摘 要：首先對運動目標(biāo)檢測的理論和方法以及如何從背景圖像中有效提取出前景物體做了簡要概述，并結(jié)合傳統(tǒng)的背景相減法容易受環(huán)境光線等外界因素影響這一弊端，提出了一種零均值歸一化互相關(guān)的方法來實現(xiàn)對運動目標(biāo)的檢測判斷。同時，采用了累積直方圖的方法獲得了一個理想閾值，實現(xiàn)了運動目標(biāo)物的精確提取。實驗證明，該方法較傳統(tǒng)的背景相減法有明顯的提高，在識別精度上也能達(dá)到較滿意結(jié)果。
關(guān)鍵詞: 運動目標(biāo)檢測； 背景相減； 統(tǒng)計直方圖； 零均值歸一化互相關(guān)

    近年來，隨著智能監(jiān)控系統(tǒng)的廣泛使用，盜竊案件的破獲率有了很大程度的提高。但一般的監(jiān)控系統(tǒng)往往只具有記錄影像的功能，不具有智能報警判斷等一系列功能，監(jiān)控保安也不可能時刻盯著監(jiān)控畫面，一旦犯罪行為發(fā)生過后再調(diào)取監(jiān)控影像就為時已晚了。要實現(xiàn)這種判斷離不開對攝像頭所獲取的即時畫面進行分析判斷，由于周圍環(huán)境光線亮暗的變化、天氣改變等非人為因素以及攝像頭品質(zhì)因素等影響，降低了對運動物體偵測的準(zhǔn)確率。通常采用的背景相減法來獲取前景物的精度已經(jīng)不能滿足實際需要，因此有必要尋求一種精度更高、受環(huán)境因素影響最小的運動目標(biāo)的判斷方法。
    本文分別從畫面的前景物和背景物進行闡述，針對目前常用的各種運動目標(biāo)檢測方法進行分類比較，提出了一種零均值歸一化互相關(guān)的方法作為運動目標(biāo)檢測的理論依據(jù)[1-2]。實驗表明，該方法識別速度較快、準(zhǔn)確率較高。
1 運動目標(biāo)檢測
    運動目標(biāo)的檢測是電腦視覺運用中的關(guān)鍵環(huán)節(jié)，是指對運動畫面中感興趣的物體進行獲取，即獲取視頻序列中改變的區(qū)域，通常稱之為前景物體。目前檢測運動目標(biāo)的方法有很多，絕大多數(shù)是對空間域信息的處理，大致可以分為背景減法、時間差值法、邊緣特征分割法以及光流法四種。其中，背景減法又大致分為三種：背景相減、連續(xù)圖像相減法和累積相減法。通過上述背景減法，可以得到圖像間的差異部分。
　(1)背景相減法。這是相對較簡單判斷目標(biāo)移動的方法，首先建立一個背景圖像作為參考對象，然后把下一個圖像與背景圖像相減，同時設(shè)定一個臨界值，當(dāng)差值小于臨界值，則此像素不屬于運動目標(biāo)，將之標(biāo)示為0，反之則是運動目標(biāo)的像素[3]。此方法是運動目標(biāo)檢測最常用的方法，但容易受到外界光線等干擾而無法完整得取地目標(biāo)圖像。
　

    針對背景相減法易受環(huán)境干擾的問題，這里提出一種零均值歸一化互相關(guān)(Zero-mean Normalized Cross-Correlation)來彌補其不足，其優(yōu)點在于對亮度和對比度的變化具有不變性。零均值歸一化互相關(guān)的公式如式(2)，其極大值為1。值越大代表了圖像變化越小。

   
　(2)連續(xù)圖像相減法，是指利用連續(xù)畫面直接作差異絕對值計算，用以尋找移動物的位置，將2個畫面相減后，2個物體將會出現(xiàn)在不同位置，所以就能較明顯地觀察到該物體運動方向的位移量。該方法受環(huán)境噪聲的影響較小，但卻無法獲得完整的目標(biāo)物的形狀，因此也就無法準(zhǔn)確對目標(biāo)物進行辨識與跟蹤。與背景相減法一樣，該方法也需要設(shè)置一個臨界值，若差值小于臨界值，則此像素不屬于運動目標(biāo)，將之標(biāo)示為0，反之則是運動目標(biāo)的像素。

    (3)累積相減法，是指針對連續(xù)圖像相減之后的圖像，再加以相減。    
2 針對運動目標(biāo)的圖像處理
2.1 圖像處理流程
    首先，要先建立起不含移動物體的背景模型，該模型是由一連串輸入的圖像序列所組成[4]。建立過程中要盡量避免天氣變化、感測元件熱噪聲干擾、日光燈閃爍造成的光源變化等。該方法只需要少量的計算就能取得運動目標(biāo)的位置，并經(jīng)過后期的一些如腐蝕、膨脹法處理去除一定的噪聲,從而克服背景相減法不能取得完整正確圖像的缺陷。其過程如圖1所示。

2.2 累積直方圖法獲得閾值
    在連續(xù)的圖像幀中，由于光線的變化難免會使圖像夾雜著一定量的噪聲點，因此，必須設(shè)定一個恰當(dāng)?shù)拈撝祵⒈尘芭c前景物標(biāo)記為0和1。閾值取得過大或過小都會影響前景物像素的精度。為了得到一個恰當(dāng)?shù)拈撝?，本文運用直方圖的理論來實現(xiàn)。在直方圖曲線中，直觀地表示了每一個灰度級與其出現(xiàn)的頻率關(guān)系。一旦曲線出現(xiàn)多個波峰與波谷，就需要使用累積直方圖來幫助尋找到這個動態(tài)變化點。所謂累積直方圖是指記錄的數(shù)據(jù)點所出現(xiàn)的概率，在這里是指0~255的亮度值中，每一個值所出現(xiàn)的概率分布情況，處理結(jié)果如圖2所示。累積直方圖相對于直方圖而言，不存在曲線的高低變化，這是因為累積直方圖中上一點會與下一點的值作累加的原因，下一點的值永遠(yuǎn)大于上一點。借助累積直方圖處理問題也就更直觀可靠了。

    為了在累積直方圖中找到所要得到的閾值點，選定離累積直方圖兩端點所組成直線最遠(yuǎn)距離的點作為要求的閾值點，如圖3所示。

3 運動目標(biāo)的追蹤
    在檢測到運動目標(biāo)后，在實際運用中往往需要對其進行追蹤并記錄其運動軌跡。目前運用的追蹤法主要分為四種：輪廓追蹤、特征追蹤、區(qū)域追蹤和模型追蹤[5]。輪廓追蹤是將檢測到的圖像變化區(qū)域用輪廓線來表示；特征追蹤是以物體特征為依據(jù)的追蹤方式，將檢測到的運動物體做特征分類，用以比對連續(xù)圖像間的特征來追蹤目標(biāo)；區(qū)域追蹤是將先前檢測到的圖像變化的區(qū)域當(dāng)作運動目標(biāo)，利用檢測到的這些變化區(qū)域位置，達(dá)到追蹤的目的；模型追蹤需要事先建立物體的模型，再利用運動特征建立運動模型，然后用運動模型去預(yù)測下一個物體運動的變化，再透過搜尋與比對來完成追蹤。本文用包圍盒的形式找到運動物體的中心點及它的范圍，求出中心點位置的好處在于能用一個點來代表運動物體，隨后在追蹤時會比較方便，如圖4所示。

4 攝像頭的運動控制
    固定式攝像頭視野范圍相對狹小，跟蹤范圍也受到了極大限制?；诖?，有必要實現(xiàn)攝像頭的旋轉(zhuǎn)控制功能。實驗中采用了羅技QuickCam攝像頭，操作系統(tǒng)是Windows XP。為了實現(xiàn)遠(yuǎn)程控制攝像頭旋轉(zhuǎn)的功能，需要用到Windows的SendMessage()函數(shù)命令，該函數(shù)將指定的消息發(fā)送到一個或多個窗口。其函數(shù)關(guān)系流程圖如圖5所示。

    當(dāng)CreateWindow()函數(shù)建立好一個窗口后會返回一個Handle值，可以借助Spy++這個編程輔助工具來得到這個值，隨后可以通過SendMessage()函數(shù)發(fā)送消息。但是用Spy++獲得的Handle值并不固定，可以借助EnumWindows()函數(shù)來解決。
　 對運動目標(biāo)的檢測一直是圖像算法中比較熱門的方向，常用的一些算法如背景相減法雖然運算速度快但對環(huán)境適應(yīng)性差，于是本文提出了一種有較強的抗噪聲干擾能力的零均值歸一化互相關(guān)方法，同時結(jié)合包圍盒的方法來標(biāo)記檢測出的運動物體，采用累積直方圖法也大大提高了前景物的提取效果。實驗達(dá)到了預(yù)期的效果。
參考文獻
[1]GONZALEZ R C, WOODS R E. Digital image processing (2nd edition) .Beijing: Publishing House of Electronics Industry, 2003.
[2]GRIMSON W E L, STAUFFER C. Adaptive background mixture models for real-time tracking .IEEE Conference on Computer Vision and Pattern Recognition，1999:246-252.
[3]王建林,孫孟奎,楊磊,等. 一種基于減背景模型的運動目標(biāo)檢測算法[C].2008第四屆中國智能交通年會, 2008.
[4]ELGAMMAL A HARWOOD D，DAVIS L S. Non-parametric model for background subtraction. European Conf. Computer Vision， 2000,2:751-767.
[5]祁同林,左旭東. 基于背景重構(gòu)的運動目標(biāo)檢測算法研究與應(yīng)用[J]. 計算機工程與應(yīng)用, 2007,43(16).