摘 要：提出了一種利用邊緣紋理進(jìn)行背景建模，結(jié)合三幀差分算法，獲取目標(biāo)輪廓的運(yùn)動目標(biāo)檢測方法，進(jìn)一步通過區(qū)域填充得到目標(biāo)前景。該方法對光線變化不敏感，對陰影去除有比較好的效果，改進(jìn)了邊緣紋理差分和幀間差分的缺陷，取得了比較完整準(zhǔn)確的運(yùn)動目標(biāo)前景。
關(guān)鍵詞：三幀差分；邊緣檢測；背景差分；運(yùn)動目標(biāo)檢測
?
近些年來，隨著智能監(jiān)控系統(tǒng)在安防、交通等領(lǐng)域的逐步推廣和應(yīng)用，基于計算機(jī)視覺的智能監(jiān)控系統(tǒng)技術(shù)也得到了不斷的發(fā)展。運(yùn)動目標(biāo)檢測是智能監(jiān)控的首要步驟，對運(yùn)動目標(biāo)的正確檢測，是對視頻序列進(jìn)一步分析識別，對運(yùn)動目標(biāo)活動判斷理解的基礎(chǔ)。獲得比較真實(shí)、完整的前景，才能做到準(zhǔn)確、可靠、有效地跟蹤。
運(yùn)動目標(biāo)檢測方法主要有幀間差分法、背景差分法、光流法等。目前最為常用的方法是背景差分法，它通常利用數(shù)學(xué)方法對監(jiān)控場景進(jìn)行背景圖像建模，通過將背景圖像與當(dāng)前幀圖像做差分得到前景。在這種思想基礎(chǔ)上提出了很多算法，如混合高斯模型GMM(Gauss Mixed Model)[1]，LBP（Local Binary Pattern）[2]，貝葉斯模型等。這些方法具有獲取目標(biāo)前景比較完整、濾除樹枝晃動、水面波動等干擾的能力強(qiáng)的特點(diǎn)，但是通常運(yùn)算速度很慢，對于光線變化比較敏感，對目標(biāo)陰影的去除效果也較差。
本文在對現(xiàn)有運(yùn)動檢測算法以及圖像處理技術(shù)研究的基礎(chǔ)上提出了一種利用邊緣紋理進(jìn)行背景建模、結(jié)合幀間差分獲取運(yùn)動目標(biāo)完整輪廓的方法，并通過進(jìn)一步處理得到了比較完整準(zhǔn)確的運(yùn)動目標(biāo)前景圖像。該運(yùn)動目標(biāo)檢測方法受光線變化影響小，運(yùn)動速度快，對前景目標(biāo)陰影的去除也獲得了比較好的效果。
1 相鄰幀間差分和三幀差分
相鄰幀間差分法是一種常用的運(yùn)動目標(biāo)檢測方法[3]，利用相鄰兩幀的差值，得到運(yùn)動區(qū)域輪廓。設(shè)在時刻t和t+1采集到的兩幅圖像分別為fk(x,y)和fk-1(x,y)，兩幀之間的差分為：
利用公式(1)得到差分圖像Dk，然后選擇閾值T對差分圖像二值化，以差值大于T為前景，得到運(yùn)動目標(biāo)輪廓。該方法對運(yùn)動檢測比較靈敏，不受噪聲干擾影響，但也存在一定的缺陷，獲得的目標(biāo)輪廓在目標(biāo)運(yùn)動方向進(jìn)行了拉伸，運(yùn)動速度不同，造成的拉伸程度也不同。對此一些學(xué)者提出了采用三幀差分的方法[4-5]，利用2次幀間差分結(jié)果，進(jìn)行“與”操作，從而得到比較精確的目標(biāo)輪廓位置。其方法為：
采用這種方法得到的目標(biāo)邊緣比較真實(shí)，定位準(zhǔn)確，對剛體目標(biāo)的跟蹤有比較好的效果，但對于人體運(yùn)動，由于各部分運(yùn)動不同、姿態(tài)不一致，造成獲取的輪廓一般不連續(xù)，難以進(jìn)一步閉合填充。
2 基于邊緣紋理的背景差分
常用的邊緣檢測算法有很多種，比如Roberts算法、Canny算法、Sobel算法、高斯拉普拉斯（LOG）算法等[6][7]。其中利用Sobel算子進(jìn)行邊緣檢測，獲取圖像邊緣紋理信息的方法，由于復(fù)雜度低、實(shí)時性以及檢測效果較好，所以被本文采用。Sobel檢測算子為：?
??? 
??
??? 分別求取當(dāng)前幀的橫向梯度Gradx和Grady縱向梯度，兩者相加得到整幅紋理的圖像Grad。得到邊緣紋理圖像后，利用該圖像作為當(dāng)前圖像進(jìn)行背景建模。本文采用平均背景法生成背景。平均背景法是一種運(yùn)算量小、復(fù)雜度低的背景方法，它將當(dāng)前幀像素點(diǎn)的值按一定權(quán)重累加入背景，獲取背景。設(shè)某一像素點(diǎn)在t-1時刻的背景像素值為Pt，當(dāng)前幀的像素值為BKt-1，背景更新權(quán)重為α，則更新方法為：
??
經(jīng)過一段時間的學(xué)習(xí)得到邊緣背景后（圖1b，圖為反色顯示），利用當(dāng)前邊緣圖像(圖1a)與背景邊緣圖像差分，對差分結(jié)果取閾值做二值化，得到運(yùn)動目標(biāo)前景（圖1c）。由于Sobel算子紋理檢測的良好特性，可以得到比較完整的目標(biāo)輪廓，但在前景與背景的邊緣交叉處，輪廓容易發(fā)生斷裂與缺失，這在視頻場景復(fù)雜的情況下尤為突出。另外，由于Sobel邊緣檢測對噪聲比較敏感，檢測的輪廓邊緣也會有一些細(xì)小波動，背景差分結(jié)果存在一些噪聲。
?
3 兩種方法的融合
如前所述，以上兩種方法能夠準(zhǔn)確定位運(yùn)動目標(biāo)的邊緣，但是都不能保證其連續(xù)完整，存在一定的問題。根據(jù)現(xiàn)有的研究經(jīng)驗(yàn)[8]，考慮到兩種方法缺陷的互補(bǔ)性，將兩者檢測的結(jié)果累加，從而得出完整輪廓。設(shè)幀間差分檢測結(jié)果為Ddiff，邊緣背景差分結(jié)果為Dedge，則最終運(yùn)動目標(biāo)檢測結(jié)果為：
??
整個運(yùn)動目標(biāo)檢測算法的流程如圖2所示。
本文對此方法進(jìn)行了實(shí)現(xiàn)驗(yàn)證，實(shí)驗(yàn)結(jié)果表明，兩種方法相結(jié)合，使邊緣背景差分和幀間差分在如下幾個方面得到了改進(jìn)：
?。?）人在行走過程中，由于著地腳和支撐腿運(yùn)動相對靜止，導(dǎo)致在三幀差分圖中消失，輪廓不能閉合（如圖3a，反色顯示），但是背景差分可以很好地得到腿部輪廓（圖3b），兩者結(jié)合可以得到圖3c的完整輪廓。
（2）當(dāng)目標(biāo)的紋理和背景紋理相近，或者檢測邊緣得到邊緣不連續(xù)時，邊緣背景建模無法很好地形成閉合，如圖4所示，a,d為前景，b，e為當(dāng)前幀，分別會造成目標(biāo)邊緣的斷裂（c）和消失（f）。在視頻序列的復(fù)雜場景中，會造成人體輪廓的部分缺失（如圖5a反色顯示，在運(yùn)動人體腰部位置，由于受到背景邊緣影響，造成上身與下身的割裂），小段的邊緣缺失可以通過形態(tài)學(xué)處理或者邊緣連接得到閉合，大的斷裂則難以補(bǔ)充完整，另外如果多次采用形態(tài)學(xué)膨脹腐蝕，也會放大噪聲點(diǎn)干擾，造成對目標(biāo)形狀的破壞。幀間差分的結(jié)果對于這類邊緣的缺失進(jìn)行了有效補(bǔ)充（圖5c）。（3）背景學(xué)習(xí)的過程需要指定更新權(quán)重值α，權(quán)重值大，背景的學(xué)習(xí)速度過快，導(dǎo)致慢速運(yùn)動目標(biāo)融入背景，出現(xiàn)運(yùn)動目標(biāo)殘余、拖影等。學(xué)習(xí)速度太慢，會使背景初始生成時間過長。在這里，本文設(shè)定兩個更新參數(shù)，利用幀間差分結(jié)果，幀間差分區(qū)域內(nèi)的值采用權(quán)重值小的α=0.01更新，減緩目標(biāo)融入背景速度。幀間差分區(qū)域以外的像素采用大權(quán)重值更新，使目標(biāo)離開當(dāng)前位置后，在原位置區(qū)域迅速更新背景，本文設(shè)定α=0.1，加快了初始背景學(xué)習(xí)，實(shí)驗(yàn)中采用35幀左右可以學(xué)到比較干凈的邊緣紋理背景。
4 輪廓填充與前景檢測結(jié)果
獲得運(yùn)動目標(biāo)輪廓圖像之后，需要對輪廓進(jìn)行形態(tài)學(xué)閉合處理，完善輪廓，然后進(jìn)行填充，最后通過腐蝕或平滑處理，濾除噪聲，獲得前景目標(biāo)。需要注意的是，當(dāng)運(yùn)動目標(biāo)出現(xiàn)在圖像邊緣時，檢測到輪廓并不是一個閉合的曲線，在圖像邊緣處不存在前景邊緣，無法進(jìn)一步填充，可以在圖像邊緣的x或y方向添加一條與輪廓區(qū)域長度相同的輔助線，幫助閉合輪廓。最后經(jīng)過標(biāo)識后的前景檢測結(jié)果如圖6所示，a為經(jīng)過標(biāo)注的視頻幀，b為幀間差分結(jié)果，c為背景差分結(jié)果，d為結(jié)果后的結(jié)果，e為最終填充結(jié)果(二值圖均為反色顯示)。
?
??? 本文提出了一種新的背景差分方法，利用圖像的Sobel邊緣紋理學(xué)習(xí)背景，差分得到目標(biāo)輪廓，針對邊緣差分結(jié)果造成的輪廓線不連續(xù)以及背景學(xué)習(xí)率的問題，又結(jié)合幀間差分方法，進(jìn)行了改進(jìn)與完善。本方法檢測得到的目標(biāo)前景比較完整準(zhǔn)確，可在此基礎(chǔ)上進(jìn)一步進(jìn)行目標(biāo)的跟蹤識別。在算法實(shí)現(xiàn)過程中，只利用灰度圖像進(jìn)行處理，運(yùn)算復(fù)雜度低，對陰影以及光照變化不敏感，運(yùn)算速度比較理想，對于320×240分辨率的視頻圖像，在配置CPU1.7 GB，內(nèi)存1 GB的試驗(yàn)機(jī)上，能夠達(dá)到20 f/s以上。
本文檢測方法還不夠完善，目前存在的問題有：在強(qiáng)光下的陰影去除不是很理想；幀間差分以及背景差分的閾值需手動指定，如果進(jìn)一步結(jié)合分塊等自動閾值確定的算法，則能夠更好地適應(yīng)各種環(huán)境及光線變化；另外，邊緣和紋理信息的檢測算法還需進(jìn)一步改進(jìn)和完善。
參考文獻(xiàn)
[1]? OLIVER N， ROSARIO B， PENTLAND A. A bayesian computer vision system for modeling human interactions, IEEE Trans.Pattern Analysis and Machine Intelligence, 2000.
[2] STARFFER C， GRIMSON W E L.Adaptive background mixture models for real-time tracking, InProc.IEEE Conference on Computer Vision and Pattern Recognition,1999.
[3] 王栓，艾海舟，何克忠.基于差分圖象的多運(yùn)動目標(biāo)的檢測與跟蹤[J].中國圖象圖形學(xué)報, 1999，4(6):470-475.
[4] DAI GuoJun, ZHANG Yun. A novel auto-camshift algorithm used in object tracking. Proceedings of the 27th Chinese Control Conference .? 2008,7:16-18.
[5] 呂國亮，趙曙光，趙俊.基于三幀差分和連通區(qū)域檢驗(yàn)的圖像運(yùn)動目標(biāo)檢測新方法[J]. 液晶與顯示，2007,2(22):87-92.
[6] 張冬芳，王向周．一種基于邊緣信息的改進(jìn)車輛檢測方法．2006，8(1): 186-187.
[7] SONKA M, HLAVAC V, BOYLE R.圖象處理分析與機(jī)器視覺[M].第二版.? 艾海舟, 譯. 北京：人民郵電出版社, 2003.
[8] 朱明旱，羅大庸，曹倩霞. 幀間差分與背景差分相融合的運(yùn)動目標(biāo)檢測算法[J].計算機(jī)測量與控制，2005，13（3） ：215-217.