王 凱，吳 敏，姚 輝，楊 樊，張 翔

?

多幀背景差與Cauchy模型融合的目標檢測

王 凱1，吳 敏1，姚 輝1，楊 樊1，張 翔2

( 1. 中國民用航空總局第二研究所科研開發(fā)中心，成都 610041；2. 電子科技大學電子工程學院，成都 611731 )

為有效解決復雜監(jiān)視場景中快速、準確檢測運動目標，提出一種多幀背景差與柯西(Cauchy)模型融合的目標檢測方法。該方法首先借鑒Surendra背景模型的思路進行改進，采用多幀背景差法獲取干凈的背景圖像，然后利用實時的視頻圖像和當前的背景圖像進行絕對差分處理，最后通過Cauchy模型對整幅絕對差分圖像上的點進行背景點和前景點判別，實現(xiàn)對復雜監(jiān)視場景中目標的準確檢測。針對車輛、行人等不同對象的監(jiān)控場景下進行實驗，驗證了本文方法不僅能夠有效地抑制噪聲及偽目標的干擾，而且能夠快速、準確地分割出前景目標。

多幀背景差；Cauchy模型；目標檢測；Surendra背景模型；絕對差分圖像

0 引 言

目標檢測技術作為智能監(jiān)控視頻領域中的重要分支之一，在人類現(xiàn)實生活中得到了廣泛應用，涉及到智能交通系統(tǒng)、軍事防御、住宅安防、工業(yè)機器人等領域，因此獲得眾多國內外學者的關注和研究。目標檢測技術能夠提供運動目標區(qū)域、方位等參數(shù)信息，并用于后續(xù)數(shù)據(jù)融合及目標跟蹤模塊，因此該技術的好壞直接影響到整套實時視頻監(jiān)控系統(tǒng)的可靠性和穩(wěn)定性。

對于固定攝像機[1-2]下采集的視頻圖像進行運動目標檢測，其重要環(huán)節(jié)是背景建模與圖像差分。首先，背景圖像建模及更新方法主要有：1) Surendra背景建模與更新方法[3]，通過對運動信息判斷來對背景圖像進行更新，實現(xiàn)簡單、快速，但不能判斷停留物體。2) 背景統(tǒng)計法[4]，通過對一段時間內灰度圖像進行累加取平均值，無法保障背景圖像的質量。3) 背景模型法[5]，通過對每個像素點建立符合某種概率分布的背景統(tǒng)計模型，得到的背景質量較高，但計算復雜，如文獻[5-6]中提及混合高斯模型(Gaussian Mixture Model，GMM)方法進行背景建模與更新。目標檢測主要分為三類：光流法、幀差法和背景差法等[7]。其中光流法運算量太大，而且容易受到噪聲、光照不均等外界因素的影響[8]；幀差法運算量較小，但是無法檢測到靜止狀態(tài)下的運動目標[10-11]。背景差法雖然簡單快速，但是容易受到噪聲干擾[12]。

為有效的快速、準確檢測復雜監(jiān)視場景中運動目標，本文借鑒Surendra背景法的思路，并結合Cauchy分布模型判別優(yōu)勢，提出了一種多幀背景差與Cauchy模型融合的目標檢測方法。其基本思想是首先將初始背景圖像和實時視頻圖像平均劃分為大小相同的圖像塊，通過多幀間的背景差信息來判斷各個圖像塊是否屬于運動區(qū)域，并只對運動區(qū)域進行背景更新；然后采用實時視頻幀和當前背景圖像的絕對差分以及Cauchy分布模型對整幅絕對差分圖像上所有像素點的歸屬進行判定，最終實現(xiàn)運動目標的精確檢測。且針對車輛、行人及飛機原始視頻對文獻[5-6]提及GMM方法、本文改進前后方法進行了檢測效果及性能對比。

1 初始背景的提取與更新

本文主要在分析現(xiàn)有Surendra背景更新算法的基礎上，提出了一種基于圖像分塊的多幀背景差的動態(tài)背景更新算法。首先將初始背景和實時圖像都分為大小相等的若干小塊，然后對比各幀和背景差的結果，以此判斷需不需要更新背景。利用實時獲取的圖像和背景圖像進行差分，即可獲取前景目標圖像。

在對背景進行更新之前，需要獲取一個初始的系統(tǒng)背景。由于初始背景的質量要求不高，可采用統(tǒng)計法。即對系統(tǒng)啟動最初的幅視頻圖像統(tǒng)計，求出每個像素點的平均值，作為初始背景圖像。數(shù)學描述：

其中：(，)為背景圖像，(，，)為時刻的圖像，、為像素的橫縱坐標。

1.1 Surendra背景更新算法

1995年Surendra[4]介紹了一種背景更新策略，即Surendra背景法。具體方法是對圖像進行幀差運算，檢測各個像素點是運動區(qū)域還是非運動區(qū)域。如某個像素點不是運動區(qū)域，則用實時圖像中的點代替背景圖像中對應的像素點，如果某個像素點是運動區(qū)域，則不對背景進行更新而保留背景圖像中對應的像素點，通過這種運動區(qū)域的判斷從而得到實時的背景圖像?？梢悦枋鰹?/p>

式中：(，，)和(，，-1)分別為和-1時刻的視頻圖像，為固定閾值。如果某個像素點幀間差的絕對值小于或等于，那么此像素點為非運動區(qū)域，并對此區(qū)域進行更新，否則保留原背景。

這種方法在進行背景更新的時候認為圖像和總像素點在時間和空間上都是獨立而無聯(lián)系的。然而，實際上圖像中的每個像素點并不是孤立的，他們之間在空域和時域上都具有一定的聯(lián)系。因此，只考慮單個像素點對背景進行更新的策略不能很好的適應各種場景中的各種因素的影響。同時，因為這種方法采用的是幀間差進行背景的更新，如果背景中存在運動物體的停留，這種更新算法就會將其刷成背景。所以，此算法進行背景更新的魯棒性和自適應性較差。為此，本文在更新策略上進行了改進處理。

1.2 改進的背景更新算法

針對上述方法背景更新不及時、無法判斷短暫停留的目標等固有缺陷，并融合Surendra算法中判斷運動區(qū)域和非運動區(qū)域，只需對非運動區(qū)域進行更新的思路上，提出了一種基于圖像分塊的多幀背景差方法。

首先，將每張圖片平均劃分為對應大小相同的圖像塊。本實驗中圖像的大小分別為320×240和1280×720，那么分別將其分割成40×30(1 200)和160×90(14 400)塊大小相同的圖像塊Box(，，)，每個圖像塊中的像素個數(shù)為8×8(64)個。然后將時刻和-Δ時刻的圖片分別對背景圖像進行差分，以此兩個差分結果的信息為依據(jù)判斷各個像素點是運動區(qū)域或非運動區(qū)域。然后根據(jù)圖像的分塊，將每個圖像塊中的運動像素點進行統(tǒng)計，如果運動像素點的總和占圖像塊的比例大于某個閾值，則認為此圖像塊為運動區(qū)域，將其標記為0，不對其進行背景更新；反之則為非運動區(qū)域(標記為1)，對其進行背景更新。如下式可知：

(4)

在實際應用中背景更新可能會遇到光照、天氣的突變或者固定攝像機的突然移位等情況。這些情況的發(fā)生都會使背景發(fā)生大面積的突變，從而形成全局性的背景改變。針對這種情況，本文考慮到之前圖像分成運動區(qū)域和非運動區(qū)域，如果非運動區(qū)域的前景突然增多，那么認為發(fā)生了全局背景突變的情況，系統(tǒng)重新啟動對背景的初始化工作，盡快得到突變后的背景圖像。

圖1分別為均值法、Surendra背景法、本文改進的背景建模法(在視頻圖像序列前80幀)獲得的背景圖像。從圖1可以看出，均值法和Surendra背景法建立的背景圖像模糊并伴有局部的噪聲，而本文采用多幀背景差法考慮了幀間差信息，能夠獲得比較干凈的背景圖像。

圖1 背景模型的對比

圖2(a)為實時視頻幀，視頻中左邊出現(xiàn)短暫逗留的行人目標；圖2(b)和圖2(c)分別為Surendra背景法、本文背景法更新獲得的背景圖像。從圖2可知，傳統(tǒng)Surendra背景法認為存在運動目標短暫停留的兩幀圖像之間像素點差值很小，所以將短暫逗留的運動目標誤認為是背景而將其刷入系統(tǒng)背景。本文由于采用的是背景差法，能夠較準確的判斷出靜止物體是否為前景目標，所以不會將短暫逗留的前景目標誤認為是背景，大大減少了誤判的發(fā)生。能夠滿足復雜監(jiān)控場景中提取出比較干凈的背景。

圖2 目標短暫停留的背景模型(第160幀)

2 目標檢測

通過以上背景初始化及更新策略獲得質量較好的背景圖像之后，下一步進行不同監(jiān)視場景中運動目標檢測。本文目標檢測階段的策略為計算當前幀圖像和當前背景圖像的絕對差分，獲得絕對差分圖像，對該差分圖像上的像素點分別計算其前景和背景的Cauchy分布模型。利用每個像素點的兩個Cauchy分布模型的大小比對判別出當前差分圖像上每一像素點的前背景歸宿，從而在差分圖像上準確獲得前景目標區(qū)域。

2.1 絕對差分與Cauchy分布模型

絕對差分是由視頻序列當前幀I(,)與當前背景模型B(,)之間的差分取絕對值得到，其公式如下：

本文引用的Cauchy分布模型數(shù)學描述如下：

(6)

式中：表示Cauchy模型的位置參數(shù)，表示Cauchy模型的尺度參數(shù)。

2.2 基于Cauchy分布模型的目標檢測

計算當前絕對差分圖像上的所有像素點的前景和背景的Cauchy分布模型，比較同一像素點的兩個Cauchy分布模型的大小，判定該點是否屬于前景目標區(qū)域的點，并準確找出前景目標區(qū)域，對該絕對差分圖像上的目標區(qū)域和背景區(qū)域分別采用二值化方法得到檢測后的前景目標。

統(tǒng)計絕對差分圖像的灰度直方圖函數(shù)hist，在一幀絕對差分圖像上灰度級為的像素個數(shù)：

絕對差分圖像上的某一像素點(，)的背景Cauchy分布模型1定義為

(8)

絕對差分圖像上的某一像素點(，)的前景Cauchy分布模型2：

(10)

式中是2模型的位置參數(shù)，計算式：

式中：max是視頻序列的絕對差分圖像上的最大灰度級。之后對每一幀圖像上的所有像素點都采用兩個Cauchy分布模型1、2的大小來判別其歸宿。通過文獻[5]給出的參數(shù)數(shù)據(jù)及實驗過程中的調試，取=25時實驗結果最優(yōu)。

由于每個像素點都需要對1、2進行大小對比，對1、2時，略去它們共同的公因子1/π，以減少計算冗余。同時在實驗過程中，針對不同類型的運動目標進行檢測和分割時，采用不同的判別系數(shù)(0.6至2.0之間)，即復雜交通監(jiān)視場景下=1.3，行人監(jiān)視場景下=1.0，機場場面監(jiān)視場景下=1.5。Cauchy分布模型對某一像素點的歸宿判定過程如下：如果1>×2時，那么I(,)屬于背景區(qū)域；否則，I(，)屬于前景目標區(qū)域。采用Cauchy分布模型對像素點的歸宿情況進行判定的優(yōu)點是：Cauchy分布模型中擁有動態(tài)參數(shù)、，這兩個動態(tài)參數(shù)在每一幀實時圖像都進行了更新計算，而非直接用傳統(tǒng)的固定閾值來判定像素的歸屬情況，避免了采用經驗值的弊端。

3 實驗仿真與分析

本實驗的硬件平臺為Intel? Core?2 Duo CPU T6500；2G內存；32位Windows 7操作系統(tǒng)，軟件編寫環(huán)境為VS2010和OPENCV2.4.3。測試分別用26 min行人、車輛(分辨力均為320′240@25 f/s)及飛機(分辨力為1 280′720@20 f/s)原始監(jiān)控視頻作為實驗素材。視頻存在慢動目標、快速目標及背景噪聲干擾情況。

其中：t為正確檢測目標的像素個數(shù)，1為錯誤將背景檢測為目標的像素個數(shù)，2為錯誤將目標檢測為背景的像素個數(shù)，精確度表示檢測出的目標樣本中真實目標比例，準確度表示正確判斷出真實目標比例，值表示綜合性能。

3.1 目標檢測方法的效果對比

針對以上三種不同場景下的視頻作實驗素材，對文獻[5-6]中提及GMM方法、改進前的方法以及本文方法對感興趣的目標檢測效果測試與對比，其效果如圖3所示(閾值為25)。圖3中(a)、(b)及(c)分別為行人檢測、復雜交通路口車輛檢測以及機場場面飛機檢測，其中第一行為原始視頻幀圖像，第二行為GMM方法檢測效果圖，第三行為改進前的方法檢測效果圖，第四行為本文方法檢測效果圖。在以上監(jiān)控視頻中包含了光照變化、停止目標以及快速與慢行目標的影響。由圖3(a)、(b)及(c)可知，本文方法比GMM方法和改進前方法檢測的效果都好，前景目標也較完整。文獻[5-6]中提及GMM方法檢測時，容易受到外部噪聲的影響，并且當出現(xiàn)光照變化時，不能做出及時響應；改進前的方法利用Surendra背景更新策略，當遇到復雜環(huán)境變化以及前景目標與背景顏色相似時還是容易被影響，不能夠精確地檢測出目標；本文方法采用改進多幀背景差更新機制，考慮到幀間差信息，達到提取干凈的背景圖像，然后通過實時視頻幀和當前背景圖像的絕對差分以及Cauchy分布模型進行歸宿判斷，能夠有效地排除外界噪聲、光照變化以及復雜監(jiān)視場景的影響，最終獲得比較精確的檢測結果，并且能夠滿足不同視頻監(jiān)視場景下的目標檢測。

圖3 不同場景下三種方法檢測對比圖

3.2 目標檢測方法的性能對比

針對以上測試的結果，進一步定量分析各方法的性能，從圖3(b)復雜交通路口車輛檢測視頻中手動分割出178幅包含多個目標區(qū)域的圖像序列當作對比基準，根據(jù)式(12)分別計算三種目標檢測方法在每幀圖像序列中的三個性能指標，同時繪制相應的曲線圖進行對比，如圖4所示。

圖4 三種目標檢測方法的曲線圖

最后，實驗利用Intel VTune對三種方法在以上三種不同監(jiān)視場景下的原始視頻分別進行了處理速度的測試，視頻采取30次求平均，如表1。由表1可知，本文方法明顯快于文獻[5-6]中提及GMM方法，與改進前的方法平均處理速度接近，滿足實時性要求?？芍疚姆椒ㄔ诒尘案颅h(huán)節(jié)采用圖像分塊處理，節(jié)省了部分時間；在目標檢測環(huán)節(jié)采用Cauchy模型確定前景目標，因此算法簡單快速。

表1 三種方法平均處理速度對比

結束語

本文在攝像頭固定以及不同監(jiān)視場景的情況下，針對行人、車輛及飛機進行目標快速、精確檢測，提出一種多幀背景差與Cauchy模型融合的目標檢測方法。主要內容為首先將初始背景圖像和實時視頻圖像平均劃分為大小相同的圖像塊，通過多幀間的背景差信息來判斷各個圖像塊是否屬于運動區(qū)域，并只對運動區(qū)域進行背景更新；然后采用實時視頻幀和當前背景圖像的絕對差分以及Cauchy分布模型對整幅絕對差分圖像上所有像素點的歸屬進行判定，最終實現(xiàn)運動目標的精確檢測。

參考文獻：

[1] SHEN Yiran，HU Wen，YANG Mingrui. Real-time and robust compressive background subtraction for embedded camera networks [J]. IEEE Transactions on Mobile Computing(S1536-1233)，2016，15(2)：406-418.

[2] 黃凱奇，陳曉棠，康運鋒，等. 智能視頻監(jiān)控技術綜述 [J]. 計算機學報，2015，38(6)：1093-1115.

HUANG Kaiqi，CHEN Xiaotang，KANG Yunfeng，. Intelligent visual surveillance：A review [J]. Chinese Journal of Computer，2015，38(6)：1093-1115.

[3] Girshick R，Donahue J，Darrell T，. Rich feature hierarchies for accurate object detection and semantic segmentation [J]. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition(S0056-1200)，2014，2(6)：580-587.

[4] YANG Mingyang. A moving objects detection algorithm in video sequence [J]. 2014 International Audio，Language and Image Processing(S4799-3902)，2014，10(11)：410-413.

[5] TAN Yihua，WU Dan，SUN Airong，. Adaptive and fast target detection in high-resolution SAR image [J]. 2014 IEEE International Geoscience and Remote Sensing Symposium(S2153-6996)，2014，5(6)：470-473.

[6] 周杰，郭立君，張榮. 基于集群性特征的異常行為檢測 [J]. 光電工程，2015，42(9)：35-40.

ZHOU Jie，GUO Lijun，ZHANG Rong. Abnormal behavior detection based on collectiveness feature [J]. Opto-Electronic Engineering，2015，42(9)：35-40.

[7] Kim S，Yang D，Park H. A disparity-based adaptive multi-homography method for moving target detection based on global motion compensation [J]. Circuits and Systems for Video Technology(S1051-8215)，2014，1(1)：1-5.

[8] Omar E，Driss M，Hamid T. Motion detection based on the combining of the background subtraction and spatial color information [J]. IEEE Intelligent Systems and Computer Vision(S4799-7510)，2015，5(1)：1-4.

[9] 王正寧，劉昌忠，王娟，等. 一種雙門限場面運動目標檢測系統(tǒng)：中國，201120089757 [P]. 2011-11-16.

WANG Zhengning，LIU Changzhong，WANG Juan，. A double-threshold moving target detection system：China，201120089757 [P]. 2011-11-16.

[10] Deepak K，Sukadev M. Detection of moving objects using fuzzy color difference histogram based background subtraction [J]. IEEE Signal Processing Letters(S1070-9908)，2016，23(1)：45-49.

[11] 田洪金，戰(zhàn)蔭偉. 基于自適應分塊和SSIM的運動目標檢測 [J]. 計算機科學，2014，41(2)：119-122.

TIAN Hongjin，ZHAN Yinwei. Moving object detection based on adaptive image blocking and SSIM [J]. Computer Science，2014，41(2)：119-122.

[12] Hasan S，Sen-ching S. Background subtraction for static & moving camera [J]. 2015 IEEE International Conference on Image Processing(S1565-4138)，2015，12(12)：4530-4534.

Target Detection Method Based on Multi-frame Background Subtractionand Cauchy Model

WANG Kai1，WU Min1，YAO Hui1，YANG Fan1，ZHANG Xiang2

( 1. Research and Development Center, The 2nd Research Institute, Civil Aviation Administration of China, Chengdu 610041, China；2. School of Electronic Engineering, University of Electronic Science and Technology of China, Chengdu 611731, China )

To effectively solve the problem of fast and accurate detection of moving targets in complex surveillance scene, target detection method based on multi-frame background subtraction and Cauchy model is proposed. Firstly, Surendra background model is improved to get clean background image. Then, system judges the current pixel on the absolute differential image belonging to the target areas or background areas by the absolute difference between the current background frame and the real-time video frame. Finally, through the Cauchy distribution model of the pixel, the aim of the moving target detection is realized in complex surveillance scene. The experiment on the vehicle, pedestrian and other object shows that the method can not only suppress the noise and interference of false target, but also can segment foreground target rapidly and accurately.

multi-frame background subtraction; Cauchy model; target detection; Surendra background model; absolute differential image

1003-501X(2016)10-0012-06

TP317.4

A

10.3969/j.issn.1003-501X.2016.10.003

2016-02-21；

2016-05-06

國家自然科學基金資助項目(61139003；61179060；U1433112)；國家科研院所技術開發(fā)研究專項資金資助(2013EG125056)

王凱(1989-)，男(漢族)，四川仁壽人。助理工程師，碩士，主要研究工作是圖像處理與識別。E-mail：minhang_wangkai@163.com。