賴飛

（四川大學計算機學院，成都 610065）

0 引言

運動目標的檢測、識別、跟蹤以及人的行為分析等智能視頻分析技術(shù)目前已廣泛運用于銀行、超市、交通等公共安全監(jiān)控領(lǐng)域。其中運動目標的檢測是最基礎(chǔ)和最關(guān)鍵的環(huán)節(jié)。根據(jù)智能監(jiān)控的場景不同，分為靜態(tài)背景和動態(tài)背景兩種情況。

針對靜態(tài)背景下的運動目標檢測技術(shù)現(xiàn)如今已比較成熟，除了最經(jīng)典的幀間差分法[1]、光流法[1]和背景差分法[1]外，還存在改進的五幀差分法[2]、三幀差與背景差相結(jié)合的方法[3]等。這些方法運用在靜態(tài)場景下取得了明顯的效果，但是在動態(tài)場景下仍然會帶來很大誤差。

針對動態(tài)背景下的運動目標檢測，主要部分是背景運動補償，現(xiàn)有的背景運動模型有仿射變換模型[4]、投影變換模型[5]、平移變換模型[6]等。運動參數(shù)估計方法有最小二乘法、隨機抽樣一致性法、M估計法等。而這些方法普遍存在精度和速度之間的矛盾。

本文的主要工作在從運動背景到靜態(tài)背景的轉(zhuǎn)換上，目標檢測部分使用常規(guī)的幀間差分法。首先介紹了仿射變換模型，然后詳細闡述了特征點提取匹配、消除誤匹配、去除外點以及參數(shù)的魯棒性估計，最后對相對靜止的背景幀做減除法，并對檢測出的結(jié)果進行二值化、形態(tài)學濾波、連通性分析等操作求出運動目標的準確位置。

背景補償流程如圖1：

圖1

1 全局運動參數(shù)模型

常見的運動參數(shù)模型中，平移運動模型只能處理平移運動的情況。投影運動參數(shù)模型和雙線性運動參數(shù)模型雖然能處理多種運動類型，但因其未知參數(shù)過多，計算較為復(fù)雜。仿射運動參數(shù)模型能同時處理平移、旋轉(zhuǎn)和縮放等運動類型，且其精確度較高，運算量也能夠接受。因此本文選取仿射運動模型為全局運動參數(shù)模型。

仿射運動參數(shù)模型的轉(zhuǎn)換公式如式（1）所示。

其中θ為旋轉(zhuǎn)角度，γ為縮放系數(shù)，(e,f)為平移量。

2 特征點匹配及刪除錯誤匹配

SIFT（Scale Invariant Feature Transform）[7]是一種尺度不變特征變換，由David.Love于2004年提出。該算法提取的特征點精確度較高。

2.1 SIFT 匹配算法

SIFT匹配算法在匹配同一場景中的兩幅圖像時，先檢測每一幅圖像的特征點，然后計算它們的描述子，第一幅圖像中的每個特征描述子都會與第二幅圖像中的描述子進行比較，距離最近則為最佳匹配。匹配結(jié)果如圖 2（a）。

2.2 比率閾值刪除錯誤匹配

以上匹配結(jié)果中存在很多錯誤匹配，這對全局運動參數(shù)的估計會帶來較大誤差。因此本文采用比率閾值法[7]刪除錯誤匹配。在匹配兩幅圖像時，每個特征點都搜索兩個最匹配的特征點，它們是基于描述子間距離的兩個值d1和d2。如果兩個值相差很多，那么最優(yōu)值毫無歧義是最佳選擇。但如果兩個值很相近，則很難判斷哪個才是正確匹配，因此兩個值都應(yīng)該被拒絕。因此我們可以設(shè)置一個比率閾值T，判斷最優(yōu)值與次優(yōu)值的比率，如果小于閾值T則接收，大于等于閾值T則拒絕。匹配結(jié)果如圖2（b）。

圖2

3 刪除外點及參數(shù)魯棒性估計

在刪除錯誤匹配點后，還有一些出現(xiàn)在運動目標上的特征點，它們的存在影響全局運動參數(shù)的精度，我們稱之為外點。相對而言，處于背景區(qū)域且正確匹配的特征點為內(nèi)點。求得高精度仿射變換矩陣的關(guān)鍵就是要去除外點，消除外點帶來的影響。

比較經(jīng)典的去除外點的方法是隨機采樣一致性法（RANSAC）[8]，RANSAC目的是從一組包含異常值的數(shù)據(jù)集中求出最優(yōu)的參數(shù)矩陣。RANSAC算法步驟：

（1）隨機選取3組匹配點對，求出仿射變換矩陣，標記模型為M；

（2）計算其他所有匹配點對與模型M之間的誤差，誤差小于給定閾值則加入內(nèi)點集S。

（3）更新最優(yōu)內(nèi)點集Smax和迭代次數(shù)k;

（4）如果迭代次數(shù)大于k，則退出；否則迭代次數(shù)加1，并重復(fù)上述步驟;

其中迭代次數(shù)k的更新公式如下:

其中，p為置信度，通常取值0.99，w為內(nèi)點比例，m為最少需要的樣本數(shù)。

從圖3可以看到去除外點（黑圓圈標記處）后，運動著的船體、人體以及陰暗遮擋處的特征點已被刪除，不參與背景運動參數(shù)的估計。

4 背景匹配及目標檢測

計算出全局運動參數(shù)后，以前一幀f1(x,y)對當前幀f2(x,y)進行背景匹配。并采用雙線性內(nèi)插法[9~11]進行插值處理。插值點(x0+αx,y0+αy)的像素值取決于周圍的四個像素點的值，即：

圖3

圖4

用參考幀f1(x,y)和變換幀f2(x,y)做幀差，然后通過二值化處理便可以得到運動目標的二值圖像d(x,y)，即：

由于二值圖像d(x,y)仍然存在一些噪點，需要對其進行形態(tài)學濾波處理，消除殘留的噪聲點和細小的空洞，最終得到較為準確的運動目標。

從圖4可以看到經(jīng)過背景補償后檢測運動目標的效果有了較大改進。

5 結(jié)語

本文針對全局運動背景補償中的關(guān)鍵問題:特征點匹配、外點去除、背景匹配做了詳細研究，尤其對特征點匹配過程中存在的錯誤匹配做出了明顯地改進，基本消除了所有錯誤匹配。另外為了得到比較精確的背景運動參數(shù)，再對圖像中存在的影響背景運動參數(shù)精度的外點（位于運動目標上，遮擋處以及移出圖像的特征點）做出了刪除操作。在背景匹配部分運用了雙線性內(nèi)插法得到較為平滑的配準圖像。最后通過實驗對比了在運動背景下直接差分檢測運動目標和先進行背景補償然后差分檢測運動目標得到的效果圖。

參考文獻：

[1]劉明璽，孟放.運動目標檢測與跟蹤算法的研究進展[J].軟件,2010,31（12）:85-88.

[2]陳志勇，彭力等.動態(tài)環(huán)境下改進五幀差分的運動目標檢測新算法[J].江南大學學報,2015,14（1）:34-37.

[3]孟介成，呂虹，鄧運生等.基于DM642的自適應(yīng)運動目標檢測系統(tǒng)[J].廣西大學學報,2012,37（2）:361-365.

[4]He Y.W,Feng B,yang S.Fast Global Motion Estimation for Global Motion Compensation Coding[A].Proceedings of the IEEE International Symposium on Circuits and Systems[ISCAS][C]，2001,2:233-236.

[5]Cheung H.K,Siu W.C.Fast Global Motion Estimation for Sprite Generation[A].Proceedings of the IEEE International Symposium on Circuits and Systems（ISCAS）[C],2002,3,26-29.

[6]Sorwar G,Murshed M,Dooley L.Fast Global Motion Estimation Using Iterative Leastsquare Technique.Proceedings of the 4thInterna-tional Conference on Information[A].Communication&Signal,Proceedings of the 4thIEEE Pacific-Rim Conference on Multimedia Singapore[C],2003,1:282-286.

[7]Robert Laganiere,張靜.OpenCV2計算機視覺編程手冊[M].北京:科學出版社，2013.

[8]張留洋，張桂林.基于擴展的Kanade Lucas的背景運動參數(shù)估計[J].計算機應(yīng)用,2005,25（8）:1945-1947.

[9]王天召，徐克虎，黃大山.動態(tài)背景下的運動目標檢測[J].計算機技術(shù)與發(fā)展,2013,23（7）:104-107.

[10]黃神治.移動背景下運動目標檢測與跟蹤技術(shù)研究[D].杭州:浙江大學,2011.

[11]賀琴.基于運動背景下運動目標的檢測與自動跟蹤[D].西安:西北大學,2010.