基于视频序列的运动目标检测
2010-03-26王天苓安博文
王天苓,安博文
(上海海事大学信息工程学院,上海200135)
随着计算机技术的飞速发展,计算机视觉监控应用越来越广泛。从国内外范围来看,运动目标检测一直是视觉监控领域研究的热点和难点之一,是对图像进一步目标分类、跟踪、行为分析等后续处理的关键,因此运动目标检测技术研究具有非常重要的意义。
近年来,国内外学者对视频运动检测进行了许多研究,常用的有光流法、帧差分法、背景差分法等[1]。
光流场法无需预知场景的任何信息也能检测出运动对象,但算法复杂度大、实用性较差;帧差分法是对相连续的图像进行帧差分,能够较准确地检测到运动目标轮廓,实时性较高,但是,由于相邻帧的纹理、灰度等比较相近,通常只能得到部分运动信息,不能完整地实现目标分割;背景差分法主要是首先进行背景建模,然后利用当前帧与背景帧差分来提取运动目标,之后每个像素的值和阈值相比较,若该像素的值大于该阈值,则认为该点是前景点,否则是背景点。在现实复杂场景中天气、光线等因素对检测效果有一定影响。另外,选择一种适用于实际工程应用的阈值算法,才能使运动目标与背景能够较好的分离。
作者结合在实际工作的项目,采用了自适应背景提取、背景差分和阈值分割相结合的方法实现运动目标的检测,提高了目标分割的准确度,并且能够满足系统实时性的要求。
1 预处理
1.1 灰度化
通过采集设备实时从外界环境中获取RGB彩色图像,其颜色种类虽多,但并非都有很大作用,因此可以把彩色图像灰度化,其灰度值和RGB颜色对应关系如下:
1.2 滤波、去噪
运动目标检测所涉及到的噪声一般来说呈现高斯分布,实验也证明选用高斯滤波能够取得比均值滤波、中值滤波等方式更好的效果。
一维零均值高斯函数为:
其中,高斯分布参数σ决定了高斯滤波器的宽度。对图像处理来说,常用二维零均值离散高斯函数作平滑滤波器:
对连续高斯分布进行采样、量化,并归一化模板,得到以下离散模板对图像进行滤波:
2 运动目标提取
2.1 自适应背景提取
以固定摄像机和交通场景为例,自适应背景提取方法有很多,在实际使用的主要有3种,即混合髙斯背景建模(MoG)算法、Surendra算法、自适应中值滤波器(AMF)算法。MoG算法在小车流量时效果、鲁棒性较好,但不适合复杂场景;Surendra算法与AMF算法能较快地适应背景的实时变化,满足在不同天气状况、光照下提取背景的要求,在城市交通监控工程中应用前景较广。本文对Surendra算法进行改进,实现自适应背景提取[2-5]。
Surendra算法提取背景的思想为:通过背景差分找出运动区域,使运动区域内的背景保持不变,而非运动区域的背景则用当前帧进行更新,经过一定帧数的迭代即可提取出背景。由于Surendra算法没有对得到的二值图像进一步处理,当连续两帧的前景有纹理相似的重叠部分时会形成空洞,如图1(b)所示,本文改进算法对二值图像进行形态学处理,使得空洞被填充,如图1(c)所示,从而消除了原始Surendra算法的不足。
图1 效果对比图Fig.1 Results contrast images
具体步骤及改进如下:
1)把第一帧图像I0作为原始背景B0,在这里兼顾准确性与实时性,采用前30帧图像平均作为原始背景,经验证效果更好。
2)令迭代参数i=1;
3)求当前背景差分的二值图像BWi:
其中Ii,Ii-1分别为当前帧和上一帧图像,abs(Ii-Ii-1)为两帧差分的绝对值,T为阈值。
4)对二值图像BWi进行形态学处理,二值图像BWi变为DBWi。然后利用式(6)更新背景:
其中,Bi(x,y),DBWi(x,y)分别为背景图像和二值图像在坐标(x,y)处的值,更新系数α值为0.1。
5)i=i+1,返回步骤3)迭代,迭代到一定帧数时的Bi即为提取出的背景。效果如图2所示。
图2 算法效果图Fig.2 Results diagram of algorithm
2.2 阈值分割
常用的阈值算法有迭代法、双峰法和大津法等。迭代法实现较复杂,且运算时间长;双峰法处理某些图像的效果较好,但试验证明不适于车辆视频图像处理;大津法得到二值图像的车辆内部仍存有少量空洞,但其分离情况较好,所以这里选用大津法。
大津法,又叫最大类间方差法(简称OTSU),是一种自适应阈值分割方法,它以图像的灰度直方图为基础,依据类间距极大准则来确定分割门限,对图像进行分割。方法如下:
设图像有L个灰度级,灰度值是i的像素数为ni,则总的像素数是
各灰度值出现的概率为
设以灰度t为门限将图像分割成两个区域,灰度级为1~t的像素区域A(背景类),灰度级为(t+1)~(L-1)的像素区域B(目标类)。A、B出现的概率分别为
A和B两类的灰度均值分别为
图像总灰度均值为由此可以得到A,B两区域的类间方差:
为了得到最优分割阈值,把两类的类间方差作为判决准则,将式(12)代入式(13),使得σ2最大的T即为所求的最佳阈值:
背景和目标之间的类间方差越大,说明构成图像的两部分的差别越大,因此,使类间方差最大的分割意味着错分概率最小。部分帧的效果如图3所示。
图3 部分帧与各自相应背景差分后的二值图像Fig.3 Current frames and their binary images difference with their background
3 后处理
如图3所示,在二值图像中,有时存在很多细小的噪声,即便前景本身也可能不是完整的,甚至部分还存在空洞。因此,需要进行数学形态学处理以得到前景的完整效果。
基本的形态学处理是腐蚀和膨胀[6]。腐蚀(Erosion)是消除目标图像中的无用点的一个过程。一般意义的腐蚀定义为:对Z中的集合A和B,使用B对A进行腐蚀,用A⊖B表示:
式(14)表明,使用B对A进行腐蚀就是所有B中包含于点z的集合用z平移。
膨胀(Dilation)是腐蚀运算的对偶运算(逆运算),A被B膨胀定义为:
式(15)是以得到B的相对于其自身的映像B^并且由z对映像进行位移为基础的。A被B膨胀是所有位移z的集合,这样B^和A至少有一个元素是重叠的。膨胀是将与目标接触的所有点合并到该目标的过程。膨胀在填补分割后目标中的空洞很有用。
将上述提取出来的前景(运动目标)通过形态学处理得出的部分结果如图4所示。
图4 部分帧通过形态学处理后得到的完整运动目标Fig.4 Complete moving target get by morphological processing
4 结论
本文提出了一种改进的基于自适应背景提取与自适应阈值相结合的背景差分法来实现对运动目标物体的检测,并结合了高斯滤波及形态学处理的方法。通过实验验证,该方法在实际工程中可不断的更新背景,能用自适应阈值准确、有效、完整的对运动目标进行分割[7-8]。
本文算法通过编程试验,取得了较好的运动目标检测效果,对于后期目标分类、跟踪、视频分析、视频编码、视频检索以及视频监控等具有实际应用价值。
[1]Robert K.Video-based traffic monitoring at day and night[C]//Proceedings of the 12th International IEEE Conference on Intelligent Transportation Systems.St.Louis,MO,USA,2009.
[2]Surendra,Gupte,Osama,et al.Detection and classification of vehicles[J].IEEE Transactions on Intelligent Transportation Systems,2002,3(1):37-47.
[3]王正勤,刘富强.自适应背景提取算法的比较[J].计算机工程,2008,34(23):220-223.
WANG Zheng-qin,LIU Fu-qiang.Comparison of adaptive extract algorithm of object scene[J].Computer Engineering,2008,34(23):220-223.
[4]袁基炜,史忠科.一种快速运动目标的背景提取算法[J].计算机应用研究,2004,2l(8):128-129.
YUAN Ji-wei,SHI Zhong-ke.An algorithm of automatic background extraction of target based on fast motion[J].Application Research of Computers,2004,21(8):128-129.
[5]罗志升,王黎,高晓蓉,等.序列图像中运动目标检测与跟踪方法分析[J].现代电子技术,2009,32(11):125-128.
LUO Zhi-sheng,WANG Li,GAO Xiao-rong,et al.Analysis of moving object detection and tracking in sequence image[J].Modern Electronics Technique,32(11):125-128.
[6]Gonzalez R C,Woods R E.数字图像处理[M].北京:电子工业出版社,2007.
[7]李春生,龚晓峰.视频序列中的运动目标检测与跟踪[J].现代电子技术,2009,32(23):149-151.
LI Chun-sheng,GONG Xiao-feng.Detection and tracking of moving object in vedio sequence[J].Modern Electronics Technique,2009,32(23):149-151.
[8]张建军,黄山,张洪斌,等.基于视频的运动目标检测与识别[J].现代电子技术,2009,32(8):87-91.
ZHANG Jian-jun,HUANG Shan,ZHANG Hong-bin,et al.Moving object detection and recognition based on video[J].Modern Electronics Technique,2009,32(8):87-91.