王俊卜 宋英磊 张冰 孙陶莹

摘 要： 针对视频图像中的目标检测问题，提出基于模型选择的背景模型建模方法，并在此基础上实现了目标检测。该方法能够有效地根据视频图像的复杂度对其背景进行建模。对简单视频图像选择改进的均值法背景模型，对复杂视频图像则选择码本模型。以信息论中的熵和边缘比率作为依据，判断图像的复杂度，进而选择建立相应的背景模型。实验结果表明，提出的算法模型具有很好的目标检测效果，并可以较精确地处理不同复杂度的视频图像。

关键词： 背景模型； 码本模型； 均值法； 信息熵； 视频图像； 目标检测

中图分类号： TN911.73?34 文献标识码： A 文章编号： 1004?373X（2018）13?0034?04

Abstract： A background model modeling method based on model selection is proposed to realize target detection in video image. With the proposed method， the background of the video image is effectively modeled according to the complexity of the video image. The improved mean value method background model is used to process the simple video image， and the codebook model is used to process the complex video image. The complexity of the image is judged on the basis of entropy in information theory and edge ratio， so as to select the corresponding background model. The experimental results show that the algorithm model has perfect target detection effect， and can process the video image with different complexities accurately.

Keywords： background model； codebook model； mean value method； information entropy； video image； target detection

0 引 言

視频运动目标检测在各个领域都有广泛的应用，同时也是目标跟踪的基础环节。运动目标检测现阶段主要有三种方法，分别是光流法、帧差法和背景减除法[1]。由于背景减除法对场景的动态变化具有一定的适应能力，故该方法是目前研究的热点。背景减除法主要利用背景的像素特征进行背景建模，其中最常用的背景建模方法是均值法背景建模和对平均模型改进的单高斯背景建模方法，为了处理复杂背景和缓慢变换的背景，提出混合高斯模型[2]。

针对视频图像中光照变化较大和动态背景造成运动目标提取困难的问题，文献[3]提出基于码本（CodeBook，CB）的建模方法。该方法提出采用不同的方法处理各种不同的背景环境，实践证明该方法能够对视频中的不同图像背景进行有效地建模，运动目标检测的效果也得到了显著改进。但是该方法不能根据视频中图像的实际情况自适应地选择应该使用的背景模型。因此，不能根据视频图像的复杂度，选择建立相应的简单或复杂的背景模型。

本文提出一种根据背景复杂度进行背景模式切换的算法，该算法通过信息论的熵理论[4]和边缘比率判断图像的复杂度[5]。对背景复杂度较低的图像，利用改进均值法进行背景建模；对背景复杂度较高的图像，则利用码本进行背景建模。实验结果表明，本文提出的方法具有良好的检测精度和实时性能，并能有效地处理不同复杂度的视频图像。

1 背景模型

1.1 改进均值法背景模型

均值法背景模型[6]是基于时间的多幅图像的平均，即通过求一段时间内的连续视频图像累加和的平均值得到背景图像。公式如下：

实验步骤为：

第一步：将视频分解，取视频图像的第一帧和最后一帧，然后用视频图像的帧数除以5，使得进行算法编程的图像按比例取得。

第二步：通过sobel边缘检测算子检测边缘像素的数量，并通过公式计算边缘比率。

第三步：按照0.6倍图像信息熵和0.4倍边缘比率进行加权，求解图像的复杂度。求解出判断图像复杂度的阈值。

3 基于模型选择的背景建模

目前，背景建模通常采用一种模型结构进行目标检测。本文采用的模型选择双背景模型，即对简单视频图像选择改进的均值法背景模型和对复杂视频图像选择的码本模型，既可以根据视频图像的复杂度进行背景建模，又可以有效地处理不同的视频类型。为了区分视频图像的复杂度，这里引进信息论的熵理论和边缘比率，通过判断复杂度的大小选择构造模型的方法，进而检测到运动目标。基于背景模型选择的运动目标检测流程图如图1所示。

4 实验结果及分析

为了验证本文算法的有效性，算法在VS 2013+OPenCV 3.1.0平台上进行仿真实验。

首先，对多个视频序列进行数据分析，在数据分析中充分考虑到光照、目标的数量、视频图像的背景，按照0.6倍图像信息熵和0.4倍边缘比率进行加权，最终得到模型选择的阈值如表2所示。

其次，用不同复杂度的视频进行仿真实验，结果如图2～图5所示。通过仿真结果可知，对于较为简单的视频序列，改进均值法背景模型和码本背景模型都可以很好地检测出运动目标。对于较为复杂的视频序列，码本背景模型可以很好地检测出运动目标，但是改进均值法背景模型检测效果较差。而且通过表3可知，处理简单视频图像，改进均值法背景模型所用的时间远远小于码本背景模型，因此在图像复杂度较低的情况下使用改进均值法背景模型能够有效地节约计算时间，提高计算效率。处理复杂视频图像，改进均值法背景模型所用的时间远远小于码本背景模型，但是目标检测效果不好。对测试结果进行分析可知，通过本文算法可以自适应地进行模型选择，在保证检测效果的同时提高效率。

5 结 语

基于模型选择的背景建模方法对于视频序列复杂度较为简单的，改进均值法背景模型和码本背景模型均可以很好地检测出运动目标。对于视频序列较为复杂的，码本背景模型可以很好地检测出运动目标，但是改进均值法背景模型检测效果较差。通过实验可知，处理简单视频图像，改进均值法背景模型的效率遠远高于码本背景模型，因此在图像复杂度较低的情况下，改进均值法背景模型在保证效果的同时可以有效地节约计算时间，提高计算效率。处理复杂视频图像，由于改进均值法背景模型的目标检测效果不好，而码本算法可以很好地检测到目标图像。基于模型选择的背景建模方法可以满足不同复杂度图像的目标检测，在保证目标检测效果的同时，提高目标检测的效率。

参考文献

[1] 赵瑶.运动目标检测与跟踪方法研究[D].济南：山东大学，2008.

ZHAO Yao. Research on moving target detection and tracking [D]. Jinan： Shandong University， 2008.

[2] LI Q Z， HE D X， WANG B. Effective moving objects detection based on clustering background model for video surveillance [C]// 2008 IEEE Congress on Image and Signal Processing. [S.l.]： IEEE， 2008： 656?660.

[3] LIN G C， YANG S C， WANG C M， et al. Background subtraction based on codebook model and texture feature [C]// 2016 IEEE International Symposium on Computer， Consumer and Control. [S.l.]： IEEE， 2016： 498?501.

[4] ZHANG X， MEI C， CHEN D， et al. Feature selection in mixed data： a method using a novel fuzzy rough set?based information entropy [J]. Pattern recognition， 2016， 56（1）： 1?15.

[5] 张晶，薛澄岐，沈张帆，等.基于认知分层的图像复杂度研究[J].东南大学学报（自然科学版），2016，46（6）：1149?1154.

ZHANG Jing， XUE Chengqi， SHEN Zhangfan， et al. Study on image complexity based on cognitive layering method [J]. Journal of Southeast University （natural science）， 2016， 46（6）： 1149?1154.

[6] 陈雷.基于自适应背景模型的运动目标检测[D].北京：北京交通大学，2016.

CHEN Lei. Moving object based on adaptive background model [D]. Beijing： Beijing Jiaotong University， 2016.

[7] 张峰.复杂背景下基于分层码本模型的运动目标检测与阴影消除[D].武汉：武汉科技大学，2015.

ZHANG Feng. Moving object detection and shadow elimination based on layered codebook model in complicated and dynamic scenes [D]. Wuhan： Wuhan University of Science and Technology， 2015.

[8] 张美静.亚像素边缘检测技术研究[D].沈阳：沈阳理工大学，2013.

ZHANG Meijing. Research on sub pixel edge detection technology [D]. Shenyang： Shenyang Ligong University， 2013.

[9] 沈德海，侯建，鄂旭.基于改进的Sobel算子边缘检测算法[J].计算机技术与发展，2013，23（11）：22?25.

SHEN Dehai， HOU Jian， E Xu. Edge detection algorithm based on improved Sobel operator [J]. Computer technology and development， 2013， 23（11）： 22?25.

[10] GUO G， LAI A. A survey on still image based human action recognition [J]. Pattern recognition， 2014， 47（10）： 3343?3361.