傅 赟,王桂麗,周旭廷,侯學鵬

(安徽師范大學 物理與電子信息學院，安徽 蕪湖 241000)

交通監(jiān)控系統(tǒng)中視頻運動目標檢測算法研究

傅 赟,王桂麗,周旭廷,侯學鵬

(安徽師范大學 物理與電子信息學院，安徽 蕪湖 241000)

運動目標檢測不僅是計算機視覺領域里一項重要的研究內(nèi)容，也是城市交通監(jiān)控系統(tǒng)中至關重要的部分，在機器人導航、無人駕駛、醫(yī)學圖像處理以及視頻壓縮和傳輸領域都有廣泛的運用。在研究光流法、幀間差分法、背景差分法三種目標檢測算法原理并對比分析各算法優(yōu)缺點和適用范圍的基礎上，在城市交通監(jiān)控系統(tǒng)中對所選取的同一視頻幀分別進行了算法對比仿真實驗，并對仿真結果進行了對比分析。仿真實驗結果表明，光流法適用于運動狀態(tài)下的動態(tài)目標檢測，幀間差分法適用于車速較低的路段，與其他算法相比，背景差分法在城市交通監(jiān)控系統(tǒng)中的目標檢測效果最好，同時也具有運用邊緣檢測和數(shù)學形態(tài)學對車輛目標進行標記的能力，可使目標檢測更為準確、有效。

城市交通;運動目標檢測;光流法;幀間差分法;背景差分法

0 引 言

視頻圖像序列中的運動目標檢測是城市交通監(jiān)控系統(tǒng)中的一個核心問題[1-2]。運動目標檢測的目的是從序列圖像中將變化的區(qū)域從背景圖像中提取出來，或者是通過某種方法提取出感興趣的運動變化區(qū)域，并將該區(qū)域進行分離。然而，由于視頻天氣、光照、陰影等因素的變化導致背景圖像的動態(tài)變化[3-4]，運動目的檢測依然沒有非常有效的解決方法?，F(xiàn)有的運動目標檢測算法主要包括光流法[5-7]、幀間差分法[8]、背景差分法[9]以及各種背景建模方法。在一些車流量高，車速相對較慢的路段，可以選取幀間差分法進行車輛檢測。而有些是可旋轉攝像頭，在一定角度范圍內(nèi)進行工作，這種背景變化的情況可以選取光流法進行車輛目標檢測。而大多數(shù)監(jiān)控攝像頭是固定的，這時可以選取背景差分法來進行車輛目標檢測，同時加入了邊緣檢測算子，對目標進行標記。為此，選取了一段背景固定的視頻幀，運用三種不同的算法分別進行對比仿真。結果表明，背景差分法最適合運用于交通監(jiān)控系統(tǒng)。

1 目標檢測算法

1.1 幀間差分法

幀間差分法通過對視頻幀中提取的連續(xù)兩幀圖像進行比較，得到運動目標的信息。也可以說是對時間上相鄰的兩幅或者幾幅圖像求差，然后把圖像中目標的位置以及形狀突顯出來，也可以檢測是否有運動目標進入[10]。

設t1幀的圖像為f(x,y,t1),t2幀的圖像為f(x,y,t2),兩幀間的差分為：

Δf(x,y,Δt)=f(x,y,t1)-f(x,y,t2)

(1)

其中，屬于背景的靜態(tài)部分Δf(x,y,Δt)很小，而運動目標中Δf(x,y,Δt)較大。根據(jù)得到的特性差異，便可判斷出運動目標。這種方法的主要優(yōu)點是對動態(tài)環(huán)境有較好的適應性，計算簡單，運算量小，檢測速度快，易于實現(xiàn)。其最大的缺點是容易受到圖像噪聲的影響，對光照、環(huán)境等因素變化敏感。

1.2 背景差分法

背景差分法是選取實時得到的或者之前已經(jīng)存儲的背景幀作為參考圖像，用當前幀和背景幀做差分，如式(2)：

Δk(x,y)=|f(x,y,k)-b(x,y,k-1)|

(2)

其中，f(x,y,k)為當前幀圖像；b(x,y,k-1)為背景幀圖像；Δk(x,y)為差分圖像。

根據(jù)差分圖像，檢測運動目標為：

(3)

Rk(x,y)為1指前景目標點，Rk(x,y)為0指背景像素點。

背景差分法的特點是適用于攝像機固定安放的情況，是目前運用廣泛的運動目標檢測方法[11]。算法簡單易實現(xiàn)，檢測速度快。但對背景的動態(tài)變化，比如光照、陰影或者背景的變化較為敏感。

1.3 光流法

光流場最初是由Horn和Schunck提出的，是一種以灰度梯度基本不變或者亮度恒定的約束假設為基礎的目標檢測方法。光流是指圖像中灰度模式運動的速度，是景物中可見點的三維速度矢量在成像平面上的投影，表示了景物表面點在圖像中位置的瞬間變化。

由于光流不僅攜帶了運動目標的運動信息，還攜帶了有關景物三維結構的信息，所以它能檢測獨立的運動對象，不需要預先知道所檢測場景的任何信息，而且在靜止背景和運動背景下都能很好地檢測[12]。但是光流法也會由于噪聲、多光源、陰影、透明性和遮擋等原因，使得計算出來的光流場分布不是十分可靠和精確，且計算復雜度相對較高，需要運算時間，很難實現(xiàn)實時檢測。

光流局部計算思想的代表是Lucas-Kanade(L-K)方法，其能量方程如式(4);而全局方法的杰出代表是Horn-Schunck(H-S)光流約束方程，如式(5):

(4)

(5)

Horn和Schunck在光流基本約束方程的基礎上，結合光流全局平滑條件，即在相鄰像素間光流不會突變，從而解決了孔徑問題，能得到致密的光流場。而局部平滑約束由Lucas和Kanade首次提出，假設圖像局部平滑，即假設在一個較小的空間領域[Ω]上運動矢量保持衡定，通過聯(lián)立窗口內(nèi)所有像素，使用最小二乘法估計光流，具有較強的魯棒性，但是只能得到稀疏的光流場。

2 邊緣檢測算法

邊緣檢測算法是對一幅圖像進行檢測，并提取出它的邊緣，能對檢測出的目標進行進一步運算。常見的邊緣檢測方法有微分算子、Canny算子和LOG算子等。微分算子中有Roberts算子、Prewitt算子和Sober算子。

接下來簡單介紹所選用的Sobel算子。

Sobel邊緣算子[7]是一組方向算子，從不同的方向檢測邊緣。不是簡單地求平均再差分，而是對中心像素上、下、左、右四個方向像素的權重進行加強。Sobel算子的大小和Prewitt算子的大小相同，都是3*3，如下所示：

Roberts算子利用局部差分算子尋找邊緣，定位精度相對較高，但容易丟失一部分邊緣。同時由于圖像沒有經(jīng)過平滑處理，因此對噪聲沒有抑制能力。但是Roberts算子對具有陡峭邊緣和噪聲低的圖像處理效果較好。

Prewitt算子和Sobel算子都是對圖像優(yōu)先進行加權平滑處理，然后再做微分運算，唯一有區(qū)別的是平滑的權值有些區(qū)別，因此對噪聲都具有一定的抑制能力。兩個算子邊緣定位效果都不錯，最終選擇了Sobel算子對圖像進行處理。

3 仿真實驗及結果分析

對幾種方法進行仿真驗證，背景圖像和視頻幀圖像見圖1和圖2。實驗結果分析如下：

圖1 背景圖像

圖2 視頻幀圖像

(1)光流法算法復雜，計算耗時，實用性較差。但是在運動背景狀態(tài)下也能很好地進行檢測。從圖3中可以看出，密集運動的點就是光流，其中箭頭指向就是光流運動趨勢。當視頻幀中出現(xiàn)運動目標時，目標區(qū)域的光流與其他部分的光流有較大差異，根據(jù)該差異性便可檢測出運動目標。對于遠處車輛目標，光流運動范圍相對較小，檢測效果會有所下降。

圖3 L-K光流法

(2)幀間差分法的優(yōu)點是檢測速度快，易實現(xiàn)且算法復雜度低；但是容易受到檢測物體速度的影響，存在一定滯后性。適用于實時性要求高和多種背景狀態(tài)。圖4為幀間差分法運算后的效果圖，從圖中可清晰地判斷出前景目標區(qū)域車輛，但遠處車輛就很模糊，同時周圍存在很多不確定的點。算法運行所需時間短，但是效果不是很好。

圖4 幀間差分法

(3)背景差分法的優(yōu)點是在背景基本固定的情況下，檢測速度快，實時性強，能夠檢測出較完整的目標；但是容易受到環(huán)境、光照等的影響，同時魯棒性較差。適用于攝像頭禁止或固定狀態(tài)。圖5為在背景差分的基礎上運用邊緣檢測算子Sobel,再加以形態(tài)學開閉運算[13]，可以很好地標記出視頻中所運動的車輛。圖6為背景差分法目標檢測流程圖。

圖5 背景差分法

圖6 目標檢測流程圖

4 結束語

為保證交通監(jiān)控系統(tǒng)對車輛目標進行準確有效的檢測，迫切需要一種高效準確的目標檢測算法。所提出的背景差分法相對于其他兩種方法具有更好的應用優(yōu)勢，加之與邊緣檢測算子的結合可以顯著提高檢測效果。對比仿真實驗結果表明，背景差分法最適合運用于交通監(jiān)控系統(tǒng)，同時其汲取了包括各種特征匹配算法在內(nèi)的各種算法的優(yōu)點，可實現(xiàn)具有更高價值的交通監(jiān)控系統(tǒng)的開發(fā)。

[1] 唐慧娟,李軍民.智能視頻監(jiān)控中的運動目標檢測研究[J].科技創(chuàng)新與應用,2016(12):41.

[2] 吳 群,王 田,王漢武,等.現(xiàn)代智能視頻監(jiān)控研究綜述[J].計算機應用研究,2016,33(6):1601-1606.

[3] 李俊韜,張 海,范躍祖,等.復雜場景條件下的運動目標檢測算法[J].光電工程,2004,31:36-39.

[4] 李廣倫,殳偉群.視頻監(jiān)控系統(tǒng)中運動目標的實時檢測[J].計算機工程,2009,35(17):217-218.

[5] Fejes S,Davis L S.What can projections of flow fields tell us about the visual motion[C]//Sixth international conference on computer vision.[s.l.]:IEEE,1998:979-986.

[6] Lopez S,Horstrand P,Callico G M,et al.A low-computational-complexity algorithm for hyperspectral endmember extraction:modified vertex component analysis[J].IEEE Geoscience and Remote Sensing Letters,2012,9(3):502-506.

[7] 李海明,陳 新,吳 芳,等.復雜背景下運動目標的光流區(qū)域提取方法[J].福州大學學報:自然科學版,2001,29(4):101-103.

[8] Gan M G,Chen J,Liu J,et al.Moving object detection algorithm based on three-frame-differencing and edge information[J].Journal of Electronics and Information Technology,2010,32(4):894-897.

[9] Tsai D M,Lai S C.Independent component analysis-based background subtraction for indoor surveillance[J].IEEE Transactions on Image Processing,2009,18(1):158-167.

[10] 李 亮,羅 毅.幀間差分法在視頻監(jiān)控中的應用研究[J].四川理工學院學報:自然科學版,2015,28(6):58-62.

[11] 陳鳳東,洪炳镕.基于動態(tài)閾值背景差分算法的目標檢測方法[J].哈爾濱工業(yè)大學學報,2005,37(7):883-884.

[12] 章毓晉.圖像工程[M].北京:清華大學出版社,2005.

[13] 朱 虹.數(shù)字圖像處理基礎與應用[M].北京:清華大學出版社,2013.

Investigation on Video Moving Target Detection Algorithm in Traffic Monitoring System

FU Yun,WANG Gui-li,ZHOU Xu-ting,HOU Xue-peng

(College of Physics and Electronic Information,Anhui Normal University,Wuhu 241000,China)

Detection of moving target not only is a key research content in the field of computer vision,but also plays an important role in the urban traffic monitoring system，which has been widely used in robot navigation,unmanned vehicle,medical image processing,video compression and transmission field and so on.Based on investigation of the principles,advantages and disadvantages,and applications ranges of three different kinds of target detection algorithm like the optical flow method,frame difference method,and background difference method,comparative simulation experiments of the algorithms have been conducted with the same video frame selected from city traffic monitoring system as well as comparative analysis on the simulation results.Experiment results have shown that optical flow method is suitable for dynamic target detection under the motion state,and frame difference method can be used for low speed,while the background difference method is the most suitable in city traffic monitoring system of target detection effects compared with other algorithms,and also that edge detection and mathematical morphology tagged on vehicle targets can promote the accuracy and effectiveness of target detection.

urban traffic;moving object detection;optical flow method;inter frame difference method;background difference method

2016-07-27

2016-10-28 網(wǎng)絡出版時間：2017-06-05

安徽省優(yōu)秀人才基金(2010SQRL029);安徽師范大學研究生改革研究項目(2015yjg013)

傅 赟(1991-)，男，碩士研究生，研究方向為圖像處理；王桂麗，副教授，研究方向為信號處理與目標識別。

http://kns.cnki.net/kcms/detail/61.1450.TP.20170605.1507.046.html

TP301.6

A

1673-629X(2017)08-0156-03

10.3969/j.issn.1673-629X.2017.08.033