視頻中運(yùn)動(dòng)目標(biāo)檢測算法研究及實(shí)現(xiàn)

羅國強(qiáng)

（廣東工業(yè)大學(xué)，廣東廣州510006）

1.引言

視頻序列中運(yùn)動(dòng)目標(biāo)檢測與跟蹤是計(jì)算機(jī)視覺研究領(lǐng)域的一個(gè)重要課題，在機(jī)器人導(dǎo)航、交通監(jiān)測、醫(yī)學(xué)圖像處理等領(lǐng)域都有廣泛應(yīng)用。國內(nèi)外學(xué)者對此進(jìn)行了大量研究，提出了許多算法。文獻(xiàn)[1]采用單高斯模型作為背景模型，該模型雖然簡單，但其分布比較復(fù)雜而且需要精細(xì)的參數(shù)設(shè)定。文獻(xiàn)[2]中提到混合高斯模型，而且有文獻(xiàn)[3][4]發(fā)展為目前常用的表現(xiàn)形式。

本文給出了自適應(yīng)高斯模型建模，由多個(gè)高斯分布組成，可以在包括運(yùn)動(dòng)目標(biāo)的視頻中自適應(yīng)地提取背景模型，對背景模型的描述更加準(zhǔn)確。最終通過OpenCV實(shí)現(xiàn)對目標(biāo)的準(zhǔn)確檢測和跟蹤。

2.運(yùn)動(dòng)目標(biāo)檢測

運(yùn)動(dòng)目標(biāo)檢測是視頻圖像跟蹤中的重要環(huán)節(jié)。目前常用的運(yùn)動(dòng)檢測算法有光流法，幀間差法和背景差法。光流法運(yùn)算量較大，不適合實(shí)時(shí)處理。幀間差法雖實(shí)時(shí)性好，但檢測目標(biāo)內(nèi)部容易產(chǎn)生空洞。背景差法克服了上述方法的缺點(diǎn)，但對動(dòng)態(tài)場景的變化較為敏感。本文在背景差法的基礎(chǔ)上，提出自適應(yīng)混合高斯背景模型的概念。

2.1 高斯背景建模

背景圖像的每一個(gè)像素分別用由K個(gè)高斯分布構(gòu)成的混合高斯模型來建模，即

式中：K為高斯模型中高斯分布的個(gè)數(shù)，通常取3～5；Xt為t時(shí)刻的像素值表示在t時(shí)刻第i個(gè)高斯分布的權(quán)值；μi，t和σ2i，t分別表示第i個(gè)高斯分布的均值和方差；η表示概率密度函數(shù)。

2.2 模型參數(shù)更新

為使模型不斷貼近當(dāng)前像素值的分布，常更新高斯分布自身的參數(shù)和各分布的權(quán)重。將每一新捕獲幀的像素值置Xt與混合高斯模型中的K個(gè)高斯分布分別匹配。若新像素值

則認(rèn)為該像素值和高斯分布匹配。匹配成功的高斯分布按下式更新，即

其中：α為用戶定義的學(xué)習(xí)率，0≤α≤1，決定背景更新速度。ρ為參數(shù)學(xué)習(xí)率，近似為若沒有任何高斯分布與Xi匹配，則將權(quán)重最小的高斯分布用新的高斯分布代替。新分布的均值為Xi，方差為最大初始差，權(quán)重為最小初始權(quán)重。其余高斯分布保持不變，但權(quán)值按ωi，t=(1－α)ωi，t-1進(jìn)行更新。

2.3 背景檢測

混合高斯模型的參數(shù)更新后，將組成混合高斯模型的K個(gè)高斯分布按由大到小排列，最有可能描述穩(wěn)定背景過

程的高斯分布位于前面，而出背景暫態(tài)擾動(dòng)產(chǎn)生的分布位于后面。若前B個(gè)分布滿足：

則認(rèn)為前B個(gè)分布是背景分布，其余為前景分布。其中T為預(yù)定的閾值。背景分布確定之后，將當(dāng)前輸入的圖像與背景模型相比較，若當(dāng)前像素值Xt和每個(gè)背景高斯分布滿足：

就認(rèn)為當(dāng)前像素為前景，即運(yùn)動(dòng)物體。這樣就將運(yùn)動(dòng)目標(biāo)從背景中檢測出來。

3.計(jì)算機(jī)視覺類庫O p e n C V簡介

開放源代碼的計(jì)算機(jī)視覺類庫0penCV(Intel Open Source Computer Vision Library)由英特爾公司位于俄羅斯的研究實(shí)驗(yàn)室所開發(fā)，它是一套可免費(fèi)獲得的、由一些C函數(shù)和C++類所組成的庫，用來實(shí)現(xiàn)一些常用的圖像處理及計(jì)算機(jī)視覺算法。OpenCV主要用于對圖像進(jìn)行一些高級處理，比如說特征檢測與跟蹤、運(yùn)動(dòng)分析、目標(biāo)分割與識(shí)別以及3D重建等。

3.1 OpenCV特點(diǎn)

OpenCV是Intel公司開發(fā)的圖像處理和計(jì)算機(jī)視覺函數(shù)庫，它有以下特點(diǎn)：

(1)開放C及C++源碼；

(2)基于Intel處理器指令集開發(fā)的優(yōu)化代碼；

(3)統(tǒng)一的結(jié)構(gòu)和功能定義；

(4)強(qiáng)大的圖像和矩陣運(yùn)算能力；

(5)方便靈活的用戶接口；

(6)同時(shí)支持Windows，Linux平臺(tái)；

(7)在速度上OpenCV還有Intel公司的minx和ssl優(yōu)化。

3.2 OpenCV的數(shù)據(jù)結(jié)構(gòu)

OpenCV設(shè)計(jì)一些基本數(shù)據(jù)類型，基本的數(shù)據(jù)類型包括：圖像類的Ipllmage，矩陣類的CvMat，可變集合類的CvSeq、CvSet、CvGraph以及用于多維柱狀圖的混合類CvHistogram。輔助數(shù)據(jù)類型包括：用于表示二維點(diǎn)坐標(biāo)的Cv-Point，用于表示圖像寬和高的CvSize等。

3.3 OpenCV的函數(shù)體系

OpenCV中每個(gè)函數(shù)的命名都以“CV”開始，然后是該函數(shù)的行為及目標(biāo)。例如用來創(chuàng)建圖像的函數(shù)“cvCreatelmage”，載入圖像的函數(shù)“cvLoadlmage”。OpenCV是為圖像處理及計(jì)算機(jī)視覺在實(shí)際工程中的應(yīng)用而設(shè)計(jì)的一個(gè)類庫，其中所有的函數(shù)都由于其在實(shí)際應(yīng)用中所實(shí)現(xiàn)的不同的功能而分屬不同的類型，主要的函數(shù)類型有：

(1)基本的圖像處理與分析函數(shù)。這個(gè)類型的函數(shù)主要用于實(shí)現(xiàn)一些基本的圖像處理與分析功能，例如圖像平滑函數(shù)cvSmooth，Sobel算子cvSobe，Canny邊緣分割函數(shù)cvCanny等。

(2)結(jié)構(gòu)分析函數(shù)。包括有輪廓處理函數(shù)，幾何學(xué)函數(shù)以及平面細(xì)分函數(shù)。

(3)運(yùn)動(dòng)分析與目標(biāo)跟蹤函數(shù)。包括有用于運(yùn)動(dòng)分析與目標(biāo)跟蹤的函數(shù)，例如背景重建函數(shù)cvAcc，卡爾曼濾波函數(shù)CvKalman等。

(4)攝像機(jī)標(biāo)定和3D重建函數(shù)。包括有用于攝像機(jī)標(biāo)定，姿態(tài)估計(jì)以及從兩個(gè)攝像機(jī)進(jìn)行3D相似重構(gòu)的函數(shù)。

(5)GUI與視頻處理函數(shù)。包括有高級圖形用戶接口highGUI用以實(shí)現(xiàn)對圖像的載入、顯示及保存等基本操作以及用以實(shí)現(xiàn)視頻輸入輸出及處理的函數(shù)。

4.實(shí)驗(yàn)結(jié)果與分析

針對混合高斯模型運(yùn)動(dòng)目標(biāo)檢測方法在背景建模中目標(biāo)檢測與背景更新的效果做實(shí)驗(yàn)，本文實(shí)驗(yàn)的視頻是《OpenCV教程——基礎(chǔ)篇》教材中提供的一段公路視頻片段，幀速度為15幀/秒。下圖分別是10，20，50幀視頻的原圖，背景圖和目標(biāo)檢測圖。

從以上3幀圖像的視頻圖、背景圖、檢測圖可以看出，該方法可以較好地檢測出視頻的運(yùn)動(dòng)目標(biāo)。

5.結(jié)束語

提出了一種針對固定場景的視頻圖像運(yùn)動(dòng)目標(biāo)檢測和跟蹤算法。針對傳統(tǒng)的背景差分法對動(dòng)態(tài)場景變化較為敏感的問題，提出改進(jìn)的混合高斯背景建模算法，使背景模型的參數(shù)隨著場景的變化進(jìn)行自適應(yīng)更新，實(shí)現(xiàn)了準(zhǔn)確的檢測，解決了目標(biāo)形體和尺度發(fā)生變化對限蹤效果的影響，滿足運(yùn)動(dòng)目標(biāo)跟蹤魯棒性的要求。由于本文算法主要針對在靜止攝像機(jī)條件下的運(yùn)動(dòng)目標(biāo)，應(yīng)用范圍受到一定限制，還需做進(jìn)一步的研究。

[1]Wren C R，Azarbayejani A，Darrell T，et a1.Pfinder：Real-time of the human body[J].IEEE Transactions on PAMI，1997，19(7)：780—785.

[2]Friedman N，Russell S.Image segmentation in video sequences：A probabilistic approach[A].In：Proceedings Thirteenth Conference on Uncertainty in Artificial Intelligence[C]，Providence，Rhode Island，USA，1997：175～181.

[3]Stauffer C，Grimson W E L.Adaptive background mixture models for real—time tracking[A]In：Proceedings of IEEE Conference on Computer Vision and Pattern Recognition[C]，F(xiàn)ort Collis Colorado，USA，1999：246—252.

[4]Stauffer C，Grimson W E L.Learning patterns of activity using real-time tracking[J].IEEE Transactions Pattern Analysis and Machine Intelligence，2000，22(8)：747～757..

[5]劉瑞禎，于仕琪.OpenCV教程——基礎(chǔ)篇[M].北京：北京航天航空出版社，2006.