??? 摘 要： 在充分研究基于時間信息的幀間差分" title="差分">差分法和基于空間信息的背景差分法的基礎上，提出了一種綜合利用視頻圖像" title="視頻圖像">視頻圖像序列的時間信息和空間信息的運動目標檢測算法。該算法不僅有效地消除了噪聲，還保證了運動圖像的完整性。實驗表明該算法檢測準確、實時性強。
??? 關鍵詞： 幀 運動目標檢測 對稱差分法 背景差分法 像素灰度歸類
?
??? 基于視頻序列的運動目標檢測，一直以來都是機器視覺、智能監(jiān)控系統(tǒng)和視頻跟蹤等領域的研究重點，是整個計算機視覺技術的基礎。能否將運動目標從視頻圖像序列中準確地檢測出來，是運動估計、目標識別、行為理解等后續(xù)處理成功與否的關鍵。為了實現(xiàn)運動目標的檢測，很多學者進行了相關的研究，并提出了大量的運動目標檢測算法。其中基于光流量[1]的運動檢測算法最為精確，但較為復雜，而且計算量很大。為了減少計算量和編程的復雜度，基于時間信息的幀間差分法[2]和基于空間信息的背景差分法[3]是較為流行的兩種方法。幀間差分法通過判斷相鄰兩幀圖像之間像素灰度值之差是否大于某一閾值來識別物體的運動。背景差分法則是利用視頻圖像序列的空間信息，通過“訓練”多幀視頻圖像來獲取背景圖像，將待檢幀與背景圖像進行差分就可以較為精確地檢測出運動目標，使用這種方法能比較準確地檢測出運動的物體，并能有效地抑制幀間差分法中可能產生的“鬼影”現(xiàn)象及部分噪聲的干擾，缺點是檢測速度比較慢，得到的運動物體" title="運動物體">運動物體完整性較差,實時性不高。
??? 本文在分析以上兩種算法的基礎上，綜合利用視頻圖像的時間信息和空間信息來檢測視頻幀中的運動目標。其中，利用對稱差分[4]的方法代替?zhèn)鹘y(tǒng)的幀間差分法,減少了錯檢的概率；同時還利用基于像素灰度歸類" title="像素灰度歸類">像素灰度歸類的方法來重構" title="重構">重構出背景圖像,并進行了有效的背景更新。實驗表明，使用本文的方法進行運動目標的檢測具有良好的檢測效果和實時性。
1 運動目標的檢測
1.1 對稱差分法
??? 本文在幀間差分法的基礎上使用對稱差分法，這里首先介紹一下幀間差分法。所謂幀間差分法,是指利用時間上相鄰的兩幀圖像之差，來判斷物體的運動，簡稱幀差法。幀差法實現(xiàn)簡單并且能快速、完整地分割出運動的物體，但這種方法對噪聲比較敏感，容易將光照變化和一些細微的運動錯檢為運動的目標。當前面一幀中的物體由于運動而在后一幀中顯露出其遮擋的區(qū)域時,幀間差分法會得到錯誤的結果，也就是會出現(xiàn)“鬼影”現(xiàn)象，如圖1所示。
??? 為了克服幀間差分法的上述缺點,采用對稱差分的方法來檢測運動物體，即通過時間上相鄰的三幀圖像，來檢測中間一幀中的運動物體。具體的實現(xiàn)方法如下[4]。
??? (1)視頻序列連續(xù)三幀源圖像為f(k-1)(x，y)，f(k)(x，y)和f(k+1)(x，y)，分別計算相鄰兩幀圖像之差，如公式(1)所示。
??? 
式中，W為抑制噪聲的窗口函數(shù)。由于均值濾波會使圖像模糊化，從而失去邊緣信息，在此選用窗口為3×3的中值濾波函數(shù)抑制噪聲。
??? (2)對d(k-1，k)(x，y)和d(k，k+1)(x，y)分別取閾值，進行二值化，得到兩個二值化圖像b(k-1，k)(x，y)和b(k，k+1)(x，y)。將b(k-1，k)(x，y)和b(k，k+1)(x，y)在每一個像素位置進行邏輯“與”操作，得到對稱差分二值圖像mk(x，y)，計算公式如（2）式所示。
??? 
??? 對稱差分檢測算法更充分地利用了視頻序列時間上的相關性，能較好地消除部分噪聲和“鬼影”現(xiàn)象的干擾,并能完整地分割出運動的物體。但是經過實驗分析，發(fā)現(xiàn)它有兩個明顯的不足之處：一是當相鄰幀之間運動物體的灰度或紋理信息較接近時，會出現(xiàn)漏檢現(xiàn)象；二是它對噪聲較背景差分更為敏感。
1.2 背景差分法
1.2.1 背景重構
??? 背景差分法也是一種常用的運動檢測方法，其基本思想是通過建立一個有效的背景模型來區(qū)分視頻幀中的運動區(qū)域和背景區(qū)域。目前使用較多的方法有基于光流量的背景更新算法、基于高斯分布的背景更新算法[3]和基于像素灰度信息的背景更新算法[5]。其中，基于光流量及高斯分布的背景更新算法計算量很大，會影響到系統(tǒng)的實時性。在考慮充分利用視頻序列空間信息的前提下，本文采用基于像素灰度歸類的方法來建立背景模型，重構出背景圖像。具體的算法步驟可以參見參考文獻[5]。在此利用參考文獻[5]中的方法對Road圖像序列[6]的前120幀、前180幀和前230幀進行背景圖像的重構。重構的背景圖象分別如圖2(d)、(e)、(f)所示。
??? 從圖2中的(a)、(b)、(c)可以看到，有行人正沿著街道往攝像機方向行走。但在建立的背景圖像(d)、(e)、(f)中，行人所在的位置被背景圖像的相應區(qū)域所替代，而且隨著參與“訓練”的幀數(shù)的增加，建立的背景圖像與真實的背景越接近。所以基于像素灰度歸類的背景重構算法可以在有運動物體存在的情況下構造背景圖像,而且保存了圖像序列的空間信息。本文中為了盡量避免光照因素的影響，將重構的背景圖像轉換為灰度圖像進行表示。
??? 利用背景圖像可以很容易地區(qū)分出待檢測幀中的運動區(qū)域,并能消除部分噪聲的干擾,實現(xiàn)運動物體與背景的分割。但是,當運動物體的顏色或者紋理信息與背景較為接近時,會出現(xiàn)漏檢現(xiàn)象。所以還需要將漏檢的區(qū)域檢測出來,實現(xiàn)運動物體的完整分割。
1.2.2 背景更新
??? 為了保證背景差分結果的準確性，還需要對背景圖像及時地進行更新。在利用背景差分得到的差分圖像中,統(tǒng)計發(fā)生變化的像素與全部像素的比例,當比例大于一定的閾值(一般取原圖像的80%)時,就重新抽取圖像序列進行背景的重構。
1.3 綜合時空信息的運動目標檢測算法
??? 由于對稱差分法及基于像素灰度歸類的背景差分法具有上述的缺點，因此可以考慮將這兩種方法相結合，綜合利用視頻圖像時空信息，實現(xiàn)運動目標的精確檢測。算法步驟如下：
??? (1)首先，通過圖像增強對待檢圖像進行預處理，這樣可以更好地突出圖像中的前景區(qū)域。同時，為了提高算法的實時性,在進行增強處理時,只對局部區(qū)域進行增強，如公式(3)所示。
??? 
式中，fk(x，y)為輸出圖像，gk(x，y)為輸入圖像，A為增益系數(shù)。Tmin和Tmax分別為局部增強處理的候選灰度區(qū)間的上限和下限,可以根據(jù)具體的應用要求對它們的取值進行調整。
??? (2)對待檢幀進行局部增強處理以后，利用多幀視頻圖像的灰度信息得到背景圖像，并將待檢幀fk(x，y)與背景圖像Bk(x，y)進行差分，得到前景圖像ak(x，y)，計算如公式(4)所示。
??? 
式中，T為閾值(一般取10～30)，W為抑制噪聲的窗口函數(shù),仍然采用中值濾波。
??? (3)為了包含視頻序列的時間信息，將每一個像素點ak(x，y)與公式（2）中的對稱差分二值圖像的mk(x，y)進行邏輯“或”操作，得到比較完整的前景圖像Fk(x，y)，其計算公式如式（5）所示。
??? 
??? (4)最后，為了消除場景中的微小運動、光照變換及可能混入一些孤立噪聲點等因素的影響，采用3×3的模板對分離出來的前景圖像進行開運算(先腐蝕，再膨脹)，消除噪聲和空洞現(xiàn)象，保證前景圖像的完整性。
??? 整個算法流程圖如圖3所示。
?
2 實驗結果
??? 為了驗證算法效果，實驗中使用分辨率為288×384的Road視頻序列[6]進行運動物體檢測與分割，同時還分別比較了基于高斯分布的運動檢測算法[3]、基于對稱差分的運動檢測算法[4]以及基于像素灰度歸類的運動檢測算法[5]，測試結果如圖4所示。從圖4的檢測結果中可以看出：
??? (1)高斯分布的方法（圖4(b)）對緩慢運動物體(圖4(a)中運動的人)的檢測效果較差，緩慢運動的人被融合到了背景中，造成了漏檢。
??? (2)像素灰度歸類方法（圖4(c)）能將運動的人和車都檢測出來，但是當運動物體上某些區(qū)域與背景相應區(qū)域的灰度值較為接近時，也會出現(xiàn)漏檢現(xiàn)象，如圖4(c)中人的腿部基本上沒有被檢測出來。
??? (3)對稱差分方法（圖4(d)）將圖4(b)和圖4(c)中漏檢的區(qū)域檢測了出來，但在檢測結果中混入了大量的噪聲點，影響了檢測的準確性。
??? (4)本文算法的檢測結果(圖４(e))在完整性和準確性方面較圖４(b)、圖４(c)、圖４(d)都有所提高，并且消除了噪聲的干擾。
?????????????? 
??? 本文提出了將對稱差分法與背景幀差法相結合的運動物體檢測方法, 兩種方法的結合使優(yōu)勢形成互補, 其優(yōu)點在于：(1)靜止下來的物體會在相鄰幀差處理時減掉，不會誤檢為運動物體, 并且能夠很快地更新到背景中去；(2)與背景幀差分時僅對幀差處理后的運動變化區(qū)域進行處理, 大大地減少了其它區(qū)域對檢測結果帶來的影響，也縮短了處理時間；(3)允許在有運動物體存在的情況下進行背景建模。實驗結果表明該方法快速、準確，有著廣泛的適用性。
??? 但是采用像素灰度歸類的方法建立背景模型時，當場景中某些區(qū)域背景出現(xiàn)的概率較低時,重構的背景圖像與真實的背景在這些區(qū)域的差別會很大，直接影響了檢測的準確性。另外，當背景物體發(fā)生劇烈運動時，如:狂風中樹枝的擺動,水面的劇烈波動等，將對運動檢測結果的準確性造成影響。如何對上述情況進行處理，以及研究復雜背景下的運動檢測算法將是今后進一步的研究方向。
參考文獻
[1] CUCCHIARA R，GRANA C，PICCARDI Metal.Statistic and?knowledge based moving object detection in traffic Sciences[C].Proceedings of the 3rd IEEE conference on intelligent?transportation system.dearborn，indiana，USA：IEEE computer society press，2000：27-32.
[2] MEIER T，NGUN K N.Video Segmentation for ContentBased Coding[J].IEEE Trans.on circuit s and systems for?video technology，1999，9(8)：1190-1203.
[3] GUPT S.MASOUND O.MARTIN RFK，et al.Detection and?classification for vehicles[J].IEEE transactions on intelligent transportation system，2002，3(1)：37-47.
[4] 周西漢，劉勃，周荷琴.一種基于對稱差分和背景消減的運動檢測方法[J].計算機仿真，2005，22(4)：117-123.
[5] 侯自強，韓崇昭.基于像素灰度歸類的背景重構算法[J].軟件學報，2005，16(9)：1568-1575.