劉澤平　劉明興　李曉帆　姚明杰　麻方達(dá)　符朝興

文章編號(hào)：10069798（2022）02006106;DOI：10.13306/j.10069798.2022.02.010

摘要：針對(duì)移動(dòng)目標(biāo)檢測(cè)方法存在的受背景環(huán)境影響而導(dǎo)致檢測(cè)結(jié)果不準(zhǔn)確的問(wèn)題，本文提出一種融合高斯混合模型的背景減除法。算法與頻率調(diào)諧顯著性區(qū)域檢測(cè)（frequency-tuned，F(xiàn)T）算法的移動(dòng)目標(biāo)檢測(cè)方法。該研究以攝像頭拍攝到的遙控車行走視頻為分析材料，在降采樣圖像上用MOG2算法檢測(cè)移動(dòng)目標(biāo)，經(jīng)二值化和濾波去噪后框選移動(dòng)目標(biāo)感興趣區(qū)域，采用FT算法檢測(cè)此感興趣區(qū)域，并利用置信度結(jié)合兩次檢測(cè)結(jié)果完成移動(dòng)目標(biāo)檢測(cè)。實(shí)驗(yàn)結(jié)果顯示，在置信度分別為α=0.6，β=0.4時(shí)，本文檢測(cè)方法將檢測(cè)300幀圖像時(shí)平均交并比由0.72提高到0.78，說(shuō)明該算法可以消除背景陰影及鬼影影響，從而有效提高移動(dòng)目標(biāo)的檢測(cè)精度。

關(guān)鍵詞：移動(dòng)目標(biāo)檢測(cè);MOG2算法;FT算法;高斯混合模型;背景減除法

中圖分類號(hào)：TP391.41文獻(xiàn)標(biāo)識(shí)碼：A

隨著計(jì)算機(jī)視覺(jué)技術(shù)的不斷發(fā)展，移動(dòng)目標(biāo)檢測(cè)越來(lái)越廣泛的應(yīng)用于智能交通、智能安防、無(wú)人駕駛、航空航天和醫(yī)學(xué)等領(lǐng)域，使移動(dòng)目標(biāo)檢測(cè)技術(shù)成為研究的熱點(diǎn)＼[1＼]。目前，廣泛運(yùn)用的移動(dòng)目標(biāo)檢測(cè)方法是基于高斯混合模型的背景減除法（backgroundsubtractormixtureofgaussians，MOG2）。1999年，C.STAUFFER等人＼[2＼]采用多個(gè)高斯分布擬合背景，首先運(yùn)用高斯混合模型對(duì)背景進(jìn)行建模，該方法可以在復(fù)雜場(chǎng)景下檢測(cè)出運(yùn)動(dòng)物體;2012年，O.BARNICH等人＼[3＼]提出VIBE算法，對(duì)單幀圖像進(jìn)行建模，后續(xù)幀開(kāi)始通過(guò)歐氏距離將像素點(diǎn)分為前景和背景，并采用無(wú)記憶更新和重采樣更新，該算法雖然計(jì)算速度快，但仍會(huì)出現(xiàn)鬼影現(xiàn)象;戚海永＼[4＼]提出了一種基于累積差分更新的背景減除法，較好地消除了場(chǎng)景變化及噪聲影響等的干擾，有效地檢測(cè)出運(yùn)動(dòng)物體;梁碩＼[5＼]把LaBGen方法生成的背景圖像作為背景模型初始化的輸入幀，改進(jìn)出一種基于LaBGen的自適應(yīng)閡值ViBe算法;寧志雄＼[6＼]基于高斯混合模型，對(duì)泊車緩沖區(qū)中的動(dòng)態(tài)物體進(jìn)行了有效檢測(cè);黎陽(yáng)羊＼[7＼]采用基于高斯混合模型的背景減除法，利用當(dāng)前圖像與背景圖像的差分來(lái)檢測(cè)出運(yùn)動(dòng)區(qū)域;為提高運(yùn)動(dòng)目標(biāo)輪廓邊緣的精確度，殷夢(mèng)妮＼[8＼]在進(jìn)行運(yùn)動(dòng)目標(biāo)檢測(cè)時(shí)，結(jié)合高斯混合模型的背景減除法和最小核值相似區(qū)（smallestunivaluesegmentassimilatingnucleus，SUSAN）邊緣檢測(cè)算子。以上研究雖在某些方面改善了目標(biāo)檢測(cè)方法，但并未充分考慮移動(dòng)物體陰影的影響。有陰影影響情況下，檢測(cè)結(jié)果會(huì)出現(xiàn)明顯的不準(zhǔn)確現(xiàn)象。因此，本文主要對(duì)融合MOG2算法與FT算法的移動(dòng)目標(biāo)檢測(cè)方法進(jìn)行研究，充分考慮陰影的影響，提出一種魯棒性較高的移動(dòng)目標(biāo)檢測(cè)方法，即檢測(cè)移動(dòng)目標(biāo)時(shí)，首先采用MOG2方法檢測(cè)出存在移動(dòng)目標(biāo)的感興趣區(qū)域，然后結(jié)合FT算法，得到更為準(zhǔn)確的移動(dòng)目標(biāo)區(qū)域。研究結(jié)果表明，本研究改進(jìn)后的算法，其檢測(cè)精度明顯高于原算法，有效的解決了背景減除法檢測(cè)移動(dòng)目標(biāo)時(shí)存在的問(wèn)題。該研究具有一定的創(chuàng)新性以及學(xué)術(shù)性。-

1基本原理

1.1MOG2算法

MOG2是OpenCV中開(kāi)源的一種背景提取算法，通過(guò)對(duì)比當(dāng)前幀和生成的背景模型，區(qū)分出視頻序列中變化較大的運(yùn)動(dòng)物體，其中背景模型隨場(chǎng)景變化實(shí)時(shí)更新＼[9＼]。MOG2采用的高斯混合模型（gaussianmixturemodel，GMM）是背景建模中的經(jīng)典算法＼[10＼]，它通過(guò)多個(gè)高斯概率分布函數(shù)線性組合，表示像素在時(shí)域概率分布模型。像素在時(shí)域概率分布模型為

式中，xti，j代表i，j位置的像素點(diǎn)x在t時(shí)刻的像素值;ωtk為t時(shí)刻第k個(gè)高斯分布的加權(quán)系數(shù)＼[11＼];∑Nk=1ωtk=1;Gxti，j，μtk，（σtk）2表示t時(shí)刻期望值為μtk，（σtk）2為標(biāo)準(zhǔn)差，即

將每個(gè)像素點(diǎn)x與此刻的背景模型進(jìn)行比較，當(dāng)像素點(diǎn)與第k個(gè)高斯模型匹配時(shí)，像素為背景，否則為移動(dòng)目標(biāo)，并用一個(gè)新的分布替換模型中的權(quán)重最小分布。其比較公式為

權(quán)重更新公式為

式中，α為更新因子;Dtk為匹配結(jié)果標(biāo)識(shí)符，當(dāng)匹配成功時(shí)為1，否則為0。匹配成功后，模型更新為

1.2FT算法

FT算法是R.ACHANTA等人＼[12＼]在2009年提出的全頻域分析算法，它將圖像傅里葉變換，并將時(shí)域圖像轉(zhuǎn)換到頻域，在頻域的圖像，可分為代表圖像整體信息的低頻部分和反映圖像細(xì)節(jié)信息的高頻部分＼[13＼]。顯著性區(qū)域檢測(cè)主要使用低頻部分信息，因此FT方法采用高斯平滑來(lái)去除圖像高頻。

將圖像由顏色空間RGB轉(zhuǎn)換為顏色空間LAB，計(jì)算整幅圖像L、A、B的平均值，并計(jì)算每一個(gè)像素點(diǎn)與平均值間的歐式距離，得到顯著圖像＼[14＼]。像素的顯著性為

式中，Iμ為圖像在LAB空間像素算術(shù)平均值;Iωhc（p）為圖像高斯模糊模板，用來(lái)消除紋理細(xì)節(jié)和噪聲;‖‖為歐氏距離＼[15＼]。

將顯著圖像通過(guò)每一點(diǎn)顯著值除以最大顯著值，歸一化后，將PAX作為每個(gè)點(diǎn)對(duì)應(yīng)的數(shù)值，PAX是像素為區(qū)域內(nèi)前景的概率，即

2實(shí)驗(yàn)過(guò)程

2.1環(huán)境搭建

本文實(shí)驗(yàn)所使用的攝像頭為?？低旸SIPCT12I，焦距為4mm，分辨率為1920d/i×1080d/i，將攝像頭懸掛在天花板上方，對(duì)地面傾斜照射，攝像頭懸掛高度為5m，采集的模擬環(huán)境大小為4m×6m。攝像頭拍攝的模擬實(shí)驗(yàn)場(chǎng)景如圖1所示，本研究將位于圖中間的遙控車作為移動(dòng)目標(biāo)來(lái)檢測(cè)。

基于本文方法檢測(cè)移動(dòng)目標(biāo)，不同的硬件和軟件環(huán)境效果有所不同，本文仿真所用系統(tǒng)為Ubuntu18.04LTD，圖形處理器（graphicsprocessingunit，GPU）為NVIDIA1070Ti，隨機(jī)存取存儲(chǔ)器（randomaccessmemory，RAM）為16GB，運(yùn)行程序的環(huán)境為Python3.7+OpenCV3.4.2。

2.2實(shí)驗(yàn)步驟

實(shí)驗(yàn)流程圖如圖2所示。本文對(duì)采集的圖像降采樣處理，然后應(yīng)用MOG2算法進(jìn)行移動(dòng)目標(biāo)檢測(cè)，對(duì)檢測(cè)結(jié)果圖像進(jìn)行去噪處理，得到MOG2移動(dòng)目標(biāo)檢測(cè)的結(jié)果和去噪后的結(jié)果一，在結(jié)果一基礎(chǔ)上框選移動(dòng)目標(biāo)區(qū)域，利用置信度結(jié)合MOG2算法與FT算法得出實(shí)驗(yàn)結(jié)果二。

本文采用監(jiān)控?cái)z像頭捕捉圖像，攝像頭位置固定不變，屬于靜態(tài)背景，車間內(nèi)主要影響運(yùn)動(dòng)目標(biāo)識(shí)別的因素有光照、陰影及雜亂背景。對(duì)采集的圖像運(yùn)用MOG2進(jìn)行移動(dòng)目標(biāo)檢測(cè)，然后進(jìn)行去噪處理，MOG2檢測(cè)移動(dòng)目標(biāo)結(jié)果如圖3所示。

由圖3可以看出，基于混合高斯模型檢測(cè)移動(dòng)目標(biāo)時(shí)，受光照影響較大，易將陰影區(qū)域檢測(cè)為移動(dòng)目標(biāo)，并且會(huì)出現(xiàn)鬼影現(xiàn)象，因此對(duì)移動(dòng)目標(biāo)區(qū)域再次檢測(cè)，通過(guò)計(jì)算像素點(diǎn)為移動(dòng)目標(biāo)的概率重新檢測(cè)。

移動(dòng)目標(biāo)檢測(cè)的主要目標(biāo)是前景目標(biāo)，對(duì)于背景環(huán)境的變化不太關(guān)注。本文將除了要檢測(cè)的目標(biāo)外都劃為背景，因此識(shí)別結(jié)果的像素點(diǎn)狀態(tài)可分為移動(dòng)的前景和背景兩類，每個(gè)像素點(diǎn)為移動(dòng)前景的概率為P，PA為前景的概率，PB為移動(dòng)的概率，當(dāng)一個(gè)像素點(diǎn)為背景像素時(shí)，其大概率是不移動(dòng)，移動(dòng)事件與背景事件是相關(guān)事件;當(dāng)像素為背景時(shí)，移動(dòng)的概率無(wú)法計(jì)算。因此，概率P為

式中，PAX表示通過(guò)像素為區(qū)域內(nèi)前景的概率;PBX表示通過(guò)區(qū)域內(nèi)像素移動(dòng)的概率;α和β分別為PAX和PBX的置信度，α+β=1＼[16＼]。PAX和PBX為存在移動(dòng)目標(biāo)區(qū)域內(nèi)像素為移動(dòng)目標(biāo)概率的測(cè)量值，都具有一定誤差。

為提高運(yùn)算速度，本文將MOG2算法檢測(cè)出的移動(dòng)目標(biāo)區(qū)域框選出來(lái)，既能減少不必要區(qū)域的計(jì)算，又能選擇出存在移動(dòng)目標(biāo)區(qū)域，存在移動(dòng)目標(biāo)區(qū)域如圖4所示。

假設(shè)此時(shí)選擇出的存在移動(dòng)目標(biāo)區(qū)域已足夠小，且該區(qū)域內(nèi)前景目標(biāo)大部分是移動(dòng)的，因此采用圖像顯著圖表示概率PAX＼[17＼]，應(yīng)用顯著性檢測(cè)方法FT算法，得到區(qū)域顯著圖如圖5所示。由圖5可以看出，圖中遙控車部分能區(qū)別于不感興趣的背景，并且遙控車的輪廓較為清晰。

將移動(dòng)目標(biāo)區(qū)域內(nèi)MOG2算法的檢測(cè)結(jié)果進(jìn)行高斯模糊后，看作將該結(jié)果每一像素點(diǎn)值作為存在移動(dòng)目標(biāo)區(qū)域內(nèi)移動(dòng)的概率，區(qū)域移動(dòng)目標(biāo)檢測(cè)結(jié)果如圖6所示。由圖6可以看出，此時(shí)遙控車和背景陰影都被認(rèn)為成移動(dòng)目標(biāo)，并且遙控車邊界不清晰。此時(shí)，像素點(diǎn)范圍為0～255，對(duì)其歸一化＼[18＼]，將歸一化后結(jié)果作為PBX。

圖4存在移動(dòng)目標(biāo)區(qū)域圖5區(qū)域顯著圖圖6區(qū)域移動(dòng)目標(biāo)檢測(cè)結(jié)果-對(duì)于置信度α和β，不同置信度效果對(duì)比如圖7所示。由圖7可以看出，對(duì)結(jié)果進(jìn)行二值化操作，當(dāng)概率P大于0.5時(shí)，像素置為白色，否則為黑色。在本文采集的視頻上，α=0.6，β=0.4時(shí)的效果好于其他權(quán)重效果。為提高檢測(cè)速度及效果，本文引入了圖像金字塔模型，所有目標(biāo)檢測(cè)均在下采樣圖像上進(jìn)行。圖7不同置信度效果對(duì)比

3實(shí)驗(yàn)結(jié)果

3.1目標(biāo)檢測(cè)結(jié)果

將本文算法在置信度α=0.6，β=0.4時(shí)，與基于高斯混合模型的背景減除法進(jìn)行對(duì)比，背景減除法效果對(duì)比如圖8所示。由圖8可以看出，改進(jìn)后的算法可消除背景陰影及鬼影影響＼[19＼]，基于高斯混合模型方式的檢測(cè)速度為17.38f/s，本改進(jìn)方法的檢測(cè)速度為13.65f/s，由于本改進(jìn)方法需要對(duì)存在移動(dòng)目標(biāo)區(qū)域內(nèi)的檢測(cè)結(jié)果進(jìn)行重新運(yùn)算，因此檢測(cè)速度低于原方法。

3.2目標(biāo)檢測(cè)精度

本文采用交并比（intersectionoverunion，IOU），評(píng)價(jià)移動(dòng)目標(biāo)檢測(cè)精度。IOU為檢測(cè)框與原圖片中標(biāo)記框的重合程度＼[20＼]，其計(jì)算方法是檢測(cè)結(jié)果與實(shí)際結(jié)果的交集與并集之比，即

其中，D表示檢測(cè)結(jié)果;T表示實(shí)際結(jié)果。

在同一段視頻上，分別采用MOG2和本文改進(jìn)算法進(jìn)行實(shí)驗(yàn)，檢測(cè)200幀圖像時(shí)的兩種方法對(duì)比結(jié)果如表1所示，檢測(cè)300幀圖像時(shí)的兩種方法對(duì)比結(jié)果如表2所示，并對(duì)表1和表2中兩種算法檢測(cè)移動(dòng)目標(biāo)時(shí)的花費(fèi)時(shí)間和平均交并比進(jìn)行統(tǒng)計(jì)。-移動(dòng)目標(biāo)檢測(cè)結(jié)果如圖9所示。圖中，a表示真實(shí)框;c表示MOG2算法檢測(cè)框;b表示本文改進(jìn)算法的檢測(cè)框。在背景光照干擾下，本文改進(jìn)后的算法檢測(cè)精度明顯好于原算法，但檢測(cè)速度與原算法相比略慢。

4結(jié)束語(yǔ)

本文提出了一種改進(jìn)的移動(dòng)目標(biāo)檢測(cè)方法，該方法利用置信度結(jié)合MOG2算法與FT算法完成移動(dòng)目標(biāo)檢測(cè)。應(yīng)用本文方法可將300幀圖像移動(dòng)目標(biāo)檢測(cè)的平均交并比由0.72提高到0.78，提高了移動(dòng)目標(biāo)檢測(cè)精度，改進(jìn)了原方法中容易出現(xiàn)的噪聲、鬼影等現(xiàn)象，有效解決了光影變化導(dǎo)致檢測(cè)區(qū)域過(guò)大問(wèn)題，對(duì)應(yīng)用移動(dòng)目標(biāo)檢測(cè)方法較多的智能交通、無(wú)人駕駛等領(lǐng)域有一定的幫助。本方法需要對(duì)框選目標(biāo)區(qū)域內(nèi)的檢測(cè)結(jié)果進(jìn)行重新運(yùn)算，所以檢測(cè)速度略慢于原算法，另外本文提出改進(jìn)方法的置信度參數(shù)需要手動(dòng)設(shè)定，如何計(jì)算自適應(yīng)的置信度是下一步研究的重點(diǎn)。

參考文獻(xiàn)：

＼[1＼]王迪聰，白晨帥，鄔開(kāi)俊.基于深度學(xué)習(xí)的視頻目標(biāo)檢測(cè)綜述＼[J＼].計(jì)算機(jī)科學(xué)與探索，2021，15（9）：15631577.

＼[2＼]STAUFFERC，GRIMSONWEL.Adaptivebackgroundmixturemodelsforreal-timetracking＼[C＼]∥1999IEEEComputerSocietyConferenceonComputerVisionandPatternRecognition.FortCollins：IEEE，1999：246252.

＼[3＼]BARNICHO，VANDROOGENBROECKM.ViBe：Auniversalbackgroundsubtractionalgorithmforvideosequences＼[J＼].IEEETransactionsonImageProcessing，2011，20（6）：17091724.

＼[4＼]戚海永.基于累積差分更新背景減除法的運(yùn)動(dòng)目標(biāo)檢測(cè)算法研究＼[J＼].辦公自動(dòng)化，2020，25（15）：4244，60.

＼[5＼]梁碩.基于背景減除法的運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤算法研究＼[D＼].西安：西安石油大學(xué)，2019.

＼[6＼]寧志雄.泊車AGV的車輛位姿檢測(cè)系統(tǒng)設(shè)計(jì)＼[D＼].哈爾濱：哈爾濱工業(yè)大學(xué)，2019.

＼[7＼]黎陽(yáng)羊.基于背景減除法的高斯混合模型在電纜溝預(yù)防動(dòng)物的應(yīng)用＼[J＼].信息技術(shù)與信息化，2020（1）：5557.

＼[8＼]殷夢(mèng)妮.基于高斯混合模型的運(yùn)動(dòng)目標(biāo)檢測(cè)＼[D＼].哈爾濱：哈爾濱工程大學(xué)，2012.

＼[9＼]SAKPALNS，SABNISM.Adaptivebackgroundsubtractioninimages＼[C＼]∥2018InternationalConferenceonAdvancesinCommunicationandComputingTechnology（ICACCT）.Sangamner：IEEE，2018：439444.

＼[10＼]ZIVKOVICZ.ImprovedadaptiveGaussianmixturemodelforbackgroundsubtraction＼[C＼]∥Proceedingsofthe17thInternationalConferenceonPatternRecognition.Cambridge：IEEE，2004：2831.

＼[11＼]朱松.MOG2算法在區(qū)域入侵檢測(cè)的應(yīng)用＼[J＼].科技風(fēng)，2019（5）：248.

＼[12＼]ACHANTAR，HEMAMIS，ESTRADAF，etal.Frequency-tunedsalientregiondetection＼[C＼]∥2009IEEEConferenceonComputerVisionandPatternRecognition.Miami：IEEE，2009：15971604.

＼[13＼]李富生.視覺(jué)顯著性檢測(cè)及其在視頻編碼中的應(yīng)用研究＼[D＼].深圳：深圳大學(xué)，2015.

＼[14＼]黃梨.基于改進(jìn)的FT算法在自然圖像中的應(yīng)用研究＼[J＼].微型機(jī)與應(yīng)用，2015，34（21）：3739.

＼[15＼]范明亮，郭子涵，柴曉楠，等.面向FT-M7002的Sobel邊緣檢測(cè)算法優(yōu)化實(shí)現(xiàn)＼[J/OL＼].計(jì)算機(jī)工程，2021：18＼[20210729＼].https：∥doi.org/10.19678/j.issn.10003428.0061903.

＼[16＼]成科揚(yáng)，孫爽，王文杉，等.結(jié)合置信度加權(quán)融合與視覺(jué)注意機(jī)制的前景檢測(cè)＼[J＼].中國(guó)圖象圖形學(xué)報(bào)，2021，26（10）：24622472.

＼[17＼]夏衛(wèi)生，方向瑤，楊帥，等.基于頻率調(diào)諧的焊縫紅外圖像顯著性檢測(cè)算法＼[J＼].焊接，2021（4）：812.

＼[18＼]吳煌，李凱勇.基于DCT域的數(shù)字圖像隱寫容量歸一化方法＼[J＼].計(jì)算機(jī)仿真，2021，38（8）：207211.

＼[19＼]安世全，張莉，瞿中.基于導(dǎo)向?yàn)V波的鬼影消除多曝光圖像融合＼[J＼].計(jì)算機(jī)工程與設(shè)計(jì)，2020，41（11）：31543160.

＼[20＼]孫世強(qiáng)，左海維，趙露婷.聯(lián)合特征相似性度量和交并比的檢測(cè)框優(yōu)選研究＼[J＼].電腦知識(shí)與技術(shù)，2019，15（29）：190193.作者與作者單位英譯

1）作者：中國(guó)人名按漢語(yǔ)拼音拼寫;其他非英語(yǔ)國(guó)家人名按作者自己提供的羅馬字母拼法拼寫。

2）單位：?jiǎn)挝幻Q要寫全（由小到大），并附地址和郵政編碼，確保聯(lián)系方便。另外，英譯單位不能采取縮寫，且一定要采用本單位統(tǒng)一的譯法，切不可隨意改寫。

AMovingTargetDetectionMethodCombiningMOG2AlgorithmandFTAlgorithm

LIUZeping，LIUMingxing，LIXiaofan，YAOMingjie，MAFangda，F(xiàn)UChaoxing

（CollegeofMechanicalandElectricalEngineering，QingdaoUniversity，Qingdao266071，China）Abstract：

Themovingtargetdetectionmethodisaffectedbythebackgroundenvironment，resultingininaccuratedetectionresults.AmovingtargetdetectionmethodcombiningMOG2algorithmandfrequencytunedsignificantregiondetection（FT）algorithmisproposed.Takingtheremotecontrolvehiclewalkingvideocapturedbythecameraastheanalysismaterial，themovingtargetisdetectedbyMOG2algorithmonthedownsampledimage.Afterbinarizationandfilteringdenoising，theregionofinterestofthemovingtargetisframed，theregionofinterestisdetectedbyFTalgorithm，andthemovingtargetdetectioniscompletedbyusingconfidencecombinedwiththetwodetectionresults.Whentheconfidenceisα=0.6，β=0.4，theaverageintersectiontounionratioof300framesisincreasedfrom0.72to0.78，whichshowsthatthealgorithmcaneliminatetheinfluenceofbackgroundshadowandghost，soastoeffectivelyimprovethedetectionaccuracyofmovingtargets.

Keywords：

movingtargetdetection;MOG2algorithm;FTalgorithm;Gaussianmixturemodel;backgroundsubstraction

收稿日期：20211020;修回日期：20211212

作者簡(jiǎn)介：劉澤平（1996），男，碩士研究生，主要研究方向?yàn)槿斯ぶ悄堋?/p>

通信作者：符朝興（1968），男，博士，副教授，主要研究方向?yàn)槿斯ぶ悄芎蜋C(jī)械振動(dòng)。Email：cx_f@163.com

-