运动目标的分区域混合检测方法

汤希玮　胡　伟



运动目标的分区域混合检测方法

汤希玮胡伟

（湖南第一师范学院 信息科学与工程系，湖南 长沙 410205）

准确检测出运动目标是视频监控系统的关键环节。文章综合相邻帧间差分与背景差分的优点，首先利用相邻帧差分法对运动目标进行粗略检测，然后进行区域分割并找出存在运动目标区域，并根据各像素点的不同情况分别采用不同的背景模型再次进行背景差分，同时加以阴影消除，准确检测出运动目标。实验表明，该方法快速准确，在各种环境下具有较高的适用性。

视频监控；运动目标检测；背景差分；帧间差分

1　引　言

目前视频监控越来越广泛于城市治安管理，银行金融保护和小区与家庭的安防中。如何准确有效地检测出运动目标是智能视频监控系统中的基础和关键。常见运动检测的方法主要有三类：基于光流场的运动检测、基于相邻帧图像差分的运动检测和基于背景差的运动检测。其中，基于光流场的运动检测由于计算复杂，需要专门的硬件支持，并且耗时，不太适合实时监测的要求[1]。基于相邻帧图像差分的运动检测通常具有较强的实时性，实现也较简单，能较好地适应动态环境，但是只能得到运动目标的部分信息，丢失了很多细节信息[2]；基于背景差的运动检测能比较准确地检测出前景信息，受外界的条件影响较大[3]。

综合考虑上述各种检测方法各自特点，文章提出一种综合利用相邻帧差分和背景差分相综合的分区域检测方法，首先根据每个像素点的不同情况分别进行单高斯或混合高斯建模，通过帧间差分进行初步检测，然后分区域判断是否存在运动目标，对于存在运动目标的区域则根据各个像素点的不同情况进一步采取不同的背景模型进行背景差分，再进行阴影消除，最终得到准确的检测目标，这样有利于减少计算量和空间冗余。

2 分区域的运动目标混合检测算法

2.1背景模型的建构

在视频运动目标（即前景）的检测中，背景模型的建立是基础和关键。但是，背景情况非常复杂，例如受光线或灯光的影响，使背景整体亮度等外部环境发生变化，或者在同一背景中，有些部分变化微小，如天空等。有些部分变化显著，例如树叶摇动等。在目前常用的高斯建模中基本上都是统一使用相同数目的高斯分布拟合背景，这样大大增加了运算量和空间冗余。事实上，我们可以根据各像素点的变化情况分别采用单高斯建模或多模态混合高斯建模。

对于单模态点，采用（2）式高斯模板建立单一模型，并且认为每一点的高斯分布都是独立的[4]。

对于多模态点，则按照高斯分布建立多个混合模型，这样可同时处理多种背景变化。其混合高斯背景模型的概率分布为：

2.2场景的帧间差分检测

在当前常用的视频监控设备中，视频监控设备所拍摄的图像均由R（红）、G（绿）、B（蓝）3种分量组成，同时还加入了色度和亮度信息。如果我们将视频中的色度和亮度信息加以区分，则能更好地描述物体[6]。为了更准确进行检测，将连续两帧进行色度和亮度差分处理。

色度信息则通过R、G、B 的数据确定：

2.3基于分区域运动目标的精确检测与提取

若该帧有运动物体存在，但通过帧间差分所得到运动目标结果也并不理想。对于运动速度过快或者体积较大且表面颜色相近的运动目标，帧间差分检测结果有空洞现象，检测信息不完整，需要对其采取进一步的处理措施。而事实上，需要进一步采取措施的仅仅是运动目标区域，而且对于大部分的视频监控场景而言，运动目标区域占整个场景的较少部分，其他大部分的场景是不需再进行处理的不含运动目标的区域。因此，我们可将整个场景分割为若干个小区域，只针对含运动目标区域采用背景差分进行运动目标的精确提取，这可减少大量的运算，同时有利于抑制一些孤立的噪声点。

分割的区域面积大小的选择应根据检测目标大小进行恰当地选择。若区域面积过大，则达不到场景分割的目的，若区域面积过小，不但检测不出帧间差分检测法中的空洞，而且还会增加计算量。根据实践经验，一般可按4×4或5×5的方法进行分割[8]。

在运用背景差分对存在运动物体的区域进行检测过程中，首先判定该区域中像素点的类型。若为单模态点，采用（6）式进行检测，

若场景中的像素点为多模态点，则混合高斯模型去拟合[9]。若满足（7）式

通过（6）（7）式完成了场景中运动目标的提取。在这个处理过程中是对可能出现了运动目标的区域进行的进一步背景差分处理得到的,处理区域不大,且可以有效地排除其他区域的干扰,同时减少了计算量，有利于提高整个系统的实时性。

2.4运动目标的阴影检测

= {，且存在X在空间满足式(7)的背景分布模型}。

3　算法实现与结果分析

基于分区域的运动目标混合检测算法主要包括视频序列预处理、背景模型选定、帧间差分运算、运动目标的判断、运动目标区域判定、区域背景差分、阴影检测等步骤，其算法结构框图如图1所示。

图1.算法结构框图

图2.各种算法的效果比较

图2中的(a) 图是本段视频中某一帧的源图像。(b) 图是通过本文所设计的算法而得到的源图像的背景图像。(c)图是采用的帧间差分法得出的差分图像，在(c)图中可以清楚地看出，运用对称差分法虽然能够得到检测目标的较为完整的轮廓，却丢失了检测目标的许多细节信息，形成了较大的空洞。(d)图是采用了基于Stauffer等人所研究的混合高斯模型而得到的差分图像。从(d)图中可以非常明显地看出，虽然我们得到了较好的检测目标细节信息，但是检测结果受到非常大的阴影干扰，增加了较多的额外信息。在(c)图和(d) 图中还含有一些由背景扰动和噪声而导致的非运动目标的噪声点。(e)图则是采用了基于分区域的相邻差分和背景差分的混合算法所得到的图像。从实验结果(e)图中可看到，它克服了帧间差分法只能检测到目标轮廓的缺陷，由于只对运动目标出现的区域进行检测，所以能更好地排除孤立噪声点的干扰，减少了背景像素点误检为前景点的个数。因此，不但完整精确地检测出了前景目标信息，而且噪声很少，并且大大缩短了检测时间，检测效果优于前述两种算法的检测效果。

4　结　语

本文综合了对称差分法和和基于彩色混合高斯模型的背景差分法两者的各自的优点，提出了视频监控系统中种改进的精确目标检测算法。其特点是不但能准确提取并更新背景模型，并能准确检测出运动目标的细节信息。通过分区域的检测方法，能有效地提高减少非必要的运算，提高检测速度。通过实验测试表明，文中的方法检测准确，实行性强，稳定性强，具有一定的实用性。

[1] 彭可,陈燕红,唐宜清.一种室内环境的运动目标检测混合算法[J].计算机工程与应用,2008,(5):239-241.

[2] 樊晓亮,杨晋吉.基于帧间差分的背景提取与更新算法[J].计算机工程,2011,(22):159-161.

[3] Rymal J,Renno J,Greenhill D,et al.Adaptive eigen back–grounds for detection[C]//The IEEE International Conference on Image Processing(ICIP),2004.

[4] 孙挺,齐迎春,耿国华.基于帧间差分和背景差分的运动目标检测算法[J].吉林大学学报(工学版),2016,(4):1325- 1329.

[5] 王水鱼,李艳婷.基于Surendra背景差分和帧间差分的运动目标检测[J].微型机与应用,2016,(17):42-44.

[6] Elgammal A,Harwood D,Davis L.Non-parametric model for background subtraction.ICCV Frame RateWorkshop,1999: 246-252.

[7] 白向峰,李艾华,等.新型背景混合高斯模型[J].中国图象图形学报,2011,(6):983-988.

[8] 傅赟,王桂丽,等.交通监控系统中视频运动目标检测算法研究[J/OL].http://kns.cnki.net,2017-09-13.

[9] 赵冠华,冯晓毅,等.结合对称差分法和背景减法的目标检测方法[J].计算机工程与应用,2010,(3):145-147.

[10] Rosin P L ,Ellis T.Image difference threshold strategies and shadow detection. Proc. of the Sixth British Machine Vision Conference,1995,347–356.

[11] 丁芒,彭黎辉,等.复杂交通场景中的运动目标提取方法[J].计算机工程,2011,(7):184-186.

[12] 韩红斌,郭红.基于分块统计模型的运动目标提取方法研究[J].电子科学技术,2017,(4):54-56.

[13] SHENG ZUNBING, CUIXIANYU. An adaptive learning rate GMM for background extraction[J].Optoelectronics Letters,2008,(6):174-176.

（责任编校：何俊华）

2017－05－15

湖南省教育厅科学研究项目（项目编号14C0 243）。

汤希玮（1973－），男，湖南常德人，湖南第一师范学院副教授，博士，国防科技大学博士后，主要从事计算机应用研究；胡伟（1978－），男，湖南长沙人，湖南第一师范学院副教授，主要从事计算机仿真研究。

TP391.41

A

1673-2219（2017）10-0085-04