賈曉琪，閆俊伢，楊麗英

(山西工程科技職業(yè)大學(xué)，山西 晉中 030619)

0 引言

動(dòng)態(tài)目標(biāo)檢測(cè)追蹤是針對(duì)視頻中運(yùn)動(dòng)的物體進(jìn)行實(shí)時(shí)監(jiān)測(cè)，在計(jì)算機(jī)技術(shù)飛速發(fā)展的今天，動(dòng)態(tài)目標(biāo)檢測(cè)在計(jì)算機(jī)視覺(jué)、圖像處理、視頻監(jiān)控、人機(jī)交互以及模式識(shí)別等領(lǐng)域有著重要的研究意義和實(shí)用價(jià)值[1]。動(dòng)態(tài)目標(biāo)檢測(cè)其實(shí)就是將視頻分解成視頻圖像幀序列，在每幀圖像中檢測(cè)出發(fā)生變化的目標(biāo)，從而確定視頻中運(yùn)動(dòng)的目標(biāo)物體。

本文中，通過(guò)對(duì)截取視頻中的每幀圖像進(jìn)行灰度處理，提取視頻中的背景模型，即視頻中的靜止區(qū)域，然后獲取視頻中動(dòng)態(tài)的目標(biāo)區(qū)域，復(fù)原實(shí)現(xiàn)了背景差分法對(duì)視頻圖像中行駛的汽車(chē)目標(biāo)檢測(cè)[2]。在檢測(cè)過(guò)程中，發(fā)現(xiàn)了檢測(cè)過(guò)程中出現(xiàn)了邊緣斷裂情況，本文采用閉操作對(duì)復(fù)原實(shí)驗(yàn)結(jié)果中的微小空洞進(jìn)行了填充，并在一定程度上連接了結(jié)果中出現(xiàn)的狹窄間斷。

1 背景差分法算法

背景差分法又叫背景減法，該算法主要是通過(guò)對(duì)所獲取的視頻圖像進(jìn)行圖像幀分解，并將分解的每幀圖像與視頻背景圖像進(jìn)行差分算法，由此得到視頻中的運(yùn)動(dòng)目標(biāo)[3，4]。

在進(jìn)行背景差分運(yùn)算之前，要先對(duì)獲取到的視頻圖像進(jìn)行灰度預(yù)處理，并截取為圖像幀序列；然后通過(guò)高低閾值分割獲取視頻圖像序列中的靜止場(chǎng)景，當(dāng)做后期差分算法的背景圖像；差分算法之后，得到了灰度圖像幀的運(yùn)動(dòng)區(qū)域，然后根據(jù)訓(xùn)練所得的閾值進(jìn)行閾值化動(dòng)態(tài)目標(biāo)的提取。具體處理過(guò)程如圖1所示。

圖1 背景差分法處理流程示意圖

1.1 視頻分幀

視頻通過(guò)數(shù)字形式記錄一系列動(dòng)態(tài)行為，為了能夠順利剝離出視頻中靜止的區(qū)域，我們必須對(duì)視頻進(jìn)行視頻幀分解，也就是按照一定的時(shí)間把視頻圖像分解成一個(gè)圖像序列，每一幀都是一張圖片。接下來(lái)的所有步驟都是對(duì)當(dāng)前得到的視頻圖像幀進(jìn)行處理。

1.2 圖像預(yù)處理

圖像預(yù)處理主要是進(jìn)行圖像的灰度化以及圖像濾波。這個(gè)過(guò)程我們主要通過(guò)Canny邊緣檢測(cè)算法實(shí)現(xiàn)。對(duì)圖像進(jìn)行灰度化處理，其實(shí)就是求圖像的各個(gè)通道采樣值的加權(quán)平均值，公式如下：

Gray=(R+G+B)/3.

(1)

對(duì)灰度圖像進(jìn)行高斯濾波算法從而抑制圖像中存在的噪聲，突出圖像邊緣，提高背景差分法邊緣檢測(cè)的靈敏度，具體實(shí)施方法是：將高斯函數(shù)離散化，把高斯函數(shù)值作為權(quán)值，然后對(duì)灰度圖中的各個(gè)像素點(diǎn)進(jìn)行加權(quán)平均，來(lái)有效消除圖像中的高斯噪聲[5]。高斯濾波算法公式如下：

(2)

最后，為使圖像中邊緣輪廓線更加光滑，我們對(duì)預(yù)處理后的圖像進(jìn)行了閉操作，這樣既能消除灰度圖像中出現(xiàn)的細(xì)小空洞，還能對(duì)輪廓線的斷裂進(jìn)行自適應(yīng)修復(fù)。

1.3 構(gòu)建視頻圖像的背景模型

在灰度圖中，我們可以采用多幀平均法來(lái)建立背景模型：將一段時(shí)間內(nèi)的多幀灰度圖像相加，然后求出它們的平均值，這個(gè)平均值就是背景模型[6]。

(3)

其中，Bn代表了第n幀視頻圖像中的背景模型；N是圖像幀的幀數(shù)；B(x,y)是圖像中的各個(gè)像素點(diǎn)的灰度值；In(x,y)為第n個(gè)視頻圖像幀中(x,y)的像素點(diǎn)值。

在實(shí)驗(yàn)過(guò)程中，因?yàn)楂@取視頻的攝像頭為固定位置拍攝，所以在一定程度上，也幫助了我們盡可能的消除了視頻圖像抖動(dòng)對(duì)建模結(jié)果的影響；同時(shí)，為了消除光照對(duì)背景建模結(jié)果的影響，我們需要每隔一段時(shí)間就重新更新一次背景模型，所使用的公式如下：

(4)

1.4 圖像差分運(yùn)算及閾值化

首先，將當(dāng)前圖像幀的灰度圖像的各個(gè)像素點(diǎn)的灰度值與構(gòu)建得到的背景模型各個(gè)像素點(diǎn)灰度值進(jìn)行差分，運(yùn)算過(guò)程如下[7]：

En(x,y)=|Pn(x,y)-Bn(x,y)|.

(5)

其中，Pn(x,y)為當(dāng)前圖像幀灰度圖像的像素點(diǎn)灰度值；Bn(x,y)為背景模型中各個(gè)像，得到的結(jié)果En為背景差圖。

然后我們根據(jù)給定的閾值進(jìn)行區(qū)分，對(duì)背景差圖進(jìn)行閾值化處理，具體處理算法如下：

(6)

其中，T為實(shí)驗(yàn)中設(shè)定的閾值；En(x,y)為1表示此像素點(diǎn)為動(dòng)態(tài)目標(biāo)區(qū)域中的像素點(diǎn)；En(x,y)為0表示此像素點(diǎn)為背景區(qū)域的像素點(diǎn)。最后像素點(diǎn)整合，實(shí)現(xiàn)灰度圖像中的動(dòng)靜圖像分割，從而達(dá)到動(dòng)態(tài)追蹤的目的。

2 實(shí)驗(yàn)過(guò)程

本文中，我們使用背景差分法模擬了對(duì)行駛中的汽車(chē)動(dòng)態(tài)檢測(cè)的實(shí)驗(yàn)，具體實(shí)驗(yàn)步驟如下：

1) 固定視頻位置，選取人流較少的位置路段進(jìn)行拍攝，獲取視頻圖像，截選只有車(chē)輛出現(xiàn)的視頻段保留使用。然后將視頻圖像分解為視頻圖像幀序列，我們以每秒25幀圖像進(jìn)行分解，圖2列出其中兩幀圖像。

圖2 視頻序列中的兩幀圖像

2) 對(duì)圖像幀序列進(jìn)行預(yù)處理，求圖像的各個(gè)通道采樣值的加權(quán)平均值，從而得到灰度化后的視頻圖像幀，如圖3所示，列出了其中兩幀圖像。

圖3 灰度化處理

通過(guò)高斯濾波算法進(jìn)行灰度圖像的邊緣檢測(cè)，并使用閉操作填補(bǔ)和連接斷裂，從而連接了在圖像預(yù)處理過(guò)程中，被誤分為許多小塊的目標(biāo)區(qū)域。

3) 對(duì)灰度圖進(jìn)行平均法建立背景模型，為背景差分算法做準(zhǔn)備，建立的背景模型如4所示。

圖4 背景建模

4) 根據(jù)所建立的背景模型進(jìn)行背景差分法，得到灰度圖像之間的灰度差值，也就是背景差圖，我們?cè)O(shè)定閾值為80，根據(jù)閾值化方法對(duì)差圖中的動(dòng)態(tài)區(qū)域進(jìn)行分割，最后得到視頻行駛中的車(chē)輛目標(biāo)，如圖5、圖6所示。

圖5 背景差分法追蹤動(dòng)態(tài)目標(biāo)

圖6 動(dòng)態(tài)目標(biāo)追蹤結(jié)果

3 結(jié)論

實(shí)驗(yàn)過(guò)程中，我們對(duì)視頻圖像進(jìn)行了圖像幀分解和圖像預(yù)處理，在得到的灰度圖像幀序列中較好地分離出了背景模型，為了消除光照對(duì)實(shí)驗(yàn)結(jié)果的影響，背景模型隔一段時(shí)間就要更新一次；同時(shí)，為了讓檢測(cè)結(jié)果能夠更完整，我們采用閉操作進(jìn)行了斷裂的填補(bǔ)。

通過(guò)模擬實(shí)驗(yàn)，我們發(fā)現(xiàn)背景差分法能較好地處理動(dòng)態(tài)目標(biāo)簡(jiǎn)單的視頻圖像序列，加上閉操作可以改善檢測(cè)效果。對(duì)視頻進(jìn)行圖像幀的分解后，逐一進(jìn)行灰度處理，處理后的圖像幀能夠很好的分離出背景模型，便于之后的背景差分步驟的進(jìn)行。