運動目標檢測1

1、視頻圖像中人體運動目標視頻圖像中人體運動目標 檢測算法研究檢測算法研究參考文獻參考文獻:李偉李偉 熊建設熊建設 .視頻圖像中人體運動目標視頻圖像中人體運動目標檢測算法研究檢測算法研究. 青島青島:中國海洋大學中國海洋大學.2013引 言1運動目標檢測2運動人體的識別3實驗結(jié)果及分析4引 言 人體運動視覺分析是近年來計算機視覺領域中備受關(guān)注的前沿方向，在智能視頻監(jiān)控、人機交互、虛擬空間等方面有著非常廣闊的應用前景。它主要針對視頻圖像序列進行分析處理，常涉及到運動目標檢測、目標人體識別、人體跟蹤及行為理解與描述幾個過程。其中作為各項分析基礎的人體目標檢測也越來越成為研究的熱點前沿課題之一。 通常情

2、況下，針對特定背景下的運動目標檢測是依賴于背景模型的，因而運動檢測和背景環(huán)境模型密切相關(guān)。如何使系統(tǒng)自適應于環(huán)境，是背景模型以及更新的核心問題，之后就可以進行運動檢測。運動檢測是目標分類的基礎，只有檢測出有效的運動區(qū)域才能進行目標分類?；谏鲜鲇懻撎岢隽巳梭w運動目標檢測改進算法，以滿足實際的需求。時間差分法時間差分法背景減除法背景減除法光流法光流法運動目標檢測 利用圖像序列中相鄰幀圖像之間的差分來提取出圖像中的運動區(qū)域。它對于動態(tài)環(huán)境具有較強的自適應性，但是一般不能完全提取出所有相關(guān)的特征像素點，在運動物體運動較慢，相鄰幀圖像有重疊的情況下，提取出的運動物體不完整或比物體實際區(qū)域大，也容易在運

3、動實體內(nèi)部產(chǎn)生“空洞”現(xiàn)象。 它是目前運動分割中最常用的一種方法，它利用當前圖像與背景圖像的差分來檢測出運動區(qū)域，一般能夠提供最完整的特征數(shù)據(jù)，但對于動態(tài)場景的變化，例如室內(nèi)窗簾的飄動，室外樹葉的搖擺等會造成提取出的目標與實際差別很大。 采用了運動目標隨時間變化的光流場特性，其優(yōu)點是在攝像機運動的前提下也能檢測出獨立的運動目標，缺點是計算方法復雜，抗噪性能差，如果沒有特殊的硬件設備支持則不能滿足視頻圖像實時處理的需要。自自適適應應混混合合高高斯斯背背景景模模型型 采用背景減除法雖然可以提取出完整的目標圖像，但是實際應用中一幅“純凈”的背景圖像總是不容易得到的，外界微小的干擾也會引起背景圖像的變

4、化，如樹木的晃動、光線的變化等，這些場景下固定位置的像素值在不斷的改變，呈現(xiàn)多模特性。所以方法的關(guān)鍵之一在于隨著時間的推移自適應地更新背景圖像。 而混合高斯模型正是針對這一點，用兩個或者多個高斯分布去擬合背景，對于復雜背景有著良好的效果。 本文采用一種基于高斯建模高斯建模的背景減除法背景減除法來實現(xiàn)運動人體輪廓提取。不僅可以較為精確地從背景中提取出前景區(qū)域，獲得運動目標信息，又對環(huán)境有一定的自適應性，算法具有比較良好的魯棒性。 本文所研究的環(huán)境是攝像頭固定的情形即靜態(tài)背景下的目標檢測，可以采用上述方法實現(xiàn)背景的估計，主要從背景建模背景建模、背景更背景更新新和背景提取背景提取三個方面來實現(xiàn)。背背

5、景景建建模模及及初初始始化化 圖像中的每個像素用K個狀態(tài)來描述其顏色信息，每個狀態(tài)都是獨立的隨機過程，服從高斯分布并使用高斯密度函數(shù)來描述，彼此相互獨立，K的值根據(jù)實際需要選取，一般取3-5個。假設t時刻像素點（x,y）的觀測值為Xt,第i個高斯分布的概率密度函數(shù)如下式所示： 式中： ， 分別表示第i個高斯分布t時刻的均值和協(xié)方差?；旌细咚贡尘澳Ｐ徒＿€為每個高斯分布設定了權(quán)值 ，其影響著該單高斯分布在背景模型中所占的比例， 。這樣t時刻背景像素點（x,y）的概率密度函數(shù)估計為： , i t, i t, i tW,11ki tiW,1*,kti tti ti tiq XWX1,12,1/2/2

6、,1,2Tti ti tti tXXti ti tni tXe背背景景建建模模及及初初始始化化 本文采用時間統(tǒng)計平均建模法來對混合高斯模型進行初始化。時間統(tǒng)計平均法是求取一段時間內(nèi)圖像序列中N幀圖像的灰度平均值作為背景圖像的估計值，以弱化運動目標對背景的干擾。 設 為某點初始背景估計的均值與方差，其初始值如下式： 式中N為所選取的幀數(shù)。2211,(I,)nokokx yx yx yN , ,ooxyxy11,Nokkx yIx yN背背景景模模型型的的更更新新 當讀取新視頻圖像的像素值之后，將當前幀像素值X Xt與K K個高斯分布進行匹配，匹配判據(jù)為： 如果像素值X Xt與其中某個高斯分布的均

7、值i,t1之差滿足上式要求，則認為該像素值匹配這個高斯分布，否則不匹配。如果匹配，對該高斯模型進行更新： 式中p為參數(shù)學習率。為了更好地適應環(huán)境的變化，還應考慮權(quán)值的更新。如果匹配，則權(quán)重增加，反之減少。權(quán)值的同步更新如下式： 式中 為學習率，它與背景的更新快慢有關(guān)，且小于1。數(shù)值越小更新速度越慢，反之越快。在這里取 =0.005。 ,1,12.5ti ti tX,1,1i ti ti tppX222,1,11(X)i ti ti ti tpp,1(1)i ti t 背背景景提提取取 在完成上述過程后，當新的一幀圖像到來后，根據(jù)背景更新公式利用新的像素把模型相應參數(shù)進行更新，計算其優(yōu)先級并按從

8、高到低順序排序，在實際情況中，K個高斯分布不一定全部選為背景模型，可以選取前幾個優(yōu)先級較大的，取前b個值相加，當其和大于閾值T時，就可以根據(jù)下式得到背景模型： 式中T為選取的閾值，其大小選取根據(jù)不同的監(jiān)控場景決定，當場景相對復雜時，應選擇較大的閾值T；場景比較簡單就應選擇較小的閾值T。背背景景減減除除法法檢檢測測變變化化區(qū)區(qū)域域 通過上述的混合高斯背景建模，然后就可以利用背景減除法從背景中提取出前景區(qū)域，提取人體輪廓。算法如下：設當前幀圖像為fk(x,y)，背景幀為fbkbk(x,y)，則差分圖像為：二值化圖像為： 其中T為設定的閾值，對得到的差分圖像按照上式進行二值化處理，當差分圖像中的某一

9、像素大于或等于給定的閾值時，則認為該像素是前景像素點，反之，則是背景像素點。形態(tài)學處理和連通性分析形態(tài)學處理和連通性分析 由于噪聲或者人體顏色與背景相近的影響，在通過上述方法進行前景檢測后，在檢測到的人體區(qū)域會有孔洞產(chǎn)生，因此可以采用形態(tài)學圖像處理的方法填補目標區(qū)域的小的孔洞。其基本運算中的開運算（opening）具有消除細小目標，在纖細點處理目標和平滑大的邊界又不明顯改變其面積的作用，而閉運算（closing）常用來填充目標內(nèi)的細小空洞，連接斷開的鄰近目標，平滑邊界同時并不明顯改變其面積。 對檢測出的運動目標區(qū)域做形態(tài)學運算，先進行開運算，再進行閉運算對檢測結(jié)果進行去噪。在經(jīng)過形態(tài)學運算之后

10、，圖像中一些小的空洞被填充，小的間隙被連接，但是一些比較大的空洞，形態(tài)學濾波往往不能完全填充，這時候需要用到連通性分析來填補這些空洞或者斷開多目標之間的粘結(jié)，最后得到較為干凈的前景區(qū)域。 經(jīng)過連通性分析后，會產(chǎn)生若干個連通的區(qū)域。除了一些真正的目標區(qū)域或背景區(qū)域外，還會產(chǎn)生一些小塊的連通區(qū)域，他們不是真正的目標區(qū)域或背景區(qū)域，而是噪聲點的連通集合。可以通過文中下述方法對產(chǎn)生的所有區(qū)域進行計算其像素值的大?。▍^(qū)域面積），如果超過了某一閾值才判斷其為目標區(qū)域，借以消除這些噪聲區(qū)域的影響。運動人體的識別區(qū)域目標面積：區(qū)域目標面積： 為了排除虛假目標的干擾，對得到的二值圖像Rk的變化區(qū)域面積進行測量，

11、當變化區(qū)域的面積在整個圖像中的比值超過設定的閾值時，就認為有運動目標存在，再對它進行下一步的處理。否則，被認定為無運動目標出現(xiàn)，不進行下一步處理。對變化區(qū)域面積的測量采用了一種近似的方法：對二值圖像Rk進行逐行掃描，統(tǒng)計Rk中值為1的像素個數(shù)No，再用No除以整幅圖像的像素點總數(shù)N： A = No/N 得到變化區(qū)域占圖像總面積的近似比值。設定的閾值一般根據(jù)具體監(jiān)控場景來設定，范圍大致在6-10之間，通過對閾值的設定可以減少無用目標信息的干擾，并大大減少系統(tǒng)的運算量，提高系統(tǒng)的實時處理。目標的長寬比：目標的長寬比： 由于人體的形狀可以近似為其最小外接矩形，可以對得到的區(qū)域求其最小外接矩形。采取方

12、法是：對保留區(qū)域從左到右、從上到下進行掃描，得到所在區(qū)域的上下左右最邊上的點，分別記Ynt,Ynb,Xnl,Xnr，n表示第n個運動目標,(Xnl,Ynt)表示左上點，(Xnl,Ynb)表示左下點，(Xnr,Ynt)表示右上點，(Xnr,Ynb)表示右下點。并求每個最小外接矩形的長寬比為： C= Lnx/Lny 本文假設場景中的行人都處于直立狀態(tài)，直立狀態(tài)的行人雖然有高、矮、胖、瘦之分，但高度和寬度一般符合一定的比例。根據(jù)先驗知識，可知其高度、寬度比的范圍大體在1.5-5之間，將長寬比值C與這一范圍做比較，就可以判斷該目標是否符合人體長寬比的特征，從而來進行識別。實驗結(jié)果及分析 實驗是在VC+平臺上，基于OpenCV的圖像處理函數(shù)完成的，實驗所用的視頻為使用普通攝像頭拍攝的320240的視頻序列。實驗結(jié)果如下圖所示。 改進前的檢測結(jié)果上左下角圖所示，所獲取的整體輪廓不完整，對于人的外觀與背景的顏色有相近的部分