一种快速运动目标检测算法

2012-06-05 03:21蒋建国安红新齐美彬
关键词:像素点背景监控

高 飞, 蒋建国, 安红新, 齐美彬

(合肥工业大学 计算机与信息学院,安徽 合肥 230009)

智能视觉监控是计算机视觉研究领域中一个新兴的研究方向。它与传统的监控方式不同,主要是利用计算机视觉的方法,对摄像机采集到的视频图像进行检测和分析。当发生异常情况时,可以根据需要对场景中的运动目标进行识别和跟踪,并自动发出警报[1],有效地提高了监控系统的智能性。

智能视觉监控算法一般以David Marr的视觉理论为框架,主要包括运动目标检测、目标跟踪和高层运动分析[2]等部分。目标检测旨在从视频流的背景图像中提取出运动目标的活动区域。目标跟踪和高层分析算法都是针对活动区域内的像素点进行的,因此区域分割的好坏直接影响到整个智能监控系统的性能,运动目标检测技术是智能视觉监控领域的基础问题。智能视觉监控系统的目的是实时分析视频流数据,而不是事后分析,因此系统对视频分析算法的实时性要求很高。而大多数算法计算复杂,很难满足实时视频分析的要求。

快速且鲁棒的运动目标检测技术是智能视频监控系统的关键技术之一。本文对常用的运动目标检测算法进行了介绍,借鉴帧间差分法和背景减法的主要思想,提出了一种基于改进背景减法的快速目标检测算法,并给出了相应的实验结果。该方法算法简单、可实时实现复杂场景下运动目标的检测与分割。

1 常用运动目标检测算法介绍

运动目标检测的方法有很多种,根据背景是否复杂、摄像机是否运动等监控环境的不同,算法之间也有很大的差别。其中最常用的3类方法是:光流场法[3]、帧间差分法[4]、背景减法[5]。

光流场(Optical Flow)是用来表征图像中像素点的灰度值发生变化趋势的瞬时速度场。文献[6]提出了光流场的计算方法,其在2帧图像的灰度变化和时间间隔都很小的前提下,推导出了光流的基本约束方程,奠定了光流场计算的理论基础。基于光流场的运动目标检测方法,充分利用了目标运动随时间变化的光流特性,由于通过计算光流场得到的像素运动向量是由目标和摄像机之间的相对运动产生的,因此该类检测方法可以适用于摄像机静止和运动2种场合。但是多数光流场计算方法相当复杂,且容易受到噪声影响,使得计算出的光流场分布不可靠,且在求解光流方程时耗时大,因此应用性和实时性较差,不适合在实时的视频监控系统中使用。

帧间差分法(Temporal Difference)是指选取视频流中的连续2帧或3帧图像信息,利用不同帧图像对应位置像素点的差分运算结果进行目标检测的一类方法[7]。其优点是计算简单、检测速度快,对动态环境具有很好的适应性,但是该类方法对噪声十分敏感;由于运动目标在相邻帧图像内的位置变化缓慢,目标内部在不同帧图像中相重叠的部分很难检测出来,因此该类方法提取的目标不完整,内部多含有空洞。帧间差分法通常不单独应用在运动目标检测中,往往与其他的检测算法结合使用。

背景减法(Background subtraction)是当前运动目标检测技术中应用较为广泛的一类方法,其基本思想和帧间差分法类似,都是利用不同图像的差分运算提取目标区域。与帧间差分法不同的是,背景减法不是将当前帧图像与相邻帧图像相减,而是将当前帧图像与一个不断更新的背景模型相减,在差分图像中提取运动目标。

利用背景减法实现目标检测主要包括如下4个环节[8]:背景建模、背景更新、目标检测、后期处理。其中,背景建模和背景更新是背景减法中的核心问题。背景模型建立的好坏直接影响到目标检测结果。所谓背景建模,就是通过数学方法,构建出一种可以表征“背景”的模型。获取背景的最理想方法是在没有运动目标的情况下获取一帧“纯净”的图像作为背景,但是,在实际情况中,由于光照变化、雨雪天气、目标运动等诸多因素的影响,这种情况是很难实现的,为此,人们提出了各种方法实现背景建模和背景更新。多帧平均法是一类最简单的背景建模方法,它将多帧图像的累加平均值作为背景模型,该类方法处理速度快,但是当场景中目标运动缓慢时,目标的影像会污染背景。文献[9]使用混合高斯模型(Gaussian mixture model,简称GMM)描述像素的灰度值变化,利用多个高斯模型描述灰度的多峰分布,可以有效地抑制运动干扰,但是过多增加高斯模型的个数会增加计算量;文献[10]提出了一种改进的方法自适应地选择高斯模型的数目,可以在一定程度上提高该类算法的运算速度;文献[11]提出了一种基于多层背景模型的前景检测算法,将背景分为参考背景和动态背景2层,可以有效解决静止目标检测和目标阴影消除的问题;文献[12]根据对像素的统计,通过建立码书(Codebook)的方法表征背景。针对光照突然发生变化的情况,文献[13]提出使用隐马尔可夫模型的方法解决这一问题,该类方法将突变的情况看作是一种离散状态,对每一个像素点建立状态转移模型;文献[14]认为在连续的视频序列中,真实背景像素点的灰度值出现的次数最多,并据此建立了背景模型,当运动物体出现的概率大于背景出现的概率时,该方法会失效。

2 快速运动目标检测算法

由上述介绍可知,帧间差分法是对相邻2帧或3帧图像进行差分,然后分割出运动目标,优点是对光照等外界条件的适应性好,但缺点是位置不准确,目标区域不完整;背景减法[15]的特点是算法简单、定位精度高、实时性好,完全克服帧差法的不足,但缺点是提取的目标存在空洞,且背景必须实时更新以适应光照、天气等外界条件的变化;多帧平均法可以建立较好的背景模型,但是需要保存N帧图像信息,增大了系统内存的开销;高斯混合模型方法可以直接在当前帧图像中检测出目标,但是计算复杂,算法实时性较差;其他的背景建模方法虽然效果较好,但是计算都比较复杂,应用有一定的局限性。本文借鉴帧差法和背景减法的算法思想,提出了一种基于改进背景减法的快速运动目标检测算法。

2.1 背景模型的初始化

本文借鉴背景减法的思想实现运动目标检测的功能。考虑到监控系统的实时性要求,算法并不事先建立复杂精确的背景模型,而是将采集到的第1帧图像作为背景图像,虽然该图像不一定就是真实的背景,但是随着背景模型的不断更新,该模型会越来越接近于真实的背景。

2.2 运动目标检测

算法将当前采集到的图像与系统维护的背景模型进行差分运算,当运算结果超过一定阈值时,即可判断图像中对应的像素点属于运动目标区域,并产生相应的二值化图像,运算过程为:

其中,fn(x,y)为系统当前采集到的图像帧(x,y)位置处像素点的灰度值;B(x,y)为背景图像中对应位置像素点的灰度值,如果2个值相减的差值超过阈值T,该点即为运动像素点,否则系统判定其为背景像素点;图像Rn为含有运动目标区域的二值化图像。

2.3 背景模型的更新策略

由于监控场景中的光照变化和无关外来事件的干扰,真实的背景是不断变化的,因此系统需要不断地更新背景模型,以适应这种变化[16]。算法对不同原因引起的背景变化,分别采取不同的背景模型更新策略。

(1)背景缓慢变化时的更新策略。当由于光照变化引起真实背景发生缓慢变化时,系统需要实时更新背景模型。如果对图像中的每一个像素点都进行更新,则有可能将运动目标的影像引入到背景模型中,“污染”了背景模型。因此,本文采用选择性更新背景的方法,只对判断为背景像素点的区域进行更新,运算过程为:

其中,Bn为系统采集当前帧图像时所维护的背景模型;Bn-1为系统采集上一帧图像时所维护的背景模型;fn为系统采集的当前帧图像;BW(x,y)=1说明在目标检测阶段,该像素点被判定为运动像素点,反之为背景像素点;α为背景模型学习速率,反应了系统维护的背景模型对场景变化适应性的快慢程度。

(2)背景发生突变时的更新策略。当有物体进入场景后停止了运动,或者停留的对象发生运动离开场景等情况时,会导致真实背景发生明显的变化,此时如果仍按照上面提出的方法进行背景模型的缓慢更新,则会使真实背景中发生变化的部分仍作为运动目标被检测到,产生错误的检测结果。针对这种情况,本文算法采取了相应的背景模型更新策略。

当系统通过背景减法判断出像素点是“运动像素点”后,进一步判断该像素点在一段时间内是否还会发生变化,如果还会发生变化,则说明该像素点确实属于目标对象;如果不再发生变化,则说明该像素点已经融入了背景,属于背景像素点。具体方法为:使用帧间差分法,将当前帧图像和上一帧图像相减,如果差值小于一定的阈值,即满足(3)式,则对该像素点进行计数。当计数值Count超过一定阈值时,说明该像素点已经融入背景,可判断为背景像素点;反之则判断为运动像素点,按照(2)式对其进行背景模型的更新。

2.4 运动目标检测的后期处理

由(1)式得到的二值化图像除了含有运动目标外,还有少量的噪声,而且在目标内部仍有些小的空洞,本文算法对其采用形态学滤波的方法进行处理,考虑到实际监控场景中目标(人或车辆)的长宽特性,采用宽度为4个像素、高度为10个像素的矩形模板,先进行腐蚀运算,滤除图像中的噪声;再进行膨胀运算,填补目标内部的空洞[17];最后使用积分投影法对目标进行分割,从而在当前图像中提取出完整的运动目标。

3 实验结果及分析

(1)实验一。针对室内室外2种监控环境的测试序列,使用本文算法对2组视频序列进行实验,实验结果如图1所示。由图1b可以看出,本文算法提取的背景较为“纯净”,虽然提取的背景上有一些目标的影响,但并不影响检测结果,而且与多帧平均法建立背景模型相比,本文算法不仅避免了鬼影现象的产生,还大大节省了系统内存的开销;同时,算法可以检测单个或多个目标,适用于室内或室外的监控场景。

(2)实验二。针对背景发生光照突变的测试序列,使用本文算法进行了实验,实验结果如图2所示。对比图2a和图2d,可以看出背景图像发生了明显的光照变化,由图2b和图2e可知,本文算法建立的背景模型及时地进行了更新,由图2c和图2f显示的检测结果可知,这一变化并没有影响对目标的提取结果。由实验结果可知本文算法采用的背景模型更新策略,可以很快地适应场景的变化,可以满足智能视频监控的要求。

图1 室内监控场景序列的实验结果

图2 背景发生变化序列的实验结果

4 结束语

本文提出的目标检测算法,使用背景减法提取完整的运动目标,采用选择性更新的方法更新背景模型,利用帧间差分法解决背景发生突变时产生的问题,运用形态学滤波的方法对得到的含有目标的二值化图像进行处理,最后使用积分投影法实现运动目标的分割提取。实验结果表明,本文算法运算量小,无需建立复杂的背景模型,与多数基于背景减法的目标检测算法相比,有效地减少了计算,节省了系统内存的开销,满足实时性要求;对于背景发生突变的情况,算法可以及时更新背景模型,从而保证目标提取的准确性。本文算法可以检测场景中的单个或多个目标,适用于室内或室外不同的监控场景,可以很好地满足智能视觉监控系统对目标检测的要求。

[1]滕 游.基于DSP的运动目标检测与跟踪系统的设计与实现[D].杭州:浙江工业大学,2009.

[2]张 娟,毛晓波,陈铁军.运动目标跟踪算法研究综述[J].计算机应用研究,2009,26(12):4407-4410.

[3]Lu Ziyun,Liu Wei.The compensated HS optical flow estimation based on matching Harris corner points[C]//Proceedings of International Conference on Electrical and Control Engineering,Wuhan,China,2010:2279-2280.

[4]曲巨宝,林宏基.运动图像快速跟踪技术研究[J].重庆师范大学学报:自然科学版,2011,28(1):44-48.

[5]Pal A,Schaefer G,Celebi M E.Robust codebook-based video background subtraction[C]//Proceedings of IEEE International Conference on Acoustics Speech and Signal Processing,Dallas TX,2010:1146.

[6]Schunck H.Determining optical flow[J].Artificial Intelligence,1981,17(1-3):185-203.

[7]杨 强,齐美彬,蒋建国.一种用于车辆检测的选择性背景更新方法[J].合肥工业大学学报:自然科学版,2011,34(4):509-514.

[8]郭春生,王 盼.一种基于码本模型的运动目标检测算法[J].中国图象图形学报,2010,15(7):1079-1083.

[9]Stauffer C,Grimson W E L.Adaptive background mixture models for real-time tracking[C]//Proceedings of Computer Vision and Pattern Recognition,Fort Collins,Colorado,USA,1999:246-252.

[10]Zivkovic Z.Improved adaptive Gaussian mixture model for background subtraction[C]//Proceedings of International Conference on Pattern Recognition,Cambridge,UK,2004:28-31.

[11]杨 涛,李 静,潘 泉,等.一种基于多层背景模型的前景检测算法[J].中国图象图形学报,2008,13(7):1303-1308.

[12]Kim K,Chalidabhongse T H,Harwood D.Real-time foreground-background segmentation using codebook model[J].Real-Time Imaging,2005,11(3):172-185.

[13]Zhang Boping,Wang Rong.An HMM segmentation method based statistical layered model for an image of vehicle[C]//Proceedings of 2nd International Conference on Networking and Digital Society,Wenzhou,China,2010:352-361.

[14]齐美彬,王 倩.基于背景像素值频次最高假设的背景重构算法[J].中国图象图形学报,2008,13(4):723-728.

[15]李劲菊,朱 清,王耀南.一种复杂背景下运动目标检测与跟踪方法[J].仪器仪表学报,2010,31(10):2242-2247.

[16]安宝磊,蒋建国.利用目标分割指导的背景更新算法[J].工程图学学报,2008(2):125-130.

[17]董士崇,王天珍,许 刚.视频图像中的运动检测[J].武汉理工大学学报:信息与管理工程版,2004,26(4):1-3.

猜你喜欢
像素点背景监控
“新四化”背景下汽车NVH的发展趋势
The Great Barrier Reef shows coral comeback
基于局部相似性的特征匹配筛选算法
《论持久战》的写作背景
你被监控了吗?
Zabbix在ATS系统集中监控中的应用
基于5×5邻域像素点相关性的划痕修复算法
基于canvas的前端数据加密
基于逐像素点深度卷积网络分割模型的上皮和间质组织分割
晚清外语翻译人才培养的背景