張金敏，王 斌( 蘭州交通大學(xué) 機(jī)電工程學(xué)院，蘭州 730070 )

?

光照快速變化條件下的運(yùn)動(dòng)目標(biāo)檢測

張金敏，王 斌
( 蘭州交通大學(xué) 機(jī)電工程學(xué)院，蘭州 730070 )

摘要：為了解決視頻監(jiān)控系統(tǒng)中光照快速變化對運(yùn)動(dòng)目標(biāo)檢測產(chǎn)生的影響，提出一種新的運(yùn)動(dòng)目標(biāo)檢測方法。通過建立光照變化模型、色度差模型和亮度比模型來消除光照快速變化產(chǎn)生的影響。當(dāng)光照快速變化的時(shí)候，背景像素和運(yùn)動(dòng)目標(biāo)像素會(huì)被檢測為前景像素。為了從檢測到的前景像素中分離出運(yùn)動(dòng)目標(biāo)像素和偽前景像素，分別建立色度差模型和亮度比模型來估計(jì)偽前景像素的亮度差和亮度比。色度差模型和亮度比模型的建立均依賴于光照變化模型。實(shí)驗(yàn)結(jié)果表明，本文的方法在光照快速變化的條件下具有較好的檢測效果和檢測實(shí)時(shí)性。

關(guān)鍵詞：運(yùn)動(dòng)目標(biāo)檢測；光照變化模型；色度差模型；亮度比模型；前景像素

0 引 言

近年來，視頻監(jiān)控系統(tǒng)的應(yīng)用不斷增加，并且越來越智能化，可實(shí)現(xiàn)對運(yùn)動(dòng)目標(biāo)的自動(dòng)檢測、跟蹤與識(shí)別。背景分離法就是運(yùn)動(dòng)目標(biāo)檢測中的一個(gè)經(jīng)典方法，比如基于混合高斯模型的檢測方法[1]。背景分離法可從混亂和變化時(shí)間較長的場景中檢測出運(yùn)動(dòng)目標(biāo)。但是在一些動(dòng)態(tài)場景中，比如，周期性的運(yùn)動(dòng)、蕩漾的水面以及搖曳的植被等，變化的背景也會(huì)被檢測為運(yùn)動(dòng)目標(biāo)。為了解決動(dòng)態(tài)場景產(chǎn)生的問題，學(xué)者對原始混合高斯模型進(jìn)行了改進(jìn)，得到了新的背景建模法[2-3]。這種方法可以消除動(dòng)態(tài)場景中的偽前景像素，但是無法消除光照變化引起的偽前景像素。

在不存在光照變化的條件下，通過背景分離法可將運(yùn)動(dòng)目標(biāo)像素檢測為前景像素。然而，當(dāng)存在光照變化時(shí)，受到光照變化影響的固定背景像素和運(yùn)動(dòng)目標(biāo)像素都會(huì)被檢測為前景像素。

為了解決光照變化問題，文獻(xiàn)[4]提出調(diào)整混合高斯模型的學(xué)習(xí)率，但是，當(dāng)圖像中的運(yùn)動(dòng)目標(biāo)暫時(shí)停止運(yùn)動(dòng)時(shí)，增加學(xué)習(xí)率會(huì)導(dǎo)致將運(yùn)動(dòng)目標(biāo)識(shí)別為背景。文獻(xiàn)[5]采用基于顏色不變特性的運(yùn)動(dòng)目標(biāo)檢測方法，但是，當(dāng)運(yùn)動(dòng)目標(biāo)與背景具有相近的色度時(shí)，該方法無法檢測出運(yùn)動(dòng)目標(biāo)。文獻(xiàn)[6]提出基于亮度歸一化和同態(tài)濾波的檢測方法，但是，當(dāng)場景中部分光照發(fā)生變化時(shí)，該方法無法滿足檢測的要求；此外，該方法也沒有考慮攝像機(jī)的自曝光問題。文獻(xiàn)[7]采用在光照變化時(shí)基本不發(fā)生變化的圖像邊緣和紋理特征進(jìn)行運(yùn)動(dòng)目標(biāo)的檢測；但是，當(dāng)背景比較簡單且圖像中存在大量的噪聲時(shí)，該方法得不到較好的檢測效果。文獻(xiàn)[8]采用改進(jìn)的自適應(yīng)混合高斯模型進(jìn)行運(yùn)動(dòng)目標(biāo)檢測中將前景像素與背景像素的分離，該方法具有很好的檢測效率，但是對光照的變化比較敏感。文獻(xiàn)[9]采用基于圖像紋理和邊緣的LBP方法進(jìn)行運(yùn)動(dòng)目標(biāo)檢測，能夠很好的解決光照快速變亮產(chǎn)生的偽前景問題，但其往往會(huì)將運(yùn)動(dòng)目標(biāo)附近復(fù)雜的背景誤檢為運(yùn)動(dòng)前景。文獻(xiàn)[10]采用基于光照和空間似然模型的方法進(jìn)行運(yùn)動(dòng)目標(biāo)檢測，雖然有很好的檢測實(shí)時(shí)性，但是檢測精度無法滿足實(shí)際需要。

本文采用一個(gè)新的方法來解決光照快速變化對運(yùn)動(dòng)目標(biāo)檢測產(chǎn)生的影響。光照的變化會(huì)將固定的背景像素檢測為偽前景像素，因此，為了準(zhǔn)確的檢測出運(yùn)動(dòng)目標(biāo)，需要將前景像素分離為運(yùn)動(dòng)目標(biāo)像素和偽前景像素兩部分。本文采用色度差模型和亮度比模型來區(qū)別運(yùn)動(dòng)目標(biāo)像素和偽前景像素，色度差模型和亮度比模型均考慮到了光照變化和攝像機(jī)的自曝光問題。色度差模型和亮度比模型無需事先對光照變化進(jìn)行離線訓(xùn)練，并且在攝像機(jī)進(jìn)行自曝光以及部分場景發(fā)生光照變化時(shí)，均能得到較好的檢測效果。

1 光照變化模型

建立的光照變化模型如圖1所示。

在光照變化模型中存在兩種光照。一種是來自于太陽光的單一可見光源；另一種是來自于外界光照的擴(kuò)散光源。場景中的每一個(gè)點(diǎn)具有相同的外界光照。由于太陽光的光線是相互平行的，因此，亮物體與亮背景的每一個(gè)像素具有相同的太陽光照。當(dāng)太陽光穿過云層照射時(shí)，其會(huì)發(fā)生衰減。在光照變化模型中，假設(shè)云層產(chǎn)生的光照衰減不會(huì)影響太陽光方向，只對光照強(qiáng)度產(chǎn)生影響。

圖1 光照變化模型Fig.1 Illumination change model

光照變化模型是以馮氏陰影模型為基礎(chǔ)[8]。假設(shè)目標(biāo)表面的單面反射性很弱或者不存在。由于背景和運(yùn)動(dòng)目標(biāo)具有朗伯表面，因此可使用雙向反射分布函數(shù)?；谝陨系募僭O(shè)，場景中點(diǎn)X處的反射光Lo(X )：

其中：ρ(X)是反射系數(shù)，l(X)是從點(diǎn)X到每一個(gè)光源的方向向量，n(X)是點(diǎn)X處的法向量，Li(X)是i時(shí)刻的入射光，N是光源的數(shù)量。由于光照包括兩部分(太陽光照和環(huán)境光照)，那么可得到：

其中：La是環(huán)境光照，Ls是太陽光照。

定義每一個(gè)圖像的亮度為KI，其中K代表R、G、B。類似地，Lo,ρ(X ),La和Ls的每一個(gè)RGB組成部分可分別表示為,ρK(X ),和。定義RGB光照的攝像機(jī)傳感器靈敏度為KO。場景中的點(diǎn)X可映射為圖像平面上的像素p(x, y)。那么可定義p(x, y)的亮度為(x, y)，且(x, y)可表示為

在光照變化模型中，亮物體和亮背景均包括太陽光照和環(huán)境光照。因此，亮物體和亮背景的亮度和可分別表示為

由于太陽光被不透明物體遮擋，暗物體、陰影以及暗背景只有環(huán)境光照，暗物體的亮度、陰影的亮度以及暗背景的亮度分別用、和表示。

在白天，戶外的太陽光或者環(huán)境光照變化比較緩慢，因此，當(dāng)太陽被云層遮擋時(shí)就會(huì)產(chǎn)生光照的快速變化。在這種情況下，亮度的衰減量會(huì)從α變化為α?。如果光照快速變化，那么整個(gè)圖像的平均亮度也會(huì)發(fā)生變化；這個(gè)時(shí)候，攝像機(jī)的自動(dòng)曝光就會(huì)發(fā)揮作用。在本文中，將曝光的改變定義為攝像機(jī)靈敏度的改變，且從O到?。

定義亮物體、暗物體、陰影、亮背景以及暗背景受到光照變化后的亮度分別為，以及，且有：

用于視頻監(jiān)控的攝像機(jī)一般安裝在道路、十字交叉路、廣場以及停車場等地方。在這樣的環(huán)境下，背景是平坦的，或者說背景是由一些具有相同表面法向量的平面組成的。因此，背景上的每一個(gè)點(diǎn)具有相同的表面法向量n(X)。l(X)表示太陽光的方向，且場景中每一個(gè)地方的太陽光照方向相同。因此，背景中每一個(gè)點(diǎn)的表面法向量和太陽光方向的乘積n(X) . l( X )具有相同的定值c。那么，式(1)、式(2)可重寫為

圖2和　Ibb(x, y)Fig.2and Ibb(x,y)

圖3和Idb(x,y)Fig.3and Idb(x,y)

然而，如果p(x, y)為亮物體或者暗物體像素，其亮度將依賴于反射系數(shù)或者表面法向量。因此，亮物體和暗物體的亮度比：

此外，當(dāng)場景中出現(xiàn)大量的運(yùn)動(dòng)目標(biāo)時(shí)，其會(huì)影響到整個(gè)圖像的平均亮度。在這種情況下，攝像機(jī)的自曝光將發(fā)揮作用。如果是由運(yùn)動(dòng)目標(biāo)而不是光照的變化引起攝像機(jī)的自曝光，即：。那么，可得到：

2 偽前景像素估計(jì)

2.1 整體方案

在運(yùn)動(dòng)目標(biāo)的檢測過程中，如果不存在光照的變化，運(yùn)動(dòng)目標(biāo)會(huì)被檢測為前景像素。然而，實(shí)際環(huán)境中往往受到光照變化的影響，這時(shí)偽前景像素和運(yùn)動(dòng)目標(biāo)像素均會(huì)被檢測為前景像素。為了區(qū)分實(shí)際的運(yùn)動(dòng)目標(biāo)像素和偽前景像素，建立色度差模型和亮度比模型，如圖4所示。

圖4 光照變化下的檢測方法Fig.4 Detection method under illumination variation

色度差模型對偽前景像素進(jìn)行估計(jì)，并且通過混合高斯模型分離出運(yùn)動(dòng)目標(biāo)像素和可能的偽前景像素。然而，分離出來的偽前景像素仍然可能存在運(yùn)動(dòng)目標(biāo)像素，此時(shí)其色度差為零。在這種情況下，采用亮度比模型可將運(yùn)動(dòng)目標(biāo)像素準(zhǔn)確的檢測出來。最終，通過色度差模型和亮度比模型的串聯(lián)消除偽前景像素，實(shí)現(xiàn)運(yùn)動(dòng)目標(biāo)在光照變化條件下的準(zhǔn)確檢測。

2.2 色度差模型

在進(jìn)行運(yùn)動(dòng)目標(biāo)的檢測過程中，如果光照發(fā)生變化，偽前景像素和運(yùn)動(dòng)目標(biāo)像素都會(huì)被檢測為前景像素。為了消除前景像素p(x, y)中的偽前景像素，建立色度差模型(Chromaticity Difference Model，CDM)。

定義p(x, y)的色度差為C(x, y)，且C(x, y)的RGB分量為

其中：I(x, y)是輸入圖像像素的亮度，Ib(x, y)是背景像素的亮度。在本文中，定義每一個(gè)背景像素的亮度為混合高斯模型最高加權(quán)層的平均值。此外，陰影、亮背景以及暗背景的色度差分別用和表示。

由于亮物體和暗物體像素的亮度比依賴于反射系數(shù)和表面法向量，色度差是隨機(jī)分布的。因此，如果為零，像素p(x, y)為偽前景像素，如果不為零，像素p(x, y)為運(yùn)動(dòng)目標(biāo)像素。

在實(shí)際戶外環(huán)境中，太陽光和環(huán)境光照并不總是白色的，這時(shí)圖像中就會(huì)存在噪聲。在這種情況下，以及不完全如圖2和圖3所示，可能不在同一條線上，但也不會(huì)偏離太遠(yuǎn)。因此，陰影、亮背景和暗背景的值近似為零。

首先，對陰影、亮背景和暗背景色度差的可能分布進(jìn)行估計(jì)；接著，使用估計(jì)出的分布對每一個(gè)前景像素進(jìn)行運(yùn)動(dòng)目標(biāo)像素和偽前景像素的分離。采用最大似然估計(jì)實(shí)現(xiàn)分布的估計(jì)，且定義偽前景像素色度差的可能分布為

對于每一個(gè)前景像素，定義一個(gè)像素p(x, y)為可能的偽前景像素或者運(yùn)動(dòng)目標(biāo)像素，即：如果為偽前景像素，否則，p(x, y)為運(yùn)動(dòng)目標(biāo)像素。在本文中，T取0.054 8，其可C靠性可達(dá)到95%。輸入圖像以及運(yùn)動(dòng)目標(biāo)圖像如圖5所示。

圖5 CDM運(yùn)動(dòng)目標(biāo)檢測結(jié)果Fig.5 CDM moving object detection results

從圖5(b)中可以看出，當(dāng)色度差模型進(jìn)行運(yùn)動(dòng)目標(biāo)檢測時(shí)，其在檢測出真正運(yùn)動(dòng)目標(biāo)的同時(shí)，還將大量的背景像素檢測為偽前景，這是由光照變化引起的。此外，對圖像的前景像素進(jìn)行直方圖統(tǒng)計(jì)，有很多運(yùn)動(dòng)目標(biāo)像素的CK0≈，運(yùn)動(dòng)目標(biāo)像素和偽前景像素接近于0。在這種情況下，可能的偽前景像素中就會(huì)存在色度差接近于零的運(yùn)動(dòng)目標(biāo)像素，即零色度差運(yùn)動(dòng)目標(biāo)像素。

2.3 亮度比模型

通過色度差模型可將前景像素分離為運(yùn)動(dòng)目標(biāo)像素和可能的偽前景像素(Candidate False Foreground Pixel，CFFP)；但是，CFFP中仍然存在零色度差的運(yùn)動(dòng)目標(biāo)像素。因此，建立亮度比模型(Brightness Ratio Model，BRM)來區(qū)分偽前景像素和零色度差的運(yùn)動(dòng)目標(biāo)像素，且所有的陰影像素、亮背景像素和暗背景像素分別具有相同的亮度比。定義p(x, y)的亮度比為B(x, y)，且B(x, y)的RGB分量為

其中：I(x, y)是輸入圖像的亮度，Ib(x, y)是背景亮度。陰影、亮背景和暗背景像素的亮度比分別用、和表示。

然而，由于亮物體和暗物體像素的亮度比依賴于反射系數(shù)和面法向量，其亮度比分布是任意的。因此，可對BK(x, y)進(jìn)行判斷，如果BK(x, y)是一個(gè)特定的常量，那么p(x, y)為偽前景像素，否則是運(yùn)動(dòng)目標(biāo)像素。

首先，對陰影、亮背景和暗背景亮度比的可能分布進(jìn)行估計(jì)；接著，對偽前景像素和零色度差的運(yùn)動(dòng)目標(biāo)像素進(jìn)行分離。在亮度比模型中，由于陰影、亮背景和暗背景最多有三個(gè)高斯分布，所以可以采用一個(gè)具有三個(gè)高斯模態(tài)的混合高斯模型對其分布進(jìn)行估計(jì)。為了找出上述的三個(gè)高斯模態(tài)，采用最大期望算法。定義數(shù)據(jù)集為X，X的第nth個(gè)參數(shù)為xn；參數(shù)向量集為θ，θ的第ith個(gè)參數(shù)為iθ。

在本文中，對θ的初始值作如下設(shè)定：所有的iα相等，所有的iσ具有相同的隨機(jī)最大值。

結(jié)合估計(jì)的θ值，定義偽前景像素亮度比的概率密度如下所示：

對于可能的偽前景像素中的每一個(gè)像素，通過下面的方法判斷其是偽前景像素或者運(yùn)動(dòng)目標(biāo)像素：如果就為偽前景像素，否則就是運(yùn)動(dòng)目標(biāo)像素。在本文中，T取0.058 4，且具有B95%的可靠性。

輸入圖像、CDM檢測結(jié)果、偽前景圖像以及BRM檢測結(jié)果如圖6所示。

在圖6中，圖6(c)中紅色部分表示的是采用BRM方法提取出的偽前景像素，白色部分表示的是真正的運(yùn)動(dòng)目標(biāo)。

圖6 BRM運(yùn)動(dòng)目標(biāo)檢測結(jié)果Fig.6 BRM moving object detection results

3 實(shí)驗(yàn)結(jié)果與分析

為了驗(yàn)證本文算法的有效性，在室內(nèi)拍攝相關(guān)視頻作為實(shí)驗(yàn)樣本，通過控制燈光的強(qiáng)弱來實(shí)現(xiàn)光照的快速變亮以及變暗；同時(shí)，為了突出光照快速變化帶來的影響，選擇的運(yùn)動(dòng)背景也較為復(fù)雜。此外，本文實(shí)驗(yàn)的硬件環(huán)境為Intel CoreTMi3 CPU(2.40 GHz)，DDR 4.0 GB內(nèi)存，NVIDA GeForce GT610M顯卡，采集的視頻序列大小為320×240。

為了說明本文方法在光照快速變化條件下進(jìn)行運(yùn)動(dòng)目標(biāo)檢測的優(yōu)越性，采用自適應(yīng)高斯混合模型法[8]、基于圖像紋理和邊緣的LBP方法[9]以及基于光照和空間似然模型的方法[10]與本文方法進(jìn)行運(yùn)動(dòng)目標(biāo)檢測效果的對比。

在光照快速變亮條件下，采用上述四種方法進(jìn)行運(yùn)動(dòng)目標(biāo)檢測的結(jié)果如圖7所示。

圖7 光照快速變亮條件下運(yùn)動(dòng)目標(biāo)檢測結(jié)果Fig.7 Moving object detection results under the condition of illumination fast lighting

在圖7中，圖7(a)表示的是光照正常條件下采集的圖像，而圖7(b)表示的是人物在運(yùn)動(dòng)過程中光照大幅度變亮之后采集的圖像，從圖7(a)到圖7(b)反應(yīng)了光照的快速變亮。圖7(c)為采用自適應(yīng)高斯混合模型法進(jìn)行運(yùn)動(dòng)目標(biāo)檢測的結(jié)果，從圖中可以看出，自適應(yīng)混合高斯模型能夠檢測出運(yùn)動(dòng)目標(biāo)，但是該方法無法消除由于光照快速變亮產(chǎn)生的背景反光對運(yùn)動(dòng)目標(biāo)檢測的影響，特別是在光照強(qiáng)度急劇變亮的部分，從而導(dǎo)致了大量偽前景的出現(xiàn)，無法滿足運(yùn)動(dòng)目標(biāo)檢測的準(zhǔn)確性要求。圖7(d)為采用LBP方法進(jìn)行運(yùn)動(dòng)目標(biāo)檢測的結(jié)果，該方法對光照的快速變化表現(xiàn)出了很好的抑制作用，能夠很好的解決光照快速變亮產(chǎn)生的偽前景問題，但其往往會(huì)將運(yùn)動(dòng)目標(biāo)附近復(fù)雜的背景誤檢為運(yùn)動(dòng)前景。圖7(e)為采用文獻(xiàn)[10]方法進(jìn)行運(yùn)動(dòng)目標(biāo)檢測的結(jié)果，該方法一方面解決了光照快速變化引起的偽前景問題，另一方面也實(shí)現(xiàn)了運(yùn)動(dòng)目標(biāo)檢測過程中的陰影剔除，但其檢測出的運(yùn)動(dòng)目標(biāo)不是很完全。圖7(f)采用本文方法得到的運(yùn)動(dòng)目標(biāo)檢測結(jié)果，該方法不僅對光照快速變化有很好的抗性，而且能夠比較完整的檢測出運(yùn)動(dòng)目標(biāo)。通過對上述四種檢測方法檢測結(jié)果的分析可以看出，本文所采用的方法在運(yùn)動(dòng)目標(biāo)檢測的過程中表現(xiàn)出了非常好的檢測效果，具有很高的檢測準(zhǔn)確性，同時(shí)也說明在建立色度差和亮度比模型時(shí)進(jìn)行的高斯分布假設(shè)能夠滿足實(shí)際光照快速變亮情況下運(yùn)動(dòng)目標(biāo)檢測的需求，且確立的參數(shù)和選擇的門限值是合理的，具有很好的適應(yīng)性。

在光照快速變暗的情況下，采用不同檢測方法進(jìn)行運(yùn)動(dòng)目標(biāo)檢測的結(jié)果如圖8所示。

在圖8中，圖8(a)和圖8(b)反應(yīng)了光照快速變暗的過程。從圖8(c)中可以看出，自適應(yīng)混合高斯模型法進(jìn)行運(yùn)動(dòng)目標(biāo)檢測時(shí)對光照的快速變化是非常敏感的，導(dǎo)致了誤檢，出現(xiàn)了大量的偽前景。圖8(d)為采用LBP法進(jìn)行運(yùn)動(dòng)目標(biāo)檢測的結(jié)果，雖然能夠檢測到運(yùn)動(dòng)目標(biāo)，但是不能剔除運(yùn)動(dòng)目標(biāo)周圍的復(fù)雜背景。圖8(e)表示的采用文獻(xiàn)[10]所述方法進(jìn)行運(yùn)動(dòng)目標(biāo)檢測的結(jié)果，能夠很好的檢測出運(yùn)動(dòng)目標(biāo)，但檢測出的運(yùn)動(dòng)目標(biāo)有明顯的缺失，精確性不是很高。圖8(f)是采用本文方法進(jìn)行運(yùn)動(dòng)目標(biāo)檢測的結(jié)果，從圖中可以看出，該方法一方面對光照的快速變化有很好的抑制作用，另一方面起到光照補(bǔ)償?shù)淖饔?，從而能夠檢測出更加細(xì)節(jié)的部分，使得檢測出的運(yùn)動(dòng)目標(biāo)比較完整。通過對四種運(yùn)動(dòng)目標(biāo)檢測方法的檢測結(jié)果進(jìn)行分析，本文采用的方法在光照快速變暗的條件下具有最好的檢測性能，同時(shí)也說明在建立色度差和亮度比模型時(shí)進(jìn)行的高斯分布假設(shè)能夠滿足實(shí)際光照快速變暗情況下運(yùn)動(dòng)目標(biāo)檢測的需求，且確立的參數(shù)和選擇的門限值是合理的，具有很好的適應(yīng)性。

圖8 光照快速變暗條件下運(yùn)動(dòng)目標(biāo)檢測結(jié)果Fig.8 Moving object detection results under the condition of illumination fast darking

在實(shí)際的智能視頻監(jiān)控系統(tǒng)中，不僅要考慮運(yùn)動(dòng)目標(biāo)檢測準(zhǔn)確性問題，還需要重點(diǎn)關(guān)注檢測的實(shí)時(shí)性問題。為了說明本文所采用運(yùn)動(dòng)目標(biāo)檢測方法的實(shí)時(shí)性，在實(shí)驗(yàn)的過程中對上述四種檢測方法檢測一幀圖像所需要的時(shí)間進(jìn)行統(tǒng)計(jì)，在光照快速變亮和快速變暗兩種情況下的統(tǒng)計(jì)結(jié)果如表1所示。

表1 運(yùn)動(dòng)目標(biāo)檢測耗時(shí)比較Table 1 Comparing of moving object detection time-consuming s

從表1中可以看出，文獻(xiàn)[9]所采用的方法在進(jìn)行運(yùn)動(dòng)目標(biāo)檢測時(shí)檢測一幀圖像所消耗的時(shí)間最長，實(shí)時(shí)性是最差的；文獻(xiàn)[8]和文獻(xiàn)[10]所采用的運(yùn)動(dòng)目標(biāo)檢測方法檢測一幀圖像的耗時(shí)雖然比文獻(xiàn)[9]的方法少很多，但結(jié)合其檢測的準(zhǔn)確性，仍然無法滿足智能視頻監(jiān)控系統(tǒng)的要求；通過對比發(fā)現(xiàn)，本文所采用方法進(jìn)行運(yùn)動(dòng)目標(biāo)檢測時(shí)檢測一幀圖像的耗時(shí)是最少的，無論是光照快速變亮，還是光照快速變暗，檢測時(shí)間都控制在100 ms以內(nèi)，完全能夠滿足智能視頻監(jiān)控系統(tǒng)的實(shí)時(shí)性要求。這就說明本文所采用的運(yùn)動(dòng)目標(biāo)檢測方法同時(shí)具有較好的檢測準(zhǔn)確性和檢測實(shí)時(shí)性。

為了定量的對本文所采用的檢測算法進(jìn)行性能上的評價(jià)，在光照快速變亮和光照快速變暗的條件下，選取采集到的視頻序列中具有運(yùn)動(dòng)目標(biāo)的某一幀作為研究對象，并采用文獻(xiàn)[8-10]的算法和本文算法對其進(jìn)行運(yùn)動(dòng)目標(biāo)的檢測。在本文中，定義運(yùn)動(dòng)目標(biāo)檢測率為η，背景檢測率為ξ，則有：

其中：Oo為運(yùn)動(dòng)目標(biāo)像素?cái)?shù)，Bb為背景像素?cái)?shù)，Bo為將運(yùn)動(dòng)目標(biāo)誤檢為背景的像素?cái)?shù)，Ob為將背景誤檢為運(yùn)動(dòng)目標(biāo)的像素?cái)?shù)。

對上述的Oo、Bb、Bo和Ob進(jìn)行統(tǒng)計(jì)并計(jì)算η和ξ的值，其結(jié)果如表2所示。從表2可以看出，無論是η還是ξ，本文算法比文獻(xiàn)[8-10]采用的算法均具有較好的檢測效果。本文所采用的算法也可使η和ξ的值保持在90%以上。這就充分說明了本文算法在運(yùn)動(dòng)目標(biāo)檢測中對光照的快速變化具有很好的抑制性，從而也驗(yàn)證了本文算法的有效性和魯棒性。

表2 光照快速變亮和光照快速變暗情況下運(yùn)動(dòng)目標(biāo)檢測性能比較Table 2 Comparing of moving object detection performance under illumination fast lighting and illumination fast darking

4 結(jié) 論

為了解決智能視頻監(jiān)控系統(tǒng)中光照快速變化對運(yùn)動(dòng)目標(biāo)檢測結(jié)果的影響，本文首先建立了光照變化的模型，然后采用CDM和BRM方法將運(yùn)動(dòng)目標(biāo)檢測結(jié)果中的偽前景像素提取出來，最后在光照快速變亮和快速變暗兩種情況下進(jìn)行了實(shí)驗(yàn)驗(yàn)證，從而實(shí)現(xiàn)了光照快速變化條件下運(yùn)動(dòng)目標(biāo)的準(zhǔn)確檢測。本文采用的運(yùn)動(dòng)目標(biāo)檢測方法并不需要對相關(guān)參數(shù)進(jìn)行手動(dòng)設(shè)置，也不需要進(jìn)行離線訓(xùn)練，其在運(yùn)動(dòng)目標(biāo)檢測的過程中表現(xiàn)出了非常好的檢測性能，完全能夠滿足智能視頻監(jiān)控系統(tǒng)對運(yùn)動(dòng)目標(biāo)檢測的準(zhǔn)確性和實(shí)時(shí)性要求。此外，在運(yùn)動(dòng)目標(biāo)的檢測過程中，本文并沒有考慮陰影檢測的問題，這將是下一步的研究工作。

參考文獻(xiàn)：

[1] 邱聯(lián)奎，劉啟亮，趙予龍，等. 混合高斯背景模型目標(biāo)檢測的一種改進(jìn)算法 [J]. 計(jì)算機(jī)仿真，2014，31(5)：378-384，392.

QIU Liankui，LIU Qiliang，ZHAO Yulong，et al. Improved Algorithm of Mixture Gaussian Background Model for Object Detection [J]. Computer Simulation，2014，31(5)：378-384，392.

[2] Dalley G，Migdal J，Eric W. Background Subtraction for Temporally Rrregular Dynamic Textures [C]// IEEE Workshop on Applications of Computer Vision，Jan 7-9，2008：1-7.

[3] 閆鈞華，褚林臻，艾淑芳，等. 地面劇烈旋轉(zhuǎn)運(yùn)動(dòng)背景中運(yùn)動(dòng)目標(biāo)檢測 [J]. 儀器儀表學(xué)報(bào)，2014，35(9)：2078-2086.

YAN Junhua，CHU Linzhen，AI Shufang，et al. Moving object detection in violently rotational ground background [J]. Chinese Journal of Scientific Instrument，2014，35(9)：2078-2086.

[4] 李敏，劉珂，羅惠瓊，等. 基于混合高斯模型的異常檢測算法改進(jìn) [J]. 計(jì)算機(jī)應(yīng)用與軟件，2014，2(6)：198-200.

LI Min，LIU Ke，LUO Huiqiong，et al. Anomaly detection algorithm improvement based on gaussian mixture model [J]. Computer Applications and Software，2014，2(6)：198-200.

[5] 魏國劍，侯志強(qiáng)，李武，等. 融合顏色不變量的彩色圖像光流估計(jì)算法 [J]. 電子與信息學(xué)報(bào)，2013，35(12)：2927-2933.

WEI Guojian，HOU Zhiqiang，LI Wu，et al. Color Image Optical Flow Estimation Algorithm Fused with Color Invariants [J]. Journal of Electronics & Information Technology，2013，35(12)：2927-2933.

[6] 李志明，張琦，武霞. 一種適應(yīng)光線變化的運(yùn)動(dòng)手勢檢測與跟蹤方法 [J]. 電子科技，2014，27(4)：154-158.

LI Zhiming，ZHANG Qi，WU Xia. An Algorithm of Good Illumination Robustness for Detecting and Tracking Moving Gestures [J]. Electronic Science and Technology，2014，27(4)：154-158.

[7] WEI Zhong，JIANG Shuqiang，HUANG Qingming. A Pixel-Wise Local Information-Based Background Subtraction Approach [C]// IEEE International Conference Multimedia and Expo，Hannover，June 23- 26，2008：1501-1504.

[8] CHEN Guanghua，SHENG Guizhi. Detection of Moving Objects Based on Mixture Gaussian Model [J]. Advanced Materials Research(S1662-8985)，2014，1039(1)：274-279.

[9] YANG Jianwei，WANG Shizheng，LEI Zhen，et al. Spatio-Temporal LBP based Moving Object Segmentation in Compressed Domain [C]// 9th IEEE International Conference on Advanced Video and Signal-Based Surveillance，Beijing，China，Sept 18-21，2012：252-257.

[10] Pilet J，Strecha C，F(xiàn)ua P. Making Background Subtraction Robust to Sudden Illumination Changes [C]// Proceedings of the 10th European Conference on Computer Vision，Marseille，Oct 12-18，2008：567-580.

Moving Object Detection under Condition of Fast Illumination Change

ZHANG Jinmin，WANG Bin
( School of Mechatronic Engineering, Lanzhou Jiaotong University, Lanzhou 730070, China )

Abstract：In order to solve the impact of fast illumination change on moving object detection in a visual surveillance system, a new method of moving target detection is put forward. Through establishing illumination change model, the chromaticity difference model and brightness ratio model are used to eliminate the impact of fast illumination change. When fast illumination is changing fast, background pixels and moving object pixels are detected as foreground pixels. To separate moving object pixels and false foreground pixels from detected foreground pixels, chromaticity difference model and brightness ratio model are developed respectively to estimate the intensity difference and intensity ratio of false foreground pixels. The establishment of Chromaticity Difference Model (CDM) and Brightness Ratio Model (BRM) are based on the proposed illumination change model. The experimental results show that the method has good detection effect and real-time in the rapidly changing of illumination conditions.

Key words：moving target detection; illumination change model; chromaticity difference model; brightness ratio model; foreground pixels

通信作者：王斌(1988-)，男(漢族)，甘肅蘭州人。碩士研究生，主要研究工作是圖像處理。E-mail：377576284@qq.com。

作者簡介：張金敏(1966-)，女(漢族)，甘肅蘭州人。副教授，研究領(lǐng)域?yàn)闄z測理論與方法，圖像處理與模式識(shí)別。

收稿日期：2015-05-06； 收到修改稿日期：2015-10-13

文章編號(hào)：1003-501X(2016)02-0014-08

中圖分類號(hào)：TP391.4

文獻(xiàn)標(biāo)志碼：A

doi：10.3969/j.issn.1003-501X.2016.02.003