，，

(1．武漢船舶職業(yè)技術(shù)學院,湖北武漢 430050; 2.海軍工程大學電氣與信息工程學院，湖北武漢 430033)

一種綜合時空域背景分離的運動目標檢測方法

呂金華1，江漢紅2，姜春良2

(1．武漢船舶職業(yè)技術(shù)學院,湖北武漢 430050; 2.海軍工程大學電氣與信息工程學院，湖北武漢 430033)

針對單時域高斯模型在目標檢測中易受光照、噪聲等因素的影響，單一時域或空域識別方法又各有其局限性，本文提出一種背景分離的運動目標時空域檢測方法；該方法充分利用運動目標在時域和空域中與背景的區(qū)別，利用相關(guān)系數(shù)的差異，通過最小內(nèi)差法確定閾值門限。通過實驗驗證，該方法能夠在光照突變等復雜背景下，能有效消除光照、噪聲等因素影響，實現(xiàn)對運動目標的檢測。

運動目標檢測；時空域

1 研究背景

運動目標檢測是目標運動分析、行為理解等智能活動的基礎(chǔ)，目的是從序列圖像中將變化區(qū)域從背景圖像中提取出。運動目標檢測在安全監(jiān)控、車牌識別、目標探測與跟蹤中有廣泛的應(yīng)用[1～3]。目前視頻中運動目標檢測的主要方法有三種：幀間差分法[4]、光流法[5]和背景減除[6]。這些算法有著各自的優(yōu)缺點，如幀間差分法，算法簡單，運行速度快，但很難獲取運動物體的完整形狀，只能保留輪廓，形成“空洞現(xiàn)象”。光流法是利用圖像序列中的像素強度數(shù)據(jù)的時域變化和相關(guān)性來確定各自像素位置的“運動”，光流法主要缺點是計算耗時，實時性和實用性都較差；背景減除法利用背景的參數(shù)模型來近似背景圖像的像素值，將當前幀與背景圖像進行差分比較實現(xiàn)對運動區(qū)域的檢測，背景減除法的主要缺點是背景的擾動(樹枝、水波、光照)對背景的獲取影響很大。這三種算法中應(yīng)用最為廣泛的是背景減除法。背景減除法的關(guān)鍵是如何適應(yīng)背景變化對背景進行動態(tài)更新。在這種思路下，后續(xù)發(fā)展了均值濾波法、中值濾波法、碼書模型、隱馬兒科夫模型、單高斯模型、混合高斯模型、內(nèi)核密度估計和均值替換法等多種背景更新算法[7，8]。本文采用聯(lián)合時域和空域的背景檢測方法，利用目標和背景的時空信號相關(guān)性差異，實現(xiàn)對目標和背景的分離。

2 高斯背景模型

高斯背景模型最初是由單高斯模型發(fā)展起來的，單高斯背景模型是基于假設(shè)每個背景像素的亮度在時間域上的一個高斯分布，即背景圖像B中任意一點(x,y)的灰度分布服從高斯分布：I(x,y)～N(μ,σ2)，因此圖像B中任意一點(x,y)的統(tǒng)計屬性可以由平均值μ和方差σ2來描述，平均值μ由該像素對應(yīng)空間點的光反射強度決定，σ2由攝像頭CCD的采集噪聲水平以及該像素對應(yīng)空間點反射強度的隨機特性決定。將圖像I與背景圖像相比較，設(shè)置比較的閾值T。如果滿足

(1)

則該點(x,y)是背景點，反之則是前景點。

采用單高斯背景模型在圖像采集裝置固定和背景靜止時能夠取得比較好的效果。但由于在更多的情況下，背景場景通常在不斷改變，顏色和光照發(fā)生變化，單高斯背景模型不能及時反映背景變化，容易產(chǎn)生錯誤的檢測結(jié)果。基于上述考慮，有學者提出基于混合高斯的背景模型?；旌细咚鼓Ｐ褪菍⒚總€像素按照多個高斯模型進行建模，在單高斯的基礎(chǔ)上增加高斯模型的個數(shù)，由多個高斯模型線性組合成一個混合高斯模型，每個高斯模型有均值、方差和權(quán)值三個參數(shù)。假設(shè)每個背景像素點B(x,y)的值用K個高斯分布來描述，則像素B(x,y)值的概率函數(shù)可用式(2)表示：

(2)

其中ωi,xy為點(x,y)上第i個高斯分布的權(quán)值，表示在點(x,y)上第i高斯分布在K個高斯分布的重要程度，μi,xy為點(x,y)上第i個高斯分布的均值，σi,xy為點(x,y)上第i個高斯個的歷史分布的標準差。各個高斯分布按照出現(xiàn)的頻率進行排序，每個像素點上歷史數(shù)據(jù)符合某個高斯模型的頻率越多，這個高斯分布越可能屬于背景。通常選取優(yōu)先級較大的幾個高斯分布組合成背景模型：

(3)

γ為閾值，當點(x,y)上某一時刻值滿足該點背景模型中的任何一個高斯背景，即可認定該點為背景。混合高斯模型的K的值通常取3-5個，當背景相對穩(wěn)定時，K取值1-2個模型即可，當背景變化較為頻繁時，K取值3-5個或者更多。

混合高斯模型首先利用視頻的第一幅圖，以該圖的值作為均值，賦予一定的方差和權(quán)值，建立第一個高斯分布。此后下一幀圖像用同樣的方法建立第二、第三個高斯模型，當模型數(shù)量達到K個以后，新圖像創(chuàng)建一個新的高斯分布，替代原來優(yōu)先級低的那個高斯分布，均值、方差、權(quán)限均進行更新。

混合高斯模型能夠模擬復雜的背景，能夠有效地抑制動態(tài)背景對目標檢測的影響，缺點是收斂速度慢，容易產(chǎn)生虛警點，對亮度的突然變化比較敏感，每個像素需要建立多個高斯分布，存儲量相對較大，降低了實施性，對速度相對較慢的運動目標檢測效果較差，容易識別為背景。

3 時空域背景檢測

針對混合高斯模型檢測背景的缺點，可以通過基于像素的時域信息和空域信息的檢測法進行背景判斷。對于判斷圖像中一個像素點是否為背景，在時域和空域上基于背景變化平緩假設(shè)，即背景中任意一點在時域上不會存在大的跳變，或者在空域上沒有大的跳變， 前后圖像灰度上存在一定的相關(guān)性。因此利用前后幀圖像信號之間的相關(guān)性可以將目標和背景區(qū)別開。當沒有目標運動時，前后幀相同像素區(qū)域信號之間存在很強的相關(guān)性，當有目標在像素點周圍運動時，由于前后幀灰度之間發(fā)生了變化，信號之間的相關(guān)性相比之前，大大降低，如果設(shè)定一個閾值，當相關(guān)性大于該閾值，則認定為背景，反之為目標。

假設(shè)點(i,j)的時域信號為fr(i,j,k)，其8鄰域像素點時域信號為fr(i+m,j+n,k),(m,n，k=-1,0,1)，令fr(i,j,k)=ak，fr(i+m,j+n,k)=bk,兩像素點間時域信號的相關(guān)系數(shù)為：

根據(jù)上述描述，可以將算法步驟歸納如下：

(1)在當前幀取大小為3×3的滑動窗口，以點(i,j)作為中心取出窗口圖像。

(2)按圖1所示沿著8個相鄰像素的方向，分別進行窗口滑動，并進行時域信號相關(guān)檢測。

圖1 時空域目標檢測搜索示意圖

(3)依據(jù)OSTU確定相關(guān)性門限。

(4)依據(jù)相關(guān)性確定點(i,j)為目標以及目標的運動軌跡。

(5)將將時域窗口移動至K+1幀，釋放上一時間窗口的首幀，循環(huán)以上步驟完成目標檢測。

4 實驗與分析

為了驗證目標檢測效果，本文對江面監(jiān)測圖像序列進行目標檢測，檢測的背景為江面(圖2.a)，檢測目標為江面行駛的船只(圖2.b)。分別采用單高斯模型、混合高斯模型、時空域目標檢測算法進行運動目標檢測驗證。圖3.a、圖3.b、圖3.c分別為上述三種算法進行目標檢測的結(jié)果。

(a) 背景圖像 (b) 船只航行圖像圖2 背景及目標運動圖像

(a) 單高斯模型 (b) 混合高斯模型 (c) 時空域目標檢測圖3 三種目標檢測算法對比

從檢測結(jié)果中不難看出，由于江面起伏的隨機性，導致監(jiān)控畫面中江面的圖像灰度起伏不定，背景變化較大，采用單高斯模型目標檢測的結(jié)果較差，江面的噪聲點較多，對船只的檢測效果一般，存在很多空洞。相比較單高斯模型，多高斯模型在江面檢測上有了較大的進步，噪聲點明顯變少，船艏部分檢測效果較好，但船艉部分也存在較多空洞。檢測效果最好的為時空域目標檢測算法，江面噪聲點幾乎沒有，船只的檢測連續(xù)，基本消除了空洞。

5 結(jié) 論

在混合高斯模型的基礎(chǔ)上提出了一種基于空間信息的運動目標檢測方法。利用了像素及其周圍區(qū)域，以及前后幀局部圖像的相關(guān)性，對運動目標進行檢測。通過實驗，時空域目標檢測算法能夠有效的降低復雜噪聲對目標檢測帶來的影響。

1 Kanade Takeo，Collins R T，Lipton Alan J，et al．A system for video surveillance and monitoring CMU VSAM final report[R]．Carnegie Mellon University，2000．

2 Kim J B，Kim H J．Efficient region-based motion segmentation for video monitoring systerm[J]．Pattern Recognition Letters，2003，24：113-128．

3 Collins R T，Lipton A J．Introduction to the special section on video surveillance[J]．IEEE Transactions on Pattern Analysis and Machine Intelligence，2000，22(8)：745-746．

4 Strings E，Regazzoni C S．Real-time video-shot detection for scene applications[J]．IEEE Transactions on Image Processing，2000，9(1)：6 979-6 982．

5 David A S．Optical flow analysis and kalman filter tracking in video surveillance algorithms[D]．Monterey：Duke University，2006．

6 Li L，Huang W M，Gu Y H，et al．Foreground Object Detection from Videos Containing Complex Background[J]．ACM Multimedia conf，Berkeley，USA，2003：358-362．

7 鄭江濱，張艷寧，馮大金，等.視頻監(jiān)視中運動目標的檢測與跟蹤算法[J].系統(tǒng)工程與電子技術(shù)，2002，10(24)：35-38.

8 楊威，張?zhí)镂?復雜景物環(huán)境下運動目標檢測的新方法[J].計算機研究與發(fā)展，1998，35(8)：724-728.

9 萬磊,白洪亮,戴軍. 擴展的Otsu最優(yōu)閾值圖像分割的實現(xiàn)方法[J].哈爾濱工程大學學報,2003, 24(3)：326-329.

(責任編輯：譚銀元)

AMovingObjectDetectionMethodBringingTogetherSpatio-temporalDomainBackgroundSeparation

LVJin-hua1，JIANGHan-hong2,JIANGChun-liang2

(1. Wuhan Institute of Shipbuilding Technology, Wuhan, 430050, 2.College of Electrical Engineering Naval University of Engineering, Wuhan, 430033,China)

Amoving object detection method bringing together spatio-temporal domain background separation is proposedto solve the problem that single time domain Gauss model tends to be influenced by illumination and noise in object detection as the single identification methodonly withtime or spacedomain has its limitation respectively.In this method, the difference between the moving object in space domain and time domain is analyzed, some related coefficient difference is used to determine the threshold through the minimum internal difference method. The experiment proves that this method, under complex background such as illumination mutation, can effectively eliminate the influence of illumination,noiseand other factors, and achievequick detection of a moving object.

moving object detection; spatio-temporal domain

2017-01-26

呂金華，男，副教授，主要從事自動控制理論方面的教學和科研工作。

TP39

A

1671-8100(2017)02-0031-03