基于幀間差分和背景相減的運動目標檢測和提取算法研究

基于幀間差分和背景相減的運動目標檢測和提取算法研究

付浩海，邊蓓蓓

(長春工程學院計算機技術與工程學院，長春130012)

主要研究數(shù)字圖像處理和計算機視覺等。

摘要：對比分析了常用的圖像目標檢測算法，根據(jù)其各自優(yōu)缺點，提出了基于幀間差分和背景相減相結合的運動目標檢測和提取算法。詳細介紹了基于上述算法的運動目標檢測的全過程，并準確地檢測出了運動目標。通過對實驗結果進行分析表明，該算法既避免了背景相減法因背景變動導致的目標提取不準確，又避免了幀間差分法的運動目標不完整，能夠有效去除噪聲和陰影，具有良好的檢測效果。

關鍵詞：運動目標檢測；幀間差分；背景相減；高斯模型

doi:10.3969/j.issn.1009-8984.2015.03.028

收稿日期：2015-07-22

作者簡介：付浩海(1982-)，男(漢)，山東臨沂，碩士

中圖分類號：TP391獻標志碼：A

0引言

圖像目標檢測，即把感興趣的事物(目標)從背景中分離提取出來，是對圖像序列中的目標進行跟蹤的前提，目標檢測結果的正確性對后續(xù)的圖像分析、圖像理解等工作的順利開展具有決定性的作用，所以，能否將目標從圖像序列中準確檢測出來，是后續(xù)工作能否成功的關鍵所在。

圖像目標檢測算法和其他圖像處理和分析算法一樣，往往都是基于特定應用場景的，暫時尚不存在一種通用的目標檢測算法。大體可分為以下幾類：基于閾值分割的目標檢測；基于顏色分割的目標檢測；基于運動信息的目標檢測；基于輪廓的目標檢測和基于特征匹配的目標檢測等[1]。其中，基于運動信息的目標檢測根據(jù)實現(xiàn)方法的不同又可分為光流法、背景相減法和幀間差分法。光流法根據(jù)各個像素點的速度矢量特征，對圖像進行動態(tài)分析，當目標與背景的速度不同時，能夠檢測獨立運動的目標，但光流法易受孔徑和光照引起的噪聲干擾，運算量大，不適合實時處理。背景相減法是利用當前幀圖像與預先準備的背景圖像進行減法運算，并提取運動區(qū)域的目標檢測方法，但當圖像前景目標與背景灰度近似時，背景相減法就會存在很大的誤差，導致目標檢測失敗。幀間差分法一般通過判斷相鄰2幀或若干幀圖像之間的像素灰度值之差來發(fā)現(xiàn)運動目標。其主要優(yōu)點是算法易于實現(xiàn)，并且對背景或光照的緩慢變化不太敏感，對目標運動的檢測靈敏度較高。錯在綜合分析以上幾種各自獨立算法的基礎上，筆者重點研究了一種基于幀間差分和背景相減法相結合的運動目標檢測算法。

1運動目標檢測的過程

1.1　背景建模

單高斯背景模型認為隨時間的變化每一像素點F的值是隨機出現(xiàn)的，且服從高斯分布F～N(μ,σ2) ，其中μ和σ(σ≥0) 分別表示某個時刻高斯分布的均值和標準差。這2個參數(shù)值可分別用式(1)表示：

(1)

由于視頻圖像中，相鄰2幀之間的時間跨度很短，所以圖像背景的變換是緩慢的。相對于背景，運動區(qū)域的像素點變化比較明顯。我們可以對背景幀圖像中的每個像素使用混合高斯方法建模[2]，混合高斯方法建模是利用多個服從高斯模型分布的圖像中每一個像素點的特征，在前后2幀圖像切換時對混合高斯背景模型進行調整，然后將當前幀圖像中的每一個像素點與調整后的混合高斯背景對應點的像素比較，灰度值差異超過特定閾值的像素點視為目標，反之作為背景。

1.2　變化區(qū)域檢測

幀間差分能夠檢測出相鄰2幀間發(fā)生了變化的區(qū)域。當場景中目標運動時，幀與幀之間會出現(xiàn)較為明顯的差別，2幀相減，得到2幀圖像灰度差的絕對值，判斷它是否大于特定閾值來分析圖像序列的運動特性，確定圖像序列中有無物體運動。具體過程如下：假設fk(x,y)和fk-1(x,y)是相鄰的2幀圖像，將這2幀圖像做差分處理，一般采用灰度值做差分計算，見式(2)。

(2)

式中Dk(x,y)為差分圖像。

然后對差分圖像用式(3)進行二值化處理，表示出變化區(qū)域和背景區(qū)域。

(3)

1.3　運動目標檢測

將二值化的差分圖像Bk(x,y)中的像素點用各自的高斯模型去擬合，針對背景區(qū)域進行背景模型調整，而變化區(qū)域的像素點用第k幀之前的第k-1幀的對應像素點(在前一幀中此處屬于背景區(qū)域)代替，從而產生了更新后的高斯背景模型，再利用新的高斯背景模型基于背景相減法進行運動目標的檢測。

2算法步驟

當鏡頭位置恒定不變(或變化很小)的情況下，算法流程圖如圖1所示，具體步驟說明如下：1)獲取背景模型信息，初始背景模型一般選為目標尚未出現(xiàn)的某一幀圖像。2)選取視頻中的相鄰2幀，分別記為fk-1(x,y)和fk(x,y)，使用式(2)計算灰度差。3)對得到的絕對灰度差圖像進行中值濾波。中值濾波器是一種非線性的基于統(tǒng)計的空間濾波器，它是將像素(在中值計算中包括的原像素值)鄰域內灰度的中值代替該像素的值[3]。中值濾波能夠有效去除圖像中的脈沖噪聲(椒鹽噪聲)，計算速度快且能較好地保持圖像的邊緣信息。4)對濾波后的圖像，選取合適的閾值T按式(3)進行二值化處理。5)得到二值圖像后，借助數(shù)學形態(tài)學中的腐蝕和膨脹算子，進一步平滑目標邊緣，去除背景中的小尺度噪聲區(qū)域。6)區(qū)域連通操作。借助恰當?shù)倪B通算子對目標區(qū)域進行處理并標記，也可以在這一步驟中設定一個區(qū)域面積的閾值，進一步對區(qū)域進行濾波，去除小面積的區(qū)域，使目標易于檢測。7)畫出各連通區(qū)域的外接矩形?？梢园丫匦蝺鹊膮^(qū)域理解成目標所在的區(qū)域，矩形外的區(qū)域用于背景更新。8)背景模型更新。9)通過背景相減獲得目標信息，再與幀間差分組合。10)進行第2次形態(tài)學操作，提取運動目標。

圖1　檢測算法基本流程圖

3實驗結果

本文實驗圖像序列是一段在顯微鏡下拍攝的生物細胞的運動圖像，圖像大小為874×654像素，處理速度約為21幀/s，接近實時要求。實驗平臺為普通的PC, Pentium4 3 GHz CPU,4 G內存。首先對待處理的視頻進行逐幀提取，得到各幀對應的圖像。算法使用Matlab實現(xiàn)。

為了顯示檢測算法的有效性，圖2給出了圖像序列的實驗效果圖。其中,圖2(a)是原始圖像序列中的一幀圖像，圖2(b)是第1次形態(tài)學處理后的結果圖像，圖2(c)是對檢測后的目標進行標注的圖像，圖中顯示了符合特定要求的目標矩形區(qū)域。

4結語

本文探討了一種基于幀間差分和背景相減的運動目標檢測算法，首先運用幀間差分法檢測出目標運動區(qū)域，然后采用混合高斯背景模型的背景相減法提取運動目標。實驗結果表明，該算法既避免了背景相減法因背景變動導致的目標提取不準確，又避免了幀間差分法的運動目標不完整，能夠有效去除噪聲和陰影，具有良好的檢測效果。本文提出的算法的局限性在于對于較復雜的運動場景中目標的檢測還不是很理想，在如何采取更有效的背景建模方法方面還有待探索和研究。

圖2　試驗結果示意圖

參考文獻

[1] 李靜,王軍政.圖像檢測與目標跟蹤技術[M].北京:北京理工大學出版社,2014.

[2] Wang Lu, Wang Lei, Wen Ming, et al. Background subtraction using incremental subspace learning [C]//Image Processing,2007.ICIP 2007.IEEE International Conference on.San Antonio.USA: IEEE,2007:45-48.

[3] Rafael C Gonzalez,Richard E Woods.數(shù)字圖像處理[M].3版.阮秋琦,阮宇智,等,譯.北京：電子工業(yè)出版社,2011.

[4] Meier T, Ngun K N. Video segmentation for content - based coding [J]. IEEE Trans. on Circuit s and Systems for Video Technology, 1999, 9 (8):1190-1203.

[5] 朱明旱,羅大庸,曹倩霞.幀間差分與背景差分相融合的運動目標檢測算法[J].計算機測量與控制,2005,13(3),215-217.

[6] 王靜靜,林明秀，魏穎.基于灰度相關的幀間差分和背景差分相融合的實時目標檢測[J].中南大學學報：自然科學版，2009, 40(1), 142-148.

[7] 陳超, 楊克儉. 基于改進的單高斯模型的運動目標檢測方法[J]. 微型機與應用,2010, 29(24):39-42.

[8] 劉衍琦，詹福宇.MATLAB圖像與視頻處理實用案例詳解[M].北京:電子工業(yè)出版社,2015.

A study on moving target detection and extraction algorithm based on

frame differencing and background subtraction

FU Hao-hai, et al.

(SchoolofComputerTechnologyandEngineering,ChangchunInstituteofTechnology,

Changchun130012,China)

Abstract：This paper makes a comparative analysis to the normally used moving targets detect algorithm. According to their advantages and disadvantages, a moving target detection and extraction algorithm based on frame differencing and background subtraction is presented. It detailedly introduces the whole process of moving target detection based on the above algorithm, and detects the moving target in high accuracy. The experimental results show that the algorithm can not only avoid the inaccuracy of target extraction caused by the variation of the background, but also avoid the disintegration of the moving target caused by frame differencing. It can eliminate the noise and shadow and show great effectiveness in target detection.

Key words：moving target detection; frame differencing; background subtraction; Gaussian model