陳狀 胡永祥 郝晗

摘要：目前，國內(nèi)外越來越多的學(xué)者在基于前景檢測算法方面取得了大量的研究成果。但針對如何能在真實(shí)場景下可以克服諸多實(shí)際的干擾因素，準(zhǔn)確的檢測到前景目標(biāo)還沒有找到適合的算法來實(shí)現(xiàn)它。本文對背景差分法這種常用的前景檢測算法進(jìn)行理論分析和實(shí)驗(yàn)比較，分析了算法的優(yōu)缺點(diǎn)和復(fù)雜程度，最后通過對形態(tài)學(xué)處理和陰影抑制理論的研究對背景差分算法進(jìn)行了改進(jìn)。

關(guān)鍵詞：目標(biāo)檢測;背景差分法;前景檢測

中圖分類號：TP311? ? ? 文獻(xiàn)標(biāo)識碼：A? ? ? 文章編號：1009-3044（2019）02-0167-0c

1引言

前景檢測就是為了能夠把前景目標(biāo)從背景圖像中分割出來，一般體現(xiàn)在視頻拍攝方面，視頻序列中固有的畫面作為背景，視頻序列中變化的部分作為前景目標(biāo)，從而準(zhǔn)確的檢測出前景目標(biāo)。前景檢測[1 ]是目標(biāo)跟蹤、識別、分析等高級處理必要的先驗(yàn)環(huán)節(jié)[2]，

能夠準(zhǔn)確快速檢測到前景目標(biāo)，可以有效提高系統(tǒng)的實(shí)時性和魯棒性。對應(yīng)地就需要保證前景檢測算法對目標(biāo)以外的各種干擾要做到盡可能地弱化，分析拍攝過程中的主要干擾，對拍攝背景中存在光照、陰影、遮擋等動態(tài)影響因素進(jìn)行分析處理，提高前景檢測算法在檢測過程中對場地環(huán)境的魯棒性[3]和對目標(biāo)的檢測實(shí)時性[4]。本文通過對背景差分算法在拍攝過程中存在干擾因素進(jìn)行分析，加入形態(tài)學(xué)處理和陰影抑制方法，對現(xiàn)有的背景差分算法進(jìn)行改進(jìn)。

2 背景差分檢測算法

背景差分算法是機(jī)器視覺中一種常用的前景檢測算法。它的算法核心思想是取當(dāng)前幀圖像灰度值與背景幀圖像灰度值做減法運(yùn)算的結(jié)果的絕對值，公式如式（1）所示。

[Dk（x，y）=|fkx，y-fbkx，y| ]? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? （1）

[fk]表示當(dāng)前幀圖像，[fbk]表示背景圖像，[Dk]表示差分后得到的圖像。將[Dk]中每個像素點(diǎn)[Dk（x，y）]與閾值T比較，[Dk（x，y）

背景差分算法相比與其它前景檢測算法如光流法、累積差分算法的優(yōu)勢在于：（1）背景差分算法的計算相對比較簡單，并且它的背景值是取自拍攝下的靜止場景作為背景，更適合角度固定的前景檢測;（2）背景差分算法對變化的場景存在較強(qiáng)的自適應(yīng)能力，可以更新背景圖像。

3背景差分算法改進(jìn)處理

背景差分算法雖然具備計算相對簡單，對背景有較強(qiáng)的適應(yīng)能力等優(yōu)勢，但是也存在相應(yīng)的問題：（1）前景目標(biāo)檢測中的噪聲干擾對目標(biāo)影響很大，（2）拍攝過程中的陰影往往會被認(rèn)為成目標(biāo)，得到的結(jié)果與理想結(jié)果存在較大差距，影響檢測效果的實(shí)時性。所以本文采用輪廓平滑處理的形態(tài)學(xué)處理和HSV[5]顏色空間陰影抑制算法對背景差分算法進(jìn)行了針對性的改進(jìn)。前景目標(biāo)中的噪聲通過輪廓平滑處理進(jìn)行降噪可以有效地解決，HSV顏色空間陰影抑制算法可以有效消除陰影對前景目標(biāo)的誤識別。

3.1輪廓平滑處理

數(shù)學(xué)形態(tài)學(xué)[6]是一種分析幾何形狀和結(jié)構(gòu)的數(shù)學(xué)方法，它是建立在集合代數(shù)基礎(chǔ)上通過單一或者有序組合使用膨脹、腐蝕、開運(yùn)算和閉運(yùn)算四個基本算子對二值圖像進(jìn)行處理和分析[7]，獲取圖像的結(jié)構(gòu)圖像信息。它可以解決圖像中的噪點(diǎn)有著良好的性能，故本文對背景差分算法中前景圖像中存在的噪點(diǎn)采用輪廓平滑處理的形態(tài)學(xué)操作。

膨脹是為了向外擴(kuò)張前景二值圖像的輪廓，使得前景二值圖像的輪廓可以把周圍的噪點(diǎn)合并起來，已達(dá)到去除噪點(diǎn)的效果。它的操作過程是通過選定的結(jié)構(gòu)元素，將選定元素與二值圖像集合進(jìn)行計算，計算公式如式（2）所示。

[S=X?B={x，y|Bxy?X}≠Φ]? ? ? ? ? ? ? ? ? ?（2）

[X]為二值集合的輸入，[B]為指定的結(jié)構(gòu)元素，[S]為膨脹后的圖像集合。前景目標(biāo)圖像中的空洞和噪點(diǎn)使用膨脹方法進(jìn)行填充。

腐蝕是為了向內(nèi)收縮前景二值圖像的輪廓，減輕前景目標(biāo)圖像的邊界像素影響。它的操作過程是通過選定的結(jié)構(gòu)元素，將選定元素與二值圖像集合進(jìn)行計算，計算公式如式（3）所示

[S=X⊙B={x，y|Bxy?X}]? ? ? ? ? ? ? ? ? ? ? ? ? （3）

[X]為二值集合的輸入，[B]為指定的結(jié)構(gòu)元素，[S]為腐蝕后的圖像集合。通過該方法可以去掉前景圖像的外圍邊界像素點(diǎn)。前景目標(biāo)圖像中的邊界像素點(diǎn)使用腐蝕方法進(jìn)行去除。

通過不同順序的級聯(lián)使用膨脹和腐蝕兩種算法會得到開、閉運(yùn)算。圖像的開運(yùn)算是指圖像選定的結(jié)構(gòu)元素[B]與二值圖像先進(jìn)行腐蝕操作，然后將結(jié)果再進(jìn)行膨脹操作。公式如下（4）所示。

[S=X⊙B⊕B]? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?（4）

閉運(yùn)算是與開運(yùn)算操作相反的操作過程，圖像的閉運(yùn)算是指圖像選定的結(jié)構(gòu)元素[B]與二值圖像先進(jìn)行膨脹操作，然后將結(jié)果再進(jìn)行腐蝕操作。公式如下所示。

[S=X⊕B⊙B]? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?（5）

開運(yùn)算的作用可以使前景目標(biāo)圖像的輪廓消除細(xì)小的突出點(diǎn)，將目標(biāo)對象的輪廓變得光滑，得以突出行人目標(biāo)特征。閉運(yùn)算的作用可以將前景目標(biāo)圖像中目標(biāo)斷裂的輪廓進(jìn)行連接和填充，保證行人目標(biāo)的整體性和有效性。

3.2陰影抑制處理

拍攝視頻中總會收到天氣的影響、白天和傍晚的變化等自然因素的干擾，視頻中檢測目標(biāo)會存在著目標(biāo)陰影，并且陰影具有特征與檢測目標(biāo)特征相近，與檢測目標(biāo)相連。在進(jìn)行前景檢測的過程中很容易把陰影部分檢測成前景目標(biāo)，造成真實(shí)目標(biāo)與陰影部分誤檢目標(biāo)重疊，造成重影現(xiàn)象，對檢測目標(biāo)造成巨大的干擾。背景差分算法對陰影部分誤檢成前景目標(biāo)的抗干擾能力差，不能有效去除陰影部分造成的誤檢目標(biāo)，導(dǎo)致誤檢率大大增加，算法的有效性受到極大的挑戰(zhàn)。為了解決上述問題，對背景差分算法進(jìn)行改進(jìn)，加入了基于HSV的色彩空間的陰影抑制算法。

HSV三個分量分別表示色彩（Hue）、飽和度（ Saturation）、亮度（ Value）。色彩H表示顏色，飽和度S表示顏色中包含白色的比例，亮度V表示色彩的明亮程度。當(dāng)圖像中的一個像素點(diǎn)被陰影覆蓋時，像素的飽和度會與背景區(qū)域的點(diǎn)的飽和度的比值呈線性關(guān)系。而且背景區(qū)域的提前選定，會造成背景區(qū)域的亮度會比陰影覆蓋區(qū)域的亮度高，但是由于顏色的不變性，陰影覆蓋區(qū)域的飽和性會升高。通過上述理論，構(gòu)建HSV陰影抑制算法，公式如式（6）所示。

|[TH=|InHx，y-BnHx，y|]

[TS=InSx，y-BnSx，y]

[Tv=InVx，y/BnVx，y][]

[Fn（x，y）=0，if（α≤TV≤β）∧（Ts≤τs）∧（TH≤τH）255，others][]? ?（6）

[InHx，y]為當(dāng)前幀圖像中[（x，y）]處的色度，[InSx，y]為飽和度，[InVx，y]為亮度值。[BnHx，y]為背景圖像[Bn]中[x，y]處的色度，[BnSx，y]為飽和度，[BnVx，y]為亮度。參數(shù)滿足：[0≤α≤β≤1]，其中參數(shù)α能夠根據(jù)陰影的強(qiáng)度進(jìn)行調(diào)整，[α]取值越小表明陰影區(qū)域顏色越暗。算法對噪聲的魯棒性參數(shù)則通過參數(shù)[β]實(shí)現(xiàn)，即當(dāng)前像素值的亮度不能和場景背景太相似，避免將噪聲誤判為陰影。背景差分改進(jìn)算法效果如圖1所示。

實(shí)驗(yàn)結(jié)論：改進(jìn)后的背景差分算法可以有效地消除前景目標(biāo)中的噪聲，抑制了陰影區(qū)域?qū)z測結(jié)果的干擾，有效地解決了背景差分算法存在的問題，提高了前景檢測算法的實(shí)時性和魯棒性，同時使目標(biāo)的邊緣更加平滑，行人特征更明顯。

4結(jié)束語

本文首先分析了前景檢測算法在實(shí)際生活中的應(yīng)用和存在問題，接著介紹了背景差分算法的原理，以及和其他前景檢測算法對比所具有的優(yōu)勢和存在的不足。對背景差分算法難以消除噪聲和陰影區(qū)域?qū)z測結(jié)果的誤檢問題進(jìn)行了研究，通過輪廓平滑處理和HSV顏色空間抑制算法對背景差分算法進(jìn)行了改進(jìn)，實(shí)現(xiàn)了改進(jìn)算法對前景目標(biāo)的準(zhǔn)確分割。

參考文獻(xiàn)：

[1] 張騏. 基于智能視頻監(jiān)控的行為分析及其應(yīng)用[J]. 電腦迷， 2018（7）.

[2] 徐楊. 面向視頻監(jiān)控的動態(tài)目標(biāo)檢測、跟蹤與識別關(guān)鍵技術(shù)研究[D]. 東北大學(xué)， 2012.

[3] 楊超. 基于超像素分割的復(fù)雜背景下運(yùn)動目標(biāo)檢測研究[D]. 沈陽航空航天大學(xué)， 2018.

[4] 彭寶， 孫韶媛， 梁炳春，等. 基于感興趣區(qū)域特征融合的行人檢測方法研究[J]. 微型機(jī)與應(yīng)用， 2015（18）：36-38.

[5] Fan N， Cheng J W， Qin L， et al. An optimal method for frequency-domain finite-difference solution of 3D scalar wave equation[J]. Chinese Journal of Geophysics， 2018， 61（3）.

[6] Zimmermann C， Brox T. Learning to Estimate 3D Hand Pose from Single RGB Images[J]. 2017：4913-4921.

[7] Roehm P C， Shekarabi M， Wollebo H S， et al. Inhibition of HSV-1 Replication by Gene Editing Strategy[J]. Sci Rep， 2016（6）：23146.