黃東旭，慕德俊，戴 航

(西北工業(yè)大學(xué)自動化學(xué)院控制與網(wǎng)絡(luò)研究所，西安710072)

1 引言

隨著視頻監(jiān)控系統(tǒng)在社會生活中的廣泛應(yīng)用，智能視頻分析技術(shù)已成為計算機視覺領(lǐng)域中的一個新的研究方向。在智能視頻分析系統(tǒng)中，目標(biāo)的檢測是進行視頻分析的前提和基礎(chǔ)。

智能視頻分析技術(shù)分為兩個方面:①目標(biāo)檢測;②目標(biāo)跟蹤與識別。針對目標(biāo)檢測，國內(nèi)外很多文獻做了相關(guān)的研究。文獻［1］采用動態(tài)高斯混合模型，對圖像中每個像素點進行建模，并實時更新該模型。對于新圖像幀的每個點，依據(jù)高斯混合模型判斷該點屬于背景點還是前景點。最后利用形態(tài)學(xué)，將前景點合并，實現(xiàn)前景區(qū)分和目標(biāo)檢測。文獻［2］采用機器學(xué)習(xí)的方法，在訓(xùn)練學(xué)習(xí)過程中，采用Harris-SIFT描述事件的特征，并用SVM進行分類和檢測。文獻［3］根據(jù)前景目標(biāo)上像素值呈一定的分布規(guī)律，用貝葉斯理論分析檢測圖像上的各點屬于該分布規(guī)律的概率，實現(xiàn)前景區(qū)分和目標(biāo)檢測。文獻［4］提出利用隱馬爾科夫方法對目標(biāo)的運動軌跡進行分類，實現(xiàn)對運動目標(biāo)的檢測和跟蹤。文獻［5］采用幀差法分析思想，首先選取每個像素點周圍鄰近的N個點像素值作為背景模型的集合，然后通過計算被檢測點與其背景模型集合的距離，判斷被檢測的屬于前景還是背景，最后根據(jù)判斷出的前景點的情況，實現(xiàn)目標(biāo)的檢測。文獻［6］首先采用光流法從圖像序列中計算出光流向量，根據(jù)光流向量的直方圖對其分類，然后通過鏈?zhǔn)骄幋a算法對各類進行區(qū)域劃分，并從劃分區(qū)域提取特征點，最后以特征點為學(xué)習(xí)模型，使用SVM和HMM實現(xiàn)目標(biāo)的檢測。

目前的各種方法雖然可以實現(xiàn)目標(biāo)檢測，但其實現(xiàn)都比較復(fù)雜，對于包含大量冗余信息的長時間視頻(如小區(qū)的監(jiān)控視頻，停車場的監(jiān)控視頻等)，處理效率不高。

針對冗余信息較多的監(jiān)控視頻，提出了一種快速檢測目標(biāo)的方法。該方法首先利用改進的直方圖均衡化算法對圖像進行預(yù)處理，提高了圖像的對比度;采用曼哈頓距離計算圖像幀之間的差值，并根據(jù)最大化原則對差值進行處理;然后以幀差值的眾數(shù)為初始值，根據(jù)逐步精確的原則，迭代求取閾值，通過圖像幀差值與閾值的比較，快速判斷出前景幀和背景幀;在背景幀基礎(chǔ)上建立背景模型，依據(jù)前景幀上各點與背景模型中對應(yīng)點的卡方值識別前景點和背景點;最后通過數(shù)學(xué)形態(tài)學(xué)，去除噪聲和斑點，連通物體上的前景點，實現(xiàn)目標(biāo)的準(zhǔn)確檢測。在測試過程中，利用Matlab實現(xiàn)了上述目標(biāo)檢測的方法，并以小區(qū)的監(jiān)控視頻進行實驗。結(jié)果表明，該方法能夠快速準(zhǔn)確地檢測出目標(biāo)。

2 事件檢測技術(shù)實現(xiàn)

2.1 圖像預(yù)處理

由于硬件條件的限制，視頻監(jiān)控錄像畫面經(jīng)常不是很清晰，對比度不高。低對比度的圖像在進行圖像差值的計算過程中，當(dāng)與檢測區(qū)域顏色相近的目標(biāo)進入時，圖像的差值就會很小，難以檢測出目標(biāo)。所以在目標(biāo)檢測中，首先需要對圖像進行預(yù)處理，增強圖像對比度，為圖像差值計算提供良好的輸入數(shù)據(jù)。

直方圖均衡化技術(shù)可以用于增強圖像的對比度，文獻［7］在直方圖均衡化基礎(chǔ)上提出雙邊直方圖均衡化，利用圖像中像素值的均值作為閾值，將直方圖分成兩個子直方圖，然后分別對兩個子直方圖進行均衡化處理。文獻［8］在文獻［7］的基礎(chǔ)上，在子直方圖均衡化的過程中，用直方圖函數(shù)的均值代替函數(shù)中大于均值的值，解決了直方圖水平飽和性效應(yīng)問題。但作者并沒有考慮如何處理下限的問題，同時對函數(shù)中大于均值的函數(shù)值用均值替代也不太恰當(dāng)。在［7，8］的基礎(chǔ)上，用直方圖函數(shù)的上四分位數(shù)代替大于上四分位數(shù)的值，下四分位數(shù)代替小于下四分位數(shù)的值，實現(xiàn)直方圖的均衡化。

改進的直方圖均衡化過程如下:

2)根據(jù)均值將圖像中像素點分為兩個集合P和R，其中P={xij|xij≤M，xij∈X}，R={xij|xij＞ M，xij∈X};

3)獲取每個集合的灰度值對應(yīng)的像素點個數(shù)的第25個百分位數(shù)和第75個百分位數(shù)，QP1，QP3，QR1，QR3分別為集合P、Q的第25個百分位數(shù)和第75個百分位數(shù)，并由以下方程確定:

4)重新計算函數(shù)h(x)，對于集合P中的點，

對于集合R中的點

5)計算灰度值的概率密度函數(shù)和累計分布函數(shù)，集合P中像素點個數(shù)|P|h(x)，集合 R中像素點個數(shù)|R|=h(x)，圖像灰度值概率密度函數(shù)p(x)定義如下:

分布函數(shù)F(x)定義如下:

6)根據(jù)變換方程計算均衡化后圖像中各點灰度值，

2.2 差值的計算與處理

圖像經(jīng)過預(yù)處理后，首先計算圖像幀之間的差值，然后對差值進行處理。在此基礎(chǔ)上，自適應(yīng)閾值算法能夠更準(zhǔn)確的確定閾值。

1)圖像序列差值計算

差值計算實質(zhì)上是計算對象間的差異度［9］，對象間的差異度通常采用對象間的距離進行計算。常用的距離度量包括歐幾里得距離、曼哈頓距離和閔可夫斯基距離。同時可以根據(jù)需要，對距離計算中的各個分量賦予權(quán)重。由于歐幾里得距離和閔可夫斯基距離計算復(fù)雜度較高，而采用曼哈頓距離可以滿足目標(biāo)檢測的需求。采用曼哈頓距離計算圖像幀的差值。Ik(x，y)表示第k幀圖像在(x，y)處的灰度值。在(x，y)處，Dk(x，y)=|Ik(x，y)-I1(x，y)|，第k幀圖像與第一幀圖像的差值定義為:

C是圖像中像素點位置的集合。

2)差值處理

利用公式(6)計算的差值，沒有進行歸一化處理，差值分布零散，必須進行差值處理。差值處理主要利用歸一化和差異擴大化的思想，首先過濾值為0的差值，然后選取一個恰當(dāng)?shù)拈撝怠２钪敌∮谠撻撝?，用閾值除以差值的平方代替差?差值大于閾值，用差值除以閾值的平方代替差值。具體計算公式如下:

其中T為閾值。

對于閾值的選擇，可以采取不同的方法。文獻［10］提出了最大方差閾值方法，利用差別最小和最小二乘法原理，將差值分割成兩組，取兩組之間方差最大時的分割值作為閾值;根據(jù)差值的分布特性，也可以采取K-means［9］等聚類算法將數(shù)據(jù)聚合為兩類，以兩類數(shù)據(jù)的分割點作為閾值。從計算效率上考慮，采用差值的中值作為閾值，中值的計算簡單易行，提高了圖像幀差值計算的效率。最后利用差值的均值描述兩幀之間的差值，在2.3節(jié)中通過對差值均值的統(tǒng)計分析，區(qū)分前景幀和背景幀。

差值的計算算法描述如下:

V為Dk(x，y)中非零值的集合，Sk表示差值的和，Mk表示第k幀和原始幀的幀差。

2.3 自適應(yīng)閾值算法

通過2.2中對幀差值的計算和處理，可以得到各幀與原始幀差值的一個序列。本節(jié)從差值序列的分布中自適應(yīng)確定閾值。差值高于閾值的幀認(rèn)定為前景幀，差值低于閾值的幀認(rèn)定為背景幀。

根據(jù)實際應(yīng)用環(huán)境，監(jiān)控視頻冗余信息較多，圖像幀差值大部分分布在一個值T'左右，這些為背景幀;少數(shù)則為一些較大的值，這些為前景幀。根據(jù)幀差值的這種分布特性，首先求取幀差值的眾數(shù)作為閾值的初始值，然后利用迭代方法，逐步精確閾值。

1)眾數(shù)的求解

由于幀差值分布很分散，具有相同幀差值的元素很少，直接求解眾數(shù)并不準(zhǔn)確。本節(jié)先求取眾數(shù)所在區(qū)間，然后利用區(qū)間估計的方法求解眾數(shù)，具體求解方法如下:

①以組距0.01將幀差Mk分組，組數(shù)為

②計算第k組的頻數(shù)f(k);

③獲取眾數(shù)所在組和對應(yīng)的區(qū)間，頻數(shù)最大的組即為眾數(shù)組;

④根據(jù)眾數(shù)公式［10］計算眾數(shù)，眾數(shù)計算公式為:

其中L1為眾數(shù)組的下組界，Δ1為眾數(shù)頻數(shù)減去前一組頻數(shù)，Δ2為眾數(shù)頻數(shù)減去后一組頻數(shù)，c為眾數(shù)組組距寬度。

2)迭代求解閾值

在迭代過程中，以眾數(shù)做為閾值的初始值，進行迭代計算。經(jīng)過第一次迭代，去除了端點附近的值后，考慮到計算均值比計算眾數(shù)復(fù)雜度小，而且此時均值和眾數(shù)相差不大，在后續(xù)計算中以幀差值的均值作為閾值。

迭代中，如果幀差值與閾值的相對偏差大于等于0.1，則從幀差集合中移除該數(shù)據(jù)，以實現(xiàn)數(shù)據(jù)的過濾。

迭代的終止條件是閾值的相對誤差小于等于0.01。

具體算法如下:

①幀差的集合為B，即Mk∈B

②Repeat

③確定新的閾值T(T初始值為眾數(shù)，以后每次為幀差的均值，即T=M∑BMk/|B|)

k∈

2.4 背景模型和前景檢測

通過閾值和幀差值的比較，可以將所有的視頻幀分為前景幀和背景幀。從背景幀建立背景模型，過程如下:

1)對于N個背景幀，Gi(x，y)表示第i個背景幀上點(x，y)的像素值，M(x，y)表示N個背景幀中點(x，y)像素值的集合:

3)將所有的卡方值擬合為一組正態(tài)分布數(shù)據(jù)，卡方值的均值和方差計算如下:

前景檢測方法如下:

1)對于前景幀中點(x，y)的像素值設(shè)為(Gb(x，y)，該點的卡方值為:

2)根據(jù)正態(tài)分布的特性，可以得到如下判斷前景點和背景點的方程(其中前景點集合為F，背景點集合為B)。

根據(jù)方程(10)，可以將前景幀中的所有點分為前景點或背景點。

2.5 數(shù)學(xué)形態(tài)學(xué)處理

區(qū)分出前景幀中的前景點和背景點之后，首先對前景幀進行二值處理，處理方法如下:

G(x，y)為點(x，y)的像素值。

在形態(tài)學(xué)處理過程中，首先采用1×1的核對前景幀進行腐蝕處理，消除斑點和噪聲，腐蝕處理方法如下:

然后采用3×3的核對前景幀進行膨脹處理，將前景點連通起來，更好的區(qū)分出物體，膨脹方法如下:

經(jīng)過形態(tài)學(xué)處理之后，消除了孤立的噪聲和斑點，并將代表物體的前景點連通起來，還原了物體的真實形狀，能夠更加準(zhǔn)確的檢測出物體。

3 測試結(jié)果

根據(jù)第2節(jié)的方法，在Matlab下實現(xiàn)了目標(biāo)檢測的五個步驟:圖像預(yù)處理，差值計算和處理，自適應(yīng)閾值的確定，背景模型的建立和前景檢測，數(shù)學(xué)形態(tài)學(xué)處理。選取小區(qū)的監(jiān)控視頻進行測試。

圖1顯示了經(jīng)過直方圖均衡化處理，圖像幀差值計算和處理后，圖像幀差值的分布圖(縱軸表示幀差值，橫軸表示幀序列)。

圖1 圖像幀差分布圖

圖2(a)和圖2(c)是監(jiān)控視頻幀圖像，圖2(b)和圖2(d)是通過建立的背景模型和方程(10)，識別出來的前景點和背景點圖像(前景點為白色，背景點為黑色)。

圖2 前景點和背景點識別圖

圖3(a)和3(b)分別是圖2(b)和圖2(d)進行數(shù)學(xué)形態(tài)學(xué)處理后，最終檢測出來的目標(biāo)圖像。

圖3 目標(biāo)檢測結(jié)果

在Matlab中測試，對于128×96的圖像，在AMD Dual Core Processor 4200+，1G內(nèi)存下，處理速度能夠達(dá)到500幀/秒。

4 結(jié)束語

通過圖像預(yù)處理，圖像幀差值計算，差值處理和計算閾值等一系列的方法，從視頻流中判斷出了背景幀和前景幀;基于背景幀建立背景模型，采用統(tǒng)計分析的方法識別前景點和背景點;利用數(shù)學(xué)形態(tài)學(xué)算法去除噪聲和斑點，連通物體上的前景點。該方法可很好地從包含大量冗余信息的監(jiān)控視頻中快速、準(zhǔn)確地檢測目標(biāo)，可應(yīng)用于智能視頻分析系統(tǒng)之中。

［1］ Stauffer C，Grimson W.E.L.Adaptive background mixture models for real-time tracking［C］.Computer Vision and Pattern Recognition，1999，IEEE Computer Society Conference on，2:246-252.

［2］ Camara-Chavez G.，de Albuquerque Araujo A.harris-SIFT descriptor for video event eetection based on a machine learning approach［C］.Multimedia2009，ISM ＇09，11th IEEE International Symposium on，1:153-158.

［3］ Benedek C，Sziranyi T.Bayesian foreground and shadow detection in uncertain frame rate surveillance videos［J］.IEEE Transactions on image processing，2008，17(4):608-621.

［4］ Fan Jiang，Ying Wu，Katsaggelos A.K.A dynamic hierarchical clustering method for trajectory-based unusual video event detection［J］.IEEE Transactions on Image Processing，2009，18(4):907-913.

［5］ Barnich O，Van Droogenbroeck M.ViBe:A universal background subtraction algorithm for video sequences［J］.IEEE Transactions on?Image Processing，2011，20(6):1709-1724.

［6］ WaliA， AlimiAM. Eventdetection from video surveillance data based on optical flow histogram and high-level feature extraction［C］.Database and Expert Systems Application，2009，20th International Workshop on，221-225.

［7］ Yeong-Taeg Kim.Contrast enhancement using brightness preserving bi-histogram equalization［J］.IEEE Transactions on?Consumer Electronics，1997，43(1):1-8.

［8］ Chen Hee Ooi，Kong，N.S.P.Ibrahim，H.Bi-histogram equalization with a plateau limit for digital image enhancement［J］.IEEE Transactions on Consumer Electronics，2009，55(4):2072-2080.

［9］ Jiawei Han，Micheline K.數(shù)據(jù)挖掘概念與技術(shù)［M］.范明，孟小鋒，譯.北京:機械工業(yè)出版社，2006.

［10］ M.R.斯皮格爾，L.J.斯蒂芬斯.統(tǒng)計學(xué)［M］.楊紀(jì)龍，等譯.北京:科學(xué)出版社，2002.