王恩旺，王恩達(dá)

(1. 中國科學(xué)院紫金山天文臺，江蘇 南京　210008；2. 楚雄師范學(xué)院信息科學(xué)與技術(shù)學(xué)院，云南 楚雄　675000)

?

改進(jìn)的幀差法在空間運動目標(biāo)檢測中的應(yīng)用*1

王恩旺1，王恩達(dá)2

(1. 中國科學(xué)院紫金山天文臺，江蘇 南京210008；2. 楚雄師范學(xué)院信息科學(xué)與技術(shù)學(xué)院，云南 楚雄675000)

摘要：針對空間運動目標(biāo)檢測易受光照、云層等因素的干擾, 導(dǎo)致在沒有出現(xiàn)運動目標(biāo)的情況下，錯誤地判斷為檢測到運動目標(biāo)，設(shè)計了一種改進(jìn)的幀差算法，把幀差法和背景減除法相結(jié)合，周期性地把當(dāng)前幀更新為背景幀。先對待檢測圖像進(jìn)行二值化處理，有效消除了光照、云層等噪聲因素，并且強化了空間目標(biāo)的圖像，然后通過幀差法檢測出空間目標(biāo)。實驗表明，該方法有效降低了空間運動目標(biāo)的誤判率，改進(jìn)的算法不需要把每一幀圖像作為背景幀，提高了運行速度，也不需要對背景進(jìn)行統(tǒng)計建模，簡化了背景的建立過程，算法易于實現(xiàn)，操作簡單，資金投入少，靈敏度高，具有較高的實用價值。

關(guān)鍵詞：幀差法；空間目標(biāo)；運動目標(biāo)檢測；二值圖； 背景減除法

光學(xué)觀測是空間目標(biāo)觀測的重要手段，空間目標(biāo)的自動檢測和跟蹤是空間目標(biāo)檢測的關(guān)鍵技術(shù)。運動目標(biāo)檢測的正確性直接關(guān)系到空間目標(biāo)的自動識別、定位和編目精度以及望遠(yuǎn)鏡的運行效率，通過自動檢測，可以有效提高空間目標(biāo)檢測的效率，對空間目標(biāo)檢測和空間科學(xué)研究具有重大意義。幀差法可以用于空間運動目標(biāo)的檢測，是一種簡單、易于實現(xiàn)的算法[1]，通過視頻序列中前后兩幀圖像的像素值做差運算來判斷是否出現(xiàn)運動物體。首先對第k幀及第k-1幀圖片進(jìn)行平滑去噪，再做幀差法處理，用第k幀圖片減去第k-1幀圖片，得到一個值，用這個值和預(yù)先設(shè)定的閾值t進(jìn)行比較，若該值大于t，表示檢測到運動目標(biāo)，若該值小于t，表示沒有出現(xiàn)運動目標(biāo)[2]。但幀差法受光照、云層等因素變化的影響，雖然沒有出現(xiàn)運動目標(biāo)，由于光照、云層等因素的變化，導(dǎo)致幀序列中圖像像素值發(fā)生巨大變化，從而使得幀差值大于t，這樣會誤判為出現(xiàn)了空間運動物體。

為了在一定程度上降低光照、云層等噪聲因素對算法的影響，提高空間目標(biāo)檢測的精確度，研究結(jié)合opencv技術(shù)、幀差法和背景減除法，設(shè)計了一種改進(jìn)的幀差算法，在幀差運算前先把前景幀和背景幀二值化，然后再做幀差運算，降低噪聲因素的影響，提高算法的正確性和可靠性，在此基礎(chǔ)上，還實現(xiàn)了運動目標(biāo)檢測的自動報警和提示功能。

1運動目標(biāo)檢測

運動目標(biāo)檢測通常有3種方法：光流法、背景減除法和幀差法，它們各有優(yōu)缺點。

光流法的主要任務(wù)是計算光流場，即在適應(yīng)的平滑約束性條件下，根據(jù)圖像序列的時空梯度估算運動物體場，通過分析運動物體的變化對運動目標(biāo)和場景進(jìn)行分割。光流法的優(yōu)點在于光流不僅攜帶了物體的運動信息，而且還攜帶了有關(guān)景物三維結(jié)構(gòu)的豐富信息，它能夠在不知道場景的任何信息的情況下，檢測出運動對象。光流法的缺點是計算方法相當(dāng)復(fù)雜，計算量巨大，不能滿足實時的要求[3]。

背景減除法是在檢測場景確定后，建立一張場景的圖片作為背景圖，接下來使用當(dāng)前所獲得的圖像和背景圖對比，也就是用當(dāng)前圖像和背景圖做減法運算，相減后結(jié)果接近0，說明當(dāng)前圖像和背景圖像幾乎一致，也就是沒有運動目標(biāo)進(jìn)入；相減后結(jié)果很大，說明當(dāng)前圖和背景圖差異很大，也就是有運動目標(biāo)進(jìn)入。背景減除法的優(yōu)點是算法簡單，易于實現(xiàn)，在背景已知的情況下，檢測出的運動目標(biāo)的位置精確，速度快，實時性好。背景減除法的缺點是容易受環(huán)境、光線、天氣變化等影響，一旦實際背景有變化就會影響檢測結(jié)果[4]。

幀差法是對相鄰兩幀的圖像進(jìn)行差分，并設(shè)定一個閾值，認(rèn)為差分結(jié)果大于閾值的像素點就是運動目標(biāo)。幀差法的缺點是對環(huán)境噪聲較為敏感，閾值的選擇相當(dāng)關(guān)鍵，選擇過低不足以抑制圖像中的噪聲，過高則忽略了圖像中有用的變化。幀差法的優(yōu)點在于算法簡單、計算量小、實時性高，在目標(biāo)檢測中比較常用[5-9]。

1.1圖像二值化

幀差法雖然容易實現(xiàn)，但容易受到光照、噪聲等因素的干擾，使得在沒有運動目標(biāo)的情況下誤判為出現(xiàn)運動目標(biāo)，若將圖像二值化，則能有效削弱噪聲干擾，從而提高空間運動目標(biāo)檢測的準(zhǔn)確度。

圖像二值化就是把彩色圖像、灰度圖像等轉(zhuǎn)換為只有兩種像素值的黑白圖像，即為二值圖。這樣有利于對圖像做進(jìn)一步處理，圖像的集合性質(zhì)只與像素值為0或255的點的位置有關(guān)，不再涉及像素的多級值，使處理變得簡單，而且數(shù)據(jù)的處理和壓縮量小。為了得到理想的二值圖像，一般采用封閉、連通的邊界定義不交疊的區(qū)域。所有灰度大于或等于閾值的像素被判定為屬于特定物體，其灰度值為255，否則這些像素點被排除在物體區(qū)域以外，若灰度值為0，表示背景或者例外的物體區(qū)域[10-13]。

二值化方法如下：設(shè)y(i,j)為原圖的像素值，二值化后的像素值為x(i,j),t為給定的閾值。

(1)

當(dāng)原圖像中像素點的值大于給定的閾值t時，把這點的像素值設(shè)為255，若原圖像中像素點的像素值小于給定的閾值t，則把這點的像素值設(shè)為0。當(dāng)點的像素值為255時，二值圖中該點處的圖像顯示為白色，當(dāng)點的像素值為0時，對應(yīng)的二值圖顯示為黑色。相應(yīng)地，在二值圖中白色部分主要對應(yīng)著圖像的物體、形狀、輪廓等，而黑色部分對應(yīng)背景。

空間觀測圖像大部分為黑白圖，主要體現(xiàn)為黑色的背景和白色的發(fā)光目標(biāo)，針對這一特點，把觀測圖像二值化，可有效地增強圖像的清晰度，閾值t的選取比較關(guān)鍵。在不同的場景中，圖像的像素值變化比較大，就需要使用不同的閾值，才能更加準(zhǔn)確地分割出運動目標(biāo)，比較理想的方式是采用自適應(yīng)閾值法來滿足不同的場景需求?？紤]到空間運動目標(biāo)的特性，也可以采用固定的閾值，經(jīng)過試驗，在空間運動目標(biāo)檢測中，二值化的閾值可以設(shè)置為128。

1.2算法實現(xiàn)

幀差法與背景減除法類似，事實上它們是同一種運動目標(biāo)檢測算法的兩種不同的變體，它們的原理都是通過前景圖像與背景圖像作差運算，從而檢測出運動目標(biāo)。它們的優(yōu)點是算法簡單，易于實現(xiàn)，這個優(yōu)點也使得它們具有較大的應(yīng)用空間和較高的應(yīng)用價值。

研究結(jié)合幀差法和背景減除法做了一點改變，沒有把每一幀圖像都設(shè)置為背景，而是間隔一段時間周期，把當(dāng)前幀更新為背景幀，這樣做的好處是提高了算法的運行速度，而且可以把進(jìn)入場景后靜止的物體快速降級為背景。同時，也沒有對背景模型進(jìn)行統(tǒng)計建模，更新周期到達(dá)時直接把當(dāng)前幀更新為背景，大大簡化了背景建模過程，其中背景更新周期選取是一個關(guān)鍵的技術(shù)問題，它決定著檢測結(jié)果是否理想，如果背景更新過快，前后兩次檢測結(jié)果會疊加在一起，得到錯誤的運動目標(biāo)輪廓圖，背景更新太慢，檢測結(jié)果會出現(xiàn)大量空洞，把背景更新周期設(shè)置為0.3 s，可以得到理想的檢測結(jié)果，以下是實現(xiàn)原理。

設(shè)q(i,j)為前景幀中第k個像素點的像素值，b(i,j)為背景幀中第k個像素點的像素值，o(i,j)為運動目標(biāo)第k個像素點的像素值，width表示圖像寬度，height表示圖像高度，sum為差的絕對值之和。

(3)

(2)式表示把前景圖像第k個像素點的值與背景圖像中第k個像素點的值作差，然后取絕對值。(3)式中sum表示各對像素點求差后的絕對值之和。

接下來用sum和給定的閾值t進(jìn)行比較，有兩種情況：

sum≥t，

(4)

(5)

當(dāng)sum的值大于或等于t，表示檢測到了運動目標(biāo)；當(dāng)sum的值小于t，表示沒有檢測到運動目標(biāo)。sum值的選取取決于當(dāng)前的觀測場景，sum是圖像檢測結(jié)果中的像素值總和，不同的運動目標(biāo)檢測場景，對應(yīng)著不同的圖像，它們的像素值分布差異較大，檢測結(jié)果中圖像的像素值大小也就各不相同，所以要能準(zhǔn)確地判斷是否檢測到運動目標(biāo)，就需要選取一個恰當(dāng)?shù)拈撝祎。

如果閾值t選取過小，噪聲或背景的像素值之和大于t，這時即使沒有運動目標(biāo)出現(xiàn)，也錯誤地判斷為檢測到了運動目標(biāo)；如果閾值t選取過大，當(dāng)出現(xiàn)運動目標(biāo)時，sum仍然小于t，結(jié)果一直判斷為沒有檢測到運動目標(biāo)。觀測的背景改變，前景發(fā)生較大變化，光照等發(fā)生變化，都需要調(diào)整閾值t，才能得到正確的判斷結(jié)果。閾值的選取在不同設(shè)備、不同圖像通道、不同噪聲等情況下是不一樣的，只能根據(jù)當(dāng)前情況下的場景選取，所選取的閾值只能根據(jù)當(dāng)前的場景進(jìn)行多次試驗獲得。針對空間運動目標(biāo)檢測背景主要是天空，前景多為發(fā)光目標(biāo)，空間運動目標(biāo)的場景基本固定，所以閾值t可以選取一個固定的值，空間運動目標(biāo)多為星體，閾值選取t=5 000為宜，當(dāng)觀測場景中出現(xiàn)的運動目標(biāo)較少時選取一個恰當(dāng)?shù)拈撝祎，如果觀測視野中出現(xiàn)了較多運動目標(biāo)，檢測結(jié)果中圖像的像素值必然大于t，這時能夠正確判斷已經(jīng)檢測到運動目標(biāo)。

算法的實現(xiàn)過程描述如下：

(1)從CCD像機(jī)中取得第1幀圖像作為背景幀，把該幀圖像二值化；

(2)從CCD像機(jī)中取得第2幀圖像作為前景圖像，把該幀圖像二值化；

(3)依次取出前景圖中第k個像素點的像素值q(i,j)，背景圖中的第k個像素點的像素值b(i,j)，把這兩個像素值相減后取絕對值,然后計算所有絕對值之和。如果絕對值之和大于閾值t，則說明前兩張圖像差別較大，判斷為出現(xiàn)了空間運動目標(biāo),同時給出報警信息；如果絕對值之和小于閾值t，說明前后兩張圖像無顯著變化，可判斷為場景中沒有出現(xiàn)運動物體；

(4)周期到達(dá)時，把當(dāng)前幀更新為背景幀，取得下一幀圖像作為前景幀，返回(3)。

2結(jié)果與分析

以中國科學(xué)院紫金山天文臺姚安觀測站籬笆2號500 mm口徑的大視場(2.1°× 2.1°)望遠(yuǎn)鏡作為實驗儀器,采用數(shù)據(jù)引導(dǎo)捕獲的方式對500 mm口徑望遠(yuǎn)鏡拍攝的視頻素材做實驗。CCD圖像尺寸是1 024 × 2 024，像素值為16位，空間運動目標(biāo)的大小一般為8像素左右?？臻g運動目標(biāo)大，所占的像素值就大，空間運動目標(biāo)小，所占的像素值就小。

2.1光照變化對比實驗

首先，檢測前待檢測圖像不進(jìn)行二值化，結(jié)合opencv技術(shù)，直接使用幀差算法，進(jìn)行運動目標(biāo)檢測。實驗結(jié)果如圖1、圖2，兩圖是連續(xù)兩幀圖像，因為圖1和圖2中都沒有運動目標(biāo)進(jìn)入，所以它們的背景完全相同，但是圖1中的光照較弱一些，圖2中的光照相對較強。

從實驗結(jié)果可以看出，圖1和圖2表示光照變化檢測結(jié)果。圖1光照較弱，圖2光照較強，兩幀圖像之間光照發(fā)生了變化，雖然圖1和圖2中都沒有出現(xiàn)運動目標(biāo)，但光照變化引起了前后兩幀圖像的像素值發(fā)生變化，造成前后兩幀圖像差別較大，結(jié)果顯示為檢測到了運動目標(biāo)。

圖2　光照強

接下來，仍然使用圖1和圖2連續(xù)的兩幀圖像，背景完全相同，沒有運動目標(biāo)進(jìn)入。采用本文算法，在檢測前，對圖1和圖2的檢測圖像做二值化處理，再使用改進(jìn)的幀差算法檢測運動目標(biāo)，實驗結(jié)果如圖3和圖4。

圖3　光照弱 (算法改進(jìn)后)

圖4　光照強 (算法改進(jìn)后)

圖3和圖4的實驗為改進(jìn)后的光照變化檢測結(jié)果，在沒有出現(xiàn)運動目標(biāo)的情況下，雖然在原圖中光照變化很強，檢測結(jié)果提示沒有發(fā)現(xiàn)運動目標(biāo)，說明檢測結(jié)果準(zhǔn)確。

2.2云層變化對比實驗

首先， 待檢測圖像不做二值化處理，結(jié)合opencv技術(shù)，直接使用改進(jìn)的幀差算法，進(jìn)行運動目標(biāo)檢測，實驗結(jié)果如圖5～8。圖5和圖6是連續(xù)兩幀圖像，因為圖5和圖6中都沒有運動目標(biāo)進(jìn)入，所以它們的背景完全相同，但是圖5中的云層相對厚一些，圖6中的云層相對較薄。

通過實驗結(jié)果可以發(fā)現(xiàn)：在圖5和圖6中雖然沒有出現(xiàn)運動目標(biāo)，但由于受到云層變化的影響，卻錯誤地判斷為檢測到了運動目標(biāo)。

接下來，仍然使用圖5和圖6連續(xù)的兩幀圖像，它們的背景完全相同，沒有運動目標(biāo)進(jìn)入。采用本文算法，在檢測前對圖5和圖6的圖像做二值化處理，再使用改進(jìn)的幀差算法檢測運動目標(biāo)，實驗結(jié)果如圖7和圖8。由圖7、圖8可以看出，算法改進(jìn)以后，在沒有出現(xiàn)運動目標(biāo)的情況下，雖然云層變化很大，但沒有檢測到運動目標(biāo)，達(dá)到了預(yù)期的效果。

2.3運動目標(biāo)檢測實驗

從2.1節(jié)和2.2節(jié)實驗可以看出，幀差算法相對容易，但幀差法在空間運動目標(biāo)檢測過程中容易受到光照、云層變化的影響，會得到錯誤的檢測結(jié)果，在沒有運動目標(biāo)出現(xiàn)的情況下，也判斷為檢測到運動目標(biāo)。研究結(jié)果表明：在檢測之前，對待檢測圖像進(jìn)行二值化處理，能有效地降低光照、云層等噪聲因素的干擾，更準(zhǔn)確可靠地檢測出空間運動目標(biāo)。

圖5　云層較厚

圖6　云層較薄

圖7　云層較厚 (算法改進(jìn)后)

圖8　云層較薄 (算法改進(jìn)后)

接下來使用本文的算法對空間運動目標(biāo)進(jìn)行檢測，圖9是原視頻中連續(xù)的3幀圖像， 在原視頻中，有空間運動目標(biāo)從右下角往左上角方向運動，圖10是檢測前先對圖9做二值化，然后再使用幀差算法對運動目標(biāo)檢測的結(jié)果。

實驗結(jié)果表明，采用改進(jìn)算法后，有效降低了光照、云層等噪聲的影響，使用了恰當(dāng)?shù)拈撝岛竽軌蛲旰玫貦z測出空間運動目標(biāo)，檢測結(jié)果更加準(zhǔn)確可靠。

圖9原視頻中的圖像

Fig.9The original Images

圖10二值化后的圖像

Fig.10Images after binarization processing

3結(jié)論

本文提出的方法有效可行，將二值化和新的幀差算法相結(jié)合，在一定程度上避免了光照和薄云層對空間運動目標(biāo)自動檢測的干擾，從而減少運動目標(biāo)的誤判，能夠精確、靈敏地檢測到空間運動目標(biāo)，而且檢測到運動目標(biāo)時可以自動發(fā)出報警提示用戶，為空間運動目標(biāo)的跟蹤提供了一種新的思路，為實現(xiàn)空間運動目標(biāo)自適應(yīng)跟蹤提供了一種新的依據(jù)。

研究表明, 通過二值化和新的幀差算法相結(jié)合，提高了望遠(yuǎn)鏡對光照和云層干擾等方面的處理能力，為適用不同望遠(yuǎn)鏡的自動跟蹤、自動搜索、自動捕獲提供更加有效可行的方法，特別是對定點捕獲的光學(xué)望遠(yuǎn)鏡陣和籬笆望遠(yuǎn)鏡陣，在空間運動目標(biāo)檢測時能夠發(fā)揮其優(yōu)越性，實驗驗證效果明顯。

參考文獻(xiàn)：

[1]余啟明. 基于背景減法和幀差法的運動目標(biāo)檢測算法研究[D]. 南昌: 江西理工大學(xué), 2013.

[2]馬馳, 張紅云, 苗奪謙, 等. 改進(jìn)的多閾值動態(tài)二值化算法[J]. 計算機(jī)工程, 2006, 32(6): 203-205+208.Ma Chi, Zhang Hongyun, Miao Duoqian, et al. Improved multi-threshold and dynamic binarization algorithm[J]. Computer Engineering, 2006, 32(6): 203-205+208.

[3]于春雨. 基于光流法火災(zāi)煙霧視頻圖像識別及多信息融合探測算法研究[D]. 合肥: 中國科學(xué)技術(shù)大學(xué), 2010.

[4]張小駿, 劉志鏡, 陳昆. 一種基于曝光補償與顏色信息融合的背景減除法[J]. 電子技術(shù)與軟件工程, 2014(21): 115-118.

[5]趙建. 基于三幀差法的運動目標(biāo)檢測方法研究[D]. 西安: 西安電子科技大學(xué), 2013.

[6]Lin H H, Chuang J H, Liu T L. Regularized background adaptation: a novel learning rate control scheme for Gaussian Mixture Modeling[J]. IEEE Transactions on Image Processing, 2011, 20(3): 822-857.

[7]劉忠, 仇樸章, 邱耀輝, 等. 差分像運動視寧度測量實驗[J]. 云南天文臺臺刊, 1993(4): 22-30.

Liu Zhong, Qiu Puzhang, Qiu Yaohui, et al. Experiments of the differential image motion method for measuring the seeing[J]. Publications of Yunnan Observatory, 1993(4): 22-30.

[8]鄭聯(lián)慧, 金振宇, 向永源. 絕對差分算法誤差對測大氣視寧度的影響分析[J]. 天文研究與技術(shù)——國家天文臺臺刊, 2012, 9(2): 157-161.Zheng Lianhui, Jin Zhenyu, Xiang Yongyuan. Analysis of effects of errors of the absolute difference algorithm on day-time seeing measurement[J]. Astronomical Research & Technology——Publications of National Astronomical Observatories of China, 2012, 9(2): 157-161.

[9]周丹, 金振宇, 盧汝為, 等. 像運動法測量視寧度參數(shù)中曝光時間的重要性及其測定[J]. 云南天文臺臺刊, 2002(1): 14-20.

Zhou Dan, Jin Zhenyu, Lu Ruwei, et al. The importance of the exposure-time and its measurement in the image motion method to measure the seeing parameter[J]. Publications of Yunnan Observatory, 2002(1): 14-20.

[10]吳銳, 黃劍華, 唐降龍, 等. 基于灰度直方圖和譜聚類的文本圖像二值化方法[J]. 電子與信息學(xué)報, 2009, 31(10): 2460-2464.

Wu Rui, Huang Jianhua, Tang Jianglong, et al. Method of text image binarization processing using histogram and spectral clustering[J]. Journal of Electronic & Information Technology, 2009, 31(10): 2460-2464.

[11]孫少林, 馬志強, 湯偉. 灰度圖像二值化算法研究[J]. 價值工程, 2010(5): 142-143.

Sun Shaolin, Ma Zhiqiang, Tang Wei. Research on gray-level image binarization algorithms[J]. Value Engineering, 2010(5): 142-143.

[13]張引. 基于空間分布的最大類間方差牌照圖像二值化算法[J]. 浙江大學(xué)學(xué)報: 工學(xué)版, 2001, 35(3): 272-275+280.

Zhang Yin. License plate binarization algorithm based on analysis of the spatial distribution and maximum variance between clusters[J]. Journal of Zhejiang University: Engineering Science, 2001, 35(3): 272-275+280.

*基金項目：中國科學(xué)院國防科技創(chuàng)新基金 (CXJJ-14-S106) 資助.

收稿日期：2015-11-04；

修訂日期：2015-11-21

作者簡介：王恩旺，男，本科. 研究方向：天體測量與天體力學(xué). Email: ewwang@pmo.ac.cn

中圖分類號：P123

文獻(xiàn)標(biāo)識碼：A

文章編號:1672-7673(2016)03-0333-07

Application of an Improved Frame Difference Method in Space Moving Target Detection

Wang Enwang1, Wang Enda2

(1. Purple Mountain Observatory, Chinese Academy of Sciences, Nanjing 210008, China, Email: ewwang@pmo.ac.cn; 2. School of Information and Science Technology, Chuxiong Normal University, Chuxiong 675000, China)

Abstract:Space moving targets are often mistakenly detected even when they do not appear because the detection process is easily interfered by light, clouds and other factors. In order to solve this problem, we propose an improved frame difference algorithm, which combines the frame difference method with the background subtraction method and updates the current frame as the background frame periodically, namely, it makes the binarization processing to the images to be detected at the first step. This process can effectively eliminate such noise factors as light and clouds, and intensify the images of space targets, and then help the frame difference algorithm to detect space targets. According to the experiments, this method can effectively decrease the false detection rate of space moving targets. There is no need for the improved algorithm to put each updated frame as a background or make a statistical model of the background, so it improves the operating speed and simplifies the process of establishing the background. This algorithm is easy to implement and simple to operate. With low investment and high sensitivity it has great practical value.

Key words:The frame difference method; Space target; Moving target detection; Binarization; Background subtraction method

CN 53-1189/PISSN 1672-7673