陳媛

（武漢科技大學(xué)城市學(xué)院機(jī)電工程學(xué)部，武漢 430083）

0 引言

由于現(xiàn)代社會人口密集程度高,社會關(guān)系復(fù)雜,日常人們面對越來越多的突發(fā)和異常事件,幾乎所有公共場合都有部署監(jiān)控的需求,但是因為人工監(jiān)控固有的缺陷,人力越來越不足以分析和處理海量的視頻數(shù)據(jù)[1]。因此,視頻監(jiān)控必須實現(xiàn)智能化，代替人工監(jiān)控，用于解決實際問題。而運動目標(biāo)檢測是實現(xiàn)智能化視頻監(jiān)控的重要技術(shù)，是上層行為理解和描述的基礎(chǔ)。運動目標(biāo)檢測也是計算機(jī)視覺領(lǐng)域中的一個研究熱點,其目的是從待檢測的視頻序列中把運動目標(biāo)有效地從背景中提取出來，可理解為運動目標(biāo)與背景的分類問題。而運動目標(biāo)的有效分割對后期的目標(biāo)分類、目標(biāo)跟蹤和行為分析等處理都具有重要意義[2]。

運用于運動目標(biāo)檢測的檢測方法有多種，根據(jù)不同的檢測需要選擇不同的檢測方法。光流法、幀間差分法和背景差分法是目前常用的三種檢測方法。光流法是根據(jù)圖像目標(biāo)的亮度信息進(jìn)行檢測的方法，不需要事先知曉監(jiān)控場景的相關(guān)信息，并在攝像頭運動時能有效的檢測目標(biāo)[3]，但是該算法計算比較復(fù)雜，且抗干擾能力差，不適合用于實時性要求高的場合。幀間差分法采用相連幀圖像做差，實現(xiàn)運動目標(biāo)的提取，對動態(tài)變化場景有較強(qiáng)的適應(yīng)性[4]，但是相連幀的合理選擇需要不斷調(diào)試，否則影響檢測的效果。背景差分法是直接采用各幀圖像與背景圖像做差，進(jìn)而得到實時圖像中出現(xiàn)的運動目標(biāo)[5]，具有高效簡單易實現(xiàn)的優(yōu)點，但對光照、曝光度以及外界環(huán)境的變化等影響較大。

本文針對小區(qū)視頻監(jiān)控，在攝像機(jī)靜止情況下，對監(jiān)控畫面進(jìn)出小區(qū)的車輛進(jìn)行檢測研究，提出了一種改進(jìn)的基于背景差分的運動目標(biāo)檢測方法，降低了光線變化等外界干擾對背景圖像的影響，實現(xiàn)了運動目標(biāo)檢測的實時性、可靠性以及有效性。

1 背景差分法

背景差分算法的基本原理是首先通過背景建模得到合適的背景圖像，然后再將視頻序列中待檢測圖像與背景圖像進(jìn)行差分運算，通過選取合適的閾值提取運動目標(biāo)，用公式描述如下:

式（1）中fk(x,y)為當(dāng)前幀圖像，Bk(x,y)為背景圖像，Dk(x,y)為當(dāng)前幀圖像與背景圖像的差分結(jié)果。

選取合適的閾值T，對差分圖像Dk(x,y)進(jìn)行二值化，如式（2）所示，Rk(x,y)為二值化后的結(jié)果，當(dāng)差分圖像的像素值大于或等于某閾值T，二值化結(jié)果為1，表明該像素屬于運動目標(biāo)區(qū)域；差分圖像的像素值小于某閾值T，二值化結(jié)果為0，表明該像素屬于背景。

由此可知，采用背景差分法能夠獲得比較完整的運動目標(biāo)輪廓，檢測速度快，位置準(zhǔn)確。對于攝像機(jī)靜止情況下，隨著時間的推移，光照或環(huán)境的變化都會使背景圖像發(fā)生變化，如果仍舊使用原來的背景圖像，勢必對運動目標(biāo)的檢測效果造成影響，因此建立合理的背景模型十分重要。

2 改進(jìn)均值法背景建模

采用背景差分法進(jìn)行運動目標(biāo)檢測時，背景建模是檢測的首要工作。本文采用簡單且快速的均值法背景建模，適用于監(jiān)控場景不太復(fù)雜的情況。均值法實質(zhì)上是采用統(tǒng)計濾波的思路[6]，在一段時間內(nèi)，將采集到的多幀圖像相加，求其平均值，將這個平均值看作參考的背景模型。具體計算式如下：

式（3）中B(x,y)表示背景圖像，Ii(x,y)表示第i幀序列圖像，N表示平均幀數(shù)。

當(dāng)場景光照突變時，上述方法提取的背景會受影響。因此本文所做的改進(jìn)是首先將一段時間內(nèi)采集到的多幀圖像相加再平均，將這個平均值設(shè)定為初始化光照補(bǔ)償模型，記為P(x,y)；然后將待檢測的視頻幀分別與P(x,y)相加再平均，公式為：

式（4）中i=1,…,N，Ii(x,y)表示原第i幀序列圖像，F(xiàn)i(x,y)表示經(jīng)過光照補(bǔ)償后的第i幀序列圖像。視頻中的某一時刻的光線若出現(xiàn)突然變強(qiáng)或突然變?nèi)?，都會被光照補(bǔ)償模型做近似于低通濾波的處理[7]。再將光照補(bǔ)償后的新視頻序列進(jìn)行均值建模，此時視頻幀中的背景更接近實際背景，弱化了光照突變對均值背景模型的影響，能有效提高均值背景模型下的檢測效果。

3 最大模糊熵閾值分割

通過上述建立的背景圖像與當(dāng)前幀圖像進(jìn)行差分運算，選取合適的閾值來對差分圖像二值化操作，就能將運動目標(biāo)檢測出來。二值化的目的就是運用閾值將圖像分成目標(biāo)和背景兩個區(qū)域，閾值選擇的恰當(dāng)與否決定了是否能正確地提取出運動目標(biāo)。如果閾值選擇偏大或者選擇偏小都有可能出現(xiàn)檢測不準(zhǔn)的情況，即將前景運動目標(biāo)判斷為背景或背景判斷為前景運動目標(biāo)[8]。通常比較簡單的方法是根據(jù)經(jīng)驗給定一個固定閾值。而實際上絕大多數(shù)圖像的采集是在室外進(jìn)行的，如對汽車、行人等移動目標(biāo)檢測，光線的變化是無時無刻都會發(fā)生的，如果我們采用的是不能自適應(yīng)的閾值，那么隨著光線的變化，圖像的采集就會出現(xiàn)很大的誤差[9]。本文引入最大模糊熵閾值分割的思想，合理選取閾值。

設(shè)差分圖像X的灰度級數(shù)為L，大小為M×N。令xmn表示坐標(biāo)(m,n)處像素點的灰度值。將差分圖像劃分成兩個模糊集合，即目標(biāo)（bright）模糊集和背景（dark）模糊集。這兩個模糊集的隸屬函數(shù)分別定義如下：

式中，[a,c]為模糊區(qū)間，[0,a]和[c,L-1]為非模糊區(qū)間。μbright(xmn)表示(m,n)像素點屬于目標(biāo)的程度，μdark(xmn)表示 (m,n)像素點屬于背景的程度，且μbright(xmn)+μdark(xmn)=1。當(dāng)xmn=(a+c)/2時，該灰度級的像素屬于目標(biāo)和背景的隸屬度均為0.5，則可選xmn=(a+c)/2為分割閾值。灰度級小于(a+c)/2的像素屬于背景區(qū)域，灰度級大于(a+c)/2的像素屬于目標(biāo)區(qū)域。

圖像的模糊熵為：

其中：

由于P(bright)+P(dark)=1，得：

由信息論知，熵越大的事件，接近事件真實狀態(tài)的可能性也越大。若圖像的熵取得最大值，則應(yīng)能實現(xiàn)目標(biāo)與背景的最佳分割。依據(jù)最大模糊熵準(zhǔn)則，可得到最優(yōu)的模糊參數(shù)aopt和copt，并進(jìn)一步得到最佳分割閾值(aopt+copt)/2。

4 實驗結(jié)果與分析

本實驗的環(huán)境是在CPU2.2 GHz，內(nèi)存12GB的PC上，使用MATLAB 2017a仿真工具實現(xiàn)智能視頻監(jiān)控中運動目標(biāo)的檢測。本文抽取進(jìn)出小區(qū)的車輛行駛視頻，視頻幀尺寸大小為352×240，共150幀，在視頻的135至145幀處時光照突變，選取視頻第140幀如圖1所示，按本文方法做實驗，仿真結(jié)果如圖2和圖3所示。

對比圖2和圖3可知，采用固定閾值分割差分圖像，當(dāng)場景中有光照突變時，目標(biāo)檢測效果噪聲明顯，帶光照補(bǔ)償模型的均值法提取背景，再采用最大模式熵閾值分割差分圖像，噪聲點大大減少，提高了目標(biāo)檢測的有效性。

5 結(jié)語

本文提出的帶光照補(bǔ)償模型均值背景建模并采用最大模糊熵閾值分割的改進(jìn)背景差分法，降低了光照突變對背景建模的影響，間接提高了運動目標(biāo)檢測的準(zhǔn)確性和有效性，且運算簡單，易于實現(xiàn)。本文算法適合于監(jiān)控場景不太復(fù)雜且攝像機(jī)靜止的情況，因此后續(xù)還需對算法進(jìn)一步的完善，以適應(yīng)更復(fù)雜的環(huán)境變化。

圖1 原圖140幀

圖2 未帶光照補(bǔ)償模型的檢測結(jié)果（采用固定閾值）

圖3 帶光照補(bǔ)償模型的檢測結(jié)果 （采用最大模糊熵閾值）

[1]吳晶.面向運動目標(biāo)檢測的背景差分算法改進(jìn)與實現(xiàn)[D].北京郵電大學(xué)，2012.

[2]丁瑩，楊華民，范靜濤，等.復(fù)雜環(huán)境運動目標(biāo)檢測技術(shù)及應(yīng)用[M].國防工業(yè)出版社，2014.

[3]劉潔.基于光流法的運動目標(biāo)檢測和跟蹤算法研究[D].中國礦業(yè)大學(xué)，2015.

[4]余慧玲.視頻圖像中的運動目標(biāo)檢測方法研究[D].中南大學(xué)，2012.

[5]王引輝.監(jiān)控視頻中運動目標(biāo)檢測算法研究[D].南京郵電大學(xué)，2013.

[6]亢潔，李曉靜.基于均值背景與三幀差分的運動目標(biāo)檢測[J].陜西科技大學(xué)學(xué)報，2018,（1）:148-153.

[7]陶傳會.基于混合高斯模型的運動目標(biāo)檢測技術(shù)研究[D].沈陽理工大學(xué)，2014.

[8]侯宏錄，李寧鳥，劉迪迪，等.智能視頻監(jiān)控中運動目標(biāo)檢測的研究[J].計算機(jī)技術(shù)與發(fā)展，2012,22（2）：49-52.

[9]畢恒.運動目標(biāo)檢測技術(shù)研究[J].濰坊學(xué)院學(xué)報，2015,15（2）：67-72.

作者簡介：

陳媛（1980-），女，湖北鄂州人，碩士研究生，副教授，研究方向為圖像處理與智能控制

收稿日期：2018-03-22 修稿日期：2018-05-20