庾鵬，王旭，仝天樂(lè)，王秀超

　?。ㄙF州大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，貴州 貴陽(yáng) 550000）

　　摘要：提出了一種基于GrabCut算法和四幀差分法相結(jié)合的運(yùn)動(dòng)目標(biāo)檢測(cè)和提取算法。首先，利用四幀差分法對(duì)視頻中連續(xù)的四幀圖像進(jìn)行二次差分；然后，對(duì)差分后的圖像分別做水平投影和垂直投影，計(jì)算運(yùn)動(dòng)目標(biāo)區(qū)域；最后，使用GrabCut算法分割目標(biāo)區(qū)域得到完整的運(yùn)動(dòng)目標(biāo)。實(shí)驗(yàn)結(jié)果證明，該方法既能精確和完整地檢測(cè)出運(yùn)動(dòng)目標(biāo)，又能有效地去除空洞、拉伸等現(xiàn)象。

　　關(guān)鍵詞：四幀差分；GrabCut分割；目標(biāo)檢測(cè)

0引言

　　目前隨著科技的不斷發(fā)展，智能化視頻監(jiān)控在各個(gè)領(lǐng)域得到了廣泛的應(yīng)用，例如智能交通監(jiān)控、安全防范系統(tǒng)、值崗檢測(cè)系統(tǒng)等。無(wú)論應(yīng)用在何種領(lǐng)域，對(duì)視頻中移動(dòng)物體的研究和分析才有價(jià)值，目標(biāo)的完整提取是各種后期處理和應(yīng)用的基礎(chǔ)，所以對(duì)移動(dòng)目標(biāo)的檢測(cè)與完整提取也就成為了視頻處理研究中的一個(gè)熱門問(wèn)題。近些年來(lái)很多學(xué)者已經(jīng)對(duì)這方面問(wèn)題進(jìn)行了研究，也提出了很多移動(dòng)目標(biāo)檢測(cè)與提取的方法，主要有光流分析法［1］、幀間差分法和背景差分法［2］3種。

　　背景差分法是將視頻圖像與背景圖像做差分，取差分值較大的區(qū)域?yàn)橐苿?dòng)目標(biāo)，然而難以得到合適的背景圖像，而且易受外界干擾。幀間差分法與背景差分法類似，幀間差分法是對(duì)視頻中連續(xù)幀做差分，具有計(jì)算效率高、實(shí)時(shí)性好等特點(diǎn)，但是容易出現(xiàn)重疊、空洞、拉伸等問(wèn)題。光流分析法檢測(cè)效果比前兩種好，但是計(jì)算復(fù)雜，不能達(dá)到實(shí)時(shí)性。3種方法都很難取得完整的目標(biāo)，GrabCut［3］算法綜合了圖像的紋理信息和邊界信息對(duì)圖像進(jìn)行分割，只需要少量的交互操作就可以達(dá)到高精度的分割。根據(jù)上述問(wèn)題，結(jié)合幀間差分法和GrabCut算法的各自優(yōu)點(diǎn)，提出了以四幀差分法計(jì)算和框定運(yùn)動(dòng)目標(biāo)區(qū)域，GrabCut算法在框定區(qū)域內(nèi)精確分割目標(biāo)的方法。

1基于GrabCut算法和四幀差分法的運(yùn)動(dòng)目標(biāo)檢測(cè)與提取

　　1.1預(yù)處理

　　在使用本文提出的算法前，對(duì)每一幀圖像進(jìn)行預(yù)處理十分必要，它可以提高算法在實(shí)際應(yīng)用中的效率。圖像平滑可以有效減少圖像中的噪聲，改善圖像的質(zhì)量，有利于對(duì)目標(biāo)的提?。?］。直方圖均衡化是圖像空域增強(qiáng)的一種經(jīng)典方法，可以改善圖像灰度分布，增強(qiáng)圖像的整體對(duì)比度，方法簡(jiǎn)單、高效［5］。本文實(shí)驗(yàn)使用的預(yù)處理是高斯濾波和直方圖均衡。

　　1.2四幀差分法快速檢測(cè)目標(biāo)區(qū)域

　?。?)四幀差分

　　提取視頻圖像中連續(xù)的四幀，經(jīng)過(guò)預(yù)處理后為f1(x,y)、f2(x,y)、f3(x,y)、f4(x,y)，計(jì)算f1(x,y)與f3(x,y)以及f2(x,y)與f4(x,y)的差值圖像，差分結(jié)果為g1(x,y)與g2(x,y)，計(jì)算方法如式（1）、（2）所示。g1(x,y)與g2(x,y)中已經(jīng)包含運(yùn)動(dòng)目標(biāo)的信息，對(duì)其進(jìn)行“與”運(yùn)算［6］，得到結(jié)果為H(x,y)。H(x,y)定義如式（3）。

　　g1(x,y)=|f3(x,y)－f1(x,y)|（1）

　　g2(x,y)=|f4(x,y)－f2(x,y)|（2）

　　H(x,y)=|g1(x,y)g2(x,y)|（3）

　?。?)運(yùn)動(dòng)目標(biāo)域框定

　　在經(jīng)過(guò)兩次差分處理之后，靜止的背景基本被去除，但由于外界環(huán)境變化復(fù)雜，光線不斷變化，使得沒(méi)有移動(dòng)的物體在水平投影和垂直投影并不為0，因此要使用一個(gè)閾值T,分割去除因?yàn)楣饩€變化而造成靜止物體移動(dòng)假象的部分。

　　首先對(duì)H(x,y)水平投影得到Hx(x,y)，如式（5），然后使用閾值Tm（式（6））對(duì)Hx(x,y)閾值分割，數(shù)值大于Tm的保持不變，小于Tm的為0，根據(jù)閾值分割后的圖像可以得到運(yùn)動(dòng)物體水平方向的范圍（x1，x2）。在垂直方向沒(méi)有必要全部投影，只需要對(duì)水平檢測(cè)范圍（x1，x2）之間進(jìn)行垂直投影，得到Hy(x,y)，如式（4），同樣進(jìn)行閾值分割但閾值為Tn（式（7）），根據(jù)閾值分割后的圖像可以得到運(yùn)動(dòng)物體垂直方向的范圍（y1，y2）。從而得到運(yùn)動(dòng)物體的區(qū)域（x1，x2，y1，y2）。

　　Hy(x,y)=∑x2x=x1H(x,y)（m為圖像總列數(shù)，n為圖像總行數(shù)。y=1,2,3，...，n）（4）

　　Hx(x,y)=∑ny=1H(x,y)（n為圖像總行數(shù)，m為圖像總列數(shù)。x=1,2,3，...，m）（5）

　　Tm=∑mx=1Hx(x,y)/m（6）

　　Tn=∑ny=1Hy(x,y)/n（7）

　　1.3GrabCut圖像分割法

　　近年來(lái)許多學(xué)者提出基于圖論的圖像分割，GrabCut［7］算法就是基于圖論的一種優(yōu)秀分割方法。GrabCut算法利用圖像中紋理（顏色）信息和邊界（反差）信息，只需要少量的用戶交互操作，就可以有效地從復(fù)雜的背景中分割出前景目標(biāo)圖像。該算法用戶只需要提供背景區(qū)域的像素及框選目標(biāo)，方框外的像素全部為背景，即可對(duì)GMM進(jìn)行建模和完成良好的分割。通過(guò)使用四幀差分法快速框定目標(biāo)區(qū)域，然后使用GrabCut算法分割，快速取得完整的運(yùn)動(dòng)目標(biāo)。

　　從整個(gè)圖像的Gibbs能量可以得到［3］：E(α,k,θ,z)=U(α,k,θ,z)+V(α,z)，第一項(xiàng)為數(shù)據(jù)項(xiàng)（t-link的權(quán)值），第二項(xiàng)為平滑項(xiàng)（nlink的權(quán)值），最終目標(biāo)經(jīng)過(guò)不斷地迭代計(jì)算出最小的能量函數(shù)。總共有兩個(gè)高斯混合模型（背景和前景），每個(gè)高斯混合模型有K個(gè)分量，每個(gè)分量包含3個(gè)參數(shù)要估計(jì)，即權(quán)重π、均值u、協(xié)方差Σ。

　　計(jì)算數(shù)據(jù)項(xiàng)：U(α,k,θ,z)=∑nD(αn,kn,θ,zn)，參數(shù)α={α1....αn}，αn=0或1。若αn為0，像素點(diǎn)為背景；若αn為1，則像素點(diǎn)為前景。參數(shù)K是一個(gè)向量，K={k1,k2....kn}，每個(gè)kn屬于集合{1,2,....k}，對(duì)應(yīng)著k個(gè)高斯分量［8］。參數(shù)θ為圖像的背景與前景的灰度直方圖。參數(shù)z為圖像的灰度數(shù)組，z={z1....zn}，zn是第n個(gè)像素的灰度值。

　　GrabCut算法流程描述［9］：（1）、（2）為初始化步驟，（3）~（6）為迭代最小化步驟。

　　（1）用戶框定目標(biāo)區(qū)域，方框外的全部像素為背景像素TB，方框內(nèi)的全部像素作為“可能目標(biāo)”TU。對(duì)TB內(nèi)的每一個(gè)像素初始化標(biāo)簽αn=0，對(duì)TU內(nèi)的每一個(gè)像素初始化標(biāo)簽αn=1。

　?。?）通過(guò)kmeas算法初始化背景和前景中每一個(gè)像素高斯混合模型分量。

　　（3）對(duì)每一個(gè)像素分配GMM中的高斯分量：kn=argminknDn(αn,kn,θ,zn)。

　?。?）對(duì)于圖像數(shù)據(jù)Z,學(xué)習(xí)優(yōu)化GMM參數(shù)：θ=argminθU(α,k,θ,z)。

　?。?）分析Gibbs能量項(xiàng)，建立一個(gè)圖，通過(guò)最大流最小切割定理算法進(jìn)行分割。

　　min{αn:n∈TU}minkE(α,k,θ,z)

　?。?）重復(fù)步驟（3）~步驟（5），直到收斂［10］。

2實(shí)驗(yàn)結(jié)果

　　圖1經(jīng)過(guò)灰度化之后的圖像本實(shí)驗(yàn)硬件運(yùn)行環(huán)境為：Intel(R) Core(TM)2 Quad 2.33 GHz CUP和4.00 GB內(nèi)存，軟件運(yùn)行環(huán)境為：Windows 7、Microsoft Visual Studio 2005、opencv1.0。視頻中每一幀大小為576×704，每秒處理20幀，基本可以滿足視頻監(jiān)控中的實(shí)時(shí)性。圖1為視頻中取出的第100幀、101幀、102幀、103幀經(jīng)過(guò)灰度化之后的圖像。

　　圖2為使用四幀差分法得到的實(shí)驗(yàn)結(jié)果。

　　圖3中圖（a)對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行垂直投影，計(jì)算出圖像像素平均值為Tn=8.720 2，圖（b）為經(jīng)過(guò)閾值Tn過(guò)濾后的結(jié)果，通過(guò)計(jì)算其中一個(gè)運(yùn)動(dòng)物體區(qū)域的橫坐標(biāo)是（335,420），圖（c）為截取原圖中橫坐標(biāo)在（335,420）之間的實(shí)驗(yàn)結(jié)果，圖（d)為（c)做水平投影，計(jì)算出像素平均圖2實(shí)驗(yàn)結(jié)果值為Tm=11.658 0。圖（e）為經(jīng)過(guò)閾值Tm過(guò)濾后的結(jié)果，并且計(jì)算出運(yùn)動(dòng)物體區(qū)域的縱坐標(biāo)為（330,420），圖（f)為最終切割結(jié)果。

　　圖4（a）中的方框?yàn)榻?jīng)過(guò)投影之后計(jì)算出的運(yùn)動(dòng)物體的區(qū)域，（b）是通過(guò)GrabCut算法切割以后提取到的完整運(yùn)動(dòng)目標(biāo)，實(shí)驗(yàn)發(fā)現(xiàn)雖然目標(biāo)有一部分區(qū)域與背景相似， 但GrabCut算法仍能完整地將其分割出來(lái)。

3結(jié)論

　　本文融合四幀差分法與GrabCut算法對(duì)運(yùn)動(dòng)目標(biāo)進(jìn)行檢查與提取，首先利用高速濾波和直方圖均衡化對(duì)每一幀圖像進(jìn)行預(yù)處理，然后通過(guò)四幀差分法和投影法得到運(yùn)動(dòng)目標(biāo)區(qū)域，最后通過(guò)GrabCut算法分割提取完整目標(biāo)。實(shí)驗(yàn)結(jié)果表明，本文所提出的算法可以快速、精準(zhǔn)、完整地檢測(cè)出運(yùn)動(dòng)目標(biāo)，而且適用性廣泛。

參考文獻(xiàn)

　?。?］ 袁國(guó)武,陳志強(qiáng),龔健,等. 一種結(jié)合光流法與三幀差分法的運(yùn)動(dòng)目標(biāo)檢測(cè)算法［J］. 小型微型計(jì)算機(jī)系統(tǒng),2013,34（3）:668671.

　　［2］ 杜晶晶. 智能視頻監(jiān)控中運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤算法研究［D］.成都：西南交通大學(xué),2009.

　?。?］ 周勝安. 一種基于前景物形態(tài)的GrabCut改進(jìn)算法［J］. 電腦知識(shí)與技術(shù),2010,6（33）:95179519.

　?。?］ 袁國(guó)武. 智能視頻監(jiān)控中的運(yùn)動(dòng)目標(biāo)檢測(cè)和跟蹤算法研究［D］.昆明：云南大學(xué),2012.

　?。?］ 彭艷芳. 視頻運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤算法研究［D］.武漢：武漢理工大學(xué),2010.

　?。?］ 張鵬,李思岑,楊燕翔. 融合邊緣檢測(cè)的四幀差分運(yùn)動(dòng)目標(biāo)檢測(cè)［J］. 電子技術(shù)與軟件工程,2014（20）:106107.

　?。?］ 王鈞銘,高立鑫,趙力，等. GrabCut彩色圖像分割算法的研究［J］. 電視技術(shù),2008,32（6）:1517.