基于改進的背景差分的運動目標實時檢測算法

徐蔚鴻，嚴金果

(長沙理工大學計算機與通信工程學院， 湖南 長沙 410114)

1 引言

智能視頻監(jiān)控系統研究的主要內容是對監(jiān)控視頻中運動的人和物進行檢測、跟蹤與識別等。而對運動目標的實時檢測是其他一切工作的必要前提，檢測效果將直接影響后續(xù)工作的準確性。運動目標實時檢測是指在視頻序列中實時地抽取出與背景存在相對運動的前景目標，為以后的目標識別做準備。

在實際應用中，由于場景多樣性、準確性以及實時性對運動目標檢測效果的影響，近年來國內外學者對此做了深入的研究。目前，運動目標檢測常用的方法有光流法[1]、幀間差分法[2,3]、背景差分法[4～8]。其中，光流法適用于攝像機運動的情況，但其算法的時間復雜度高，目前很難實現對運動目標的實時檢測[9]。幀間差分法適用于環(huán)境動態(tài)變化，快速提取運動目標輪廓，但分割后容易在運動目標實體內產生空洞，即不能完整地檢測出運動目標[10]。背景差分法是目前運動目標檢測最流行的一種方法，適用于背景相對穩(wěn)定及攝像頭靜止的情況。彩色圖像HSV自適應混合高斯建模算法[11]是背景差分中的一種，其對圖像進行Hue、Saturation、Value分離后進行自適應混合高斯建模，但是計算量大難以實現對運動目標的實時檢測。幀間差分中的三幀差分算法[12]雖然能快速檢測出運動目標的輪廓，但檢測的目標容易出現空洞。

針對上述存在的不足，本文進行了如下兩點改進，首先用基于HIS分離的分塊建模思想代替?zhèn)鹘y混合高斯模型逐點建模方式以減小計算量，其次運用三幀差分的思想快速提取運動目標輪廓。仿真實驗表明該算法能快速有效地提取出目標，完整且輪廓清晰。

2 傳統混合高斯模型與幀間差分原理和各自的不足之處

2.1 傳統混合高斯模型原理與其不足

混合高斯背景建模算法[13]是由Stauffer C和Grimson W E L等人提出的。該算法認為視頻序列中同一位置像素值在時間軸上服從高斯分布，對每一像素顏色值序列{X1,X2,…,Xt}均由k個高斯分布來建立模型，則當前像素值Xt的概率為：

(1)

其中,K為高斯分布個數(經驗值為3～5)，wi,t為第i個高斯分布的權值，μi,t為均值，η(Xt,μi,t,∑i,t)為高斯概率密度函數,計算如式(2)所示：

(2)

ωk,t=(1-α)ωk,t-1+α(Mk,t)

(3)

μt=(1-ρ)μt-1+ρXt

(4)

(5)

ρ=αη(Xt|μk,σk)

(6)

其中,?、ρ為學習率；對參數Mk,t，模型匹配時取1，否則為0，其權值按式(3)更新，均值與方差均保持不變。若前k個高斯分布都不匹配且k

按優(yōu)先級(ω/σ)由高到低對高斯模型重新排列，那么取前B個高斯模型組合的背景，如式(7)：

(7)

在進行目標檢測時，如果某個像素點的觀察值與這B個高斯模型中的任意一個匹配，則認為該像素點屬于背景點；否則屬于前景點。由以上分析可知，模型在每一幀都要對每個像素計算一次更新速率α與標準差ρ，當中涉及到平方、開方以及指數等運算，這樣大大增加了計算量。因此，采用傳統混合高斯模型的背景差分法很難達到實時性的要求；同時，經典模型只有對環(huán)境變化較慢的情況檢測效果較理想，在環(huán)境變化較快的情況下檢測的目標輪廓清晰度難以符合其后識別工作的要求。

2.2 三幀差分算法與其不足

幀差法的基本原理是利用視頻序列中連續(xù)相鄰兩幀圖像f(x,y,t)、f(x,y,t-1)進行差分處理后得到差圖像D1(x,y,Δt)：

D1(x,y,Δt)=|f(x,y,t)-f(x,y,t-1)|

(8)

與f(x,y,t)、f(x,y,t+1)差分后的圖像D2(x,y,Δt)進行或運算后得到差分圖像D(x,y,Δt)；然后進行自適應閾值處理得到清晰運動目標輪廓；最后進行數學形態(tài)學處理得到初步運動目標圖像。

三幀差分法的引入是因為當運動目標速度較慢時，目標出現的區(qū)域變化不大，容易形成類似于隨機噪聲的孤立點，因此我們通常取連續(xù)的三幀圖像進行相鄰的兩兩差分后，對兩個差分結果進行或運算。再對差分結果進行自適應閾值分割，最后進行腐蝕與膨脹的數學形態(tài)學處理得到運動目標的基本輪廓。

3 本文算法分析

3.1 基于分塊的HSI混合高斯模型

HSI三通道分離的混合高斯背景建模對每個分量逐點進行建模，因此其算法的時間復雜度較大，即實時性較差。本文研究的算法主要是針對攝像機靜止時拍攝下來的視頻，這樣檢測運動目標所考慮的背景也就基本保持固定，只會因為樹葉的搖擺、窗戶的晃動等情況產生局部細微的變化，大部分背景基本不變。因此，本文對HSI自適應混合高斯背景建模進行了改進，對HSI三通道分離后對各分量做分塊處理。因為當分塊較小時塊中每個像素值變化就很小，因此可以用每塊的幾何中心像素點的像素值來代替它所在塊像素點的像素值進行混合高斯背景建模處理。

設{X1,X2,…,Xt}={I(x0,y0,i)|1≤i≤t}為視頻幀中(x0,y0)點在t時刻之前像素值的集合，對t時刻視頻幀圖像的像素點按從上到下、從左到右分成大小為(2L+1)*(2L+1)的小方塊，對邊界不夠塊大小的情況，其值用0填充，則從左到右的第L+1、從上到下的第L+1個像素就是本方塊的幾何中心像素值，本文取它作為其所在方塊的有效像素值。在本文實驗中L取2，這在很大程度上減小了計算量。

3.2 算法思想

混合高斯模型算法主要應用于環(huán)境變化較慢的場景，從文獻[11]中可知，HSV自適應的混合高斯模型檢測算法在較少背景變化下運動目標的檢測效果較理想，改進的背景差分算法主要利用HSI三通道分離的自適應混合高斯模型來提取背景模型。這里，通過在建模前引入分塊處理的思想使檢測速率得到了明顯的提高，再引入了三幀差分算法提取運動目標輪廓，因此改進的運動目標檢測新算法能更快速、更準確地提取出運動目標。

改進算法基本步驟如下：

第一步：對輸入的智能監(jiān)控視頻序列進行預處理，包括提取視頻幀圖像基本信息，以及根據經驗初始化所需的模型參數。

第二步：對第一步后的結果進行灰度變換，通過三幀差分法(連續(xù)的三幀圖像進行相鄰兩幀之間的兩兩差分后再對差分后的圖像進行或運算)能有效地檢測出運動目標輪廓；然后采用自適應的閾值分割方法(OSTU算法)對三幀差分后的圖像進行閾值分割處理，得到二值化的灰度圖像即前景運動目標，自適應閾值比固定閾值適應性更強，能很好地適應背景環(huán)境的變化；最后對結果進行數學形態(tài)學方法(膨脹和腐蝕)處理孤立的噪聲點。

第三步：對第一步后的結果進行HSI的三通道分離，得到視頻幀圖像的Hue、Saturation、Intensity分量，各分量矩陣按3.1節(jié)所提的分塊算法進行分塊處理；然后用自適應混合高斯建模進行背景建模來提取背景模型，得到初步的檢測目標后進行數學形態(tài)學處理。

第四步：將第二步和第三步的初步檢測結果進行或運算，再進行腐蝕與膨脹的數學形態(tài)學處理，從而得到最終的運動目標實時檢測結果。

改進算法程序流程圖如圖1所示。

Figure 1 Flow chart of improved algorithm圖1 改進算法流程圖

4 實驗結果與分析

實驗在Intel Core i5-2450M@2.5 GHz處理器、內存4 GB，Windows 7 64位操作系統、Visual Studio 2008的環(huán)境下，基于Intel開源的計算機視覺庫OpenCV編程實現。

為了驗證本文算法的高效性與實時性，本實驗選取了兩組存在較少背景變化環(huán)境下的視頻序列進行運動目標檢測，其中一組室內環(huán)境實驗結果如圖2和圖3，其幀寬度為320、幀高度為240；另外一組室外環(huán)境實驗結果如圖4和圖5，其幀寬度為384、幀高度為288。圖2和圖3的室內環(huán)境中背景很少發(fā)生變化，圖2第370幀圖像的檢測結果中： 圖2b檢測到較多的非運動目標的像素，如人的兩腳之間存在非常明顯的拖影，圖2d中人體輪廓較清晰，相比HSV自適應混合高斯模型，準確性也有明顯的提高，而圖2c中檢測的人體很不完整，漏檢率較高，難以準確地識別；圖3室內場景第780幀的實驗檢測結果也說明本文改進算法在檢測準確性、目標輪廓清晰度上相對經典算法有明顯的改善。圖2與圖3實驗表明了室內環(huán)境中在較少背景變化的情況下，本文改進算法提高了檢測目標的準確性，同時也改善了目標輪廓丟失較嚴重的問題。室外場景的監(jiān)控視頻序列的檢測結果如圖4第350幀和圖5第780幀，場景中也存在較少的背景變化。從檢測的結果集中可以看出，室外場景中的檢測效果也基本符合上述規(guī)律。綜上所述，相對經典混合高斯模型算法，本文提出的改進背景差分算法在背景變化較少的情況下，目標檢測準確率以及目標輪廓清晰度方面均有較明顯的提高。

Figure 2 Experiment of the 370 frame in door video sequence圖2 室內視頻序列第370幀實驗圖

Figure 3 Experiment of the 780 frame in door video sequence圖3 室內視頻序列第780幀實驗圖

Figure 4 Experiment of the 350 frame in outdoor video sequence圖4 室外視頻序列第350幀實驗圖

Figure 5 Experiment of the 780 frame in outdoor video sequence圖5 室外視頻序列第760幀實驗圖

由于算法在混合高斯建模過程之前進行了分塊處理，節(jié)省了大量的計算，因此本文改進算法的檢測速率有明顯的提高。對傳統混合高斯模型算法、HSV自適應混合高斯建模算法與本文算法進行檢測速率的實驗，表1是三種算法對室內視頻序列和室外視頻序列進行平均檢測速率實驗的結果。從表1中可以看出，相比傳統混合高斯模型算法和HSV自適應混合調節(jié)建模算法，本文改進算法的檢測速率提高相當明顯，實時性得到了明顯的改善。

Table 1 Average rate of all the algorithms for video processing表1 各算法對視頻處理的平均速率 幀/s

綜合上述檢測效果的分析與檢測速率的對比，相比傳統混合高斯模型算法、HSV自適應的混合高斯建模算法，本算法能更快速、更準確地檢測出運動目標，因此本文改進算法在工程實際中具有一定的實用價值。

5 結束語

針對傳統混合高斯模型對目標輪廓清晰度小、實時性較差的情況，提出了一種基于HSI混合高斯背景模型與三幀差分相融合的運動目標實時檢測算法。算法在確保能檢測出的運動目標完整、輪廓清晰與便于識別的情況下減小了計算量，降低了算法的時間復雜度，顯著地改善了運動目標檢測的實時效果。本文算法改進了混合高斯背景建模算法檢測效果不理想、時間復雜度高的不足。通過實驗表明，本文算法在較少的背景變化情況下檢測的高效性與準確性，在智能視頻監(jiān)控系統中有一定實際意義。

[1] Lopez S, Horstrand P, Callico G M, et al. A low-computational-complexity algorithm for hyperspectral endmember extraction:Modified vertex component analysis[C]∥IEEE Geoscience and Remote Sensing Letter,2012,9(3):502-506.

[2] Gan Ming-gang, Chen Jie, Liu Jin, et al. Moving object detection algorithm based on three-frame-differencing and edge information[J]. Journal of Electronics & Information Technology, 2010, 32(4):894-897.(in Chinese)

[3] Kartika I, Mohamed S S. Frame differencing with post-processing techniques for moving object detection in outdoor environment[C]∥Proc of IEEE 7th International Colloquium on Signal Processing and its Applications,2011:172-176.

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

[5] Lee D S. Effective Gaussian mixture learning for video background subtraction[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence,2005,27(5):827-832.

[6] Li Bin,Zhong Run-tian,Wang Xian-ji,et al.A continuous optimization algorithm based on progressive estimation of Gaussian mixture model[J]. Chinese Journal of Computers, 2007, 30(6):979-985.(in Chinese)

[7] Jin Guang-zhi, Shi Lin-suo, Bai Xiang-feng, et al. New objects detection system based on mixture Gaussian model[J]. Journal of Computer Applications, 2011, 31(12):3360-3362.(in Chinese)

[8] Tsai Du-Ming, Lai Shia-Chih. Independent component analysis-based background subtraction for indoor surveillance[J].IEEE Transactions on Image Processing, 2009,18(1):158-167.

[9] Zhang Qiu-jia, Wang Hong, Liu Wei, et al. Moving object

detection optical flow vectors compensation model [J]. Laser & Infraed, 2011, 41(11):1263-1266. (in Chinese)

[10] Zhang Zheng-hua,Xu Ye,Su Quan,et al.Moving object detection based on background subtraction and hybrid frame differencing[J]. Journal of Signal and Information Processing, 2012, 42(8):14-17. (in Chinese)

[11] Lin Qing, Xu Zhu, Wang Shi-tong, et al. Moving objects detection of adaptive Gaussian mixture models on HSV[J]. Computer Science, 2010, 37(10):254-256. (in Chinese)

[12] Li Ying-hong, Xiong Chang-zhen, Yin Yi-xin, et al. Moving object detection based on edged mixture Gaussian models[J]. Journal of System Simulation,2009,21(suppl 1):72-74. (in Chinese)

[13] Stauffer C, Grimson W E L. Adaptive background mixture models for real-time tracking[C]∥ Proc of IEEE International Conference on Computer Vision and Pattern Recognition,1999:246-252.

[14] Bailo G, Bariani M, Ijas P,et al. Background estimation with Gaussian distribution for image segmentation, a fast approach[C]∥Proc of IEEE International Workshop on Measurement Systems for Homeland Security, 2005:2-5.

附中文參考文獻：

[2] 甘明剛，陳杰，劉勁，等. 一種基于三幀差分和邊緣信息的運動目標檢測方法[J]. 電子與信息學報, 2010, 32(4):894-897.

[6] 李斌，鐘潤添，王先基，等. 一種基于遞增估計GMM的連續(xù)優(yōu)化算法[J]. 計算機學報, 2007, 30(6):979-985.

[7] 金廣智，石林鎖，白向峰，等. 基于混合高斯模型的新型目標檢測[J]. 計算機應用,2011, 31(12):3360-3362.

[9] 張秋佳，王虹，劉威，等. 光流向量補償模型的運動目標檢測[J]. 激光與紅外,2011, 41(11):1263-1266.

[10] 張正華，許曄，蘇權，等. 基于背景差分和混合幀差的運動目標檢測[J]. 信號與信息處理，2012，42(8)：14-17.

[11] 林慶，徐柱，王士同，等. HSV自適應混合高斯模型的運動目標檢測[J]. 計算機科學，2010，37(10)：254-256.

[12] 李穎宏，熊昌鎮(zhèn)，尹怡欣，等. 一種基于邊緣高斯混合模型的運動目標檢測方法[J]. 系統仿真學報，2009，21(Suppl 1)：72-74.