李國友 張春陽 張鳳嶺 夏永彬

關(guān)鍵詞： 視頻監(jiān)控; 運動目標(biāo)檢測; 圖像優(yōu)化; ViBe算法; 小波分析; 陰影去除

中圖分類號： TN948.64?34; TP391 ? ? ? ? ? ? ?文獻(xiàn)標(biāo)識碼： A ? ? ? ? ? ? ? ? ? ?文章編號： 1004?373X（2019）14?0068?06

Image optimization and detection simulation of moving targets in

video surveillance images

LI Guoyou， ZHANG Chunyang， ZHANG Fengling， XIA Yongbin

（College of Electrical Engineering， Yanshan University， Qinhuangdao 066004， China）

Abstract： In allusion to the defects of ghosts， stationary targets and shadows appearing during the detection of the traditional ViBe detection algorithm， it is proposed that the pixel values are converted into the wavelet domain for frequency division， and a new algorithm based on the wavelet domain detection is implemented after optimization design of the algorithm. In allusion to the defects of ghosts and stationary targets in the ViBe algorithm， the background updating strategy is designed into ladder?type updating， and the foreground points are also given the characteristic of propagating and updating the background model， so as to overcome the defects of ghosts and stationary targets in the ViBe algorithm. The multi?scale spatial information of wavelet analysis is used to conduct algorithm design， so as to achieve the purpose of shadow elimination. Comprehensive experiments were conducted by using three sets of video sequences. The experimental results are evaluated by three criteria， which show that the algorithm can achieve an effective detection of moving targets and optimize the defects of the ViBe algorithm.

Keywords： video monitoring; moving target detection; image optimization; ViBe algorithm; wavelet analysis; shadow elimination

0 ?引 ?言

運動目標(biāo)檢測是計算機視覺應(yīng)用中的重要課題，在智能視頻監(jiān)控領(lǐng)域有重要的研究價值[1?2]。目前常見的運動目標(biāo)檢測算法主要分為三大類：光流法、幀間差分法和背景差分法[3]?；诒尘敖５牟罘址ㄔ诮┠臧l(fā)展最快，如基于均值模型、中值模型和直方圖模型的簡單背景建模[4]方法，優(yōu)點是原理簡單易于實現(xiàn)，缺點是提取的運動目標(biāo)不夠準(zhǔn)確。

基于類聚的碼本算法[5]，具有速度快、實時性好的優(yōu)點，但需要前N幀序列先進(jìn)行模型的建立，且對光照突然變化比較敏感;基于參數(shù)化模型的高斯模型法[6?7]對復(fù)雜多變的背景具有較好的適應(yīng)性，但計算量較大;Barnich等人提出了建模簡單、實時性高的運動目標(biāo)檢測法（ViBe），在近年來成為研究的熱點，但仍存在靜止目標(biāo)、鬼影、陰影的缺陷[8]。文獻(xiàn)[9]將幀差法與ViBe進(jìn)行結(jié)合，對前后連續(xù)兩幀分別做ViBe檢測，然后使用與運算，并結(jié)合閾值判斷是否存在鬼影點，若是鬼影點將立即做消除處理;但是當(dāng)前后兩幀目標(biāo)重合時，檢測將出現(xiàn)較大的空洞，且檢測不夠準(zhǔn)確。文獻(xiàn)[10]對每個圖像塊使用離散余弦變換，取變換后塊中的直流分量使用ViBe算法進(jìn)行運動目標(biāo)的檢測，解決了鬼影和高動態(tài)背景不能較好檢測運動目標(biāo)的問題，但其不能處理陰影問題。文獻(xiàn)[11]將像素點通過小波分解后，在每個區(qū)域都使用幀間差分法，然后使用小波反變換，具有一定的新穎性;但是在小波域中全部使用幀間差分法，容易出現(xiàn)空洞，且不能處理陰影問題。本文提出基于小波域的運動檢測算法，在小波域中將像素值進(jìn)行分頻處理，低頻部分使用優(yōu)化后的ViBe算法，解決了干擾區(qū)域融入背景慢的問題;在高頻部分使用幀差法提取運動的目標(biāo)的細(xì)節(jié)信息，利用細(xì)節(jié)部分的多尺度空間信息進(jìn)行算法設(shè)計，解決了陰影問題。最后使用形態(tài)學(xué)處理得到光滑的運動目標(biāo)，實現(xiàn)了對運動目標(biāo)的有效檢測。

1 ?視頻監(jiān)控圖像運動目標(biāo)檢測原理

Daubechies小波沒有冗雜的信息，具有近似平移不變性和完美的重建性，并能提供真實的相位信息。在視頻序列中[11]，一個物體在不同的幀間存在著平移或者旋轉(zhuǎn)，大多數(shù)變換系數(shù)中，物體平移或者旋轉(zhuǎn)后的系數(shù)變換多種多樣，而經(jīng)過Daubechies小波變換后的系數(shù)能保持該物體平移和旋轉(zhuǎn)后的近似不變特性，所以采用Daubechies[12]小波。

具體的算法設(shè)計步驟如下：

算法1 ?視頻監(jiān)控運動目標(biāo)檢測算法步驟

1） 將彩色的圖像進(jìn)行灰度化，減少圖像的復(fù)雜度和信息處理量，加快處理速度;

2） 灰度化后的圖像進(jìn)行Daubechies小波分解，得到每一幀的低頻區(qū)LL、水平高頻分量HH、垂直高頻分量VV和對角高頻分量DD;

3） 在其低頻區(qū)使用優(yōu)化后的Vibe算法進(jìn)行目標(biāo)的提取，得到運動目標(biāo)后將其進(jìn)行重構(gòu);

4） 在其高頻區(qū)使用幀間差分算法進(jìn)行運動目標(biāo)的檢測，分別對HH，VV和DD進(jìn)行重構(gòu);

5） 利用小波的多尺度性進(jìn)行算法的設(shè)計，達(dá)到去除陰影的目的;

6） 進(jìn)行形態(tài)學(xué)的處理，得到感興趣的運動目標(biāo)，最終實現(xiàn)運動目標(biāo)的有效檢測。

2 ?基于小波域中運動目標(biāo)的檢測

2.1 ?ViBe算法分析及優(yōu)化

當(dāng)用于建模的首幀圖像上包含運動目標(biāo)時，隨著目標(biāo)的離開會在原來目標(biāo)區(qū)域留下目標(biāo)的影像，這種現(xiàn)象被稱為“鬼影”。與鬼影現(xiàn)象一樣造成干擾的還有物體運動狀態(tài)的改變，當(dāng)物體從運動到靜止時，該目標(biāo)本應(yīng)該立刻被吸收為背景，但是也需要一段時間才將其更新為背景，如此造成了目標(biāo)檢測的干擾。通過對ViBe算法的分析可知，某點檢測為背景點時，不但更新背景的樣本值，而且更新其鄰域值;對于前景點，只對背景點的樣本值進(jìn)行更新，若能賦予前景點也具備傳播更新，前景點的更新必將加快，能很好地緩解上述問題。

為了加快鬼影和靜止目標(biāo)融入背景的速度，本文將賦予前景點傳播更新的特性，如此一來，若背景模型更新過快可能會引起空洞的現(xiàn)象。又因為干擾目標(biāo)是長時間不更新的前景點，所以采用階梯型更新的策略：對于檢測到的背景點，其背景模型的更新方式是以一定的概率更新模型樣本值和鄰居點模型樣本值。如果檢測到前景點，先判斷連續(xù)前景點的幀數(shù)（記為ForeCount）是否達(dá)到閾值Th1，若沒有達(dá)到，則不進(jìn)行任何更新，只將記錄的幀數(shù)增加1;反之，若ForeCount大于等于閾值Th1，則進(jìn)行盲目更新，但此時以一定的概率更新樣本模型值，沒有傳播更新的特性。

[ForeCount=ForeCount+1backsamples（x，y，rand）=image（x，y）segMap（x，y）= foreground ? ] ? ?（1）

式中：[image（x，y）]表示當(dāng)前幀圖像中點[（x，y）]的像素值;[backsamples（x，y，rand）]表示像素點[（x，y）]的隨機背景樣本;[segMap（x，y）]表示檢測后的結(jié)果圖像;[foreground]表示常數(shù)255。如果若干幀之后前景點還沒有更新為背景，并且連續(xù)判斷為前景點的幀數(shù)ForeCount大于閾值Th2（Th2>Th1），則此時需要以一定的概率更新模型樣本值和鄰居點模型樣本值。

[backsamples（x，y，rand）=image（x，y）nborsamples（xN，yN，rand）=image（x，y） segMap（x，y）=background ?] ?（2）

式中：[background]表示常量0;[nborsamples][（xN，yN，rand）]表示像素點[（x，y）]鄰域的隨機背景樣本。但是該過程ForeCount不清零，直到判斷為背景點才清零。

2.2 ?高低頻的處理算法

先將圖像進(jìn)行小波分解，在分解后的低頻區(qū)使用優(yōu)化后的ViBe算法，即先給低頻區(qū)中每個小波系數(shù)建立一個樣本數(shù)為N（N的最佳值是20）的樣本集作為該處小波系數(shù)的模型，然后選用周圍的小波系數(shù)值對其初始化。檢測是從第二幀開始，當(dāng)前幀變換后的小波系數(shù)與樣本模型中的小波系數(shù)進(jìn)行比較時，統(tǒng)計兩者距離在R范圍內(nèi)的個數(shù)，如果個數(shù)大于或者等于一個給定的閾值#min時，就將前景矩陣中該點的小波系數(shù)設(shè)置為510，否則設(shè)置為0，然后經(jīng)過重構(gòu)操作得到低頻區(qū)的檢測結(jié)果。低頻區(qū)的更新策略依然按照無記憶更新、時間重采樣和空間一致性原則的方式進(jìn)行更新，與經(jīng)典算法不一樣的是，本文算法采用優(yōu)化后的背景更新策略，以減小干擾目標(biāo)對檢測效果的影響。

本文算法中對高頻區(qū)處理使用的是具有速度快的幀間差分法。視頻幀圖像被小波分解為4個子代，將連續(xù)的兩幀高頻區(qū)（LH，HL和HH）分別利用公式（3）進(jìn)行目標(biāo)的檢測。

[FDn（i，j）=WIn（i，j）-WIn-1（i，j） ? ?if ? ?FDn（i，j）

式中：[WIn-1（i，j），WIn（i，j）]分別表示連續(xù)幀[In-1]和[In]的高頻區(qū)小波系數(shù);[FDn（i，j）]表示幀間差分后的圖像;th表示不同方向上的高頻分量的不同閾值。此時的[FDn（i，j）]是含有噪聲的，表示為：

[FDn（i，j）=FD′n（i，j）+η] ? ? ? ? （4）

式中：[FD′n（i，j）]表示沒有噪聲的圖像信號;[η]表示噪聲。在這里，選用軟閾值去噪處理，噪聲的閾值T為：

[T=12j-1σμM] ? ? ? ? ? ? （5）

式中：[j]表示階數(shù);[σ]，[μ]和[M]在子代小波系數(shù)中分別表示標(biāo)準(zhǔn)差、絕對均值和絕對中值。

2.3 ?陰影去除

在運動目標(biāo)檢測中，比較經(jīng)典的是基于顏色空間的陰影去除[13]，但是檢測效果不佳。本文結(jié)合小波的特點，以陰影區(qū)域的分量信息沒有目標(biāo)區(qū)域的分量信息豐富為原則，提出基于小波分量的空間信息陰影去除方法。小波各個分量重構(gòu)后圖像如圖1所示，圖像使用小波分解得到4個區(qū)域，經(jīng)相關(guān)算法處理后分別進(jìn)行重構(gòu)。其低頻區(qū)的重構(gòu)最大程度地保留了原圖運動信息，高頻區(qū)中水平分量的重構(gòu)只包含少量的陰影邊緣信息和運動信息，而垂直分量和對角分量的重構(gòu)完全沒有陰影區(qū)域信息，只有運動目標(biāo)信息。因此利用高頻區(qū)在不同方向上的小波系數(shù)重構(gòu)進(jìn)行算法的設(shè)計，能達(dá)到有效去除陰影的目的。

1） 將所得的高頻區(qū)重構(gòu)后的系數(shù)進(jìn)行相加。

[Sum=HH+VV+DD] ? ? ? ? ? ?（6）

式中，[HH，VV]和[DD]表示小波域中高頻部分重構(gòu)的結(jié)果;[Sum]是高頻部分重構(gòu)后相加的結(jié)果。

2） 選擇合適的閾值，目的是清除某些分量上存在的少量陰影信息。

[Candi_target（i，j）=255， ? ? Sum（i，j）≥ths0， ? ? ? ? ?Sum（i，j）

式中：[Candi_target]中的255表示候選運動目標(biāo)區(qū)域;0表示背景區(qū)域;[ths]表示閾值。

設(shè)計5×5結(jié)構(gòu)的加權(quán)掩膜矩陣，以距離原點的歐氏距離作為權(quán)重大小的標(biāo)準(zhǔn)，而掩膜矩陣作為滑動窗口在圖像中滑動，所要遍歷的像素點就是像素值為255的[Candi_target]區(qū)域。

若要實現(xiàn)計數(shù)還需滿足，所要遍歷像素點的鄰域中對應(yīng)低頻區(qū)重構(gòu)圖像位置的像素值是否等于255，具體規(guī)則如下：

[if ?（滿足Candi_target（x，y）==255）且 ? ? ? ? ? ?（該點對應(yīng)低頻重構(gòu)區(qū)鄰域==255） ? ?計數(shù)矩陣相應(yīng)的鄰域進(jìn)行權(quán)重的累加else ? ?Candi_target（x，y）=0 ? ?計數(shù)矩陣?yán)奂訖?quán)重為0end]

4） 根據(jù)圖像整體性原則，即如果周圍全是運動區(qū)域，則計數(shù)矩陣在此區(qū)域的數(shù)值較大，否則，計數(shù)矩陣的數(shù)值就小。所以將計數(shù)矩陣進(jìn)行閾值化，即可得到?jīng)]有陰影的運動目標(biāo)。

3 ?實驗結(jié)果

3.1 ?干擾目標(biāo)的消除實驗

圖3中的3行分別是第7幀、第12幀和第17幀的效果對比圖。由圖3可知，本文算法雖然也存在鬼影問題，但優(yōu)化過的背景更新策略會在很短的時間內(nèi)進(jìn)行消除，且不影響運動目標(biāo)檢測的有效性。圖4的3行分別是第210幀，第218幀，第225幀的效果對比圖。在都沒有使用任何形態(tài)學(xué)的處理情況下，對于相同幀序列，本文算法在圖像中殘留的干擾目標(biāo)的面積比未改進(jìn)之前明顯小很多，說明本文算法可以較快地減少靜止目標(biāo)干擾。綜上所述，本文方法確實能加快鬼影和靜止目標(biāo)融入背景的速度。

3.2 ?陰影的消除實驗

帶有陰影場景的檢測效果如圖5和圖6所示。對于視頻1序列，圖中3行分別對應(yīng)實驗序列中的第#88幀、#100幀、#121幀，ViBe算法目標(biāo)中不僅帶有陰影區(qū)域和鬼影的干擾，且當(dāng)速度高時會出現(xiàn)虛影;而本文算法可以對目標(biāo)有效的檢測，不存在鬼影和虛假目標(biāo)的干擾，并實現(xiàn)了陰影的消除;HSV陰影去除法雖然可以將陰影進(jìn)行去除，但檢測的目標(biāo)并不完整，空洞十分明顯，效果不及本文算法。對于視頻2序列，圖中3行分別對應(yīng)實驗序列中的第#48幀、#54幀、#58幀。從圖中可以看出，ViBe算法目標(biāo)中不僅帶有陰影區(qū)域，而且檢測中出現(xiàn)空洞;HSV陰影去除法可以將陰影進(jìn)行去除，但造成檢測目標(biāo)的缺失比較嚴(yán)重;本文算法實現(xiàn)了陰影的消除和目標(biāo)的有效檢測，雖然也有一定的空洞，但效果明顯優(yōu)于HSV檢測算法。綜上所述，證明了本文算法去除陰影的有效性。

3.3 ?運動目標(biāo)檢測實驗

3個場景中不同算法的檢測結(jié)果如圖7所示。視頻序列均采用公認(rèn)常用的圖像序列，實驗1序列存在突然的光照亮度發(fā)生變化，實驗2序列存在從運動到靜止，從靜止到運動的目標(biāo)，實驗3序列中的運動目標(biāo)和背景顏色接近。圖7a）為視頻序列的原圖，圖7b）為碼本算法的檢測結(jié)果，圖7c）為高斯算法的檢測結(jié)果，圖7d）為ViBe算法的檢測結(jié)果，圖7e）為本文算法的檢測結(jié)果。

3.3.1 ?定性分析

實驗1序列為第1行，由于突然光照的影響，造成碼本建模法、高斯建模法、ViBe算法的效果受到嚴(yán)重的影響，不能清晰地識別運動目標(biāo);而本文算法雖然在邊緣方面也受到了一定的影響，但檢測比較完整，效果優(yōu)于對比算法。

實驗2序列在第2行，傳統(tǒng)的碼本算法由于只使用前面幀進(jìn)行建模，造成了誤檢，而高斯建模和ViBe算法具有不斷的模型更新策略，在這方面有很大改善，但是ViBe的背景更新過慢;本文算法能很好地解決此類問題，且較高斯建模法檢測更加完整。

實驗3序列在第3行，由于存在運動目標(biāo)與背景相似的像素點，在檢測方面對比算法比較容易出現(xiàn)空洞;而本文算法檢測完整，效果優(yōu)于其他算法。

3.3.2 ?定量分析

為了量化所提算法對運動目標(biāo)檢測的有效性，以上述3個視頻作為實驗，將運動目標(biāo)的真實情況采用手工提取，利用召回率、準(zhǔn)確性和錯誤所占的比例3個標(biāo)準(zhǔn)進(jìn)行衡量[8，14]，其定義如下：

[Recall=TPTP+FNPrecision = TPTP+FPPCC=FN+FPTP+FN+FP+TN] ? ? ? （8）

式中：[TP]表示正確檢測出運動區(qū)域的像素個數(shù);TN表示正確檢測出背景區(qū)域的像素個數(shù);FP表示本該為背景像素卻分類為前景運動目標(biāo)的像素數(shù);FN表示本該為前景運動目標(biāo)的像素卻分類為背景的像素數(shù)。表1是對每個視頻取若干幀檢測實驗結(jié)果的平均值。Recall和Precision值越大說明檢測效果越好，PCC值越小說明檢測效果越好。從表1可以得出，本文算法可實現(xiàn)對運動目標(biāo)檢測的有效性，且通過對比優(yōu)于其他算法。

4 ?結(jié) ?語

本文在充分分析ViBe檢測算法的基礎(chǔ)上提出基于小波的運動目標(biāo)檢測算法。首先，將ViBe算法中的更新策略進(jìn)行優(yōu)化，加快靜止干擾目標(biāo)融入背景的速度;其次，利用小波分離高低頻的特點，在其低頻區(qū)使用優(yōu)化后的ViBe算法，在其高頻區(qū)使用幀間差分算法進(jìn)行運動目標(biāo)的檢測，然后分別進(jìn)行重構(gòu);接著，以高頻區(qū)的空間信息為依據(jù)，進(jìn)行算法的設(shè)計，達(dá)到去除陰影的目的;最后，使用形態(tài)學(xué)處理得到完整的前景目標(biāo)。綜上所述，該算法不僅能有效地進(jìn)行運動目標(biāo)的檢測，并且優(yōu)化了ViBe算法的缺陷，為運動目標(biāo)有效檢測提供了新思路和新的有效方法。

參考文獻(xiàn)

[1] 尹宏鵬，陳波，柴毅，等.基于視覺的目標(biāo)檢測與跟蹤綜述[J].自動化學(xué)報，2016，42（10）：1466?1489.

YIN Hongpeng， CHEN Bo， CHAI Yi， et al. Vision?based object detection and tracking： a review [J]. Acta automatica sinica， 2016， 42（10）： 1466?1489.

[2] 黃凱奇，陳曉棠，康運鋒，等.智能視頻監(jiān)控技術(shù)綜述[J].計算機學(xué)報，2015，38（6）：1093?1118.

HUANG Kaiqi， CHEN Xiaotang， KANG Yunfeng， et al. Intelligent visual surveillance： a review [J]. Chinese journal of computers， 2015， 38（6）： 1093?1118.

[3] SENGAR S S， MUKHOPADHYAY S. Moving object detection based on frame difference and W4 [J]. Signal， image & video processing， 2017， 11（7）： 1357?1364.

[4] 劉仲民，何勝皎，胡文瑾，等.基于背景減除法的視頻序列運動目標(biāo)檢測[J].計算機應(yīng)用，2017，37（6）：1777?1781.

LIU Zhongmin， HE Shengjiao， HU Wenjin， et al. Moving object detection based on background subtraction for video sequence [J]. Journal of computer applications， 2017， 37（6）： 1777?1781.

[5] KIM K， CHALIDABHONGSE T H， HARWOOD D， et al. Background modeling and subtraction by codebook construction [C]// Proceedings of 2004 International Conference on Image Processing. Singapore： IEEE， 2004： 3061?3064.

[6] STAUFFER C， GRIMSON W E L. Adaptive background mixture models for real?time tracking [C]// Proceedings of 1999 IEEE Computer Society Conference on Computer Vision and Pattern Recognition. Fort Collins： IEEE， 1999： 246?252.

[7] 邱聯(lián)奎，劉啟亮，趙予龍，等.混合高斯背景模型目標(biāo)檢測的一種改進(jìn)算法[J].計算機仿真，2014，31（5）：378?384.

QIU Liankui， LIU Qiliang， ZHAO Yulong， et al. Improved algorithm of mixture Gaussian background model for object detection [J]. Computer simulation， 2014， 31（5）： 378?384.

[8] BARNICH O， DROOGENBROECK M V. ViBe： a universal background subtraction algorithm for video ?sequences [J]. IEEE transactions on image processing， 2011， 20（6）： 1709?1724.

[9] 魏洪濤，李瑾，吳細(xì)秀.融合幀差和ViBe的運動目標(biāo)檢測算法[J].計算機應(yīng)用研究，2017，34（5）：1565?1567.

WEI Hongtao， LI Jin， WU Xixiu. Moving object detection algorithm using ViBe combined with frame?difference [J]. Application research of computers， 2017， 34（5）： 1565?1567.

[10] 謝永亮，洪留榮，葛方振，等.一種改進(jìn)的ViBe算法[J].淮北師范大學(xué)學(xué)報（自然科學(xué)版），2015，36（4）：14?19.

XIE Yongliang， HONG Liurong， GE Fangzhen， et al. An improved ViBe algorithm [J]. Journal of Huaibei Normal University （Natural science）， 2015， 36（4）： 14?19.

[11] KHARE M， SRIVASTAVA R K， KHARE A. Single change detection?based moving object segmentation by using Daubechies complex wavelet transform [J]. IET image processing， 2014， 8（6）： 334?344.

[12] LINA J M. Image processing with complex Daubechies wavelets [J]. Journal of mathematical imaging and vision， 1997， 7（3）： 211?223.

[13] HUANG W， KIM K Y， YANG Y， et al. Automatic shadow removal by illuminance in HSV color space [J]. Computer science and information technology， 2015， 3（3）： 70?75.

[14] 陳星明，廖娟，李勃，等.動態(tài)背景下基于改進(jìn)視覺背景提取的前景檢測[J].光學(xué)精密工程，2014，22（9）：2545?2552.

CHEN Xingming， LIAO Juan， LI Bo， et al. Foreground detection based on modified ViBe in dynamic background [J]. Optics and precision engineering， 2014， 22（9）： 2545?2552.