一種基于自適應(yīng)閾值的運(yùn)動(dòng)目標(biāo)檢測(cè)方法

張淑軍

（湖南科技學(xué)院 圖書館，湖南 永州 425199）

一種基于自適應(yīng)閾值的運(yùn)動(dòng)目標(biāo)檢測(cè)方法

張淑軍

（湖南科技學(xué)院 圖書館，湖南 永州 425199）

針對(duì)視頻監(jiān)控系統(tǒng)，論文提出了一種基于自適應(yīng)閾值的運(yùn)動(dòng)目標(biāo)檢測(cè)方法。通過(guò)幀間差分與背景差分相結(jié)合來(lái)檢測(cè)運(yùn)動(dòng)目標(biāo)。差分圖像二值化時(shí)，利用自適應(yīng)閾值算法來(lái)得到最佳閾值。實(shí)驗(yàn)結(jié)果表明該方法具有很好的實(shí)時(shí)性、有效性和魯棒性。

背景差分；自適應(yīng)閾值；視頻監(jiān)控

1　引　言

圖像序列中運(yùn)動(dòng)目標(biāo)的檢測(cè)是計(jì)算機(jī)視覺(jué)應(yīng)用領(lǐng)域中的一個(gè)重要方面，如視覺(jué)監(jiān)控系統(tǒng)、智能交通系統(tǒng)和飛機(jī)場(chǎng)安全系統(tǒng)等[1～6]。為了更好地進(jìn)行視頻監(jiān)控，需要有效的運(yùn)動(dòng)目標(biāo)檢測(cè)算法。通常情況下，由于檢測(cè)區(qū)域內(nèi)存在背景干擾，感興趣的目標(biāo)相對(duì)較小而且紋理較差，外界光照條件的迅速變化等諸多因素給目標(biāo)檢測(cè)帶來(lái)很大的困難[7]。因此，通常的檢測(cè)算法已經(jīng)無(wú)法滿足實(shí)時(shí)監(jiān)控系統(tǒng)的要求。本文以車輛檢測(cè)[8～9]為例，提出了一種自適應(yīng)閾值算法，有效地提高了差分圖像二值化的質(zhì)量，并結(jié)合幀間差分和背景差分來(lái)檢測(cè)運(yùn)動(dòng)目標(biāo)。實(shí)驗(yàn)結(jié)果表明該方法能有效地檢測(cè)運(yùn)動(dòng)目標(biāo)。

2　運(yùn)動(dòng)檢測(cè)

由于運(yùn)動(dòng)目標(biāo)的移動(dòng)使得對(duì)應(yīng)位置上的亮度發(fā)生變化，所以我們可以通過(guò)亮度變化在時(shí)間序列上和在空間上定位運(yùn)動(dòng)目標(biāo)。幀間差分對(duì)噪聲抑制較好一些，而背景差分則對(duì)運(yùn)動(dòng)目標(biāo)的輪廓檢測(cè)效果較準(zhǔn)確，因此，本文將二者結(jié)合用來(lái)檢測(cè)運(yùn)動(dòng)目標(biāo)。另外，我們通過(guò)自適應(yīng)閾值算法來(lái)確定二值化時(shí)的最佳閾值。圖1給出了運(yùn)動(dòng)目標(biāo)檢測(cè)的流程。

2.1運(yùn)動(dòng)目標(biāo)檢測(cè)

首先采集預(yù)先定義的背景圖像B，且該背景圖像中不含有運(yùn)動(dòng)目標(biāo)。然后對(duì)視頻中的相鄰兩幀相鄰的灰度圖像這樣利用當(dāng)前幀分別對(duì)背景圖像及相鄰幀圖像進(jìn)行差分，得到背景差分圖像Db和幀間差分圖像Dt，計(jì)算如下式

圖1　運(yùn)動(dòng)目標(biāo)檢測(cè)流程圖

對(duì)背景差分圖像Db和幀間差分圖像Dt分別進(jìn)行閾值化處理，可得到二值圖像Tt和Tb，計(jì)算如下

其中閾值tt和tb采用2.1節(jié)中的自適應(yīng)方法確定。這樣，利用二值圖像Tt和Tb經(jīng)過(guò)簡(jiǎn)單的與運(yùn)算就可以得到運(yùn)動(dòng)目標(biāo)區(qū)域Mk，即

最后通過(guò)運(yùn)動(dòng)目標(biāo)區(qū)域Mk可以計(jì)算出背景更新圖像B￠,如下式

式中a為更新系數(shù)，取值范圍為[0,1]。

2.2自適應(yīng)閾值

本方法基于直方圖對(duì)差分圖像進(jìn)行閾值化[10]，并能有效地去除光照變化帶來(lái)的影響。我們假設(shè)差分得到的灰度圖像直方圖是由三個(gè)附加高斯噪聲相加得到。差分值的混合概率密度函數(shù)是：

其中

其中iw，im和is分別為數(shù)量比例、均值和方差。于是，求取差分圖像進(jìn)行閾值化的最佳閾值就可以由把三個(gè)附加高斯噪聲模型分離的兩個(gè)最佳閾值1q和2q來(lái)決定。其中閾值

式中為對(duì)應(yīng)灰度值的概率，計(jì)算如下上式中，n為圖像中像素點(diǎn)的總點(diǎn)數(shù)，是計(jì)算像素點(diǎn)數(shù)的函數(shù)。于是可以通過(guò)下式中的平方誤差計(jì)算函數(shù)來(lái)判定閾值q，即

圖2　高斯模型與直方圖概率分布關(guān)系

3　實(shí)驗(yàn)結(jié)果

從固定視角，我們攝取復(fù)雜路面上一系列圖像作為實(shí)驗(yàn)樣本。圖像序列中包含多個(gè)運(yùn)動(dòng)目標(biāo)，并含有一定的噪聲和陰影。每秒鐘采集8幀圖像，圖像大小為240′320。

自適應(yīng)閾值實(shí)驗(yàn)結(jié)果如圖3。圖3(a)為差分圖像，圖3(b)是利用自適應(yīng)閾值算法得到的實(shí)驗(yàn)結(jié)果，可以看出當(dāng)灰度值取20時(shí)，誤差平方值最小，所以20就是最佳閾值。

圖3　自適應(yīng)閾值實(shí)驗(yàn)結(jié)果

圖4為運(yùn)動(dòng)目標(biāo)檢測(cè)結(jié)果。圖4（a）是背景圖像，利用背景更新算法，背景圖像會(huì)不斷地更新以符合實(shí)際背景，實(shí)驗(yàn)證明本文所提的背景更新算法有很好的可靠性；圖4（b）和圖4（c）分別為前一幅圖像和當(dāng)前圖像；利用自適應(yīng)閾值算法，得到最佳閾值為31時(shí)的背景差分圖像圖4（d）和最佳閾值為20時(shí)的幀間差分圖像圖4（e）；圖4（f）是運(yùn)動(dòng)目標(biāo)檢測(cè)結(jié)果。

圖4　運(yùn)動(dòng)目標(biāo)檢測(cè)的實(shí)驗(yàn)結(jié)果

4　結(jié)束語(yǔ)

針對(duì)視頻監(jiān)控系統(tǒng)，本文提出了一種基于自適應(yīng)閾值的運(yùn)動(dòng)目標(biāo)檢測(cè)方法。自適應(yīng)閾值算法基于差分圖像的灰度信息求取最佳閾值。利用得到的最佳閾值對(duì)差分圖像進(jìn)行二值化，并將幀間差分二值化圖像和背景差分二值化圖像相與來(lái)檢測(cè)運(yùn)動(dòng)目標(biāo)。實(shí)驗(yàn)結(jié)果表明該方法具有很好的實(shí)時(shí)性和魯棒性。

[1]姜柯,李艾華,蘇延召.雙重自適應(yīng)碼本模型在運(yùn)動(dòng)目標(biāo)檢測(cè)中的應(yīng)用[J].計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào),2013,25 (1): 67-73.

[2]Sun H, Feng T, Tan T. Robust extraction of moving objects from image sequences[C]. Proc. the Fourth Asian Conference on Computer Vision, Taiwan,2000: 961-964.

[3]賈茜,謝勤嵐,董蓓.基于TMS320DM642的實(shí)時(shí)運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤系統(tǒng)[J].計(jì)算機(jī)測(cè)量與控制,2009,17(3):469-471.

[4]Viola P, Jones M. Robust real time object detection[J]. International Journal of Computer Vision, 2002,57(2): 137-154.

[5]Viola P, Jones M. Rapid object detection using a boosted cascade of simple features[C]. Proceedings of IEEE Conference Computer Vision and Pattern Recognition, Kauai, Hawaii,USA ,2001:511-518.

[6]Wei Zhiqiang, Ji Xiaopeng, Wang Peng. Real-time moving object detection for video monitoring systems [J].Journal of Systems Engineering and Electronics,2006, 17(4):731-736.

[7]侯明正,馮子亮,劉艷麗,等.光照變動(dòng)條件下基于圖切割算法的運(yùn)動(dòng)目標(biāo)跟蹤[J].光電子·激光,2012,23(5):986-992.

[8]Bedenas J,Boder M, Pla F.Segmenting traffic scenes from grey level and motion information[J].Pattern Analysis & Applications,2001,4(1):28-38.

[9]蔣剛毅,郁梅,葉錫恩,等.一種基于視覺(jué)的車輛跟蹤及交通流量參數(shù)估計(jì)新方法[J].電路與系統(tǒng)學(xué)報(bào),2001,(12): 69-73.

[10]Nariman H,Alireza M,Neil B.Automatic Thresholding for Change Detection in Digital Video[C].Proc.SPIE 4067, Visual Communications and Image Processing 2000:133-142.

（責(zé)任編校：何俊華）

TP181

A

1673-2219（2015）05-0116-03

2014－12－19

張淑軍(1980－)，女，湖南永州人，本科，助理館員，研究領(lǐng)域?yàn)閳D書管理和計(jì)算機(jī)應(yīng)用。