閆鈞華，段 賀，許倩倩，楊 勇

（南京航空航天大學(xué) 航天學(xué)院，江蘇 南京　210016）

基于自適應(yīng)閾值分割的復(fù)雜運(yùn)動(dòng)背景中慢速小目標(biāo)檢測(cè)

閆鈞華，段 賀，許倩倩，楊 勇

（南京航空航天大學(xué) 航天學(xué)院，江蘇 南京210016）

針對(duì)復(fù)雜運(yùn)動(dòng)背景中慢速小目標(biāo)檢測(cè)誤檢率高，實(shí)時(shí)性差等問題，提出了基于自適應(yīng)閾值分割的慢速小目標(biāo)檢測(cè)算法。首先計(jì)算連續(xù)兩幀圖像特征點(diǎn)的金字塔光流場(chǎng)，對(duì)光流場(chǎng)進(jìn)行濾波，獲取匹配特征點(diǎn)集合。然后對(duì)圖像運(yùn)動(dòng)背景進(jìn)行建模，擬合投影模型參數(shù)，通過投影模型得到運(yùn)動(dòng)背景補(bǔ)償圖像，進(jìn)行圖像差分處理，獲得差分圖像。最后迭代計(jì)算差分圖像的自適應(yīng)閾值，修正差分閾值，差分圖像二值分割，檢測(cè)出運(yùn)動(dòng)目標(biāo)。實(shí)驗(yàn)結(jié)果表明算法能夠準(zhǔn)確地檢測(cè)出復(fù)雜背景中的慢速小目標(biāo)，虛警率為2%，目標(biāo)漏檢率為2.6%，目標(biāo)檢測(cè)準(zhǔn)確率95.4%，每幀圖像目標(biāo)檢測(cè)時(shí)間為38ms，能夠滿足運(yùn)動(dòng)目標(biāo)檢測(cè)對(duì)實(shí)時(shí)性的要求。

目標(biāo)檢測(cè)；慢速；復(fù)雜運(yùn)動(dòng)背景；特征點(diǎn)

復(fù)雜運(yùn)動(dòng)背景下的運(yùn)動(dòng)目標(biāo)檢測(cè)一直是計(jì)算機(jī)視覺領(lǐng)域研究的重點(diǎn)和難點(diǎn)，運(yùn)動(dòng)背景的運(yùn)動(dòng)規(guī)律不再僅局限于簡單的平移和抖動(dòng)情況，背景運(yùn)動(dòng)更加復(fù)雜，如機(jī)載光電視頻序列圖像中背景運(yùn)動(dòng)包含背景劇烈旋轉(zhuǎn)［1］的情況。對(duì)于運(yùn)動(dòng)背景較為復(fù)雜的情況，直接差分法以及光流法［2-3］均不再適應(yīng)，背景建模是處理背景運(yùn)動(dòng)較為復(fù)雜情況下的運(yùn)動(dòng)目標(biāo)檢測(cè)較為理想的方法。運(yùn)動(dòng)背景建模，就是對(duì)背景運(yùn)動(dòng)規(guī)律［4］進(jìn)行分析，通過數(shù)學(xué)模型計(jì)算并擬合背景的運(yùn)動(dòng)規(guī)律，預(yù)測(cè)背景的運(yùn)動(dòng)趨勢(shì)，通過運(yùn)動(dòng)模型將視頻中復(fù)雜運(yùn)動(dòng)背景下的運(yùn)動(dòng)目標(biāo)檢測(cè)轉(zhuǎn)化為相對(duì)靜止背景下的運(yùn)動(dòng)目標(biāo)檢測(cè)。在此基礎(chǔ)上，通過幀間差分以獲取差分圖像，設(shè)置分割閾值T，對(duì)差分圖像進(jìn)行二值分割，進(jìn)而檢測(cè)出運(yùn)動(dòng)目標(biāo)。

運(yùn)動(dòng)背景建模的方法，存在原理上的誤差。一是背景建模對(duì)運(yùn)動(dòng)背景進(jìn)行補(bǔ)償，運(yùn)動(dòng)模型只能盡可能的接近于真實(shí)的背景運(yùn)動(dòng)情況，而無法實(shí)現(xiàn)完全等價(jià)背景實(shí)際運(yùn)動(dòng)情況；二是基于運(yùn)動(dòng)模型對(duì)運(yùn)動(dòng)背景進(jìn)行補(bǔ)償時(shí)，存在圖像像素值插值計(jì)算等計(jì)算誤差。因此，獲取的差分圖像則不甚理想，噪聲及其計(jì)算誤差帶來的干擾較強(qiáng)。由于戰(zhàn)機(jī)飛行速度相對(duì)較快，機(jī)載視頻中的運(yùn)動(dòng)目標(biāo)運(yùn)動(dòng)速度相對(duì)較慢，幀間目標(biāo)的運(yùn)動(dòng)量較小，檢測(cè)的是慢速［5］運(yùn)動(dòng)目標(biāo)，慢速運(yùn)動(dòng)目標(biāo)很容易淹沒在誤差以及噪聲中，進(jìn)而導(dǎo)致目標(biāo)檢測(cè)較為困難。因此差分圖像的分割閾值是目標(biāo)檢測(cè)成敗與否的關(guān)鍵，既要保證目標(biāo)能夠分割出來，又不會(huì)出現(xiàn)虛警目標(biāo)，這正是慢速運(yùn)動(dòng)目標(biāo)檢測(cè)的難點(diǎn)所在。

經(jīng)典的圖像分割算法有最小誤差法、最大類間方差法以及最大熵法。3種經(jīng)典方法基本用于圖像的直接分割，尤其對(duì)一定紅外背景下的目標(biāo)檢測(cè)有較好效果，無法適應(yīng)差分圖像的分割。龍建武［6］等提出了自適應(yīng)最小誤差閾值分割算法，對(duì)均勻光照下的圖像處理效果較好，對(duì)非均勻光照下的圖像分割效果不甚理想。吳一全［7］等提出了一種改進(jìn)的二維Otsu法閾值分割快速迭，該算法著重于圖像形狀邊緣及其細(xì)節(jié)的分割，對(duì)小目標(biāo)檢測(cè)效果較差。文獻(xiàn)［8］提出的基于透射模型圖像補(bǔ)償?shù)膸罘▽?duì)旋轉(zhuǎn)背景下的快速運(yùn)動(dòng)目標(biāo)檢測(cè)效果較好，但無法適應(yīng)慢速運(yùn)動(dòng)目標(biāo)檢測(cè)。

文中針對(duì)機(jī)載視頻序列圖像中運(yùn)動(dòng)背景劇烈旋轉(zhuǎn)下的慢速運(yùn)動(dòng)目標(biāo)檢測(cè)漏檢率和誤檢率較高的問題展開研究，提出了基于自適應(yīng)閾值分割的復(fù)雜運(yùn)動(dòng)背景中對(duì)地慢速小目標(biāo)檢測(cè)算法。

1　獲取復(fù)雜運(yùn)動(dòng)背景下的差分圖像

機(jī)載對(duì)地視頻序列圖像的運(yùn)動(dòng)背景是較為復(fù)雜的，包含背景劇烈旋轉(zhuǎn)情況。通過背景建模獲取幀間差分圖像，以實(shí)現(xiàn)目標(biāo)檢測(cè)。檢測(cè)前后兩幀圖像的特征點(diǎn)，通過金字塔光流法獲取匹配特征點(diǎn)光流場(chǎng)，對(duì)光流場(chǎng)進(jìn)行濾波，用濾波后的匹配特征點(diǎn)集合擬合投影模型參數(shù)，然后通過投影模型將后一幀圖像進(jìn)行運(yùn)動(dòng)背景補(bǔ)償［9］，補(bǔ)償后的圖像與前一幀圖像進(jìn)行差分處理，獲取差分圖像。

1.1金字塔Lucas-Kanade光流法計(jì)算圖像光流

Lucas-Kanade稀疏光流算法［10］應(yīng)用在輸入圖像中的一組點(diǎn)上，基于像素亮度恒定、時(shí)間連續(xù)、運(yùn)動(dòng)一致性三個(gè)假設(shè)，在在一塊k×k小區(qū)域內(nèi)可以得到光流矢量：

其中，v→x和v→y是特征點(diǎn)在x和y方向上的光流矢量。

1.2背景運(yùn)動(dòng)光流場(chǎng)濾波

根據(jù)光流法獲取特征點(diǎn)光流場(chǎng)，通過對(duì)光流場(chǎng)的局部角度濾波和局部模值濾波，濾除明顯錯(cuò)誤的矢量，獲取精確的矢量場(chǎng)，進(jìn)一步提高投影模型的參數(shù)估計(jì)精度。由金字塔光流法獲取的N0對(duì)有效匹配特征點(diǎn)，則可以得到光流矢量的角度：

假設(shè)圖像f?（x，y）為圖像fn背景運(yùn)動(dòng)矢量場(chǎng)，將圖像均分為K個(gè)M×N的局部小區(qū)域，對(duì)于每一個(gè)局部小區(qū)域的背景運(yùn)動(dòng)矢量場(chǎng)進(jìn)行濾波。

首先，任意一局部小區(qū)域的矢量角度均值anglemean：

然后，對(duì)該局部小區(qū)域的背景運(yùn)動(dòng)矢量進(jìn)行濾波，角度濾波方法為：

同理，對(duì)光流場(chǎng)的光流矢量模值濾波。模值的濾波區(qū)間為局部小區(qū)域矢量模值均值的0.5～2倍。

1.3投影模型

機(jī)載光電視頻序列圖像的成像受到載機(jī)、光電探測(cè)平臺(tái)以及探測(cè)相機(jī)的姿態(tài)共同影響，其圖像成像符合投影原理，因此，采用投影模型對(duì)機(jī)載光電視頻圖像進(jìn)行建模，擬合背景的運(yùn)動(dòng)規(guī)律。

圖像fn+1（x，y）中任意一點(diǎn)（x，y）的像素經(jīng)過投影模型進(jìn)行運(yùn)動(dòng)背景補(bǔ)償后對(duì)應(yīng)圖像fn（x，y）的像素點(diǎn)（x′，y′），其投影模型為：

為提高圖像的背景補(bǔ)償精度，通過雙線性插值計(jì)算投影模型計(jì)算出的像素點(diǎn)的灰度值，進(jìn)而得到以圖像 fn+1（x，y）為基準(zhǔn)圖像的補(bǔ)償圖像f′n+1（x，y）。通過對(duì)圖像fn+1（x，y）和圖像補(bǔ)償圖像f′n+1（x，y）進(jìn)行差分，即獲得復(fù)雜運(yùn)動(dòng)背景下的差分圖像f″（x，y）：

2　自適應(yīng)分割閾值

通過背景建模進(jìn)行背景補(bǔ)償?shù)玫讲罘謭D像，對(duì)差分圖像以閾值進(jìn)行二值分割，進(jìn)而檢測(cè)出運(yùn)動(dòng)目標(biāo)。由于目標(biāo)的運(yùn)動(dòng)量很小，在存在計(jì)算精度誤差以及噪聲的情況下，準(zhǔn)確分割運(yùn)動(dòng)目標(biāo)，且避免噪聲或補(bǔ)償誤差被誤檢為目標(biāo)，分割閾值的值尤為關(guān)鍵。

2.1自適應(yīng)閾值計(jì)算

在同一機(jī)載光電視頻序列圖像中，視頻序列圖像的背景及其運(yùn)動(dòng)規(guī)律是相似的，通過分析差分圖像獲取差分圖像的自適應(yīng)分割閾值是可行的。

以視頻中第295幀和第296幀圖像為例說明，如圖1中所示，圖（a）和（b）是連續(xù)兩幀圖像，圖（c）是圖（a）經(jīng)過投影模型計(jì)算的補(bǔ)償圖像，與圖（b）相對(duì)背景靜止。圖（d）是圖（b）和（c）的差分圖像，圖（e）是圖（d）的三維彩色圖像，以圖像的寬為X軸，以圖像的高為Y坐標(biāo)，以圖像的像素灰度值為Z坐標(biāo)，且當(dāng)Z=0時(shí)的二維平面坐標(biāo)與以左上角為原點(diǎn)的圖像坐標(biāo)系完全重合。在三維圖中，像素點(diǎn)的灰度值在較小時(shí)呈現(xiàn)藍(lán)色，隨著灰度值的增大，顏色逐漸變化為黃色，最后成紅色。圖（e）中標(biāo)記的目標(biāo)A的顏色即呈現(xiàn)紅色，在圖中仍然存在呈現(xiàn)出紅色顏色的干擾噪聲，其灰度值非常接近目標(biāo)的灰度值，對(duì)目標(biāo)檢測(cè)產(chǎn)生強(qiáng)烈干擾。此圖中目標(biāo)的最大灰度值為97，干擾的最大灰度值為92，因此閾值需要在兩者之間的較小范圍內(nèi)。

圖1　差分圖像分析圖

本文提出了基于差分圖像像素灰度值的自適應(yīng)閾值計(jì)算方法。由于差分圖像中絕大多數(shù)像素灰度值為零，因此對(duì)差分圖像像素值統(tǒng)計(jì)分析處理時(shí)，只統(tǒng)計(jì)灰度值非零的像素，優(yōu)化統(tǒng)計(jì)數(shù)據(jù)。

差分圖像自適應(yīng)分割閾值計(jì)算方法為：

1）設(shè)置判斷閾值T1和T2，初始化均為零；

2）計(jì)算差分圖像非零像素灰度值的均值μ和標(biāo)準(zhǔn)差σ；

3）設(shè)置閾值T1=μ+0.1σ

4）用閾值T1對(duì)差分圖像根據(jù)式（7）進(jìn)行分割，得到新的差分圖像；

5）計(jì)算T1-T2＞ε是否成立（ε為閾值分割精度），如果成立，執(zhí)行步驟6），否則執(zhí)行步驟7）；

6）將T1的值賦值給 T2，以步驟4）得到的新差分圖像重新執(zhí)行步驟2）～5）；

7）獲得分割閾值T=（T1+T2）/2。

圖2　自適應(yīng)閾值

通過上述步驟獲取差分圖像的分割閾值的流程圖如圖2所示。

根據(jù)圖2自適應(yīng)閾值分割的方法，對(duì)圖 1中（d）圖的差分圖像進(jìn)行迭代［11］分割計(jì)算，設(shè)置 T1=T2=0，ε=4，求得分割閾值T=95.3，對(duì)差分圖像進(jìn)行二值分割，形態(tài)學(xué)處理［12-13］，得到的目標(biāo)二值圖像，如圖3所示。

圖3　目標(biāo)檢測(cè)

2.2自適應(yīng)閾值修正

為了檢驗(yàn)差分圖像自適應(yīng)閾值計(jì)算方法在視頻檢測(cè)中的魯棒性，從視頻中抽取500幀連續(xù)圖像進(jìn)行分析，即從1幀至501幀，進(jìn)而獲取500幀差分圖像，計(jì)算此500幀差分圖像的分割閾值，并且檢驗(yàn)?zāi)繕?biāo)檢測(cè)的效果。

根據(jù)實(shí)驗(yàn)統(tǒng)計(jì)，數(shù)據(jù)如圖4所示。

試驗(yàn)數(shù)據(jù)顯示，在500幀差分圖像中，有 28幀圖像出現(xiàn)虛警目標(biāo)，30幀出現(xiàn)目標(biāo)檢測(cè)丟失。在檢測(cè)結(jié)果為虛警目標(biāo)的28幀中，有22幀的分割閾值在80以下，而目標(biāo)檢測(cè)丟失的30幀中，有20幀圖像的分割閾值高于 100。進(jìn)一步分析發(fā)現(xiàn)，小于分割閾值80的 24幀圖像中，22幀出現(xiàn)了虛警目標(biāo)，大于分割閾值100的34幀圖像中，有20幀目標(biāo)檢測(cè)丟失。

圖4　圖像分割閾值曲線圖

圖5　修正后圖像分割閾值曲線圖

綜上分析，可以得出，出現(xiàn)虛警目標(biāo)的圖像中，絕大部分分割閾值低于80，分割閾值低于80的差分圖像中，大部分出現(xiàn)了虛警目標(biāo)，因此，差分圖像的分割閾值低于80是虛警目標(biāo)的主要來源，即圖4中包含圓圈的直線以下的部分。同樣，目標(biāo)檢測(cè)丟失的圖像中，絕大部分分割閾值大于100，分割閾值大于100的差分圖像中，大部分目標(biāo)檢測(cè)丟失，因此，差分圖像分割閾值大于100是目標(biāo)檢測(cè)丟失的主要來源，即圖4中包含三角形的直線以上的部分。因此，有必要對(duì)計(jì)算得到的差分圖像的分割閾值進(jìn)行修正，以提高目標(biāo)檢測(cè)的正確率。

自適應(yīng)分割閾值的修正原則：

1）閾值修正的目標(biāo)區(qū)間為［80，100］；

2）較小的閾值校準(zhǔn)后仍然相對(duì)較小，較大的閾值校準(zhǔn)后仍然相對(duì)較大。

閾值修正方法為：

其中，%為求余運(yùn)算。自適應(yīng)閾值經(jīng)過修正后，閾值曲線圖如圖5所示。

自適應(yīng)閾值修正后，500幀差分圖像中，虛驚目標(biāo)僅有8幀，目標(biāo)丟失僅有12幀，則目標(biāo)檢測(cè)的準(zhǔn)確率達(dá)96%，說明差分圖像的自適應(yīng)閾值修正是有效的。

3　運(yùn)動(dòng)目標(biāo)檢測(cè)算法流程圖

運(yùn)動(dòng)目標(biāo)檢測(cè)算法流程圖如圖6所示。

圖6　運(yùn)動(dòng)目標(biāo)檢測(cè)算法流程圖

4　實(shí)驗(yàn)結(jié)果與分析

用拍攝機(jī)場(chǎng)附近的機(jī)載光電視頻做實(shí)驗(yàn)，驗(yàn)證了算法的性能，分析了算法的實(shí)時(shí)性。實(shí)驗(yàn)平臺(tái)為Windows XP操作系統(tǒng)的PC機(jī)，使用VC6.0進(jìn)行編程實(shí)現(xiàn)。

圖7　運(yùn)動(dòng)目標(biāo)檢測(cè)

圖7是視頻中隨機(jī)兩幀圖像目標(biāo)檢測(cè)效果圖，分別是第279幀和第350幀。目標(biāo)用紅色框標(biāo)記，且放大顯示于圖像的左下角。整個(gè)視頻1200幀圖像中，目標(biāo)的虛警率為2%，目標(biāo)漏檢率為2.6%，目標(biāo)檢測(cè)準(zhǔn)確率95.4%。視頻幀中的圖像大小為720×576，每幀圖像目標(biāo)檢測(cè)的時(shí)間為38 ms，滿足幀率為25幀/秒的視頻目標(biāo)檢測(cè)的實(shí)時(shí)性。

5　結(jié)束語

文中提出了一種基于自適應(yīng)閾值分割的復(fù)雜運(yùn)動(dòng)背景下慢速小目標(biāo)檢測(cè)算法。實(shí)驗(yàn)結(jié)果表明該算法能夠準(zhǔn)確地檢測(cè)出復(fù)雜運(yùn)動(dòng)背景下的慢速小目標(biāo)，虛警率和漏檢率較低，魯棒性較好，并且具有很好的實(shí)時(shí)性。

［1］蔣建國，蔡志祥，齊美彬，等.旋轉(zhuǎn)攝像機(jī)下的快速目標(biāo)檢測(cè)算法［J］.電子測(cè)量與儀器學(xué)報(bào)，2012（7）：624-628.

［2］Gance J，Malet J P，Dewez T，et al.Target Detection and Tracking of moving objects for characterizing landslide displacements from time-lapse terrestrial optical images［J］. Engineering Geology，2014：172.

［3］Wenming CAO，Weixin XIE，Tiancheng HE.Target Detection in Three-Dimension Sensor Networks Based on Clifford Algebra［J］.Wireless Sensor Network，2009：1-2.

［4］Wang Q X，Gao F，Gao F，et al.A novel hybridization indicator for the low-background detection of short DNA fragments based on an electrically neutral cobalt（II）complex［J］. Biosensors and Bioelectronics，2012，32（1）：50-55.

［5］王法棟，高鑫偉，馬冬冬.一種基于小波包變換的海面慢速小目標(biāo)檢測(cè)方法［J］.艦船電子對(duì)抗，2012（4）：52-54.

［6］龍建武，申鉉京，陳海鵬.自適應(yīng)最小誤差閾值分割算法［J］.自動(dòng)化學(xué)報(bào)，2012（7）：1134-1144.

［7］吳一全，樊軍，吳詩婳.改進(jìn)的二維Otsu法閾值分割快速迭代算法［J］.電子測(cè)量與儀器學(xué)報(bào)，2011（3）：218-225.

［8］閆鈞華，儲(chǔ)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(cè)［J］.儀器儀表學(xué)報(bào)，2014（9）：2078-2086.

［10］李響，譚南林，王天雷，等.復(fù)雜場(chǎng)景下基于局部運(yùn)動(dòng)補(bǔ)償?shù)哪繕?biāo)檢測(cè)［J］.儀器儀表學(xué)報(bào)，2014（7）：1555-1563.

［11］Luo Delin，Xie Rongzeng，Duan Haibin.A guidance law for UAV autonomous aerial refueling based on the iterative computation method［J］.Chinese Journal of Aeronautics，2014 （4）：875-883.

［12］ThomasH?hne，Deendarlianto.Numericalsimulationsof counter current flow experiments using a morphology detection algorithm［J］.The Journal of Computational Multiphase Flows，2012：43.

［13］劉輝，張?jiān)粕瑥堄≥x，等.均勻空間色差度量的矢量形態(tài)學(xué)圖像處理［J］.中國圖象圖形學(xué)報(bào)，2011（12）：2145-2151.

Slow dim target detection based on adaptive threshold segmentation in the background of complex moving background

YAN Jun-hua，DUAN He，XU Qian-qian，YANG Yong
（College of Astronautics，Nanjing University of Aeronautics and Astronautics，Nanjing 210016，China）

Aiming at the problem of high false detection rate and poor real-time performance in the background of complex moving background，a slow and dim target detection algorithm based on adaptive threshold segmentation is proposed.Firstly，

the feature points of the two frames of the Pyramid optical flow field are calculated，and the optical flow field is filtered to obtain the matching feature points.Then the background of image motion is modeled，and the model parameters which are obtained by using the projection model is to get the motion background compensation images.Finally，The adaptive threshold of the difference image is calculated.The difference threshold is corrected，and the difference image is segmented，and the moving target is detected.Experimental results show that algorithm can accurately detect the complex background of slow and dim target，the false alarm rate is 2%，the undetected rate was 2.6%，target detection accuracy of 95.4%，38 ms time for each frame of the video object detection can meet the requirements of real-time detection of moving targets.

target detection；slow；complex moving background；feature points

TN919.82

A

1674－6236（2016）06-0077-04

2015-10-27稿件編號(hào)：201510199

國家自然科學(xué)基金（61471194）；航空科學(xué)基金（20155552050）；中國航天科技集團(tuán)公司航天科技創(chuàng)新基金；南京航空航天大學(xué)研究生創(chuàng)新基地（實(shí)驗(yàn)室）開放基金（kfjj20151505）；中央高?；究蒲袠I(yè)務(wù)費(fèi)專項(xiàng)資金資助

閆鈞華（1972—），女，陜西隴縣人，博士，副教授。研究方向：多源信息融合、目標(biāo)檢測(cè)跟蹤與識(shí)別。