熊 偉 孫宇宸 劉 奇

（1.海軍航空工程學(xué)電子信息工程系 煙臺 264001）（2.海裝軍械裝備部彈藥武器處 北京 100038）

1 引言

背景提取算法是通過處理連續(xù)圖像，將其中的運(yùn)動物體剔除，從而獲得只含有靜止物體（如：房屋、靜止的汽車等）的圖像的一系列圖像處理方法，這些算法可以將視頻圖像中靜止的或者是遵循一定規(guī)律運(yùn)動的物體提取出來。近年來，背景提取算法已經(jīng)成為來國內(nèi)外諸多學(xué)者研究的重點(diǎn)課題。背景提取算法的應(yīng)用非常廣泛，最典型的是交通道路視頻檢測［1～5］。通過對交通道路進(jìn)行背景提取，可以有效地檢測出某一路段的車流量等信息，從而為交通部門進(jìn)行車流疏導(dǎo)提供參考依據(jù)。背景提取算法應(yīng)用在雷達(dá)視頻圖像中可以將雷達(dá)視頻圖像中的固定目標(biāo)、島嶼等識別并且提取出來，從而更快捷、清晰地捕捉雷達(dá)圖像中的動目標(biāo)信息，提高對雷達(dá)視頻圖像中運(yùn)動目標(biāo)的跟蹤性能。

國內(nèi)外專家學(xué)者已經(jīng)針對背景提取提出了諸多方法［6］。常見的背景提取算法有：多幀平均法［7～8］、統(tǒng)計(jì)中值圖法［9～12］、混合高斯模型法等［13～19］。本文將這幾種典型的背景提取算法應(yīng)用在雷達(dá)視頻圖像中并進(jìn)行仿真分析，通過比較，找出現(xiàn)有的背景提取算法在雷達(dá)視頻圖像背景提取中的優(yōu)缺點(diǎn)，為進(jìn)一步的算法研究打下較好的基礎(chǔ)。

2 背景提取算法

2.1 多幀平均法

多幀平均法是利用圖像中每個(gè)像素的灰度信息（灰度即亮度）進(jìn)行背景提取的方法。在雷達(dá)圖像中，由于各種景物的雷達(dá)反射回波的強(qiáng)弱不同，圖像中呈現(xiàn)出亮度不同的區(qū)域。由于圖像中的雜波具有多樣性，其灰度值出現(xiàn)大于、小于或者與背景的灰度值相當(dāng)?shù)那闆r。從統(tǒng)計(jì)學(xué)的角度看，在一段時(shí)間內(nèi)，由于雜波變化引起的圖像灰度值的改變可以通過求平均值加以消除。因此，我們可以將多幀平均法用在雷達(dá)視頻圖像的背景提取中。

多幀平均法的原理是用累加平均法將雷達(dá)視頻圖像中的噪聲消除。由于雷達(dá)視頻圖像的大部分噪聲是隨機(jī)的，不同幀之間的噪聲明顯不同，通過多幀平均，可以將噪聲消除，從而提取雷達(dá)視頻圖像中的背景。多幀平均法可以用如下公式表示：

式（1）中，Background（x，y）表示背景圖像；N 表示總的幀數(shù)；imagei（x，y）表示第i幀圖像。

多幀平均法具有模型簡單、計(jì)算方便等優(yōu)點(diǎn)。但是，當(dāng)圖像中某一點(diǎn)的灰度值大范圍波動時(shí)，會造成提取的背景圖像中呈現(xiàn)亮暗分布不均勻的情況，隨著幀數(shù)的增多，這種情況會有所改善。在處理雷達(dá)視頻圖像時(shí)，由于圖像中的運(yùn)動物體速度較慢，該方法不能準(zhǔn)確捕捉運(yùn)動物體，會將慢速運(yùn)動的艦船誤識別為背景。

2.2 統(tǒng)計(jì)中值法

統(tǒng)計(jì)中值法是基于排序理論的背景提取方法，這種方法的特點(diǎn)是可以有效地抑制噪聲中非線性信號。在光學(xué)視頻圖像的背景提取中，這種算法的優(yōu)點(diǎn)在于可以克服線性濾波帶來的模糊影響，很好地保持圖像的邊緣特性。由于雷達(dá)視頻圖像中的隨機(jī)噪聲大部分都不是線性信號，所以，該算法對雷達(dá)視頻圖像中的隨機(jī)噪聲有很好的識別效果。

統(tǒng)計(jì)中值法的思想和數(shù)字圖像處理中的中值濾波的思想相似，就是把圖像中某個(gè)像素點(diǎn)的值用其領(lǐng)域中各個(gè)像素點(diǎn)的中值代替。描述為：將序列x1，x2，…，xn中的數(shù)據(jù)按照從小到大的順序排列，組成新的序列xi1，xi2，…，xin，中值y可以表示為

統(tǒng)計(jì)中值法進(jìn)行雷達(dá)圖像處理的時(shí)候，有效地減輕了算法的復(fù)雜程度，較好地保護(hù)了邊緣信息，但是這種算法無法為圖像序列的變化給出嚴(yán)格的統(tǒng)計(jì)解釋，同時(shí)，在處理背景差值的時(shí)候無法對偏差做出估計(jì)。

2.3 混合高斯模型法

混合高斯建模是從單高斯建模發(fā)展而來的。單高斯模型的核心思想是假設(shè)每個(gè)像素點(diǎn)的亮度值服從高斯分布N（μ，σ2），噪聲認(rèn)為是白噪聲?；旌细咚鼓Ｐ蛯⒚總€(gè)像素的亮度值用K個(gè)高斯分布來建模，同時(shí)對這K個(gè)高斯分布設(shè)定優(yōu)先級，按照優(yōu)先級從高到低的順序排列，設(shè)置適當(dāng)?shù)谋尘皺?quán)值和閾值，只有符合閾值的分布被認(rèn)為是背景，否則認(rèn)為是前景。在處理雷達(dá)視頻圖像的時(shí)候，可以利用該模型較高的自適應(yīng)能力，對圖像中不斷變化的隨機(jī)噪聲進(jìn)行剔除，同時(shí)，對于圖像中運(yùn)動較快的目標(biāo)，該方法也有較好的辨別能力。

對高斯模型的描述較為復(fù)雜，詳細(xì)描述見文獻(xiàn)［16］、文獻(xiàn)［17］?；旌细咚鼓Ｐ捅尘疤崛∷惴ㄊ且粋€(gè)能處理多模情況而且自適應(yīng)的背景提取算法。在光學(xué)視頻圖像背景提取時(shí)，這種算法提取的背景精確度較高，可以有效地識別運(yùn)動物體和靜止的背景。

混合高斯模型法是幾種常用方法中背景提取效果最好的一種方法，這種方法基本不會受到光照強(qiáng)弱、雜波數(shù)量和種類等因素的影響。現(xiàn)有文獻(xiàn)對混合高斯模型提出了很多改進(jìn)，并且取得了一定的效果，比如文獻(xiàn)［19］，我們下一步的研究主要是針對高斯模型進(jìn)行改進(jìn)，將其更好的用在雷達(dá)圖像的背景提取中。

3 仿真

3.1 仿真環(huán)境

本文利用裝有Opencv（計(jì)算機(jī)視覺庫）的 Microsoft Visual Studio 2008軟件對第二章提到的各種算法進(jìn)行仿真。選取的兩幅雷達(dá)圖像分別為晴朗天氣和陰雨天氣采集的民用導(dǎo)航雷達(dá)（JRC）視頻圖像。

3.2 仿真結(jié)果與分析

圖1為本次選取的雷達(dá)視頻圖像中某一幀的雷達(dá)原始圖像，其中圖1（a）為晴朗天氣原始雷達(dá)圖像，圖1（b）為陰雨天氣原始雷達(dá)圖像。圖1中標(biāo)明的區(qū)域一為雷達(dá)原始圖像中的陸地區(qū)域，區(qū)域二為由于遮擋物導(dǎo)致的雷達(dá)信號盲區(qū)，區(qū)域三為雷達(dá)圖像中的海洋區(qū)域，為了使觀察方便，該三塊區(qū)域在其他各個(gè)圖像中不再標(biāo)出。圖1（a）中標(biāo)明的目標(biāo)一、目標(biāo)二均為包含多個(gè)目標(biāo)的群目標(biāo)，為了方便觀察，在下面的圖像中不再分別標(biāo)出，如果下文提及，則為相對應(yīng)的目標(biāo)（圖1（b）同）；圖1（b）中表明目標(biāo)一、目標(biāo)二、目標(biāo)三，其中，目標(biāo)一為單目標(biāo)，目標(biāo)二、目標(biāo)三均為群目標(biāo)。

圖1 原始雷達(dá)圖像

圖2 多幀平均法獲取的背景圖像

圖3 統(tǒng)計(jì)中值法獲取的背景圖像

圖4 混合高斯模型法獲取的背景圖像

分別對比圖1、圖2中相對應(yīng)的圖像（即對比圖2（a）和圖1（a），圖2（b）和圖1（b），下同）圖2整體亮度變暗。圖2中區(qū)域一相對應(yīng)的區(qū)域除變暗外，其邊界有模糊的跡象，這是由于雷達(dá)采集數(shù)據(jù)的時(shí)候，由于雷達(dá)的抖動造成的相鄰幀圖像中的陸地不能完全重合；圖2中區(qū)域二中的雷達(dá)回波較強(qiáng)的噪聲點(diǎn)明顯變暗或者減少，這是由于這些噪聲的隨機(jī)性，使得多幀平均后被消除；圖1（a）目標(biāo)二和圖1（b）目標(biāo)三中的艦船在圖2中均有明顯被拉長的跡象，這是由于這些船運(yùn)動速度較慢，多幀平均法無法將其消除。

對比圖3和圖1中相對應(yīng)圖像，圖3整體變得模糊，但是仍舊保持了較好的輪廓信息。其中，區(qū)域一的陸地輪廓表現(xiàn)的較為清晰，圖3中各個(gè)目標(biāo)的艦船均出現(xiàn)模糊的趨向，這是由于運(yùn)動的艦船的形狀趨向于線條狀，而統(tǒng)計(jì)中值法由于對邊緣信息比較敏感，統(tǒng)計(jì)背景時(shí)會將這種近似于線條狀的物體模糊化。

對比圖4和圖1中相對應(yīng)圖像，圖4的清晰度明顯高于圖1。其中區(qū)域一的陸地區(qū)域的輪廓顯示效果明顯高于圖1中的陸地輪廓，并且陸地中各種景物的回波更加清晰，基本沒有模糊現(xiàn)象；區(qū)域二中的雜波數(shù)量大幅度減少，沒有很明顯的強(qiáng)噪聲點(diǎn)。圖1（a）中目標(biāo)一和圖1（b）中目標(biāo)一、二中的目標(biāo)被拉長并且模糊化，顯示出了運(yùn)動軌跡，通過這樣的現(xiàn)象，我們可以判斷，這兩塊區(qū)域中包含的目標(biāo)在不斷的運(yùn)動，因此，可以將這些目標(biāo)認(rèn)定為運(yùn)動目標(biāo)。

通過對三種典型背景提取算法進(jìn)行仿真分析，可以發(fā)現(xiàn)：背景提取算法應(yīng)用在雷達(dá)視頻圖像的背景提取中既有其優(yōu)點(diǎn)，也有其不足之處。優(yōu)點(diǎn)在于由于雷達(dá)視頻圖像中不存在光照強(qiáng)度的變化對圖像的影響，因此，這些算法應(yīng)用在光學(xué)視頻圖像中時(shí)干擾較大的光照因素可以不予考慮；缺點(diǎn)在于由于雷達(dá)視頻圖像中大部分的目標(biāo)運(yùn)動比較緩慢，或者是在有限幀的范圍內(nèi)無法發(fā)生明顯的位移，導(dǎo)致了在視頻背景提取時(shí)會將這些目標(biāo)誤判為背景，使得背景提取不準(zhǔn)確?？傊?，三種算法都能較好地排除雷達(dá)視頻圖像中的隨機(jī)噪聲，但是對運(yùn)動不明顯的目標(biāo)敏感性較差。

4 結(jié)語

本文將三種最基本的背景提取算法應(yīng)用在雷達(dá)視頻圖像的背景提取中，這三種算法分別從多幀平均、統(tǒng)計(jì)角度和高斯混合模型法的方向上體現(xiàn)了典型的視頻背景提取算法的幾種思路。鑒于篇幅原因，沒有將其他典型算法，如：統(tǒng)計(jì)直方圖法等一一列出，但是，通過本文的研究，我們足以發(fā)現(xiàn)視頻背景提取算法應(yīng)用在雷達(dá)視頻圖像的提取中具有一定的可行性，也具有較大的實(shí)用價(jià)值。

在今后的研究中，我們要以本文的仿真結(jié)果為基礎(chǔ)，在分析現(xiàn)有背景提取算法在雷達(dá)視頻背景提取中展現(xiàn)出來的優(yōu)缺點(diǎn)的基礎(chǔ)上，對現(xiàn)有算法進(jìn)行改進(jìn)，并且通過仿真實(shí)驗(yàn)不斷發(fā)現(xiàn)問題、解決問題。雷達(dá)視頻圖像的背景提取是一個(gè)比較有研究價(jià)值的方向，如果能夠找出好的方案精確地提取圖像中的背景，將能夠更加高效地實(shí)現(xiàn)對運(yùn)動目標(biāo)的跟蹤。

［1］韓亞偉.視頻交通流背景提取與運(yùn)動目標(biāo)跟蹤檢測技術(shù)研究［D］.西安：長安大學(xué)，2009：10－34.

［2］GLOYER B，AGHAJAN H K，SIU K Y，et al.Vehicle detection and tracking for freeway traffic monitoring［C］／／Conference Record of the Twenty－Eighth Asilomar Conference on Signals，Systems and Computers，1994：970－974.

［3］GUPTE S，MASOUD O，Martin R F K，et al.Detection and classification of vehicles［J］.IEEE Transaction on Intelligent Transportation Systems，2002，3（1）：37－47.

［4］趙有婷，李煦瑩，羅東華.基于視頻車輛軌跡模型的交通事件自動檢測方法研究［J］.中山大學(xué)學(xué)報(bào)，2011，50（4）：56－60.

［5］但妮.視頻序列中運(yùn)動目標(biāo)提取與檢測算法研究［D］.南京：南京郵電大學(xué)，2009：32－47.

［6］PACCARDI M.Background subtraction techniques：a review［C］／／2004IEEE International Conference on Systems，Man ＆Cybemetics，2004：3099－3104.

［7］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，2011，37（22）：159－161.

［8］劉欣頁，李文舉，高連軍，等.一種有效的道路背景提取與更新算法［J］.微型機(jī)與應(yīng)用，2012，31（7）：46－48.

［9］LO B.P.L，VELASTIN S.A.Automatic congestion detection system for underground platforms［C］／／2001International Symposium on Intelligent Multimedia，Video and Speech Processing，2001：158－161.

［10］CUCCHIARA C，CRANA C，PICCARDI M，et al.Detecting moving objects，ghosts，and shadows in video streams［J］.IEEE Transaction on Pattern Analysis and Machine Intelligence，2003，25（10）：1337－1442.

［11］蘇禮坤，陳懷新.中值濾波的視頻背景更新［J］.光電工程，2010，34（1）：37－41.

［12］KOLLER D，WEBER J，HUANG T，et al.Towards robust automatic traffic scene analysis in real－time［C］／／12th IAPR International Conference on Patten Recognition.Jerusalem，1994：126－131.

［13］Stauffer C，Grimson W E L.Adaptive background mixture models for real－time tracking［C］／／Proceedings of IEEE Computer Society Conference on Computer Vision and Pattern Recognition.Fort Collins，Colorado，USA，1999：246－252.

［14］Elgammal A，Duraiswami R.Harwood D，et al.Background and foreground modeling using nonparametric kernel density estimation for visual surveillance［C］／／Proceedings of IEEE.New York，USA，2002：1154－1163.

［15］Heikkila M，Pietikainen M.A texture－based method for modeling the background and detecting moving objects［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，2006，28（4）：657－662.

［16］李明之，馬志強(qiáng)，單勇，等.復(fù)雜條件下高斯混合模型的自適應(yīng)［J］.計(jì)算機(jī)應(yīng)用，2011，31（7）：115－118.

［17］朱齊丹，李科，張智，等.改進(jìn)的混合高斯自適應(yīng)背景模型［J］.哈爾濱工程大學(xué)學(xué)報(bào)，2010，31（10）：1347－1352.

［18］王永忠，梁彥，潘泉，等.基于自適應(yīng)混合高斯模型的時(shí)空背景建模［J］.自動化學(xué)報(bào)，2009，35（4）：371－377.

［19］張燕平，白云球，趙勇，等.應(yīng)用改進(jìn)混合高斯模型的運(yùn)目標(biāo)檢測［J］.計(jì)算機(jī)工程與應(yīng)用，2010，46（34）：155－158.