基于幀間差分和背景相減的運(yùn)動(dòng)目標(biāo)檢測(cè)和提取算法研究

付浩海，邊蓓蓓

(長(zhǎng)春工程學(xué)院計(jì)算機(jī)技術(shù)與工程學(xué)院，長(zhǎng)春130012)

主要研究數(shù)字圖像處理和計(jì)算機(jī)視覺(jué)等。

摘要：對(duì)比分析了常用的圖像目標(biāo)檢測(cè)算法，根據(jù)其各自優(yōu)缺點(diǎn)，提出了基于幀間差分和背景相減相結(jié)合的運(yùn)動(dòng)目標(biāo)檢測(cè)和提取算法。詳細(xì)介紹了基于上述算法的運(yùn)動(dòng)目標(biāo)檢測(cè)的全過(guò)程，并準(zhǔn)確地檢測(cè)出了運(yùn)動(dòng)目標(biāo)。通過(guò)對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行分析表明，該算法既避免了背景相減法因背景變動(dòng)導(dǎo)致的目標(biāo)提取不準(zhǔn)確，又避免了幀間差分法的運(yùn)動(dòng)目標(biāo)不完整，能夠有效去除噪聲和陰影，具有良好的檢測(cè)效果。

關(guān)鍵詞：運(yùn)動(dòng)目標(biāo)檢測(cè)；幀間差分；背景相減；高斯模型

doi:10.3969/j.issn.1009-8984.2015.03.028

收稿日期：2015-07-22

作者簡(jiǎn)介：付浩海(1982-)，男(漢)，山東臨沂，碩士

中圖分類號(hào)：TP391獻(xiàn)標(biāo)志碼：A

0引言

圖像目標(biāo)檢測(cè)，即把感興趣的事物(目標(biāo))從背景中分離提取出來(lái)，是對(duì)圖像序列中的目標(biāo)進(jìn)行跟蹤的前提，目標(biāo)檢測(cè)結(jié)果的正確性對(duì)后續(xù)的圖像分析、圖像理解等工作的順利開(kāi)展具有決定性的作用，所以，能否將目標(biāo)從圖像序列中準(zhǔn)確檢測(cè)出來(lái)，是后續(xù)工作能否成功的關(guān)鍵所在。

圖像目標(biāo)檢測(cè)算法和其他圖像處理和分析算法一樣，往往都是基于特定應(yīng)用場(chǎng)景的，暫時(shí)尚不存在一種通用的目標(biāo)檢測(cè)算法。大體可分為以下幾類：基于閾值分割的目標(biāo)檢測(cè)；基于顏色分割的目標(biāo)檢測(cè)；基于運(yùn)動(dòng)信息的目標(biāo)檢測(cè)；基于輪廓的目標(biāo)檢測(cè)和基于特征匹配的目標(biāo)檢測(cè)等[1]。其中，基于運(yùn)動(dòng)信息的目標(biāo)檢測(cè)根據(jù)實(shí)現(xiàn)方法的不同又可分為光流法、背景相減法和幀間差分法。光流法根據(jù)各個(gè)像素點(diǎn)的速度矢量特征，對(duì)圖像進(jìn)行動(dòng)態(tài)分析，當(dāng)目標(biāo)與背景的速度不同時(shí)，能夠檢測(cè)獨(dú)立運(yùn)動(dòng)的目標(biāo)，但光流法易受孔徑和光照引起的噪聲干擾，運(yùn)算量大，不適合實(shí)時(shí)處理。背景相減法是利用當(dāng)前幀圖像與預(yù)先準(zhǔn)備的背景圖像進(jìn)行減法運(yùn)算，并提取運(yùn)動(dòng)區(qū)域的目標(biāo)檢測(cè)方法，但當(dāng)圖像前景目標(biāo)與背景灰度近似時(shí)，背景相減法就會(huì)存在很大的誤差，導(dǎo)致目標(biāo)檢測(cè)失敗。幀間差分法一般通過(guò)判斷相鄰2幀或若干幀圖像之間的像素灰度值之差來(lái)發(fā)現(xiàn)運(yùn)動(dòng)目標(biāo)。其主要優(yōu)點(diǎn)是算法易于實(shí)現(xiàn)，并且對(duì)背景或光照的緩慢變化不太敏感，對(duì)目標(biāo)運(yùn)動(dòng)的檢測(cè)靈敏度較高。錯(cuò)在綜合分析以上幾種各自獨(dú)立算法的基礎(chǔ)上，筆者重點(diǎn)研究了一種基于幀間差分和背景相減法相結(jié)合的運(yùn)動(dòng)目標(biāo)檢測(cè)算法。

1運(yùn)動(dòng)目標(biāo)檢測(cè)的過(guò)程

1.1　背景建模

單高斯背景模型認(rèn)為隨時(shí)間的變化每一像素點(diǎn)F的值是隨機(jī)出現(xiàn)的，且服從高斯分布F～N(μ,σ2) ，其中μ和σ(σ≥0) 分別表示某個(gè)時(shí)刻高斯分布的均值和標(biāo)準(zhǔn)差。這2個(gè)參數(shù)值可分別用式(1)表示：

(1)

由于視頻圖像中，相鄰2幀之間的時(shí)間跨度很短，所以圖像背景的變換是緩慢的。相對(duì)于背景，運(yùn)動(dòng)區(qū)域的像素點(diǎn)變化比較明顯。我們可以對(duì)背景幀圖像中的每個(gè)像素使用混合高斯方法建模[2]，混合高斯方法建模是利用多個(gè)服從高斯模型分布的圖像中每一個(gè)像素點(diǎn)的特征，在前后2幀圖像切換時(shí)對(duì)混合高斯背景模型進(jìn)行調(diào)整，然后將當(dāng)前幀圖像中的每一個(gè)像素點(diǎn)與調(diào)整后的混合高斯背景對(duì)應(yīng)點(diǎn)的像素比較，灰度值差異超過(guò)特定閾值的像素點(diǎn)視為目標(biāo)，反之作為背景。

1.2　變化區(qū)域檢測(cè)

幀間差分能夠檢測(cè)出相鄰2幀間發(fā)生了變化的區(qū)域。當(dāng)場(chǎng)景中目標(biāo)運(yùn)動(dòng)時(shí)，幀與幀之間會(huì)出現(xiàn)較為明顯的差別，2幀相減，得到2幀圖像灰度差的絕對(duì)值，判斷它是否大于特定閾值來(lái)分析圖像序列的運(yùn)動(dòng)特性，確定圖像序列中有無(wú)物體運(yùn)動(dòng)。具體過(guò)程如下：假設(shè)fk(x,y)和fk-1(x,y)是相鄰的2幀圖像，將這2幀圖像做差分處理，一般采用灰度值做差分計(jì)算，見(jiàn)式(2)。

(2)

式中Dk(x,y)為差分圖像。

然后對(duì)差分圖像用式(3)進(jìn)行二值化處理，表示出變化區(qū)域和背景區(qū)域。

(3)

1.3　運(yùn)動(dòng)目標(biāo)檢測(cè)

將二值化的差分圖像Bk(x,y)中的像素點(diǎn)用各自的高斯模型去擬合，針對(duì)背景區(qū)域進(jìn)行背景模型調(diào)整，而變化區(qū)域的像素點(diǎn)用第k幀之前的第k-1幀的對(duì)應(yīng)像素點(diǎn)(在前一幀中此處屬于背景區(qū)域)代替，從而產(chǎn)生了更新后的高斯背景模型，再利用新的高斯背景模型基于背景相減法進(jìn)行運(yùn)動(dòng)目標(biāo)的檢測(cè)。

2算法步驟

當(dāng)鏡頭位置恒定不變(或變化很小)的情況下，算法流程圖如圖1所示，具體步驟說(shuō)明如下：1)獲取背景模型信息，初始背景模型一般選為目標(biāo)尚未出現(xiàn)的某一幀圖像。2)選取視頻中的相鄰2幀，分別記為fk-1(x,y)和fk(x,y)，使用式(2)計(jì)算灰度差。3)對(duì)得到的絕對(duì)灰度差圖像進(jìn)行中值濾波。中值濾波器是一種非線性的基于統(tǒng)計(jì)的空間濾波器，它是將像素(在中值計(jì)算中包括的原像素值)鄰域內(nèi)灰度的中值代替該像素的值[3]。中值濾波能夠有效去除圖像中的脈沖噪聲(椒鹽噪聲)，計(jì)算速度快且能較好地保持圖像的邊緣信息。4)對(duì)濾波后的圖像，選取合適的閾值T按式(3)進(jìn)行二值化處理。5)得到二值圖像后，借助數(shù)學(xué)形態(tài)學(xué)中的腐蝕和膨脹算子，進(jìn)一步平滑目標(biāo)邊緣，去除背景中的小尺度噪聲區(qū)域。6)區(qū)域連通操作。借助恰當(dāng)?shù)倪B通算子對(duì)目標(biāo)區(qū)域進(jìn)行處理并標(biāo)記，也可以在這一步驟中設(shè)定一個(gè)區(qū)域面積的閾值，進(jìn)一步對(duì)區(qū)域進(jìn)行濾波，去除小面積的區(qū)域，使目標(biāo)易于檢測(cè)。7)畫出各連通區(qū)域的外接矩形。可以把矩形內(nèi)的區(qū)域理解成目標(biāo)所在的區(qū)域，矩形外的區(qū)域用于背景更新。8)背景模型更新。9)通過(guò)背景相減獲得目標(biāo)信息，再與幀間差分組合。10)進(jìn)行第2次形態(tài)學(xué)操作，提取運(yùn)動(dòng)目標(biāo)。

圖1　檢測(cè)算法基本流程圖

3實(shí)驗(yàn)結(jié)果

本文實(shí)驗(yàn)圖像序列是一段在顯微鏡下拍攝的生物細(xì)胞的運(yùn)動(dòng)圖像，圖像大小為874×654像素，處理速度約為21幀/s，接近實(shí)時(shí)要求。實(shí)驗(yàn)平臺(tái)為普通的PC, Pentium4 3 GHz CPU,4 G內(nèi)存。首先對(duì)待處理的視頻進(jìn)行逐幀提取，得到各幀對(duì)應(yīng)的圖像。算法使用Matlab實(shí)現(xiàn)。

為了顯示檢測(cè)算法的有效性，圖2給出了圖像序列的實(shí)驗(yàn)效果圖。其中,圖2(a)是原始圖像序列中的一幀圖像，圖2(b)是第1次形態(tài)學(xué)處理后的結(jié)果圖像，圖2(c)是對(duì)檢測(cè)后的目標(biāo)進(jìn)行標(biāo)注的圖像，圖中顯示了符合特定要求的目標(biāo)矩形區(qū)域。

4結(jié)語(yǔ)

本文探討了一種基于幀間差分和背景相減的運(yùn)動(dòng)目標(biāo)檢測(cè)算法，首先運(yùn)用幀間差分法檢測(cè)出目標(biāo)運(yùn)動(dòng)區(qū)域，然后采用混合高斯背景模型的背景相減法提取運(yùn)動(dòng)目標(biāo)。實(shí)驗(yàn)結(jié)果表明，該算法既避免了背景相減法因背景變動(dòng)導(dǎo)致的目標(biāo)提取不準(zhǔn)確，又避免了幀間差分法的運(yùn)動(dòng)目標(biāo)不完整，能夠有效去除噪聲和陰影，具有良好的檢測(cè)效果。本文提出的算法的局限性在于對(duì)于較復(fù)雜的運(yùn)動(dòng)場(chǎng)景中目標(biāo)的檢測(cè)還不是很理想，在如何采取更有效的背景建模方法方面還有待探索和研究。

圖2　試驗(yàn)結(jié)果示意圖

參考文獻(xiàn)

[1] 李靜,王軍政.圖像檢測(cè)與目標(biāo)跟蹤技術(shù)[M].北京:北京理工大學(xué)出版社,2014.

[2] Wang Lu, Wang Lei, Wen Ming, et al. Background subtraction using incremental subspace learning [C]//Image Processing,2007.ICIP 2007.IEEE International Conference on.San Antonio.USA: IEEE,2007:45-48.

[3] Rafael C Gonzalez,Richard E Woods.數(shù)字圖像處理[M].3版.阮秋琦,阮宇智,等,譯.北京：電子工業(yè)出版社,2011.

[4] Meier T, Ngun K N. Video segmentation for content - based coding [J]. IEEE Trans. on Circuit s and Systems for Video Technology, 1999, 9 (8):1190-1203.

[5] 朱明旱,羅大庸,曹倩霞.幀間差分與背景差分相融合的運(yùn)動(dòng)目標(biāo)檢測(cè)算法[J].計(jì)算機(jī)測(cè)量與控制,2005,13(3),215-217.

[6] 王靜靜,林明秀，魏穎.基于灰度相關(guān)的幀間差分和背景差分相融合的實(shí)時(shí)目標(biāo)檢測(cè)[J].中南大學(xué)學(xué)報(bào)：自然科學(xué)版，2009, 40(1), 142-148.

[7] 陳超, 楊克儉. 基于改進(jìn)的單高斯模型的運(yùn)動(dòng)目標(biāo)檢測(cè)方法[J]. 微型機(jī)與應(yīng)用,2010, 29(24):39-42.

[8] 劉衍琦，詹福宇.MATLAB圖像與視頻處理實(shí)用案例詳解[M].北京:電子工業(yè)出版社,2015.

A study on moving target detection and extraction algorithm based on

frame differencing and background subtraction

FU Hao-hai, et al.

(SchoolofComputerTechnologyandEngineering,ChangchunInstituteofTechnology,

Changchun130012,China)

Abstract：This paper makes a comparative analysis to the normally used moving targets detect algorithm. According to their advantages and disadvantages, a moving target detection and extraction algorithm based on frame differencing and background subtraction is presented. It detailedly introduces the whole process of moving target detection based on the above algorithm, and detects the moving target in high accuracy. The experimental results show that the algorithm can not only avoid the inaccuracy of target extraction caused by the variation of the background, but also avoid the disintegration of the moving target caused by frame differencing. It can eliminate the noise and shadow and show great effectiveness in target detection.

Key words：moving target detection; frame differencing; background subtraction; Gaussian model