胡均平，蔡 韜，李勇成

HU Jun-ping,CAI Tao,LI Yong-cheng

（中南大學(xué) 機(jī)電工程學(xué)院，長(zhǎng)沙 410083）

0 引言

近年來(lái)計(jì)算機(jī)技術(shù)發(fā)展飛速，其中的運(yùn)動(dòng)目標(biāo)檢測(cè)是智能汽車的關(guān)鍵技術(shù)之一，其中動(dòng)態(tài)背景中的運(yùn)動(dòng)目標(biāo)檢測(cè)一直是備受科研學(xué)者關(guān)注的研究熱點(diǎn)，并擁有廣闊的應(yīng)用前景與市場(chǎng)價(jià)值[1]。通常按照攝像頭的運(yùn)動(dòng)狀態(tài)分類，區(qū)分為靜態(tài)與動(dòng)態(tài)背景下的運(yùn)動(dòng)目標(biāo)檢測(cè)。近年來(lái)靜態(tài)背景下的運(yùn)動(dòng)檢測(cè)目前相對(duì)成熟[2～4]，反觀動(dòng)態(tài)背景中的運(yùn)動(dòng)目標(biāo)檢測(cè)，由于其背景存在的復(fù)雜與未知性導(dǎo)致檢測(cè)較為困難[5～7]。

運(yùn)動(dòng)目標(biāo)檢測(cè)常用的方法主要有：幀差法、光流法和背景差分法等。幀差法對(duì)運(yùn)動(dòng)目標(biāo)敏感，通常利用相鄰幀相減或者連續(xù)三幀相減，根據(jù)差分圖像確定運(yùn)動(dòng)目標(biāo)，但目標(biāo)內(nèi)部存在空洞現(xiàn)象[8]；光流法在任何無(wú)先驗(yàn)條件的場(chǎng)景條件下，能夠完整檢測(cè)出運(yùn)動(dòng)目標(biāo)，但計(jì)算量較大，實(shí)時(shí)性較差[9]；背景差分法在背景穩(wěn)定不變的情況下提取效果較好，但在光強(qiáng)變化和陰影遮蔽的情形下效果不理想[10]。針對(duì)現(xiàn)有問(wèn)題，魏國(guó)劍提出基于邊緣差分的運(yùn)動(dòng)目標(biāo)檢測(cè)方法[11]，能有效抑制背景噪聲和光照變化的影響，但在動(dòng)態(tài)背景下檢測(cè)存在較大誤差；屈晶晶提出連續(xù)幀間差分與背景差分相融合的目標(biāo)檢測(cè)方法[12]，能有效提高檢測(cè)準(zhǔn)確率和實(shí)時(shí)性，但檢測(cè)結(jié)果存在空洞現(xiàn)象，在復(fù)雜背景運(yùn)動(dòng)情況下的檢測(cè)還不是很理想；王洪斌提出一種分塊特征匹配與局部差分結(jié)合的運(yùn)動(dòng)目標(biāo)檢測(cè)算法[13]，能通過(guò)圖像分割有效降低計(jì)算量提高準(zhǔn)確率，但該方法對(duì)噪聲干擾敏感，檢測(cè)結(jié)果有存在空洞現(xiàn)象；火元蓮提出一種基于邊緣特征和多幀差分結(jié)合的目標(biāo)檢測(cè)算法[14]，對(duì)檢測(cè)目標(biāo)提取的完整性較好，但在復(fù)雜背景中的檢測(cè)效果表現(xiàn)較差，且計(jì)算耗時(shí)較長(zhǎng)。

為克服以上缺點(diǎn)，本文將分塊特征匹配與邊緣差分相結(jié)合，提出一種基于二進(jìn)制魯棒不變尺度特征（binary robust invariant scalable key-points，BRISK）的區(qū)塊特征匹配與邊緣差分相結(jié)合的運(yùn)動(dòng)目標(biāo)檢測(cè)算法?；贐RISK的特征提取，因其良好的尺度特征不變性及旋轉(zhuǎn)不變性，且對(duì)光照不敏感有較好的魯棒性，其精度較高且運(yùn)算速度快；區(qū)塊特征匹配能有效地降低計(jì)算量、減少運(yùn)算時(shí)間，利用邊緣特征檢測(cè)運(yùn)動(dòng)目標(biāo)，能有效避免檢測(cè)結(jié)果空洞現(xiàn)象和噪聲干擾。其計(jì)算簡(jiǎn)單，抗干擾能力較強(qiáng)，能有效準(zhǔn)確地檢測(cè)運(yùn)動(dòng)目標(biāo)。

1 分塊特征匹配

1.1 BRISK算法簡(jiǎn)介

BRISK算法主要分三步：角點(diǎn)檢測(cè)，特征描述，特征匹配。首先，構(gòu)建尺度空間金字塔，并通過(guò)AGAST（Adaptive and Generic Accelerated Segment Test）角點(diǎn)檢測(cè)算子提取連續(xù)尺度空間中的穩(wěn)定極值點(diǎn)；進(jìn)而通過(guò)隨機(jī)采樣點(diǎn)對(duì)在圖像局部的灰度關(guān)系構(gòu)建局部圖像的特征描述子；最后再選取漢明距離進(jìn)行特征匹配[15]。

基于對(duì)尺度空間金字塔的構(gòu)建，運(yùn)用AGAST算法對(duì)角點(diǎn)進(jìn)行檢測(cè)，對(duì)尺度空間中相應(yīng)的函數(shù)值進(jìn)行線性擬合，進(jìn)而運(yùn)用非極大值抑制，剔除其中不穩(wěn)定的極值點(diǎn)。再對(duì)各層穩(wěn)定的極值點(diǎn)做拋物線擬合，最終獲得在連續(xù)尺度空間中精度為亞像素級(jí)的穩(wěn)定極值點(diǎn)。

BRISK特征描述子將采取如圖1所示的鄰域采樣模式，先在以特征點(diǎn)作為中心的40×40像素塊內(nèi)構(gòu)建多個(gè)同心圓，然后采樣點(diǎn)（圓點(diǎn)）均布呈現(xiàn)在圓周上，共60個(gè)采樣點(diǎn)。

圖1 自定義的鄰域采樣模式

設(shè)采樣點(diǎn)對(duì)集G，選用歐氏距離以定義短距采樣點(diǎn)對(duì)集S和長(zhǎng)距采樣點(diǎn)對(duì)集P：

通常預(yù)設(shè)閾值δmax=9.75t，δmin=13.67t（其中t為連續(xù)尺度空間中檢測(cè)角點(diǎn)過(guò)程提取的尺度特征量）。令L表示長(zhǎng)距采樣點(diǎn)對(duì)集P的元素個(gè)數(shù)，g（pi，pj）表示點(diǎn)對(duì)（pi，pj）的梯度，角點(diǎn)的特征方向定義為：

在進(jìn)行BRISK特征描述之先，將其采樣模板以中心沿順時(shí)針預(yù)旋轉(zhuǎn)角度α，α=arctan2（gy，gx）。然后利用強(qiáng)度對(duì)比的方式對(duì)集合S中運(yùn)算，采樣點(diǎn)對(duì)（），得出512bits的特征描述，其中比特b定義如下：

為以上特征描述采取漢明距離的方式完成特征匹配，且能夠獲得其全局運(yùn)動(dòng)估計(jì)。

1.2 基于BRISK的分塊特征匹配

BRISK算法對(duì)于全局圖像特征點(diǎn)進(jìn)行檢測(cè)，其中包含了動(dòng)態(tài)的復(fù)雜背景和需檢測(cè)的運(yùn)動(dòng)目標(biāo)，因此運(yùn)動(dòng)目標(biāo)檢測(cè)區(qū)域內(nèi)包含大量背景特征點(diǎn)，影響圖像的檢測(cè)及配準(zhǔn)精度，每個(gè)特征點(diǎn)領(lǐng)域信息的不同都將直接影響其獨(dú)特性，而且對(duì)整圖進(jìn)行BRISK特征的提取與匹配的計(jì)算量相對(duì)較大，且運(yùn)算時(shí)間長(zhǎng)。針對(duì)以上存在的問(wèn)題，文章提出了一種基于BRISK結(jié)合圖像分塊的運(yùn)動(dòng)補(bǔ)償方法。

考慮到檢測(cè)目標(biāo)在圖像當(dāng)中存在各位置分布不定的概率，且對(duì)背景塊特征需要充分提取，因而預(yù)設(shè)分割比例N、M，并以圖像像素寬高的1/N、1/M作為長(zhǎng)短軸建立橢圓邊界，對(duì)像素圖像進(jìn)行分塊，將視頻圖像分割為目標(biāo)檢測(cè)塊和背景特征塊。圖2為N=1.1，M=1時(shí)的分割效果圖。

圖2 所檢測(cè)圖像的分塊

運(yùn)動(dòng)目標(biāo)檢測(cè)塊f0（x，y）的尺寸與原圖相對(duì)應(yīng)，其圖塊像素值的選取如下所示：

其中，m為幀圖像像素的寬，n為幀圖像像素的高，ft（x，y）為檢測(cè)圖像中在t時(shí)刻（x，y）處的像素值。背景特征匹配塊被區(qū)分為I，II好的準(zhǔn)確性III，IV四個(gè)區(qū)塊。背景特征塊f1b（x，y），f2b（x，y），f3b（x，y），f4b（x，y）像素選取原則為：

采用BRISK算法對(duì)特征點(diǎn)進(jìn)行檢測(cè)提取，獲得背景特征匹配塊當(dāng)中穩(wěn)定的特征信息，如圖3、圖4所示。匹配策略采用快速最近鄰搜索算法，大致分為以下步驟：

1）使用BRISK算法獲取背景特征塊中的角點(diǎn)特征，并獲得穩(wěn)健的粗匹配特征點(diǎn)；

2）為提高檢測(cè)速度，先訓(xùn)練匹配器，根據(jù)數(shù)據(jù)選取最優(yōu)的索引類型隨機(jī)KD樹(shù)和層次K-均值樹(shù)為特征描述子建立索引樹(shù)；

3）通過(guò)對(duì)兩幀圖像匹配特征點(diǎn)對(duì)取歐氏距離L，選取最小閾值L=r×L，此處r取2。并通過(guò)設(shè)定閾值對(duì)異常匹配點(diǎn)對(duì)進(jìn)行剔除，初步粗匹配。

文章采用的全局運(yùn)動(dòng)補(bǔ)償方法為六參數(shù)仿射變換模型[16]：

式中（X'k+1，Y'k+1）為前一幀圖像中優(yōu)選匹配點(diǎn)的對(duì)應(yīng)坐標(biāo)，（X'k，Y'k）為當(dāng)前圖像所對(duì)應(yīng)的特征點(diǎn)坐標(biāo)。式中A1、A2、A3、A4、A5、A6六個(gè)未知數(shù)為仿射模型參數(shù)，最少需要三組匹配點(diǎn)對(duì)可求得，文中采用RANSAC[17]（Random Sample Consensus）隨機(jī)一致性的方法，通過(guò)降低背景特征塊中殘余運(yùn)動(dòng)目標(biāo)對(duì)模型參數(shù)的影響，并使得模型參數(shù)更為準(zhǔn)確。

圖3 BRISK特征提取

圖4 相鄰幀的優(yōu)選匹配點(diǎn)對(duì)

2 邊緣差分檢測(cè)

算法的流程如圖5所示。首先將運(yùn)動(dòng)補(bǔ)償后的多幀圖像進(jìn)行邊沿特征提取，取得相應(yīng)邊緣圖像，然后為連續(xù)多幀的邊緣圖像多幀差分，最后經(jīng)由自適應(yīng)閾值T對(duì)圖像進(jìn)行二值化處理[18]，獲取目標(biāo)檢測(cè)輪廓，進(jìn)而通過(guò)形態(tài)學(xué)處理得到檢測(cè)目標(biāo)。文中采用連續(xù)三幀圖像差分檢測(cè)進(jìn)行分析處理。

圖5 邊緣差分流程圖

Sobel算法是邊緣提取算法當(dāng)中最常用的方法之一，其鄰域像素對(duì)其目標(biāo)像素的變化不是等同的，因此面對(duì)不同距離的像素將具有不同的權(quán)值，且對(duì)算子結(jié)果產(chǎn)生不同的變化影響。相較而言，其運(yùn)算復(fù)雜度小，易于實(shí)現(xiàn)。文章選用Sobel算法檢測(cè)邊緣特征。對(duì)于一幅圖像f（x，y），它的邊緣圖像為：

其中，

通過(guò)確定分割閾值T，令邊緣差分圖像二值化，得到運(yùn)動(dòng)目標(biāo)O（x，y，Δt），前后幀圖像差分d（x，y，Δt）=f（x，y，t+1）-f（x，y，t）

以上所獲得的運(yùn)動(dòng)目標(biāo)輪廓仍然殘缺不全，并且包含分布不均的噪聲點(diǎn)。針對(duì)于此，在邊緣差分之先對(duì)圖像預(yù)處理，剔除噪聲點(diǎn)，并對(duì)其差分結(jié)果進(jìn)行形態(tài)學(xué)濾波，運(yùn)用腐蝕及膨脹等方式對(duì)殘缺的目標(biāo)輪廓彌補(bǔ)，進(jìn)一步消除噪點(diǎn)，進(jìn)而獲取完整的目標(biāo)區(qū)域。

3 實(shí)驗(yàn)結(jié)果及分析

為了驗(yàn)證本文算法的有效性，實(shí)驗(yàn)使用500萬(wàn)高清攝像頭采集視頻，采集視頻分辨率為640×480。實(shí)驗(yàn)計(jì)算機(jī)配置為Intel 5代CPU，2.4GHz主頻，2G內(nèi)存，64 bit Windows 8操作系統(tǒng)，MATLAB 2016a環(huán)境下運(yùn)行本文算法。使用本文算法對(duì)運(yùn)動(dòng)攝像頭條件下的行駛視頻對(duì)運(yùn)動(dòng)目標(biāo)處理。

文章對(duì)實(shí)驗(yàn)視頻進(jìn)行分析，并將本文算法與傳統(tǒng)三幀差分法進(jìn)行對(duì)比分析。首先運(yùn)用BRISK算法對(duì)目標(biāo)圖像的背景匹配塊進(jìn)行特征提取，并與未進(jìn)行背景分塊提取的傳統(tǒng)三幀差分法進(jìn)行對(duì)比分析，其數(shù)據(jù)統(tǒng)計(jì)如表1所示：

表1 特征檢測(cè)結(jié)果對(duì)比如下(其中N=1.2，M=1)

由表1可以看出分塊后特征提取的時(shí)間明顯減少，且特征點(diǎn)數(shù)量充足。為保證背景塊的尺寸，橢圓長(zhǎng)半軸將定圖像像素寬的一半，其中預(yù)設(shè)M=1。經(jīng)大量實(shí)驗(yàn)推論，N取值范圍[0.8，1.5]。

表2 不同的N、M值所對(duì)應(yīng)的特征點(diǎn)對(duì)匹配

表2對(duì)圖像分割比例系數(shù)N、M的不同狀況下的結(jié)果進(jìn)行實(shí)驗(yàn)統(tǒng)計(jì)，隨著N的減小，背景匹配塊圖像區(qū)域逐漸減小，特征提取時(shí)間也相應(yīng)變短，相應(yīng)的特征點(diǎn)數(shù)目以及特征匹配對(duì)的數(shù)目也相應(yīng)減少。此外，文章考慮到運(yùn)動(dòng)目標(biāo)有存在于背景匹配塊中的情況，利用RANSAC算法將異常點(diǎn)以及誤匹配對(duì)剔除，且由于需要一定數(shù)量的匹配點(diǎn)對(duì)能夠排除運(yùn)動(dòng)目標(biāo)對(duì)求解的影響，并能提高模型參數(shù)求解的準(zhǔn)確性和算法的魯棒性，其中為保證足夠的特征點(diǎn)對(duì)，實(shí)驗(yàn)當(dāng)中以100個(gè)特征點(diǎn)匹配對(duì)為限定，取N=1.2。

在實(shí)驗(yàn)視頻中隨機(jī)截取三幀連續(xù)圖像，并分割出其目標(biāo)檢測(cè)塊進(jìn)行分析，并獲取其連續(xù)三幀的邊緣圖像，如圖6、圖7所示。獲取運(yùn)動(dòng)補(bǔ)償后的目標(biāo)檢測(cè)區(qū)塊圖像，進(jìn)而運(yùn)用連續(xù)幀的邊緣圖像差分檢測(cè)并獲得運(yùn)動(dòng)目標(biāo)，對(duì)比文獻(xiàn)[14]與傳統(tǒng)連續(xù)三幀差分法的結(jié)果。如圖8所示，經(jīng)過(guò)全局差分后的圖像存在噪聲與空洞現(xiàn)象，而經(jīng)過(guò)文中區(qū)域分塊思想并結(jié)合邊緣差分的特點(diǎn)，可彌補(bǔ)圖像完整性的不足，并為之后運(yùn)動(dòng)目標(biāo)跟蹤奠定基礎(chǔ)。

圖6 連續(xù)三幀目標(biāo)檢測(cè)區(qū)域

圖7 連續(xù)三幀邊緣圖像

圖8 實(shí)驗(yàn)結(jié)果對(duì)比

實(shí)驗(yàn)檢測(cè)結(jié)果如圖8(a)和圖8(b)所示，由其結(jié)果可以看出，本文算法通過(guò)圖像區(qū)塊匹配結(jié)合邊緣差分檢測(cè)效果較好，受背景噪聲干擾較少，能夠較好地檢測(cè)運(yùn)動(dòng)目標(biāo)。

為進(jìn)一步驗(yàn)證本文算法的有效性和穩(wěn)定性，不妨取實(shí)驗(yàn)視頻第300幀至1200幀作分析，每隔30幀檢測(cè)分析，序列圖像幀N為橫坐標(biāo)，通過(guò)對(duì)比發(fā)現(xiàn)，采用本文提出的改進(jìn)方法，能夠提高目標(biāo)檢測(cè)的準(zhǔn)確率并縮短檢測(cè)時(shí)間。文章以D=R/(R+F)（R表示檢測(cè)正確的車輛；F表示漏檢車輛）代表檢測(cè)率[19]。

表3 檢測(cè)準(zhǔn)確率和誤報(bào)率算法對(duì)比(%)

再用峰值信噪比（PSNR）對(duì)其進(jìn)行評(píng)估，可用于對(duì)結(jié)果魯棒性進(jìn)行評(píng)估，其值越高證明抗噪越好，峰值性噪比對(duì)比如圖9所示。由圖9可看出，本文算法進(jìn)行處理后，其PSNR值有明顯提高，且優(yōu)于另外兩種算法。經(jīng)實(shí)驗(yàn)與仿真結(jié)果表明，本文算法峰值信噪比（PSNR）明顯魯棒性表現(xiàn)較好，并擁有較好的準(zhǔn)確性。

圖9 改進(jìn)算法前后幀PSNR值比較

4 結(jié)語(yǔ)

本文提出了一種結(jié)合分塊匹配與邊緣差分的運(yùn)動(dòng)目標(biāo)檢測(cè)算法。算法基于分塊處理的思想，不僅減少特征匹配耗時(shí)，而且降低了運(yùn)動(dòng)目標(biāo)對(duì)全局運(yùn)動(dòng)補(bǔ)償?shù)挠绊?；?duì)連續(xù)三幀圖像目標(biāo)檢測(cè)塊的邊緣圖像進(jìn)行差分處理，有效減少空洞現(xiàn)象和背景噪聲的影響，并通過(guò)與傳統(tǒng)三幀差分算法的對(duì)比，驗(yàn)證了本文算法具有較好的準(zhǔn)確性和抗噪性。