用了目標隨時間變化的光流特性，基于光流法檢測運動目標的原理是：給圖像中的每一個像素點賦予一個光流矢量，根據(jù)每個像素點的光流矢量特征，可以對圖像進行動態(tài)分析。如果圖像中沒有運動目標，則光流矢量在整個圖像區(qū)域是連續(xù)變化的，當物體和圖像背景有相對的運動時，運動物體所形成的光流矢量必然和背景光流矢量不同，從而檢測出運動物體的位置。

光流法，計算比較復雜，需要特別的硬件裝置支持，不適合對實時性要求很強的場合。

1.2 背景差分法

背景差分法的基本思想是將當前幀圖像與事先存儲或者實時得到的背景圖像相減，來進行目標檢測和提取。它假定圖像背景不隨時間變化，是靜止的。其描述為：

公式（1）中，B（x，y）為背景圖像，fi（x，y）為當前幀圖像，其中（x，y）為圖像位置坐標，i為圖像幀數(shù)。將每一幀圖像的灰度值減去背景的灰度值可得一個差分圖像Di。通過閾值選擇，將差分圖像轉(zhuǎn)化為二值差分圖像，二值圖像中為“0”的像素表示背景圖像，取值為“1”的像素點表示前景圖像，屬于運動目標區(qū)域。

背景差分法速度快，檢測準確，其關鍵是背景圖像的獲取。在有外界因素的干擾下，靜止的背景圖像要想直接獲取是很難的，它會隨著時間進行變化，而繼續(xù)使用原來的背景圖像進行目標檢測必定會影響檢測的效果，因此背景圖像需要動態(tài)更新。

1.3 Surendra背景提取算法

Surendra等人提出了一種連續(xù)幀差法進行背景提取，其原理是通過當前幀的圖像與前一幀圖像差值來找運動區(qū)域，首先對差值圖像的灰度值進行判斷，若灰度值大于閾值，背景圖像對應的位置不用改變，否則對背景圖像利用當前幀進行更新。

具體步驟如下：

1）將第一幀圖像I0選為背景；

2）選取閾值T，該值可以固定，為圖像最大灰度值與最小灰度值的平均值，也可以自適應的，根據(jù)環(huán)境自動選?。?/p>

3）取迭代參數(shù)i=1；

4）計算當前幀與前一幀的幀間差分圖像，為：

公式（2）中 Ii、Ii-1分別表示當前幀圖像和前一幀圖像，|Ii-Ii-1|為兩幀間的圖像差值。

5）根據(jù)二值化圖像Di更新背景

公式（3）中 Bi（x，y）為坐標為（x，y）處的背景圖像，Ii為輸入的第i幀圖像，α為更新系數(shù)。

6）i=i+1，返回步驟4），進行迭代，迭代到一定程度結(jié)束，把 Bi（x，y）作為背景圖像。

1.4 幀間差分法

當圖像背景不斷變化時，就無法用背景差分法檢測、分割目標。幀間差分法利用視頻圖像序列中連續(xù)兩幀或幾幀的圖像差異來進行目標檢測，其基本思想是利用序列圖像相鄰幀的強相關性進行變化檢測，經(jīng)濾波確定運動目標區(qū)域。算法描述為：

公式（4）中，fi（x，y）和 fi-1（x，y）分別為第 i幀和 i-1 幀圖像，前后兩幀圖像對應像素值相減，得到差分圖像。對得到的差分圖像進行二值化，同樣，在二值差分圖像中，取值為1的像素點代表變化區(qū)域。一般來說，變化區(qū)域?qū)谶\動對象，當然它也有可能是由噪聲或光照變化所引起的。

這種方法具有速度快、算法簡單、易于實現(xiàn)等優(yōu)點。同時，幀間差分法也有明顯的缺點，如果運動物體速度較慢，由于其只對兩相鄰的圖像進行差分，所以相鄰兩幀差分時常會出現(xiàn)空洞的情況；而如果運動物體速度較快，檢測結(jié)果中又會出現(xiàn)重影現(xiàn)象。

為了解決以上問題，現(xiàn)在常用改進后的幀差法，即利用相鄰三幀圖像兩兩差分求交集，可確定物體在中間幀圖像的位置，這種運算叫做對稱差分運算。這種方法的思想如圖1所示。

圖1 對稱差分運算示意圖Fig.1 Symmetric difference operation schematic diagram

2 背景差分和幀間差分法的融合檢測方法

2.1 算法描述

從以上內(nèi)容可以看出，背景差分法定位目標準確，速度快，但需要引入動態(tài)更新背景機制。幀間差分法能很好的適應環(huán)境變化，但不能完整提取出運動目標所有特征。為了彌補兩種方法的不足，本文將背景差分法及幀間差分法改進后的對稱差分法進行結(jié)合，來進行運動目標檢測。

算法流程圖如圖2所示。

圖2 算法流程圖Fig.2 Algorithm flow chart

該算法的具體過程為，首先對圖像進行對稱差分運算，從而計算出運動前景，同時運用背景差分來分割運動目標，然后對這兩種方法得到運動目標分別進行二值化處理，對二值化后的圖像做邏輯或運算得到前景運動目標。對得到的運動前景采用Surendra背景提取算法進行背景更新。最后將前景圖像進行后處理操作，包括去除圖像中的細小噪聲，進行連通性分析，最后得到比較完整的運動目標。

2.2 實驗結(jié)果與分析

運用圖2中的算法，在VC++6.0的環(huán)境下，對相應視頻圖像進行實驗。對第239幀、第368幀、第1164幀視頻圖像用對稱差分法進行二值化，圖3為原始圖像第239幀，實驗結(jié)果如下所示，圖4為對稱差分二值化圖像。

圖3 原始圖像第239幀F(xiàn)ig.3 Original image frame 239

圖4 對稱差分二值化圖像Fig.4 Symmetric differential binarization image

接下來把建模得到的背景圖像用于背景差分法，做相減，二值化處理，結(jié)果如圖6所示。

圖5 背景圖像Fig.5 The background image

圖6 背景差分二值化圖像Fig.6 The background differential binarization image

將圖4和圖6的二值化圖像做邏輯或運算，得到前景運動目標，如下圖7所示。圖7中可以看出兩幅圖像相或后，對檢測結(jié)果加強了，但是圖像中出現(xiàn)了一些白色小點，即細小噪聲，得需要進一步去除噪聲。利用分塊思想去除噪聲后，圖像如圖8所示，得到了完整的運動目標。

圖7 二值化圖像相或圖像Fig.7 Binarization image or images

圖8 處理后的運動目標Fig.8 After processing of moving targets

3 結(jié) 論

文中研究了常用目標檢測的3種方法，并對背景差分法中的Surendra背景提取算法及幀間差分法的改進方法對稱差分法進行了說明，運用對稱差分法和背景差分法的融合方法進行目標檢測，實驗表明背景差分和幀間差分法的融合檢測方法是很有效的方法。最后得出運用背景差分和幀間差分法的融合檢測方法進行運動目標檢測，可以得到好的目標檢測效果的結(jié)論。如何在檢測到運動目標后，進行下一步有效的目標跟蹤是文中下一步研究的方向。

[1]王亮亮，王黎，高曉蓉，等.基于視頻圖像的運動目標檢測算法研究[J].微計算機信息，2010，26（6-1）:147-148.WANG Liang-liang，WANG Li，GAO Xiao-rong，et al.The research of moving object detection algorithm in video images[J].Microcomputer Information，2010，26（6-1）:147-148.

[2]梁曦.基于視頻圖像的運動目標檢測與跟蹤技術研究[D].西安：西安電子科技大學，2011.

[3]曾宏亮.視頻圖像中運動目標檢測與跟蹤技術的研究[D].北京：北京郵電大學，2010.

[4]Bao P，Zhang L，Wu X.Canny edge detection enhancement by scale multiplication[J].IEEE Trans.On PAMI，2005，27（9）:1485-1490.

[5]Collins R，Lipton A，Kanade T.A system forvideo surveillance and monitoring:VSAM final report[R].CMU-RITR-00-12，Camegie Melon University， Pittsburgh，America，2000.

[6]Herrero E，Orrite C，Senar J.Detected motion classification with a double background and a neighborhood-based difference[J].Pattern Recognition Letters，2003，24 （12）:2079-2092.