摘 要：目的：針對現(xiàn)有運(yùn)動目標(biāo)檢測方法在光照突變場景下存在的問題，提出一種能夠快速適應(yīng)光照突變場景的運(yùn)動目標(biāo)檢測方法。方法：基于自組織神經(jīng)網(wǎng)絡(luò)背景減除方法進(jìn)行改進(jìn)，利用圖像全局亮度變化幅度來判斷當(dāng)前圖像是否發(fā)生光照突變，若發(fā)生則對背景模型進(jìn)行光照補(bǔ)償，并改變背景模型的更新策略，使算法能夠快速適應(yīng)光照突變場景。結(jié)論：實驗證明該方法能夠有效改善算法在光照突變場景下的檢測效果。

關(guān)鍵詞：光照突變；光照補(bǔ)償；背景模型；目標(biāo)檢測

引言

在當(dāng)前計算機(jī)視覺領(lǐng)域中，視頻或圖像序列中的運(yùn)動目標(biāo)檢測是一個熱點研究問題，有很重要的實際應(yīng)用價值。常用的運(yùn)動目標(biāo)檢測方法有光流法（optical flow）[1，2]、幀間差分法（frame difference）[3]和背景減除法（background subtraction）。光流法的算法復(fù)雜度較高、計算量較大；幀間差分法的計算簡單快捷，但容易受限于目標(biāo)的運(yùn)動速度，難以得到較為完整的目標(biāo)輪廓。背景減除法在一定程度上克服了以上缺點，其基本思路是把當(dāng)前圖像與背景模型相減，從而提取出前景目標(biāo)，主要包括背景建模、前景檢測以及背景更新這三個步驟。該方法不會受到運(yùn)動目標(biāo)速度的限制，能夠利用不同的背景模型處理復(fù)雜場景，有著較為廣泛的應(yīng)用[4]，是實現(xiàn)目標(biāo)跟蹤、行為分析、人流統(tǒng)計等實際應(yīng)用的基礎(chǔ)。

雖然當(dāng)前提出的背景減除方法很多[5]，但是并未對所處理圖像中光照是否發(fā)生變化進(jìn)行判斷，在光照突變場景中的適應(yīng)性較差。針對以上問題，文章在自組織神經(jīng)網(wǎng)絡(luò)背景減除方法[6]的基礎(chǔ)上進(jìn)行改進(jìn)，提出了一種基于光照補(bǔ)償?shù)姆椒?，能夠快速適應(yīng)光照突變場景。

1 方法

1.1 自組織神經(jīng)網(wǎng)絡(luò)

Maddalena等人[6]提出了一種基于自組織神經(jīng)網(wǎng)絡(luò)自動生成背景模型的方法（Self-Organizing Background Subtraction，SOBS），并使用改進(jìn)的神經(jīng)網(wǎng)絡(luò)映射方式，使得神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)更簡單并且學(xué)習(xí)過程更高效。該方法使用的神經(jīng)網(wǎng)絡(luò)是由各個節(jié)點構(gòu)成的一個2維的平面網(wǎng)格，類似于Kohonen[7]提出的SOM（Self-Organizing Maps）神經(jīng)網(wǎng)絡(luò)，該模型的網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

圖1 SOBS模型網(wǎng)絡(luò)結(jié)構(gòu)示意圖

該方法的基本思路如下：將背景模型中的每一個像素點（x，y）都看作由n×n個權(quán)重向量c=（c1，c2，c3，...，c■）組成，其中權(quán)重向量ci=（h，s，v），相比于原始圖像，背景模型擴(kuò)大了n×n倍。檢測圖像時，若該像素點的背景模型中存在與待檢測像素點匹配的權(quán)重向量cm，則該像素點為背景點，并同時更新權(quán)重向量cm及其鄰域的權(quán)重向量；若不存在匹配的權(quán)重向量，則進(jìn)一步判斷該像素點是否為陰影區(qū)域，若是陰影則歸為背景點并且不更新權(quán)重向量，否則歸為前景點。

1.2 光照補(bǔ)償原理

考慮到光照突變對圖像產(chǎn)生的影響，即相鄰兩幀圖像的色度信息未發(fā)生較大變化，而亮度信息的變化顯著，我們可以通過以下步驟對背景模型進(jìn)行光照補(bǔ)償。

（1）首先通過式（1）計算出相鄰兩幀圖像It-1（x，y）和It（x，y）的全局平均亮度值Vt-1和Vt，式中n為圖像中的總像素點數(shù)，It（x，y）max（R，G，B）和It（x，y）min（R，G，B）分別表示像素點（x，y）處R，G，B分量中的最大值與最小值。

（1）

（2）通過式（2）可以計算出這兩幀圖像間的亮度變化？駐t，當(dāng)？駐t大于預(yù)先設(shè)定的閾值T時，則認(rèn)為當(dāng)前圖像發(fā)生了光照突變；若發(fā)生光照突變，則利用像素點在相鄰兩幀圖像的亮度變化值對背景模型進(jìn)行光照補(bǔ)償，即通過式（3）對該像素點的背景模型Bt（x，y）進(jìn)行補(bǔ)償。

？駐t=|Vt-Vt-1| （2）

（3）

（3）發(fā)生光照突變時，改變背景模型更新的策略，首先進(jìn)行光照補(bǔ)償，之后利用當(dāng)前幀的信息對背景進(jìn)行更新，如式（4）所示，其中？茁是此時的背景更新系數(shù)。

2 實驗結(jié)果與討論

文章的實驗是在一個包含1546幀圖像的光照突變場景數(shù)據(jù)集中進(jìn)行測試，實驗結(jié)果如圖2所示，其中圖2（a）是未發(fā)生光照突變的原始圖像，圖2（b）-（d）是發(fā)生光照突變后的原始圖像。從圖2（f）-（h）中可以看出，原始SOBS算法的檢測結(jié)果中存在大面積誤檢區(qū)域，嚴(yán)重影響運(yùn)動目標(biāo)的檢測效果，如數(shù)據(jù)集中發(fā)生光照突變的第481幀圖像中并不存在運(yùn)動前景目標(biāo)，卻檢測出大量前景像素點，第632幀和第1030幀圖像中的正確前景目標(biāo)被誤檢區(qū)域所覆蓋；從圖2（j）-（l）中可以看出，文章改進(jìn)的算法在一定程度上克服了光照突變的影響，并且沒有帶來太多額外的計算量，發(fā)生光照突變的第481幀圖像只存在少量的誤檢，第632幀和第1030幀圖像中的前景目標(biāo)被正確檢出。通過以上實驗驗證了文章改進(jìn)算法的有效性。另外，文章的改進(jìn)方法是一種通用方法，并不是針對某種特定運(yùn)動目標(biāo)檢測算法才能進(jìn)行改進(jìn)，其光照補(bǔ)償?shù)乃枷胪瑯幽軌驊?yīng)用到其他一些對光照突變場景適應(yīng)能力較弱的算法中。

（a）數(shù)據(jù)集第385幀 （b）數(shù)據(jù)集第481幀

（c）數(shù)據(jù)集第632幀 （d）數(shù)據(jù)集第1030幀

（e）原始SOBS算法 （f）原始SOBS算法

（g）原始SOBS算法 （h）原始SOBS算法

（i）改進(jìn)算法 （j）改進(jìn)算法

（k）改進(jìn)算法 （l）改進(jìn)算法

圖2 光照突變場景中原始SOBS算法與改進(jìn)算法的檢測結(jié)果對比圖

3 結(jié)束語

文章針對原始背景減除方法在光照突變場景中存在的問題，提出了一種基于光照補(bǔ)償?shù)母倪M(jìn)方法。首先分別計算出相鄰兩幀圖像的全局平均亮度值；之后利用這兩幀圖像間的亮度變化判斷當(dāng)前圖像是否發(fā)生光照突變，若發(fā)生則對背景模型進(jìn)行光照補(bǔ)償，并改變背景模型的更新策略；最后通過實驗驗證了文章改進(jìn)算法的有效性。

參考文獻(xiàn)

[1]J. L. Barron， D. J. Fleet， S. S. Beauchemin. Performance of optical flow techniques[J].International journal of computer vision， 1994，12（1）：43-77.

[2]楊亞東.光流法在運(yùn)動目標(biāo)識別領(lǐng)域的理論與應(yīng)用[J].電子設(shè)計工程，2013，5：24-26.

[3]L. Ding， N. Gong. Moving Objects Detection Based on Improved Three Frame Difference[J].Dianshi Jishu（Video Engineering）， 2013，37（1）：151-153.

[4]T. Bouwmans， F. Porikli， B. H ferlin， et al.， Background Modeling and Foreground Detection for Video Surveillance[M].2014： CRC Press.

[5]T. Bouwmans. Traditional and recent approaches in background modeling for foreground detection： An overview[J]. Computer Science Review， 2014. 11：31-66.

[6]L. Maddalena， A. Petrosino. A self-organizing approach to background subtraction for visual surveillance applications[J]. Image Processing， IEEE Transactions on， 2008，17（7）：1168-1177.

[7]T. Kohonen. Self-organization and associative memory. Self-Organization and Associative Memory， 100 figs. XV， 312 pages. Springer-Verlag Berlin Heidelberg New York. Also Springer Series in Information Sciences， volume 8， 1988. 1.

作者簡介：楊霖（1990-），男，中南大學(xué)地球科學(xué)與信息物理學(xué)院生物醫(yī)學(xué)工程專業(yè)碩士研究生，主要研究領(lǐng)域為計算機(jī)圖像處理。