高曉旭，馮國瑞

（上海大學(xué)通信與信息工程學(xué)院，上海200444）

基于HSV顏色空間的自適應(yīng)性運動目標(biāo)檢測

高曉旭，馮國瑞

（上海大學(xué)通信與信息工程學(xué)院，上海200444）

格拉斯曼尼（Grassmannian）算法是一種可以由高度不完整信息追蹤子空間的在線學(xué)習(xí)算法，它在視頻運動目標(biāo)跟蹤時具有魯棒性和低復(fù)雜度等優(yōu)點，可以應(yīng)用在視頻前景與背景的實時分離的情況。針對格拉斯曼尼算法在前景分離中，面對室內(nèi)全局光線突變會產(chǎn)生大量噪聲的問題，提出了一種優(yōu)化的預(yù)處理方法。通過HSV色彩空間變換對視頻進(jìn)行陰影檢測，根據(jù)閾值判斷光線變化情況并自適應(yīng)調(diào)整前景內(nèi)容，最終實現(xiàn)在光照變化情況下的運動目標(biāo)檢測，并有效去除了原格拉斯曼尼算法在光線突變會產(chǎn)生的大量噪聲，提高了對光照變化的魯棒性。

前景提?。还庹兆兓?；HSV顏色空間；GRASTA

【本文獻(xiàn)信息】高曉旭，馮國瑞.基于HSV顏色空間的自適應(yīng)性運動目標(biāo)檢測［J］.電視技術(shù)，2015，39（10）.

近年來，智能視頻監(jiān)控一直是備受人們關(guān)注的研究領(lǐng)域，它主要包括目標(biāo)檢測、分類、跟蹤［1］等多個研究方向。在處理視覺信息中，人們往往對動態(tài)信息更感興趣，因此，運動目標(biāo)檢測是一個非常有發(fā)展空間的研究方向，在道路交通、安全管理等均有涉及。目前運動目標(biāo)檢測方法主要有光流法［2］、幀間差分法［3-4］、三幀差分法［5］和背景差分法［6］，其中背景差分法是當(dāng)前的研究熱點，它采用圖像序列中的當(dāng)前幀和背景參考模型比較來檢測運動目標(biāo)。目前已經(jīng)提出了很多背景建模的方法，如Stauffer等人［7-8］提出的混合高斯模型得到廣泛應(yīng)用，但此方法易受到光照變化影響，且復(fù)雜度較高。He等人［9］提出的格拉斯曼尼魯棒自適應(yīng)子空間追蹤算法（GRASTA）可以有效建立背景模型并根據(jù)每一幀進(jìn)行背景模型更新，但此方法在受到室內(nèi)光照突變時會產(chǎn)生大量噪聲，在視覺上產(chǎn)生干擾。

針對上述不足，本文對GRASTA背景建模學(xué)習(xí)方法進(jìn)行深入研究，提出一種嵌入HSV色彩空間的運動目標(biāo)檢測方法，增強(qiáng)光照變化情況下的檢測性能。本方法利用陰影的色度、飽和度、亮度信息來檢測陰影，并自適應(yīng)改變前景內(nèi)容，從而對不同光照條件目標(biāo)檢測具有一定的魯棒性。實驗結(jié)果表明，由于加入HSV處理，在速度上比初始GRASTA算法略慢，但在光照部分的性能有較大幅度提升。

1　GRASTA算法

最基本的背景建模法［6］是根據(jù)過去所有幀取平均值作為背景模型。由于運動目標(biāo)屬性比背景屬性變化快，因此可用特殊方法去檢測運動目標(biāo)。GRASTA在此基礎(chǔ)上引入了低秩矩陣分解。低維子空間能完成數(shù)據(jù)建模和數(shù)據(jù)分析，可應(yīng)用在背景減法、目標(biāo)跟蹤中。GRASTA基本原理假設(shè)一個只有靜態(tài)背景的視頻，當(dāng)一幀圖像的所有列向量合并成一個新的列向量時，多幀圖像的變化特征可由維數(shù)為d的低秩矩陣表征。圖1是GRASTA算法流程圖。

圖1　GRASTA流程圖

設(shè)第t幀圖像進(jìn)行灰度變換之后由如下模型構(gòu)成［9］

式中：P是原始圖像；B為訓(xùn)練后的背景模型；ω是d×1向量；δ是n×1稀疏外圍向量，即前景部分；ξ是n×1零均高斯白噪聲向量；n為圖像總像素數(shù)目。

式中：l1最小化問題是經(jīng)典的最小絕對偏差問題，此算法運用Boyd［11］提出的基于交替方向乘子算法（ADMM）的快速求解方法。根據(jù)文獻(xiàn)［11］，引入稀疏外部矩陣δ∈?||Ωt來重寫式（2）右邊

此方程的拉格朗日形式是

式中：y∈?||Ωt是對偶向量。

2　算法的改進(jìn)

2.1HSV陰影檢測

傳統(tǒng)陰影檢測法是基于陰影屬性，即利用HSV的三元素：色調(diào)（Hue）、飽和度（Saturation）、亮度（Value）。在檢測圖像陰影區(qū)域時，若一個像素被陰影覆蓋，它的亮度分量會發(fā)生較大的變化。而飽和度分量和色相分量具有比較低的值，與背景不會有太大變化。具體判斷如下［12-13］

式中：α和β是亮度的閾值；TS和TH分別是飽和度和色相的閾值；V（i，j）是像素的亮度分量；S（i，j）是像素的飽和度分量；H（i，j）是像素的色相分量；W（i，j）是陰影檢測分布圖。

本文陰影檢測法基于最大類間方差法（Otsu）［14］，即把圖像灰度數(shù)按灰度級分成前景和背景兩部分。兩部分之間灰度值差異最大，每個部分之間灰度值差異最小。通過方差的計算尋找一個合適的灰度級別去劃分。本文前景部分即傳統(tǒng)陰影檢測法的陰影區(qū)域W（i，j）=1，背景部分即非陰影區(qū)域W（i，j）=0。對圖像P，設(shè)τ為陰影和非陰影分割閾值，陰影區(qū)域占圖像比例為θ0，平均灰度為η0；非陰影區(qū)域占圖像比例為θ1，平均灰度為η1。圖像的總平均灰度η為

從最小灰度值到最大灰度值遍歷τ，若τ使得式（7）中g(shù)最大時，τ即為最佳分割閾值。

圖2a和2b為視頻LOBBY中光照情況不同的兩幀的陰影檢測結(jié)果，白色部分即為陰影部分。圖2b有一個關(guān)燈的動作，因此陰影部分相對于圖2a有很大的變化。

2.2自適應(yīng)前景提取

根據(jù)2.1節(jié)，用HSV色彩空間可檢測出圖像的陰影部分。當(dāng)算法檢測出燈光突變的瞬間，實時調(diào)整前景的內(nèi)容。首先讀取視頻第1幀圖像，用HSV檢測圖像陰影分布情況。第1幀的陰影分布圖即作為陰影初始值BW1。為了提升程序運行速度，之后每隔10幀對當(dāng)前圖像重新檢測陰影分布，記作BW2。根據(jù)以下規(guī)則判斷是否有光照突變

圖2　HSV陰影檢測結(jié)果

式中：BW是當(dāng)前陰影分布與初始陰影分布的差。統(tǒng)計BW非0像素的個數(shù)，即當(dāng)前陰影分布與初始陰影分布不同的像素數(shù)。當(dāng)像素總和大于某一個閾值時，此幀有全局光照［12］變化，即LIGHT=1。若小于閾值，則此幀沒有全局光照變化，即LIGHT=0。通常情況下，室內(nèi)燈光變化會讓圖像的大部分像素點亮度發(fā)生變化，而人走動僅讓小部分像素點亮度發(fā)生變化。TH是判斷是否有全局光照的閾值。先對視頻的所有BW進(jìn)行統(tǒng)計，之后可根據(jù)統(tǒng)計來設(shè)定閾值TH。

假設(shè)第10n幀被檢測到有明顯的光照變化，同時此幀也是第一次被檢測到有光照變化。那么，從第10n幀開始的50幀以內(nèi)前景直接設(shè)為全零矩陣。一般情況下，50幀左右可以完成燈光瞬間從暗到明（或相反）的過程。不同場合可有不同的設(shè)定。當(dāng)?shù)谝淮螜z測到有明顯光照變化后，陰影分布初始值更新為第10n幀的陰影分布，即BW1=BW2。之后圖像的陰影分布就與更新后的陰影分布對比。依此類推，這樣可以適用于光照亮暗變化交替的場景。

3　實驗結(jié)果

本文的實驗對象包括兩個室內(nèi)光照條件均有突變且有人物走動的視頻以及它們部分幀的手工標(biāo)定值。按照上文所描述的方法，測試視頻包括LOBBY和HOME。LOBBY的分辨率為160×128，HOME視頻分辨率為240×135。

LOBBY一共有1 546幀彩色圖像，特征為兩人在室內(nèi)大廳里走動，人消失時室內(nèi)有兩次全局光照變化。LOBBY在第344幀之前都沒有運動目標(biāo)，背景保持不變。第450幀有關(guān)燈動作，室內(nèi)光照變化明顯。第1 100幀有開燈動作，室內(nèi)光照再次有明顯變化。HOME一共有469幀彩色圖像，特征為一人在室內(nèi)客廳走動，人消失時室內(nèi)有一次全局光照變化。HOME在第115幀之前沒有運動目標(biāo)，背景保持不變。第345幀有關(guān)燈動作，室內(nèi)光照變化明顯。

首先確定判斷光照突變的閾值，以LOBBY為例，事先統(tǒng)計BW的分布情況。圖3所示是第10n幀BW2分別與第1幀BW1作差得到的BW走勢圖?？梢钥闯觯诘?50幀左右BW非零像素數(shù)有明顯的上升，而在第1 100幀左右BW非零像素數(shù)又有明顯的下降。這說明，第450幀和第1 100幀是跳變點。閾值可設(shè)置為2 000左右。

圖4是視頻LOBBY的檢測結(jié)果。圖4a是第435幀原圖，此幀室內(nèi)光線開始有變化，圖4b和圖4d是對于第435幀兩種算法前景的提取結(jié)果。圖4f是第450幀原圖，此幀檢測到有明顯全局光線變化，圖4g和圖4i是對于第450幀兩種算法前景提取結(jié)果?？梢钥闯?，本文算法能夠在光線開始變化時就產(chǎn)生去噪效果，白色噪點數(shù)量明顯減少。當(dāng)檢測到大范圍光線突變時，去噪效果更加明顯，白色噪點完全消失。同時，提取的背景也與原圖更加接近。

圖3　LOBBY的BW分布情況

圖4　LOBBY檢測結(jié)果

在有人走動的情況下，前景提取的效果和原始GRASTA效果相同。為了顯示出提取的準(zhǔn)確性，圖5a和5b是視頻LOBBY的受試者工作特征曲線（ROC）。對比可見，ROC曲線前后變化不大，錯誤率較低。圖5c和5d是運動目標(biāo)檢測圖，此方法能很好地把運動的人當(dāng)作前景提取出來。

b ROC曲線（無HSV）

圖5　LOBBY的ROC曲線和運動目標(biāo)檢測

對于HOME視頻，由于是在面積較小的客廳進(jìn)行拍攝，并且燈光的強(qiáng)度很強(qiáng)。因此燈光輻射的比例相對于LOBBY要大很多。用同樣的分布統(tǒng)計方法，設(shè)定的判定閾值是9 000。圖6是視頻HOME的檢測結(jié)果，圖6b和6d是對于第430幀兩種算法前景的提取結(jié)果。與LOBBY相似，本文算法能有效去除因大范圍光線突變產(chǎn)生的噪聲，特別是背景顏色較深的區(qū)域，提高了檢測性能。

圖6　HOME檢測結(jié)果

4　總結(jié)

本文在格拉斯曼算法的基礎(chǔ)上加入HSV的陰影檢測技術(shù)，排除了全局光照突變情況下的干擾，具有高效性和魯棒性。用當(dāng)前幀陰影分布與初始幀陰影分布差值作為特征，通過統(tǒng)計差異值判斷光照變化情況。當(dāng)檢測到光照變化時，改變前景值，同時更新陰影分布初始值。實驗結(jié)果表明，相比于初始GRASTA算法，運算復(fù)雜度上稍有增加，但性能上可以有效去除光照突變產(chǎn)生的噪聲并準(zhǔn)確提取運動目標(biāo)。

［1］蔡榮太，吳元昊，王明佳，等.視頻目標(biāo)跟蹤算法綜述［J］.電視技術(shù)，2010，34（12）：135-142.

［2］BARON J，F(xiàn)LEET D，BEAUCHEMIN S.Performance of optical flow techniques［J］.International Journal of Computer Vision，1994，12（1）：42-77.

［3］ANDERSON C，BURT P，WAALS G.Change detection and tracking using pyramid transformation techniques［C］//Proc.Intelligent Robots and Computer Vision.Cambridge，MA，Engl：SPIE Press，1985：72-78.

［4］李波，姚春蓮，李煒，等.利用相鄰幀和背景信息的運動對象檢測［J］.電子學(xué)報，2008，36（11）：2154-2159.

［5］白曉方，楊衛(wèi)，陳佩珩.一種改進(jìn)的運動目標(biāo)檢測與跟蹤方法［J］.電視技術(shù)，2014，38（1）：180-183.

［6］丁忠校.視頻監(jiān)控圖像的運動目標(biāo)檢測方法綜述［J］.電視技術(shù)，2008，32（5）：72-75.

［7］STAUFFER C，GRIMSON W.Adaptive background mixture models for real time tracking［C］//Proc.IEEE Conference on Computer Vision and Pattern Recognition.Fort Collins，CO：IEEE Press，1999：246-252.

［8］張恒，胡文龍，丁赤飚.一種自適應(yīng)學(xué)習(xí)的混合高斯模型視頻目標(biāo)檢測算法［J］.中國圖象圖形學(xué)報，2010，15（4）：631-636.［9］HE J，BALZANO L，SZLAM A.Incremental gradient on the Grassmannian for online foreground and background separation in subsampled video［C］//Proc.IEEE Conference on Computer Vision and Pattern Recognition.Providence，RI：IEEE Press，2012：1568-1575.

［10］BALZANO L，NOWAK R，RECHT B.Online identification and tracking of subspaces from highly incomplete information［C］// Proc.48th Annual Allerton Conference on Communication，Control，and Computing.Allerton，IL：IEEE Press，2010：704-711.

［11］BOYD S，PARIKH N，CHU E，et al.Distributed optimization and statistical learning via the alternating direction method of multipliers［J］.Foundations and Trends in Machine Learning，2011，3（1）：1-123.

［12］朱明旱，羅大庸.基于幀間差分背景模型的運動物體檢測與跟蹤［J］.計算機(jī)測量與控制，2006，14（8）：1004-1006.

［13］高嵐，董慧穎，蘭利寶.自適應(yīng)背景下運動目標(biāo)陰影檢測算法研究［J］.現(xiàn)代電子技術(shù)，2008，269（6）：59-61.

［14］景曉軍，蔡安妮，孫景鰲.一種基于二維最大類間方差的圖像分割算法［J］.通信學(xué)報，2001，22（4）：71-76.

Adaptive Moving Objects Detection and Tracking Based on HSV Color Space

GAO Xiaoxu，F(xiàn)ENG Guorui
（School of Communication and Information Engineering，Shanghai University，Shanghai 200444，China）

Grassmannian robust adaptive subspace tracking algorithm is a low-complexity and robust online algorithm for tracking subspaces from highly incomplete information.It can solve the problems of real-time separation of background from foreground in videos.In this paper，an improved pre-processing method is proposed，which can deal with the noise when indoor illumination has great changes.The new method includes a shadow detection based on HSV color space and observation of illumination changes.The foreground can be changed adaptively according to a threshold.Finally，moving objects can be tracked and noise caused by sudden illumination changes can be eliminated.The new algorithm becomes more robust to illumination changes.

separation of background from foreground；illumination change；HSV color space；GRASTA

TP277；TP391.41

A

10.16280/j.videoe.2015.10.001

許盈

2014-07-18

國家自然科學(xué)基金項目（61373151）；上海市自然科學(xué)基金項目（13ZR1415000）