唐开悦，王思涵

(广西师范大学，广西 桂林 541006)

1 引言

计算机技术和多媒体技术在近年来飞速发展，提高了图像目标检测技术在各个领域中的应用性能[1]。在计算机视觉领域中图像目标检测方法成为重要研究内容，在工程和科学中具有重要的研究价值，被广泛地应用在视频压缩、智能监控、医学诊断、智能机器人、虚拟现实和人机交互等领域中[2-3]。人体的运动过程包含了大量的视觉信息，研究人体运动动态图像目标的检测具有较大的应用价值和现实意义[4]。

程全[5]等人提出基于分块投影匹配的人体运动动态目标检测方法，该方法通过分块投影匹配方法估计全局运动参数，利用估计参数对图像背景进行补偿处理，根据背景减除法提取图像中存在的运动目标，实现运动目标检测，该方法无法消除图像中存在的阴影，存在图像清晰度低的问题。左军辉[6]等人提出基于改进背景减法的人体运动动态目标检测方法，该方法采用GMM图像块均值方法在背景建模阶段重构背景模型，结合小波半软阈值函数和数学形态学在目标检测阶段对运动目标进行去噪处理，通过自适应背景更新方法更新背景，实现人体运动动态目标的检测，该方法在背景建模阶段无法消除阴影区域和非阴影区域之间存在的边界线，导致检测过程的位置误差较大。王思明[7]等人提出基于BRISK算法的人体运动动态目标检测方法，该方法结合欧式距离和k近邻算法进行特征匹配，对顺序抽样一致性算法进行改进，提纯特征点，实现背景运动补偿，采用形态学对运动目标进行分割，利用BRISK算法实现目标检测，由于运动目标附近存在阴影，增加了该方法提取特征点所用的时间，存在检测效率低的问题。

为了解决上述方法中存在的问题，提出多自由度人体运动动态图像目标检测方法。

2 背景建模

多自由度人体运动动态图像目标检测方法通过高斯背景模型分离图像背景区域和目标区域。

1)背景初始化

采用K个高斯分布对图像中的像素颜色信息进行描述，利用高斯密度函数对各个分布进行描述，每个分布之间都是独立的[8]。设Xt代表的是像素点在t时刻的观测值；η(Xt，μi，t，∑i，t)代表的是第i个高斯分布对应的概率密度函数，其表达式如下

η(Xt，μi，t，∑i，t)=

(1)

式中，μi，t代表的是第i个高斯分布在t时刻对应的均值；∑i，t代表的是第i个高斯分布在t时刻对应的协方差。

设P(Xt)描述的是t时刻目标图像观测点对应的概率密度函数，其值可通过下述公式计算得到

(2)

式中，wi，t代表的是第i个高斯分布在t时刻对应的权值。

多自由度人体运动动态图像目标检测方法采用基于统计的方法在背景建模初期对模型进行初始化处理。将前N帧不含检测目标的图像像素对应的平均值作为初始化图像的观测值，减少背景建模过程中受其它因素的干扰。

设μ0代表的是在初始背景估计过程中某点对应的均值，其计算公式如下

(3)

式中，N描述的是图像帧数。

(4)

2)高斯分布模型匹配

读取新的人体运动图像后，逐一匹配K个高斯分布模型和每个像素点Xt，判定依据为

|Xt-μi.t-1|≤2.5σi

(5)

式中，2.5σi代表的是匹配阈值。如果满足上式表明该点为背景；如果不满足为运动目标。

3)高斯分布模型更新

通过对方差、均值和权值的更新实现高斯分布模型的更新。

利用下式更新权值

(6)

式中，α代表的是学习率。

通过下述公式对均值和方差进行更新

(7)

其中，参数ρ的计算公式如下

(8)

4)背景生成

(9)

3 人体运动动态图像目标检测

3.1 阴影去除

假设多自由度人体运动动态图像为局部平稳的，统计信息在图像非阴影区域和阴影区域中的相似度较高，匹配I分量图中非阴影区域与阴影区域的灰度，补偿阴影区域的亮度。

结合阴影投射方向和阴影区域获得邻近非阴影区域，设Qn代表的是非阴影区域集合，其表达式如下

Qn={p|0

(10)

式中，p代表的是阴影投射方向中存在的点；Ωs代表的是图像中的阴影区域；d(p，Ωs)代表的是阴影区域Ωs与点p之间存在的距离；dist代表的是距离阈值。

获得图像非阴影区域和阴影区域后，根据映射策略利用下式补偿阴影区域的灰度值

(11)

式中，I代表的是阴影区域补偿前对应的灰度值；I′代表的是阴影区域补偿后对应的灰度值；A代表的是亮度补偿强度系数；σs代表的是阴影区域对应的方差；ms代表的是阴影区域对应的均值；σn代表的是非阴影区域对应的方差；mn代表的是非阴影区域对应的均值。

阴影对图像产生影响，改变了其饱和度、色调和亮度，因此阴影区域的真实色彩不能只通过亮度得到补偿，多自由度人体运动动态图像目标检测方法采用下述补偿策略对S分量图和H分量图中存在的非阴影区域和阴影区域进行匹配

(12)

(13)

式中，S(i，j)、H(i，j)分别代表的是阴影区域在补偿前和补偿后对应的饱和度；mn、ms分别代表的是非阴影区域在补偿前和补偿后对应的色调值；B、C分别代表的是图像色调和图像饱和度在补偿过程中的强度系数。

在上述过程的基础上补偿图像阴影区域中的各个分量，将HSI(Hue Saturation Intensity ，色调饱和度)空间中存在的H、S、I分量转换到RGB空间中，实现图像阴影区域的消除。灰度突变现象经常存在于图像的阴影和非阴影区域中，消除阴影后两个区域之间在图像中仍然呈现一条明显的边界线[9]，多自由度人体运动动态图像目标检测方法完成阴影补偿后，通过中值滤波处理消除阴影边界处存在的边缘效应，使阴影区域经过补偿后可以平滑的过渡到非阴影区域。

3.2 目标检测

在二阶自回归模型的基础上建立运动模型

Xt-Xt-1=Xt-1-Xt-2+Ut

(14)

式中，Xt代表的多自由度人体运动目标，其表达式如下

(15)

多自由度人体运动动态图像目标检测方法选择灰度分布对多自由度人体运动目标进行描述，对参考目标与目标样本进行对比，根据对比结果建立观测模型。

(16)

式中，C代表的是归一化常数；l代表的是人体运动目标对应的中心(x，y)；h代表的是目前区域的大小；k(·)代表的是核函数；δ(·)代表的是Kronecker Delta函数。

在目标中心与区域中心重合的基础上选取固定区域，最大限度地使固定区域与目标吻合，因此在不同方向的固定区域中，距离中心较近的像素越有可能属于目标[10]。通过上述分析可知，当区域中的像素位置高于设定的范围时，多自由度人体运动动态图像目标检测方法选择负指数分布对像素属于目标的概率进行描述

(17)

式中，参数θ的取值为1；|·‖代表的是距离范数；Td代表的是阈值。

(18)

(19)

在上式的基础上构建观测概率模型

(20)

式中，λ为控制参数。设t代表的是目标在图像中的平均状态；为观测概率，可在观测概率模型的基础上计算得到，构建人体运动目标的目标更新模型，利用目标更新函数实现多自由度人体运动动态图像目标的检测

(21)

4 实验结果与分析

为了验证多自由度人体运动动态目标检测方法的整体有效性，需要对多自由度人体运动动态目标检测方法进行测试。本次测试的实验平台为CPU2.1GHz，2GB RAM计算机。基于MATLAB7.11平台实现图像显示，在Visual Studio 2010 MFC平台中通过摄像头获取图像。分别采用多自由度人体运动动态图像目标检测方法(方法1)、基于分块投影匹配的人体运动动态目标检测方法(方法2)和基于改进背景减法的人体运动动态目标检测方法(方法3)进行测试，对人体运动动态目标进行检测之前，需要对图像进行预处理，不同方法的图像处理结果如图1所示。

图1 不同方法的图像预处理结果

图1(a)为方法1对人体运动动态图像处理后的结果，可以看出处理后的图像清晰度较高，不存在模糊区域和阴影区域。图1(b)为方法2对人体运动动态图像处理后的结果，该方法对图像进行处理后图像中还存在大面积的模糊区域。图1(c)为方法3对人体运动动态图像处理后的结果，采用该方法对图像进行预处理时无法消除图像中存在的阴影部分。对比方法1、方法2和方法3的测试结果可知，方法1预处理后的人体运动动态图像的清晰度较高，因为该方法通过高斯模型进行背景建模，在目标区域中结合数学形态处理和小区域去除方法根据阴影区域饱和度高和亮度值低的特性确定阴影区域，并通过匹配补偿去除图像中存在的阴影，提高了人体运动动态图像的清晰度。

将位置误差作为测试指标对方法1、方法2和方法3进行测试，测试结果如图2所示。

图2 不同方法的位置误差

分析图2中的数据可知，方法2对人体运动动态图像目标进行检测时，当图像帧数为40frames时位置误差飞速增加，因为该方法无法消除图像中的模糊区域，导致在目标跟踪过程中的位置误差较大。方法3对人体运动动态图像目标进行检测时，随着图像帧数的增加位置误差不断增加，因为该方法在目标跟踪过程中将阴影区域误当做目标，增大了位置误差。采用方法1对人体运动动态图像目标进行检测时的位置误差较小，因为该方法通过降低阴影区域的饱和度，提高阴影区域的亮度值，消除图像中存在的阴影，降低了目标跟踪过程中产生的位置误差。

为了进一步验证方法1、方法2和方法3的整体有效性，通过运行时间测试不同方法的检测效率，结果如3所示。

图3 不同方法的运行时间

分析图3中的数据可知，随着图像帧数的增加，方法1、方法2和方法3检测多自由度人体运动动态图像目标所用的时间不断增加，但方法1所用的时间仍少于方法2和方法3所用的时间，因为方法1完成阴影补偿后，为了减弱边缘效应，对阴影边界进行中值滤波处理，使阴影区域经过补偿后可以平滑的过渡到非阴影区域，提高了图像的清晰度，更好的体现了目标在图像中的细节信息，缩短了检测所用的时间，提高了方法1的检测效率。

5 结束语

在人体运动视觉分析中人体运动目标检测是重要内容，在计算机视觉领域中成为人们研究的热点。人体运动目标检测具有极大的经济价值和广泛的应用前景，被应用在人体运动细节分析、高级人机交互和智能安全监控等领域中。目前人体运动动态图像目标检测方法存在图像清晰度低、位置误差大和检测效率低的问题，提出多自由度人体运动动态图像目标检测方法，在图像预处理过程中结合数学形态处理和小区域去除方法消除目标周围存在的阴影，根据像素在图像中的灰度分布实现人体运动动态图像的目标检测，解决了当前方法中存在的问题和难点，为人体运动视觉分析技术的发展奠定了基础。