王 磊，張著洪

(1.貴州大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，貴州 貴陽 550025;2.貴州大學(xué) 大數(shù)據(jù)與信息工程學(xué)院 貴州 貴陽 550025)

運(yùn)動(dòng)目標(biāo)檢測(cè)作為計(jì)算機(jī)視覺領(lǐng)域的重要研究課題，在近年來得到了許多研究，呈現(xiàn)了較多有潛在應(yīng)用價(jià)值的目標(biāo)檢測(cè)方法［1－6］。這些成果主要集中在對(duì)運(yùn)動(dòng)目標(biāo)的位置、速度展開研究，可以應(yīng)用于預(yù)警監(jiān)控系統(tǒng)［7－9］。可是，僅對(duì)運(yùn)動(dòng)目標(biāo)的位置和速度進(jìn)行估計(jì)，很難使得智能監(jiān)控系統(tǒng)在沒有工作人員參與下，能給出正確的預(yù)警信號(hào)。運(yùn)動(dòng)目標(biāo)方向檢測(cè)是對(duì)視覺區(qū)內(nèi)運(yùn)動(dòng)目標(biāo)的運(yùn)動(dòng)方向進(jìn)行判斷和預(yù)測(cè)，其研究成果可以結(jié)合運(yùn)動(dòng)目標(biāo)的位置和速度估計(jì)，對(duì)目標(biāo)的運(yùn)動(dòng)行為進(jìn)行判斷，為視頻監(jiān)控的預(yù)警提供技術(shù)支持，但此研究相對(duì)較少。

生物視覺神經(jīng)系統(tǒng)可以準(zhǔn)確判斷視覺區(qū)內(nèi)運(yùn)動(dòng)目標(biāo)的運(yùn)動(dòng)方向，對(duì)研究視頻監(jiān)控范圍內(nèi)運(yùn)動(dòng)目標(biāo)的行為具有重要參考價(jià)值。針對(duì)于此，德國生物控制論研究所創(chuàng)始人Reichardt 等于1961 年提出了基本運(yùn)動(dòng)檢測(cè)器(EMD:Elementary Motion Detector)［10］，其依據(jù)相鄰感光細(xì)胞接收的信號(hào)對(duì)物體的單向運(yùn)動(dòng)方向進(jìn)行判斷，在運(yùn)動(dòng)檢測(cè)、目標(biāo)跟蹤中被廣泛應(yīng)用［11］;Egelhaaf 針對(duì)兩探測(cè)器間雙向運(yùn)動(dòng)方向檢測(cè)，于1989 年提出關(guān)聯(lián)檢測(cè)器［12］，其利用兩個(gè)亮度接收器和低通濾波器實(shí)現(xiàn)兩點(diǎn)間的運(yùn)動(dòng)方向檢測(cè)。

本文針對(duì)靜態(tài)環(huán)境下視頻圖像中運(yùn)動(dòng)目標(biāo)的方向判斷問題，首先基于噪聲處理和背景差分法［13，14］，設(shè)計(jì)運(yùn)動(dòng)目標(biāo)提取方法;其次，基于對(duì)稱EMD 模型，探討運(yùn)動(dòng)目標(biāo)的方向檢測(cè)方法。綜合此兩種方法，可對(duì)靜態(tài)環(huán)境下目標(biāo)的運(yùn)動(dòng)方向進(jìn)行有效判斷。

1 運(yùn)動(dòng)目標(biāo)提取

運(yùn)動(dòng)目標(biāo)能否從圖像中有效提取，很大程度上取決于背景噪聲能否有效被處理。為此，本文基于背景模板更新思想，動(dòng)態(tài)保留已出現(xiàn)的背景信息，然后利用背景差分法，對(duì)運(yùn)動(dòng)目標(biāo)進(jìn)行提取。給定灰度圖序列A0，A1，A2，…，每幀灰度圖由M×N 個(gè)像素點(diǎn)表示?；诖诵蛄校繕?biāo)提取方法如下:

取樣本圖A0作為初始背景模板B0，經(jīng)m－1幀樣本圖后，B0被更新為B1，B1由Am和B0生成，即首先依據(jù)下式:

確定B1的像素點(diǎn)(i，j)處的灰度值，如此繼續(xù)，則獲B1的各像素點(diǎn)的灰度值;在此，σ為給定閾值。同理，B2由A2m和B1生成，如此繼續(xù)，每隔m－1 幀樣本圖，背景模板被更新1 次，進(jìn)而獲得背景模板序列B0，B1，B2，…。基于此序列，A1，A2，…，Am分別作高斯濾波處理后，再與B0進(jìn)行背景差分，并清除噪聲斑點(diǎn)，進(jìn)而獲得該樣本序列的運(yùn)動(dòng)目標(biāo);進(jìn)一步，類似地，Am+1，Am+2，…，A2m分別與B1產(chǎn)生運(yùn)動(dòng)目標(biāo)序列，繼續(xù)如此，便可達(dá)到樣本序列的目標(biāo)提取的目的。

2 運(yùn)動(dòng)目標(biāo)方向檢測(cè)

2.1 對(duì)稱EMD 模型

EMD 是一種基本運(yùn)動(dòng)方向檢測(cè)器，它是基于生物視覺神經(jīng)系統(tǒng)中感光細(xì)胞接收光信號(hào)強(qiáng)度和對(duì)運(yùn)動(dòng)目標(biāo)方向進(jìn)行判斷的行為機(jī)理而設(shè)計(jì)的，可應(yīng)用于計(jì)算機(jī)視覺中運(yùn)動(dòng)目標(biāo)單向運(yùn)動(dòng)的判斷。對(duì)稱EMD［12］是一種基于EMD 的雙向運(yùn)動(dòng)方向檢測(cè)器，可用于檢測(cè)運(yùn)動(dòng)目標(biāo)的雙向運(yùn)動(dòng)方向，其結(jié)構(gòu)原理如圖1 所示:

圖1 對(duì)稱EMD 結(jié)構(gòu)圖

圖1 中，A 與B 表示相鄰的感光細(xì)胞，分別接收兩光軸的感光信號(hào)。本文中，A、B 接收輸入的灰度圖中對(duì)應(yīng)位置上的像素值LA和LB，符號(hào)“□”意指感光信號(hào)的延時(shí)。對(duì)稱EMD 的合成輸出由下式確定:

其中，f(·)為時(shí)滯函數(shù)。若S ＞0，則運(yùn)動(dòng)目標(biāo)向左運(yùn)動(dòng);反之，則向右運(yùn)動(dòng)。

2.2 運(yùn)動(dòng)方向量

將以上每幀樣本圖的M×N 像素矩陣與M×N 個(gè)感光細(xì)胞構(gòu)成的表格對(duì)應(yīng)，也即就是說，每個(gè)感光細(xì)胞接收此像素矩陣中對(duì)應(yīng)位置上的像素值。每個(gè)感光細(xì)胞作為中心細(xì)胞與其相鄰的8 個(gè)感光細(xì)胞構(gòu)成3×3 感光細(xì)胞子塊，如圖2 所示。結(jié)合文獻(xiàn)［15］中的思想，此子塊經(jīng)由如下方式確定運(yùn)動(dòng)目標(biāo)在中心感光細(xì)胞位置的局部水平和豎直方向的方向量，即

圖2 3×3 感光細(xì)胞子塊

其中，H 和V 分別表示水平、豎直方向的方向量，Si表示由感光細(xì)胞i 與中心細(xì)胞0 經(jīng)由式(2)獲得的合成輸出量。于是，每幀樣本圖中運(yùn)動(dòng)目標(biāo)的水平、豎直運(yùn)動(dòng)方向的方向量分別由下式確定:

其中，H(i，j)和V(i，j)分別為運(yùn)動(dòng)目標(biāo)在位置(i，j)處的水平、豎直方向的方向分量，其由式(3)確定。

基于以上設(shè)計(jì)，靜態(tài)環(huán)境下運(yùn)動(dòng)目標(biāo)的運(yùn)動(dòng)方向檢測(cè)算法具體如下:

步1 輸入第k 幀灰度圖Ak的M×N 像素矩陣，并進(jìn)行高斯濾波;若k 整除m，則更新背景模板;否則，背景模板保持不變;

步2 經(jīng)由以上運(yùn)動(dòng)目標(biāo)提取方法，提取Ak中運(yùn)動(dòng)目標(biāo);

步3 借助式(4)確定目標(biāo)的運(yùn)動(dòng)方向量。

3 數(shù)值仿真實(shí)驗(yàn)

在Visual C++6.0/OpenCV 1.0 環(huán)境下展開實(shí)驗(yàn)。參數(shù)設(shè)置為m=10，σ=40，α=0.15 。選取兩種固定拍攝場(chǎng)景:(1)行人漫步行走，(2)公路上車輛行駛。兩種場(chǎng)景的拍攝速度均為30 幀/秒，圖像大小為1920×1080;場(chǎng)景1:樣本大小150幀，場(chǎng)景范圍內(nèi)有1 人在自由行走;場(chǎng)景2:樣本大小500 幀，有1 輛機(jī)動(dòng)車經(jīng)過拍攝區(qū)域;以上目標(biāo)經(jīng)提取方法處理后，在此僅呈現(xiàn)各場(chǎng)景下不同間隔時(shí)間段的6 幀100×100 的二值圖，如圖3、4 所示;圖中箭頭方向表示運(yùn)動(dòng)目標(biāo)的實(shí)際運(yùn)動(dòng)方向。各圖中運(yùn)動(dòng)目標(biāo)的運(yùn)動(dòng)方向量見表1、2，水平方向向右為正，豎直方向向下為正。

表1 場(chǎng)景1∶6幀圖中目標(biāo)的運(yùn)動(dòng)方向量

圖3 場(chǎng)景1:目標(biāo)提取與實(shí)際運(yùn)動(dòng)方向

圖4 場(chǎng)景2:目標(biāo)提取與實(shí)際運(yùn)動(dòng)方向

表2 場(chǎng)景2:6 幀圖中目標(biāo)的運(yùn)動(dòng)方向量

圖3、4 表明，以上目標(biāo)提取方法能有效去除靜態(tài)場(chǎng)景下的背景噪聲，且運(yùn)動(dòng)目標(biāo)能被清晰地提取，這說明以上背景更新方法能有效更新背景信息，為目標(biāo)的運(yùn)動(dòng)方向判定提供了重要保障。經(jīng)由表1，前三幀圖中目標(biāo)運(yùn)動(dòng)方向的水平分量為正，豎直方向分量為負(fù)且逐漸增大，因此，運(yùn)動(dòng)目標(biāo)向右上方緩慢運(yùn)動(dòng);后三幀圖中目標(biāo)運(yùn)動(dòng)方向的水平分量為負(fù)且逐漸減小，豎直分量為正且逐漸增大，因此運(yùn)動(dòng)目標(biāo)緩慢地向左下方運(yùn)動(dòng)。經(jīng)由表2，六幀圖像中目標(biāo)的水平分量和豎直分量都為正;在此結(jié)合圖3 獲知，目標(biāo)沿著右下方運(yùn)動(dòng)。概括起來，本文的目標(biāo)運(yùn)動(dòng)方向檢測(cè)方法處理以上兩種場(chǎng)景下目標(biāo)運(yùn)動(dòng)方向檢測(cè)，所獲運(yùn)動(dòng)方向判定結(jié)果與實(shí)際場(chǎng)景下的目標(biāo)運(yùn)動(dòng)方向吻合。

4 結(jié)論

借助圖像處理中背景差分法的思想設(shè)計(jì)背景模板更新方法，為靜態(tài)場(chǎng)景下運(yùn)動(dòng)目標(biāo)的提取奠定基礎(chǔ)，進(jìn)而針對(duì)目標(biāo)運(yùn)動(dòng)方向判定問題，基于對(duì)稱EMD 結(jié)構(gòu)，設(shè)計(jì)一種適用于無先驗(yàn)知識(shí)下目標(biāo)運(yùn)動(dòng)方向判定的檢測(cè)方法。數(shù)值仿真結(jié)果表明，背景模板更新方法對(duì)目標(biāo)提取具有重要作用，可有效清除幀圖中的背景噪聲，是目標(biāo)運(yùn)動(dòng)方向檢測(cè)的重要環(huán)節(jié);運(yùn)動(dòng)方向量計(jì)算模型能有效確定運(yùn)動(dòng)目標(biāo)的運(yùn)動(dòng)方向。因此，本文的背景更新方法與運(yùn)動(dòng)方向量計(jì)算模型結(jié)合，能準(zhǔn)確地判斷目標(biāo)的運(yùn)動(dòng)行為。

［1］袁國武，陳志強(qiáng)，龔健，等.一種結(jié)合光流法與三幀差分法的運(yùn)動(dòng)目標(biāo)檢測(cè)算法［J］.小型微型計(jì)算機(jī)系統(tǒng)，2013，34(3):668－671.

［2］Galic' S，Lonc'aric' S.Spatio-temporal image segmentation using optical flow and clustering algorithm［C］//Proceedings of the First International Workshop on Image and Signal Processing and Analysis，Piscataway，NJ:IEEE，2000:63－68.

［3］劉鑫，劉輝，強(qiáng)振平，等.混合高斯模型和幀間差分相融合的自適應(yīng)背景模型［J］.中國圖象圖形學(xué)報(bào)，2008，13(4):729－734.

［4］黃鑫娟，周潔敏，劉伯揚(yáng).自適應(yīng)混合高斯背景模型的運(yùn)動(dòng)目標(biāo)檢測(cè)方法［J］.計(jì)算機(jī)應(yīng)用，2010，30(1):71－74.

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

［6］Zivkovic Z.Improved adaptive Gaussian mixture model for background subtraction［C］// IEEE Proceedings of the 17th International Conference on Pattern Recognition，Piscataway，NJ:IEEE，2004:28－31.

［7］Valera M，Velastin S A.Intelligent distributed surveillance systems:a review［J］.Iee Proceedings Vision Image ＆ Signal Processing，2005，152(2):192－204.

［8］Haritaoglu I，Harwood D，Davis L S.W4:Real-time surveillance of people and their activities［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，2000，22(8):809－830.

［9］李慶武，許和英，陳小剛，等.基于USB2.0 的智能視頻監(jiān)控系統(tǒng)設(shè)計(jì)［J］.光學(xué)技術(shù)，2007，33(S1):22.

［10］Reichardt W，Rosenblith W A.Autocorrelation，a principle for evaluation of sensory information by the central nervous system［C］//Symposium on Principles of Sensory Communication 1959.Cambridge:MIT Press，1961:303－317.

［11］Shoemaker P A，O’Carroll D C，Straw A D.Velocity constancy and models for wide-field visual motion detection in insects［J］.Biological cybernetics，2005，93(4):275－287.

［12］Egelhaaf M，Borst A.Transient and steady-state response properties of movement detectors［J］.JOSA A，1989，6(1):116－127.

［13］李明輝，蘇宏業(yè)，董利達(dá).快速背景提取及更新算法［J］.計(jì)算機(jī)工程，2010，36(3):283－285.

［14］魏志強(qiáng)，紀(jì)筱鵬，馮業(yè)偉.基于自適應(yīng)背景圖像更新的運(yùn)動(dòng)目標(biāo)檢測(cè)方法［J］.電子學(xué)報(bào)，2005，33(12):2261－2264.

［15］Missler J M，Kamangar F A.A neural network for pursuit tracking inspired by the fly visual system［J］.Neural Networks，1995，8(3):463－480.