王水魚，李艷婷

(西安理工大學 自動化與信息工程學院，陜西 西安 710048)

?

基于Surendra背景差分和幀間差分的運動目標檢測

王水魚，李艷婷

(西安理工大學 自動化與信息工程學院，陜西 西安 710048)

運動目標檢測是視頻監(jiān)控和目標跟蹤研究的前提，目標提取是否準確，將直接影響到后期目標跟蹤和處理的效果。該文在背景減除法和五幀差分法的基礎上，提出了將兩種算法相結合的方法，對視頻序列中的運動目標進行檢測。首先采用Surendra背景減除法建立背景模型，并通過迭代法計算出動態(tài)閾值，完成背景更新，然后將檢測出的運動目標區(qū)域與五幀差分法得到的目標輪廓圖形進行邏輯“或”操作，取得比較完整的運動目標，最后采用連通性檢測和孔洞填充方法綜合得到運動區(qū)域圖像。通過MATLAB驗證和量化評估表明，該方法能準確地檢測出運動目標，同時在識別率和誤檢率方面也得到了較好結果。

背景差分法；五幀差分法；動態(tài)閾值；運動目標檢測

引用格式：王水魚，李艷婷. 基于Surendra背景差分和幀間差分的運動目標檢測[J].微型機與應用，2016,35(17)：42-44,48.

0　引言

近年來，運動目標檢測技術的發(fā)展和應用研究非常廣泛。目前運動目標檢測的方法主要有[1]背景差分法、幀差分法和光流法。根據(jù)運動目標與攝像機之間的相對位置關系，運動目標檢測場景可以分為靜態(tài)場景和動態(tài)場景。本文主要針對背景和攝像頭固定不變的場景進行運動目標檢測算法研究[2]。

1　運動目標檢測算法比較

背景差分法的優(yōu)點是適用于靜止背景，檢測速度快，實時性強，能夠檢測到比較完整的運動目標[3]；缺點是環(huán)境突變適用性差。因此，背景幀的選取至關重要，若選取不當，將嚴重影響檢測效果。

幀差分法的優(yōu)點是無需提取和更新背景，對光線變化不敏感，能夠檢測到目標的邊界[4]；缺點是圖像噪聲影響大，檢測的運動目標輪廓不完全，容易產生“空洞”、“雙影”現(xiàn)象。

光流法體現(xiàn)了三維場景及其平面投影豐富的動態(tài)信息，其優(yōu)點是檢測精度高，不用預先知道視頻信息就可以檢測出運動物體[5]；缺點是算法復雜度高，實時性較差，抗噪性能不好。

通過對以上三種算法優(yōu)缺點的比較，本文采用背景減除算法與幀間差分算法相結合對運動目標進行檢測。

1.1算法流程

首先提取出視頻圖像序列，采用基于Surendra背景減除算法來構造背景模型，不斷進行實時背景更新，在使用五幀差分算法之前，先進行中值濾波，有效克服噪聲影響大、提取目標不連續(xù)等問題，在這兩種算法中都采用自適應動態(tài)閾值進行閾值分割，以適應場景和光線變化。由于單獨使用一種檢測算法存在一定的缺陷，所以將兩種算法得到的二值圖像相結合，進行邏輯“或”運算，最后對圖像做后處理，以得到較為準確的目標圖像[6]。算法流程圖如圖1所示。

圖1　算法流程圖

1.2Surendra算法基本原理

在背景減除法中，如果提取出的背景圖像不能很好地反映實際場景效果，則一定會影響運動目標的檢查結果，因此，準確構建一個表征背景的圖像就至關重要。鑒于目前各種背景建模方法(如基于像素的高斯混合模型、應用統(tǒng)計edge-segments建立背景模型[8]等)需要一個高效的自適應算法來更新參數(shù)，故本文采用Surendra算法建立實時更新場景背景模型[3]，在閾值更新時采用迭代法計算閾值，可以降低算法復雜度。Surendra算法提取背景圖像的核心思想是：對當前幀圖像做前后兩幀的幀間差分，然后對差分值的亮度值進行判斷，找到物體的運動區(qū)域，如果差分圖像中某一像素點的差分亮度值大于閾值，那么該像素點為前景像素點，如果亮度值小于閾值，則背景圖像被當前幀更新替換，這樣連續(xù)迭代一定次數(shù)便可提取出背景[6]。其算法步驟如下：

(1)建立初始背景圖像B1。通常情況下，將第1幀圖像作為初始背景B1，考慮受環(huán)境變化的影響，采用算術平均法建立背景圖像，在連續(xù)讀入N幀圖像時，取最初的N/2幀圖像數(shù)據(jù)求平均，作為最起始的背景圖像B1，可以有效避免變化劇烈的像素點帶來的影響。

(2)令迭代次數(shù)i=1,將T作為閾值，m為最大的迭代次數(shù)[6]。

(3)當前幀的幀差分圖像：

(1)

(4)使用二值圖像Di來更新背景圖像Bi[9]，即：

(2)

式(2)中，Bi(x,y)是背景圖像，Di(x,y)是前景圖像，fi(x,y)是第i幀圖像，α(0<α<1)是背景更新速率[9]。α決定著背景更新的快慢，經多次試驗證明，α=0.1時能夠得到較好的背景圖像。

(5)i=i+1，返回第(3)步運算，如此重復執(zhí)行，直到i等于m時結束，此時背景圖像就是Bi(x，y)。

1.3閾值T的選擇

閾值T的選擇至關重要，之前的方法基本上都是基于實驗測試人為給定一個固定值，如果閾值選擇合適就能很好地適應場景變化，否則會導致分割效果變差。本文閾值分割采用動態(tài)閾值法。算法過程如下:

(1)計算初始閾值[6]:

(3)

式(3)中Dmax、Dmin為差分圖像的最大、最小灰度值。

(2)求出平均灰度值：

(4)

(5)

式(4)、(5)中D(x，y)為差值圖像的灰度值，N(x，y)為權重系數(shù)，Tk為閾值[9]。

(3)令新的閾值為：

(6)

(4) 反復執(zhí)行上述過程，直到Tk=Tk+1，此時可得最佳閾值Tk。

1.4五幀差分算法

在進行五幀差分算法之前，先對視頻圖像序列進行中值濾波去除噪聲，以保證圖像質量，再提取連續(xù)5幀彩色圖像將其轉換為灰度圖[7]，然后以第K幀圖像作為當前幀，分別與前兩幀和后兩幀做幀差運算；之后再將得到的4個二值化結果進行邏輯“或”、“與”運算。五幀差分法是基于傳統(tǒng)的三幀差分法而被提出來的，三幀差分法雖然具有容易實現(xiàn)、時間復雜度低等優(yōu)點，但是其目標輪廓容易出現(xiàn)空洞，往往表現(xiàn)為不連續(xù)，且對光照變化、背景擾動等場景，無法提取出完整的目標信息，因此針對上述問題，提出了五幀差分法。其步驟如下[7]：

(1)選取連續(xù)相鄰的5幀圖像fk-2(x,y)、fk-1(x,y)、fk(x,y)、fk+1(x,y)和fk+2(x,y)，分別將其轉為相應的灰度圖，得到相應的5幀灰度圖為Ik-2(x,y)、Ik-1(x,y)、Ik(x,y)、Ik+1(x,y)和Ik+2(x,y)。

(2)對5幀灰度圖像進行幀差運算:

d1(x,y)=|Ik(x,y)-Ik-2(x,y)|

(7)

d2(x,y)=|Ik(x,y)-Ik-1(x,y)|

(8)

d3(x,y)=|Ik(x,y)-Ik+1(x,y)|

(9)

d4(x,y)=|Ik(x,y)-Ik+2(x,y)|

(10)

得到差分結果di(x,y)(i=1,2,3,4),分別進行二值化：

(11)

為避免空洞現(xiàn)象，對上述二值化結果hi(x,y)分別進行“或”運算：

g12(x,y)=h1(x,y)⊕h2(x,y)

(12)

g34(x,y)=h3(x,y)⊕h4(x,y)

(13)

為解決“或”運算中目標出現(xiàn)重疊現(xiàn)象，對g12(x,y)、g34(x,y)進行“與”運算，得到第K幀圖像的目標輪廓：

Bk(x,y)=g12(x,y)?g34(x,y)

(14)

1.5圖像后處理

將兩種算法得到的圖像做邏輯“或”運算，實驗結果發(fā)現(xiàn)，得到的二值前景圖像中仍會有一些噪聲和小雜亂點及孔洞存在[3]。因此在前景圖像中使用四連通域檢測方法尋找運動目標的輪廓，計算出每個連通區(qū)域的面積，設定輪廓面積閾值，然后把面積小于閾值的當作噪聲拋棄，面積大于閾值的定為目標連通域，之后用前景色對輪廓內部填充，就可以有效消除孤立噪聲，獲取輪廓完整、清晰的運動目標。

2　實驗結果分析

2.1實驗結果直觀圖

以MATLAB2011a進行仿真實驗，分別對視頻序列SampleVideo.avi和vipmen.avi進行測試。各方法檢測結果如圖2、圖3所示。

圖2　檢測結果對比

圖3　檢測結果對比

由MATLAB仿真結果對比可知，本文方法所獲取的目標邊緣更連續(xù)，目標輪廓更完整，空洞現(xiàn)象較少，目標信息也更為豐富。

2.2實驗結果量化分析

在目前的許多文獻中多采用識別率η和誤檢率ξ兩個指標來度量檢測算法的準確率?；趨⒖嘉墨I[7]，由于目前沒有一個綜合指標來直觀評估檢測算法的準確率，因此通過引進一個新的綜合指標H來評估目標檢測算法的性能。當識別率η越高和誤檢率ξ越低時，H值越大。如果H值越大，則表明其檢測準確率越高，H值定義如下:

(15)

由表1檢測率結果可知，本文算法的識別率最大，誤檢率最低，計算出H值為最大，所以本文算法具有較好的檢測性能。

表1　圖2各種算法檢測率對比結果

3　結論

本文利用背景差分算法和幀間差分算法的優(yōu)勢互補關系[10]，將兩種算法相結合，既解決了背景差分對外界環(huán)境突變的敏感問題，降低了移動目標的誤檢率，同時也解決了幀間差分針對移動速度較慢的運動目標的漏檢問題，達到了較好的檢測效果。通過直觀圖和量化結果分析，驗證了本文算法能夠有效解決孔洞、雙影等問題，并建立實時背景更新模型，準確檢測出目標圖像，對后期的目標跟蹤、識別分類和異常分析等都具有重要的參考價值。

[1] 李立現(xiàn).監(jiān)控系統(tǒng)中運動目標檢測算法分析[J].電腦知識與技術，2013,9(34)：7864-7866.

[2] 吳君欽，劉昊，羅勇.靜態(tài)背景下的運動目標檢測算法[J].液晶與顯示，2012,27(5)：682-685.

[3] 何煒.自適應運動目標檢測和跟蹤技術研究[D].昆明：云南大學，2011.

[4] 池利陽，李民政，吳新強.一種運動目標檢測實時性和魯棒性的方法[J].計算機應用與軟件，2015,32(2)：1-6.

[5] 張順淼，呂開東.一種基于Surendra背景更新的背景減除運動目標檢測方法[J].南京工程學院學報(自然科學版)，2011,9(2)：22-26.

[6] 紀清華，禹素萍.基于Surendra背景減除法和四幀差分法的目標檢測算法[J]. 計算機應用與軟件，2014,31(12)：242-244.

[7] 郭春鳳.基于五幀差分法的動態(tài)目標檢測新算法[J].重慶科技學院學報(自然科學版)，2015,17(5)：87-89.

[8] YANG M H, Huang Chunrong, Liu Wanchen, et al. Binary descriptor based nonparametric background modeling for foreground extraction by using detection theory[J]. Circuits and Systems for Video Technology, IEEE Transaction on. 2015,25(4):595-608.

[9] 紀清華.基于視頻的人體行為分析算法的研究[D].上海：東華大學，2013.

[10] 雷飛，黃文路，張澤.基于邊緣檢測與碼本模型的運動目標檢測算法[J].科學與技術工程，2013,13(24):7234-7239.

Moving target detection based on Surendra background subtraction and frame difference

Wang Shuiyu，Li Yanting

(School of Automation and Information Engineering, Xi’an University of Technology, Xi’an 710048 , China)

Moving target detection is the precondition of video monitoring and target tracking research, the accuracy of extraction target, will directly affect the later period of target tracking and processing. This paper put forward a kind of algorithm based on the background subtraction combine with five frame difference method for moving target detection in video sequences. Firstly it uses Surendra background subtraction to establish the background model, through iterative method to calculate the dynamic threshold to complete background updates, and then combines the detected moving target area with five frame difference method to get the target contour of graphics by using the Boolean or operator, the complete moving targets are obtained. Finally, it uses connectivity detection and hole filling method to get motion region image. MATLAB simulation results and quantitative evaluation show that the method can accurately detect moving targets, meanwhile in terms of recognition rate and false detection rate achieve a good result.

background subtraction algorithm；five-frame difference；dynamic threshold; moving target detection

TP391.4

ADOI： 10.19358/j.issn.1674- 7720.2016.17.013

2016-05-05)

王水魚(1958-)，男，博士，副教授，主要研究方向：信號采集系統(tǒng)與電子測量技術。

李艷婷(1992-)，通信作者，女，碩士研究生，主要研究方向：電路設計與系統(tǒng)集成。E-mail:1610622878@qq.com。