高 飛， 蔣建國， 安紅新， 齊美彬

（合肥工業(yè)大學(xué) 計算機與信息學(xué)院，安徽 合肥 230009）

智能視覺監(jiān)控是計算機視覺研究領(lǐng)域中一個新興的研究方向。它與傳統(tǒng)的監(jiān)控方式不同，主要是利用計算機視覺的方法，對攝像機采集到的視頻圖像進(jìn)行檢測和分析。當(dāng)發(fā)生異常情況時，可以根據(jù)需要對場景中的運動目標(biāo)進(jìn)行識別和跟蹤，并自動發(fā)出警報［1］，有效地提高了監(jiān)控系統(tǒng)的智能性。

智能視覺監(jiān)控算法一般以David Marr的視覺理論為框架，主要包括運動目標(biāo)檢測、目標(biāo)跟蹤和高層運動分析［2］等部分。目標(biāo)檢測旨在從視頻流的背景圖像中提取出運動目標(biāo)的活動區(qū)域。目標(biāo)跟蹤和高層分析算法都是針對活動區(qū)域內(nèi)的像素點進(jìn)行的，因此區(qū)域分割的好壞直接影響到整個智能監(jiān)控系統(tǒng)的性能，運動目標(biāo)檢測技術(shù)是智能視覺監(jiān)控領(lǐng)域的基礎(chǔ)問題。智能視覺監(jiān)控系統(tǒng)的目的是實時分析視頻流數(shù)據(jù)，而不是事后分析，因此系統(tǒng)對視頻分析算法的實時性要求很高。而大多數(shù)算法計算復(fù)雜，很難滿足實時視頻分析的要求。

快速且魯棒的運動目標(biāo)檢測技術(shù)是智能視頻監(jiān)控系統(tǒng)的關(guān)鍵技術(shù)之一。本文對常用的運動目標(biāo)檢測算法進(jìn)行了介紹，借鑒幀間差分法和背景減法的主要思想，提出了一種基于改進(jìn)背景減法的快速目標(biāo)檢測算法，并給出了相應(yīng)的實驗結(jié)果。該方法算法簡單、可實時實現(xiàn)復(fù)雜場景下運動目標(biāo)的檢測與分割。

1 常用運動目標(biāo)檢測算法介紹

運動目標(biāo)檢測的方法有很多種，根據(jù)背景是否復(fù)雜、攝像機是否運動等監(jiān)控環(huán)境的不同，算法之間也有很大的差別。其中最常用的3類方法是：光流場法［3］、幀間差分法［4］、背景減法［5］。

光流場（Optical Flow）是用來表征圖像中像素點的灰度值發(fā)生變化趨勢的瞬時速度場。文獻(xiàn)［6］提出了光流場的計算方法，其在2幀圖像的灰度變化和時間間隔都很小的前提下，推導(dǎo)出了光流的基本約束方程，奠定了光流場計算的理論基礎(chǔ)?；诠饬鲌龅倪\動目標(biāo)檢測方法，充分利用了目標(biāo)運動隨時間變化的光流特性，由于通過計算光流場得到的像素運動向量是由目標(biāo)和攝像機之間的相對運動產(chǎn)生的，因此該類檢測方法可以適用于攝像機靜止和運動2種場合。但是多數(shù)光流場計算方法相當(dāng)復(fù)雜，且容易受到噪聲影響，使得計算出的光流場分布不可靠，且在求解光流方程時耗時大，因此應(yīng)用性和實時性較差，不適合在實時的視頻監(jiān)控系統(tǒng)中使用。

幀間差分法（Temporal Difference）是指選取視頻流中的連續(xù)2幀或3幀圖像信息，利用不同幀圖像對應(yīng)位置像素點的差分運算結(jié)果進(jìn)行目標(biāo)檢測的一類方法［7］。其優(yōu)點是計算簡單、檢測速度快，對動態(tài)環(huán)境具有很好的適應(yīng)性，但是該類方法對噪聲十分敏感；由于運動目標(biāo)在相鄰幀圖像內(nèi)的位置變化緩慢，目標(biāo)內(nèi)部在不同幀圖像中相重疊的部分很難檢測出來，因此該類方法提取的目標(biāo)不完整，內(nèi)部多含有空洞。幀間差分法通常不單獨應(yīng)用在運動目標(biāo)檢測中，往往與其他的檢測算法結(jié)合使用。

背景減法（Background subtraction）是當(dāng)前運動目標(biāo)檢測技術(shù)中應(yīng)用較為廣泛的一類方法，其基本思想和幀間差分法類似，都是利用不同圖像的差分運算提取目標(biāo)區(qū)域。與幀間差分法不同的是，背景減法不是將當(dāng)前幀圖像與相鄰幀圖像相減，而是將當(dāng)前幀圖像與一個不斷更新的背景模型相減，在差分圖像中提取運動目標(biāo)。

利用背景減法實現(xiàn)目標(biāo)檢測主要包括如下4個環(huán)節(jié)［8］：背景建模、背景更新、目標(biāo)檢測、后期處理。其中，背景建模和背景更新是背景減法中的核心問題。背景模型建立的好壞直接影響到目標(biāo)檢測結(jié)果。所謂背景建模，就是通過數(shù)學(xué)方法，構(gòu)建出一種可以表征“背景”的模型。獲取背景的最理想方法是在沒有運動目標(biāo)的情況下獲取一幀“純凈”的圖像作為背景，但是，在實際情況中，由于光照變化、雨雪天氣、目標(biāo)運動等諸多因素的影響，這種情況是很難實現(xiàn)的，為此，人們提出了各種方法實現(xiàn)背景建模和背景更新。多幀平均法是一類最簡單的背景建模方法，它將多幀圖像的累加平均值作為背景模型，該類方法處理速度快，但是當(dāng)場景中目標(biāo)運動緩慢時，目標(biāo)的影像會污染背景。文獻(xiàn)［9］使用混合高斯模型（Gaussian mixture model，簡稱GMM）描述像素的灰度值變化，利用多個高斯模型描述灰度的多峰分布，可以有效地抑制運動干擾，但是過多增加高斯模型的個數(shù)會增加計算量；文獻(xiàn)［10］提出了一種改進(jìn)的方法自適應(yīng)地選擇高斯模型的數(shù)目，可以在一定程度上提高該類算法的運算速度；文獻(xiàn)［11］提出了一種基于多層背景模型的前景檢測算法，將背景分為參考背景和動態(tài)背景2層，可以有效解決靜止目標(biāo)檢測和目標(biāo)陰影消除的問題；文獻(xiàn)［12］根據(jù)對像素的統(tǒng)計，通過建立碼書（Codebook）的方法表征背景。針對光照突然發(fā)生變化的情況，文獻(xiàn)［13］提出使用隱馬爾可夫模型的方法解決這一問題，該類方法將突變的情況看作是一種離散狀態(tài)，對每一個像素點建立狀態(tài)轉(zhuǎn)移模型；文獻(xiàn)［14］認(rèn)為在連續(xù)的視頻序列中，真實背景像素點的灰度值出現(xiàn)的次數(shù)最多，并據(jù)此建立了背景模型，當(dāng)運動物體出現(xiàn)的概率大于背景出現(xiàn)的概率時，該方法會失效。

2 快速運動目標(biāo)檢測算法

由上述介紹可知，幀間差分法是對相鄰2幀或3幀圖像進(jìn)行差分，然后分割出運動目標(biāo)，優(yōu)點是對光照等外界條件的適應(yīng)性好，但缺點是位置不準(zhǔn)確，目標(biāo)區(qū)域不完整；背景減法［15］的特點是算法簡單、定位精度高、實時性好，完全克服幀差法的不足，但缺點是提取的目標(biāo)存在空洞，且背景必須實時更新以適應(yīng)光照、天氣等外界條件的變化；多幀平均法可以建立較好的背景模型，但是需要保存N幀圖像信息，增大了系統(tǒng)內(nèi)存的開銷；高斯混合模型方法可以直接在當(dāng)前幀圖像中檢測出目標(biāo)，但是計算復(fù)雜，算法實時性較差；其他的背景建模方法雖然效果較好，但是計算都比較復(fù)雜，應(yīng)用有一定的局限性。本文借鑒幀差法和背景減法的算法思想，提出了一種基于改進(jìn)背景減法的快速運動目標(biāo)檢測算法。

2.1 背景模型的初始化

本文借鑒背景減法的思想實現(xiàn)運動目標(biāo)檢測的功能。考慮到監(jiān)控系統(tǒng)的實時性要求，算法并不事先建立復(fù)雜精確的背景模型，而是將采集到的第1幀圖像作為背景圖像，雖然該圖像不一定就是真實的背景，但是隨著背景模型的不斷更新，該模型會越來越接近于真實的背景。

2.2 運動目標(biāo)檢測

算法將當(dāng)前采集到的圖像與系統(tǒng)維護(hù)的背景模型進(jìn)行差分運算，當(dāng)運算結(jié)果超過一定閾值時，即可判斷圖像中對應(yīng)的像素點屬于運動目標(biāo)區(qū)域，并產(chǎn)生相應(yīng)的二值化圖像，運算過程為：

其中，fn（x，y）為系統(tǒng)當(dāng)前采集到的圖像幀（x，y）位置處像素點的灰度值；B（x，y）為背景圖像中對應(yīng)位置像素點的灰度值，如果2個值相減的差值超過閾值T，該點即為運動像素點，否則系統(tǒng)判定其為背景像素點；圖像Rn為含有運動目標(biāo)區(qū)域的二值化圖像。

2.3 背景模型的更新策略

由于監(jiān)控場景中的光照變化和無關(guān)外來事件的干擾，真實的背景是不斷變化的，因此系統(tǒng)需要不斷地更新背景模型，以適應(yīng)這種變化［16］。算法對不同原因引起的背景變化，分別采取不同的背景模型更新策略。

（1）背景緩慢變化時的更新策略。當(dāng)由于光照變化引起真實背景發(fā)生緩慢變化時，系統(tǒng)需要實時更新背景模型。如果對圖像中的每一個像素點都進(jìn)行更新，則有可能將運動目標(biāo)的影像引入到背景模型中，“污染”了背景模型。因此，本文采用選擇性更新背景的方法，只對判斷為背景像素點的區(qū)域進(jìn)行更新，運算過程為：

其中，Bn為系統(tǒng)采集當(dāng)前幀圖像時所維護(hù)的背景模型；Bn－1為系統(tǒng)采集上一幀圖像時所維護(hù)的背景模型；fn為系統(tǒng)采集的當(dāng)前幀圖像；BW（x，y）＝1說明在目標(biāo)檢測階段，該像素點被判定為運動像素點，反之為背景像素點；α為背景模型學(xué)習(xí)速率，反應(yīng)了系統(tǒng)維護(hù)的背景模型對場景變化適應(yīng)性的快慢程度。

（2）背景發(fā)生突變時的更新策略。當(dāng)有物體進(jìn)入場景后停止了運動，或者停留的對象發(fā)生運動離開場景等情況時，會導(dǎo)致真實背景發(fā)生明顯的變化，此時如果仍按照上面提出的方法進(jìn)行背景模型的緩慢更新，則會使真實背景中發(fā)生變化的部分仍作為運動目標(biāo)被檢測到，產(chǎn)生錯誤的檢測結(jié)果。針對這種情況，本文算法采取了相應(yīng)的背景模型更新策略。

當(dāng)系統(tǒng)通過背景減法判斷出像素點是“運動像素點”后，進(jìn)一步判斷該像素點在一段時間內(nèi)是否還會發(fā)生變化，如果還會發(fā)生變化，則說明該像素點確實屬于目標(biāo)對象；如果不再發(fā)生變化，則說明該像素點已經(jīng)融入了背景，屬于背景像素點。具體方法為：使用幀間差分法，將當(dāng)前幀圖像和上一幀圖像相減，如果差值小于一定的閾值，即滿足（3）式，則對該像素點進(jìn)行計數(shù)。當(dāng)計數(shù)值Count超過一定閾值時，說明該像素點已經(jīng)融入背景，可判斷為背景像素點；反之則判斷為運動像素點，按照（2）式對其進(jìn)行背景模型的更新。

2.4 運動目標(biāo)檢測的后期處理

由（1）式得到的二值化圖像除了含有運動目標(biāo)外，還有少量的噪聲，而且在目標(biāo)內(nèi)部仍有些小的空洞，本文算法對其采用形態(tài)學(xué)濾波的方法進(jìn)行處理，考慮到實際監(jiān)控場景中目標(biāo)（人或車輛）的長寬特性，采用寬度為4個像素、高度為10個像素的矩形模板，先進(jìn)行腐蝕運算，濾除圖像中的噪聲；再進(jìn)行膨脹運算，填補目標(biāo)內(nèi)部的空洞［17］；最后使用積分投影法對目標(biāo)進(jìn)行分割，從而在當(dāng)前圖像中提取出完整的運動目標(biāo)。

3 實驗結(jié)果及分析

（1）實驗一。針對室內(nèi)室外2種監(jiān)控環(huán)境的測試序列，使用本文算法對2組視頻序列進(jìn)行實驗，實驗結(jié)果如圖1所示。由圖1b可以看出，本文算法提取的背景較為“純凈”，雖然提取的背景上有一些目標(biāo)的影響，但并不影響檢測結(jié)果，而且與多幀平均法建立背景模型相比，本文算法不僅避免了鬼影現(xiàn)象的產(chǎn)生，還大大節(jié)省了系統(tǒng)內(nèi)存的開銷；同時，算法可以檢測單個或多個目標(biāo)，適用于室內(nèi)或室外的監(jiān)控場景。

（2）實驗二。針對背景發(fā)生光照突變的測試序列，使用本文算法進(jìn)行了實驗，實驗結(jié)果如圖2所示。對比圖2a和圖2d，可以看出背景圖像發(fā)生了明顯的光照變化，由圖2b和圖2e可知，本文算法建立的背景模型及時地進(jìn)行了更新，由圖2c和圖2f顯示的檢測結(jié)果可知，這一變化并沒有影響對目標(biāo)的提取結(jié)果。由實驗結(jié)果可知本文算法采用的背景模型更新策略，可以很快地適應(yīng)場景的變化，可以滿足智能視頻監(jiān)控的要求。

圖1 室內(nèi)監(jiān)控場景序列的實驗結(jié)果

圖2 背景發(fā)生變化序列的實驗結(jié)果

4 結(jié)束語

本文提出的目標(biāo)檢測算法，使用背景減法提取完整的運動目標(biāo)，采用選擇性更新的方法更新背景模型，利用幀間差分法解決背景發(fā)生突變時產(chǎn)生的問題，運用形態(tài)學(xué)濾波的方法對得到的含有目標(biāo)的二值化圖像進(jìn)行處理，最后使用積分投影法實現(xiàn)運動目標(biāo)的分割提取。實驗結(jié)果表明，本文算法運算量小，無需建立復(fù)雜的背景模型，與多數(shù)基于背景減法的目標(biāo)檢測算法相比，有效地減少了計算，節(jié)省了系統(tǒng)內(nèi)存的開銷，滿足實時性要求；對于背景發(fā)生突變的情況，算法可以及時更新背景模型，從而保證目標(biāo)提取的準(zhǔn)確性。本文算法可以檢測場景中的單個或多個目標(biāo)，適用于室內(nèi)或室外不同的監(jiān)控場景，可以很好地滿足智能視覺監(jiān)控系統(tǒng)對目標(biāo)檢測的要求。

［1］滕 游.基于DSP的運動目標(biāo)檢測與跟蹤系統(tǒng)的設(shè)計與實現(xiàn)［D］.杭州：浙江工業(yè)大學(xué)，2009.

［2］張 娟，毛曉波，陳鐵軍.運動目標(biāo)跟蹤算法研究綜述［J］.計算機應(yīng)用研究，2009，26（12）：4407－4410.

［3］Lu Ziyun，Liu Wei.The compensated HS optical flow estimation based on matching Harris corner points［C］／／Proceedings of International Conference on Electrical and Control Engineering，Wuhan，China，2010：2279－2280.

［4］曲巨寶，林宏基.運動圖像快速跟蹤技術(shù)研究［J］.重慶師范大學(xué)學(xué)報：自然科學(xué)版，2011，28（1）：44－48.

［5］Pal A，Schaefer G，Celebi M E.Robust codebook－based video background subtraction［C］／／Proceedings of IEEE International Conference on Acoustics Speech and Signal Processing，Dallas TX，2010：1146.

［6］Schunck H.Determining optical flow［J］.Artificial Intelligence，1981，17（1－3）：185－203.

［7］楊 強，齊美彬，蔣建國.一種用于車輛檢測的選擇性背景更新方法［J］.合肥工業(yè)大學(xué)學(xué)報：自然科學(xué)版，2011，34（4）：509－514.

［8］郭春生，王 盼.一種基于碼本模型的運動目標(biāo)檢測算法［J］.中國圖象圖形學(xué)報，2010，15（7）：1079－1083.

［9］Stauffer C，Grimson W E L.Adaptive background mixture models for real－time tracking［C］／／Proceedings of Computer Vision and Pattern Recognition，F(xiàn)ort Collins，Colorado，USA，1999：246－252.

［10］Zivkovic Z.Improved adaptive Gaussian mixture model for background subtraction［C］／／Proceedings of International Conference on Pattern Recognition，Cambridge，UK，2004：28－31.

［11］楊 濤，李 靜，潘 泉，等.一種基于多層背景模型的前景檢測算法［J］.中國圖象圖形學(xué)報，2008，13（7）：1303－1308.

［12］Kim K，Chalidabhongse T H，Harwood D.Real－time foreground－background segmentation using codebook model［J］.Real－Time Imaging，2005，11（3）：172－185.

［13］Zhang Boping，Wang Rong.An HMM segmentation method based statistical layered model for an image of vehicle［C］／／Proceedings of 2nd International Conference on Networking and Digital Society，Wenzhou，China，2010：352－361.

［14］齊美彬，王 倩.基于背景像素值頻次最高假設(shè)的背景重構(gòu)算法［J］.中國圖象圖形學(xué)報，2008，13（4）：723－728.

［15］李勁菊，朱 清，王耀南.一種復(fù)雜背景下運動目標(biāo)檢測與跟蹤方法［J］.儀器儀表學(xué)報，2010，31（10）：2242－2247.

［16］安寶磊，蔣建國.利用目標(biāo)分割指導(dǎo)的背景更新算法［J］.工程圖學(xué)學(xué)報，2008（2）：125－130.

［17］董士崇，王天珍，許 剛.視頻圖像中的運動檢測［J］.武漢理工大學(xué)學(xué)報：信息與管理工程版，2004，26（4）：1－3.