劉澤平　劉明興　李曉帆　姚明杰　麻方達　符朝興

文章編號：10069798（2022）02006106;DOI：10.13306/j.10069798.2022.02.010

摘要：針對移動目標檢測方法存在的受背景環(huán)境影響而導致檢測結果不準確的問題，本文提出一種融合高斯混合模型的背景減除法。算法與頻率調諧顯著性區(qū)域檢測（frequency-tuned，F(xiàn)T）算法的移動目標檢測方法。該研究以攝像頭拍攝到的遙控車行走視頻為分析材料，在降采樣圖像上用MOG2算法檢測移動目標，經二值化和濾波去噪后框選移動目標感興趣區(qū)域，采用FT算法檢測此感興趣區(qū)域，并利用置信度結合兩次檢測結果完成移動目標檢測。實驗結果顯示，在置信度分別為α=0.6，β=0.4時，本文檢測方法將檢測300幀圖像時平均交并比由0.72提高到0.78，說明該算法可以消除背景陰影及鬼影影響，從而有效提高移動目標的檢測精度。

關鍵詞：移動目標檢測;MOG2算法;FT算法;高斯混合模型;背景減除法

中圖分類號：TP391.41文獻標識碼：A

隨著計算機視覺技術的不斷發(fā)展，移動目標檢測越來越廣泛的應用于智能交通、智能安防、無人駕駛、航空航天和醫(yī)學等領域，使移動目標檢測技術成為研究的熱點＼[1＼]。目前，廣泛運用的移動目標檢測方法是基于高斯混合模型的背景減除法（backgroundsubtractormixtureofgaussians，MOG2）。1999年，C.STAUFFER等人＼[2＼]采用多個高斯分布擬合背景，首先運用高斯混合模型對背景進行建模，該方法可以在復雜場景下檢測出運動物體;2012年，O.BARNICH等人＼[3＼]提出VIBE算法，對單幀圖像進行建模，后續(xù)幀開始通過歐氏距離將像素點分為前景和背景，并采用無記憶更新和重采樣更新，該算法雖然計算速度快，但仍會出現(xiàn)鬼影現(xiàn)象;戚海永＼[4＼]提出了一種基于累積差分更新的背景減除法，較好地消除了場景變化及噪聲影響等的干擾，有效地檢測出運動物體;梁碩＼[5＼]把LaBGen方法生成的背景圖像作為背景模型初始化的輸入幀，改進出一種基于LaBGen的自適應閡值ViBe算法;寧志雄＼[6＼]基于高斯混合模型，對泊車緩沖區(qū)中的動態(tài)物體進行了有效檢測;黎陽羊＼[7＼]采用基于高斯混合模型的背景減除法，利用當前圖像與背景圖像的差分來檢測出運動區(qū)域;為提高運動目標輪廓邊緣的精確度，殷夢妮＼[8＼]在進行運動目標檢測時，結合高斯混合模型的背景減除法和最小核值相似區(qū)（smallestunivaluesegmentassimilatingnucleus，SUSAN）邊緣檢測算子。以上研究雖在某些方面改善了目標檢測方法，但并未充分考慮移動物體陰影的影響。有陰影影響情況下，檢測結果會出現(xiàn)明顯的不準確現(xiàn)象。因此，本文主要對融合MOG2算法與FT算法的移動目標檢測方法進行研究，充分考慮陰影的影響，提出一種魯棒性較高的移動目標檢測方法，即檢測移動目標時，首先采用MOG2方法檢測出存在移動目標的感興趣區(qū)域，然后結合FT算法，得到更為準確的移動目標區(qū)域。研究結果表明，本研究改進后的算法，其檢測精度明顯高于原算法，有效的解決了背景減除法檢測移動目標時存在的問題。該研究具有一定的創(chuàng)新性以及學術性。-

1基本原理

1.1MOG2算法

MOG2是OpenCV中開源的一種背景提取算法，通過對比當前幀和生成的背景模型，區(qū)分出視頻序列中變化較大的運動物體，其中背景模型隨場景變化實時更新＼[9＼]。MOG2采用的高斯混合模型（gaussianmixturemodel，GMM）是背景建模中的經典算法＼[10＼]，它通過多個高斯概率分布函數(shù)線性組合，表示像素在時域概率分布模型。像素在時域概率分布模型為

式中，xti，j代表i，j位置的像素點x在t時刻的像素值;ωtk為t時刻第k個高斯分布的加權系數(shù)＼[11＼];∑Nk=1ωtk=1;Gxti，j，μtk，（σtk）2表示t時刻期望值為μtk，（σtk）2為標準差，即

將每個像素點x與此刻的背景模型進行比較，當像素點與第k個高斯模型匹配時，像素為背景，否則為移動目標，并用一個新的分布替換模型中的權重最小分布。其比較公式為

權重更新公式為

式中，α為更新因子;Dtk為匹配結果標識符，當匹配成功時為1，否則為0。匹配成功后，模型更新為

1.2FT算法

FT算法是R.ACHANTA等人＼[12＼]在2009年提出的全頻域分析算法，它將圖像傅里葉變換，并將時域圖像轉換到頻域，在頻域的圖像，可分為代表圖像整體信息的低頻部分和反映圖像細節(jié)信息的高頻部分＼[13＼]。顯著性區(qū)域檢測主要使用低頻部分信息，因此FT方法采用高斯平滑來去除圖像高頻。

將圖像由顏色空間RGB轉換為顏色空間LAB，計算整幅圖像L、A、B的平均值，并計算每一個像素點與平均值間的歐式距離，得到顯著圖像＼[14＼]。像素的顯著性為

式中，Iμ為圖像在LAB空間像素算術平均值;Iωhc（p）為圖像高斯模糊模板，用來消除紋理細節(jié)和噪聲;‖‖為歐氏距離＼[15＼]。

將顯著圖像通過每一點顯著值除以最大顯著值，歸一化后，將PAX作為每個點對應的數(shù)值，PAX是像素為區(qū)域內前景的概率，即

2實驗過程

2.1環(huán)境搭建

本文實驗所使用的攝像頭為海康威視DSIPCT12I，焦距為4mm，分辨率為1920d/i×1080d/i，將攝像頭懸掛在天花板上方，對地面傾斜照射，攝像頭懸掛高度為5m，采集的模擬環(huán)境大小為4m×6m。攝像頭拍攝的模擬實驗場景如圖1所示，本研究將位于圖中間的遙控車作為移動目標來檢測。

基于本文方法檢測移動目標，不同的硬件和軟件環(huán)境效果有所不同，本文仿真所用系統(tǒng)為Ubuntu18.04LTD，圖形處理器（graphicsprocessingunit，GPU）為NVIDIA1070Ti，隨機存取存儲器（randomaccessmemory，RAM）為16GB，運行程序的環(huán)境為Python3.7+OpenCV3.4.2。

2.2實驗步驟

實驗流程圖如圖2所示。本文對采集的圖像降采樣處理，然后應用MOG2算法進行移動目標檢測，對檢測結果圖像進行去噪處理，得到MOG2移動目標檢測的結果和去噪后的結果一，在結果一基礎上框選移動目標區(qū)域，利用置信度結合MOG2算法與FT算法得出實驗結果二。

本文采用監(jiān)控攝像頭捕捉圖像，攝像頭位置固定不變，屬于靜態(tài)背景，車間內主要影響運動目標識別的因素有光照、陰影及雜亂背景。對采集的圖像運用MOG2進行移動目標檢測，然后進行去噪處理，MOG2檢測移動目標結果如圖3所示。

由圖3可以看出，基于混合高斯模型檢測移動目標時，受光照影響較大，易將陰影區(qū)域檢測為移動目標，并且會出現(xiàn)鬼影現(xiàn)象，因此對移動目標區(qū)域再次檢測，通過計算像素點為移動目標的概率重新檢測。

移動目標檢測的主要目標是前景目標，對于背景環(huán)境的變化不太關注。本文將除了要檢測的目標外都劃為背景，因此識別結果的像素點狀態(tài)可分為移動的前景和背景兩類，每個像素點為移動前景的概率為P，PA為前景的概率，PB為移動的概率，當一個像素點為背景像素時，其大概率是不移動，移動事件與背景事件是相關事件;當像素為背景時，移動的概率無法計算。因此，概率P為

式中，PAX表示通過像素為區(qū)域內前景的概率;PBX表示通過區(qū)域內像素移動的概率;α和β分別為PAX和PBX的置信度，α+β=1＼[16＼]。PAX和PBX為存在移動目標區(qū)域內像素為移動目標概率的測量值，都具有一定誤差。

為提高運算速度，本文將MOG2算法檢測出的移動目標區(qū)域框選出來，既能減少不必要區(qū)域的計算，又能選擇出存在移動目標區(qū)域，存在移動目標區(qū)域如圖4所示。

假設此時選擇出的存在移動目標區(qū)域已足夠小，且該區(qū)域內前景目標大部分是移動的，因此采用圖像顯著圖表示概率PAX＼[17＼]，應用顯著性檢測方法FT算法，得到區(qū)域顯著圖如圖5所示。由圖5可以看出，圖中遙控車部分能區(qū)別于不感興趣的背景，并且遙控車的輪廓較為清晰。

將移動目標區(qū)域內MOG2算法的檢測結果進行高斯模糊后，看作將該結果每一像素點值作為存在移動目標區(qū)域內移動的概率，區(qū)域移動目標檢測結果如圖6所示。由圖6可以看出，此時遙控車和背景陰影都被認為成移動目標，并且遙控車邊界不清晰。此時，像素點范圍為0～255，對其歸一化＼[18＼]，將歸一化后結果作為PBX。

圖4存在移動目標區(qū)域圖5區(qū)域顯著圖圖6區(qū)域移動目標檢測結果-對于置信度α和β，不同置信度效果對比如圖7所示。由圖7可以看出，對結果進行二值化操作，當概率P大于0.5時，像素置為白色，否則為黑色。在本文采集的視頻上，α=0.6，β=0.4時的效果好于其他權重效果。為提高檢測速度及效果，本文引入了圖像金字塔模型，所有目標檢測均在下采樣圖像上進行。圖7不同置信度效果對比

3實驗結果

3.1目標檢測結果

將本文算法在置信度α=0.6，β=0.4時，與基于高斯混合模型的背景減除法進行對比，背景減除法效果對比如圖8所示。由圖8可以看出，改進后的算法可消除背景陰影及鬼影影響＼[19＼]，基于高斯混合模型方式的檢測速度為17.38f/s，本改進方法的檢測速度為13.65f/s，由于本改進方法需要對存在移動目標區(qū)域內的檢測結果進行重新運算，因此檢測速度低于原方法。

3.2目標檢測精度

本文采用交并比（intersectionoverunion，IOU），評價移動目標檢測精度。IOU為檢測框與原圖片中標記框的重合程度＼[20＼]，其計算方法是檢測結果與實際結果的交集與并集之比，即

其中，D表示檢測結果;T表示實際結果。

在同一段視頻上，分別采用MOG2和本文改進算法進行實驗，檢測200幀圖像時的兩種方法對比結果如表1所示，檢測300幀圖像時的兩種方法對比結果如表2所示，并對表1和表2中兩種算法檢測移動目標時的花費時間和平均交并比進行統(tǒng)計。-移動目標檢測結果如圖9所示。圖中，a表示真實框;c表示MOG2算法檢測框;b表示本文改進算法的檢測框。在背景光照干擾下，本文改進后的算法檢測精度明顯好于原算法，但檢測速度與原算法相比略慢。

4結束語

本文提出了一種改進的移動目標檢測方法，該方法利用置信度結合MOG2算法與FT算法完成移動目標檢測。應用本文方法可將300幀圖像移動目標檢測的平均交并比由0.72提高到0.78，提高了移動目標檢測精度，改進了原方法中容易出現(xiàn)的噪聲、鬼影等現(xiàn)象，有效解決了光影變化導致檢測區(qū)域過大問題，對應用移動目標檢測方法較多的智能交通、無人駕駛等領域有一定的幫助。本方法需要對框選目標區(qū)域內的檢測結果進行重新運算，所以檢測速度略慢于原算法，另外本文提出改進方法的置信度參數(shù)需要手動設定，如何計算自適應的置信度是下一步研究的重點。

參考文獻：

＼[1＼]王迪聰，白晨帥，鄔開俊.基于深度學習的視頻目標檢測綜述＼[J＼].計算機科學與探索，2021，15（9）：15631577.

＼[2＼]STAUFFERC，GRIMSONWEL.Adaptivebackgroundmixturemodelsforreal-timetracking＼[C＼]∥1999IEEEComputerSocietyConferenceonComputerVisionandPatternRecognition.FortCollins：IEEE，1999：246252.

＼[3＼]BARNICHO，VANDROOGENBROECKM.ViBe：Auniversalbackgroundsubtractionalgorithmforvideosequences＼[J＼].IEEETransactionsonImageProcessing，2011，20（6）：17091724.

＼[4＼]戚海永.基于累積差分更新背景減除法的運動目標檢測算法研究＼[J＼].辦公自動化，2020，25（15）：4244，60.

＼[5＼]梁碩.基于背景減除法的運動目標檢測與跟蹤算法研究＼[D＼].西安：西安石油大學，2019.

＼[6＼]寧志雄.泊車AGV的車輛位姿檢測系統(tǒng)設計＼[D＼].哈爾濱：哈爾濱工業(yè)大學，2019.

＼[7＼]黎陽羊.基于背景減除法的高斯混合模型在電纜溝預防動物的應用＼[J＼].信息技術與信息化，2020（1）：5557.

＼[8＼]殷夢妮.基于高斯混合模型的運動目標檢測＼[D＼].哈爾濱：哈爾濱工程大學，2012.

＼[9＼]SAKPALNS，SABNISM.Adaptivebackgroundsubtractioninimages＼[C＼]∥2018InternationalConferenceonAdvancesinCommunicationandComputingTechnology（ICACCT）.Sangamner：IEEE，2018：439444.

＼[10＼]ZIVKOVICZ.ImprovedadaptiveGaussianmixturemodelforbackgroundsubtraction＼[C＼]∥Proceedingsofthe17thInternationalConferenceonPatternRecognition.Cambridge：IEEE，2004：2831.

＼[11＼]朱松.MOG2算法在區(qū)域入侵檢測的應用＼[J＼].科技風，2019（5）：248.

＼[12＼]ACHANTAR，HEMAMIS，ESTRADAF，etal.Frequency-tunedsalientregiondetection＼[C＼]∥2009IEEEConferenceonComputerVisionandPatternRecognition.Miami：IEEE，2009：15971604.

＼[13＼]李富生.視覺顯著性檢測及其在視頻編碼中的應用研究＼[D＼].深圳：深圳大學，2015.

＼[14＼]黃梨.基于改進的FT算法在自然圖像中的應用研究＼[J＼].微型機與應用，2015，34（21）：3739.

＼[15＼]范明亮，郭子涵，柴曉楠，等.面向FT-M7002的Sobel邊緣檢測算法優(yōu)化實現(xiàn)＼[J/OL＼].計算機工程，2021：18＼[20210729＼].https：∥doi.org/10.19678/j.issn.10003428.0061903.

＼[16＼]成科揚，孫爽，王文杉，等.結合置信度加權融合與視覺注意機制的前景檢測＼[J＼].中國圖象圖形學報，2021，26（10）：24622472.

＼[17＼]夏衛(wèi)生，方向瑤，楊帥，等.基于頻率調諧的焊縫紅外圖像顯著性檢測算法＼[J＼].焊接，2021（4）：812.

＼[18＼]吳煌，李凱勇.基于DCT域的數(shù)字圖像隱寫容量歸一化方法＼[J＼].計算機仿真，2021，38（8）：207211.

＼[19＼]安世全，張莉，瞿中.基于導向濾波的鬼影消除多曝光圖像融合＼[J＼].計算機工程與設計，2020，41（11）：31543160.

＼[20＼]孫世強，左海維，趙露婷.聯(lián)合特征相似性度量和交并比的檢測框優(yōu)選研究＼[J＼].電腦知識與技術，2019，15（29）：190193.作者與作者單位英譯

1）作者：中國人名按漢語拼音拼寫;其他非英語國家人名按作者自己提供的羅馬字母拼法拼寫。

2）單位：單位名稱要寫全（由小到大），并附地址和郵政編碼，確保聯(lián)系方便。另外，英譯單位不能采取縮寫，且一定要采用本單位統(tǒng)一的譯法，切不可隨意改寫。

AMovingTargetDetectionMethodCombiningMOG2AlgorithmandFTAlgorithm

LIUZeping，LIUMingxing，LIXiaofan，YAOMingjie，MAFangda，F(xiàn)UChaoxing

（CollegeofMechanicalandElectricalEngineering，QingdaoUniversity，Qingdao266071，China）Abstract：

Themovingtargetdetectionmethodisaffectedbythebackgroundenvironment，resultingininaccuratedetectionresults.AmovingtargetdetectionmethodcombiningMOG2algorithmandfrequencytunedsignificantregiondetection（FT）algorithmisproposed.Takingtheremotecontrolvehiclewalkingvideocapturedbythecameraastheanalysismaterial，themovingtargetisdetectedbyMOG2algorithmonthedownsampledimage.Afterbinarizationandfilteringdenoising，theregionofinterestofthemovingtargetisframed，theregionofinterestisdetectedbyFTalgorithm，andthemovingtargetdetectioniscompletedbyusingconfidencecombinedwiththetwodetectionresults.Whentheconfidenceisα=0.6，β=0.4，theaverageintersectiontounionratioof300framesisincreasedfrom0.72to0.78，whichshowsthatthealgorithmcaneliminatetheinfluenceofbackgroundshadowandghost，soastoeffectivelyimprovethedetectionaccuracyofmovingtargets.

Keywords：

movingtargetdetection;MOG2algorithm;FTalgorithm;Gaussianmixturemodel;backgroundsubstraction

收稿日期：20211020;修回日期：20211212

作者簡介：劉澤平（1996），男，碩士研究生，主要研究方向為人工智能。

通信作者：符朝興（1968），男，博士，副教授，主要研究方向為人工智能和機械振動。Email：cx_f@163.com

-