幀間差分與邊緣紋理相融合的運(yùn)動(dòng)目標(biāo)檢測(cè)

1、    幀間差分與邊緣紋理相融合的運(yùn)動(dòng)目標(biāo)檢測(cè)        王 浩，劉 輝，姚 瑤，尚振宏 時(shí)間:2009年06月22日     字 體: 大 中 小        關(guān)鍵詞:        摘 要：關(guān)鍵詞：?1，LBP（Local Binary Pattern）2，貝葉斯模型等

2、。這些方法具有獲取目標(biāo)前景比較完整、濾除樹枝晃動(dòng)、水面波動(dòng)等干擾的能力強(qiáng)的特點(diǎn)，但是通常運(yùn)算速度很慢，對(duì)于光線變化比較敏感，對(duì)目標(biāo)陰影的去除效果也較差。本文在對(duì)現(xiàn)有運(yùn)動(dòng)檢測(cè)算法以及圖像處理技術(shù)研究的基礎(chǔ)上提出了一種利用邊緣紋理進(jìn)行背景建模、結(jié)合幀間差分獲取運(yùn)動(dòng)目標(biāo)完整輪廓的方法，并通過進(jìn)一步處理得到了比較完整準(zhǔn)確的運(yùn)動(dòng)目標(biāo)前景圖像。該運(yùn)動(dòng)目標(biāo)檢測(cè)方法受光線變化影響小，運(yùn)動(dòng)速度快，對(duì)前景目標(biāo)陰影的去除也獲得了比較好的效果。1 相鄰幀間差分和三幀差分相鄰幀間差分法是一種常用的運(yùn)動(dòng)目標(biāo)檢測(cè)方法3，利用相鄰兩幀的差值，得到運(yùn)動(dòng)區(qū)域輪廓。設(shè)在時(shí)刻t和t+1采集到的兩幅圖像分別為fk(x,y)和fk-1(

3、x,y)，兩幀之間的差分為：利用公式(1)得到差分圖像Dk，然后選擇閾值T對(duì)差分圖像二值化，以差值大于T為前景，得到運(yùn)動(dòng)目標(biāo)輪廓。該方法對(duì)運(yùn)動(dòng)檢測(cè)比較靈敏，不受噪聲干擾影響，但也存在一定的缺陷，獲得的目標(biāo)輪廓在目標(biāo)運(yùn)動(dòng)方向進(jìn)行了拉伸，運(yùn)動(dòng)速度不同，造成的拉伸程度也不同。對(duì)此一些學(xué)者提出了采用三幀差分的方法4-5，利用2次幀間差分結(jié)果，進(jìn)行“與”操作，從而得到比較精確的目標(biāo)輪廓位置。其方法為：采用這種方法得到的目標(biāo)邊緣比較真實(shí)，定位準(zhǔn)確，對(duì)剛體目標(biāo)的跟蹤有比較好的效果，但對(duì)于人體運(yùn)動(dòng)，由于各部分運(yùn)動(dòng)不同、姿態(tài)不一致，造成獲取的輪廓一般不連續(xù)，難以進(jìn)一步閉合填充。2 基于邊緣紋理的背景差分常用的邊

4、緣檢測(cè)算法有很多種，比如Roberts算法、Canny算法、Sobel算法、高斯拉普拉斯（LOG）算法等67。其中利用Sobel算子進(jìn)行邊緣檢測(cè)，獲取圖像邊緣紋理信息的方法，由于復(fù)雜度低、實(shí)時(shí)性以及檢測(cè)效果較好，所以被本文采用。Sobel檢測(cè)算子為：? ? ? 分別求取當(dāng)前幀的橫向梯度Gradx和Grady縱向梯度，兩者相加得到整幅紋理的圖像Grad。得到邊緣紋理圖像后，利用該圖像作為當(dāng)前圖像進(jìn)行背景建模。本文采用平均背景法生成背景。平均背景法是一種運(yùn)算量小、復(fù)雜度低的背景方法，它將當(dāng)前幀像素點(diǎn)的值按一定權(quán)重累加入背景，獲取背景。設(shè)某一像素點(diǎn)在t-1時(shí)刻的背景像素值為Pt，當(dāng)前幀的像素值為BK

5、t-1，背景更新權(quán)重為，則更新方法為：? 經(jīng)過一段時(shí)間的學(xué)習(xí)得到邊緣背景后（圖1b，圖為反色顯示），利用當(dāng)前邊緣圖像(圖1a)與背景邊緣圖像差分，對(duì)差分結(jié)果取閾值做二值化，得到運(yùn)動(dòng)目標(biāo)前景（圖1c）。由于Sobel算子紋理檢測(cè)的良好特性，可以得到比較完整的目標(biāo)輪廓，但在前景與背景的邊緣交叉處，輪廓容易發(fā)生斷裂與缺失，這在視頻場(chǎng)景復(fù)雜的情況下尤為突出。另外，由于Sobel邊緣檢測(cè)對(duì)噪聲比較敏感，檢測(cè)的輪廓邊緣也會(huì)有一些細(xì)小波動(dòng)，背景差分結(jié)果存在一些噪聲。 ?3 兩種方法的融合如前所述，以上兩種方法能夠準(zhǔn)確定位運(yùn)動(dòng)目標(biāo)的邊緣，但是都不能保證其連續(xù)完整，存在一定的問題。根據(jù)現(xiàn)有的研究經(jīng)驗(yàn)8，考慮到兩

6、種方法缺陷的互補(bǔ)性，將兩者檢測(cè)的結(jié)果累加，從而得出完整輪廓。設(shè)幀間差分檢測(cè)結(jié)果為Ddiff，邊緣背景差分結(jié)果為Dedge，則最終運(yùn)動(dòng)目標(biāo)檢測(cè)結(jié)果為：? 整個(gè)運(yùn)動(dòng)目標(biāo)檢測(cè)算法的流程如圖2所示。本文對(duì)此方法進(jìn)行了實(shí)現(xiàn)驗(yàn)證，實(shí)驗(yàn)結(jié)果表明，兩種方法相結(jié)合，使邊緣背景差分和幀間差分在如下幾個(gè)方面得到了改進(jìn)：（1）人在行走過程中，由于著地腳和支撐腿運(yùn)動(dòng)相對(duì)靜止，導(dǎo)致在三幀差分圖中消失，輪廓不能閉合（如圖3a，反色顯示），但是背景差分可以很好地得到腿部輪廓（圖3b），兩者結(jié)合可以得到圖3c的完整輪廓。（2）當(dāng)目標(biāo)的紋理和背景紋理相近，或者檢測(cè)邊緣得到邊緣不連續(xù)時(shí)，邊緣背景建模無法很好地形成閉合，如圖4所示，

7、a,d為前景，b，e為當(dāng)前幀，分別會(huì)造成目標(biāo)邊緣的斷裂（c）和消失（f）。在視頻序列的復(fù)雜場(chǎng)景中，會(huì)造成人體輪廓的部分缺失（如圖5a反色顯示，在運(yùn)動(dòng)人體腰部位置，由于受到背景邊緣影響，造成上身與下身的割裂），小段的邊緣缺失可以通過形態(tài)學(xué)處理或者邊緣連接得到閉合，大的斷裂則難以補(bǔ)充完整，另外如果多次采用形態(tài)學(xué)膨脹腐蝕，也會(huì)放大噪聲點(diǎn)干擾，造成對(duì)目標(biāo)形狀的破壞。幀間差分的結(jié)果對(duì)于這類邊緣的缺失進(jìn)行了有效補(bǔ)充（圖5c）。（3）背景學(xué)習(xí)的過程需要指定更新權(quán)重值，權(quán)重值大，背景的學(xué)習(xí)速度過快，導(dǎo)致慢速運(yùn)動(dòng)目標(biāo)融入背景，出現(xiàn)運(yùn)動(dòng)目標(biāo)殘余、拖影等。學(xué)習(xí)速度太慢，會(huì)使背景初始生成時(shí)間過長(zhǎng)。在這里，本文設(shè)定兩個(gè)

8、更新參數(shù)，利用幀間差分結(jié)果，幀間差分區(qū)域內(nèi)的值采用權(quán)重值小的=0.01更新，減緩目標(biāo)融入背景速度。幀間差分區(qū)域以外的像素采用大權(quán)重值更新，使目標(biāo)離開當(dāng)前位置后，在原位置區(qū)域迅速更新背景，本文設(shè)定=0.1，加快了初始背景學(xué)習(xí)，實(shí)驗(yàn)中采用35幀左右可以學(xué)到比較干凈的邊緣紋理背景。4 輪廓填充與前景檢測(cè)結(jié)果獲得運(yùn)動(dòng)目標(biāo)輪廓圖像之后，需要對(duì)輪廓進(jìn)行形態(tài)學(xué)閉合處理，完善輪廓，然后進(jìn)行填充，最后通過腐蝕或平滑處理，濾除噪聲，獲得前景目標(biāo)。需要注意的是，當(dāng)運(yùn)動(dòng)目標(biāo)出現(xiàn)在圖像邊緣時(shí)，檢測(cè)到輪廓并不是一個(gè)閉合的曲線，在圖像邊緣處不存在前景邊緣，無法進(jìn)一步填充，可以在圖像邊緣的x或y方向添加一條與輪廓區(qū)域長(zhǎng)度相同

9、的輔助線，幫助閉合輪廓。最后經(jīng)過標(biāo)識(shí)后的前景檢測(cè)結(jié)果如圖6所示，a為經(jīng)過標(biāo)注的視頻幀，b為幀間差分結(jié)果，c為背景差分結(jié)果，d為結(jié)果后的結(jié)果，e為最終填充結(jié)果(二值圖均為反色顯示)。? 本文提出了一種新的背景差分方法，利用圖像的Sobel邊緣紋理學(xué)習(xí)背景，差分得到目標(biāo)輪廓，針對(duì)邊緣差分結(jié)果造成的輪廓線不連續(xù)以及背景學(xué)習(xí)率的問題，又結(jié)合幀間差分方法，進(jìn)行了改進(jìn)與完善。本方法檢測(cè)得到的目標(biāo)前景比較完整準(zhǔn)確，可在此基礎(chǔ)上進(jìn)一步進(jìn)行目標(biāo)的跟蹤識(shí)別。在算法實(shí)現(xiàn)過程中，只利用灰度圖像進(jìn)行處理，運(yùn)算復(fù)雜度低，對(duì)陰影以及光照變化不敏感，運(yùn)算速度比較理想，對(duì)于320×240分辨率的視頻圖像，在配置CPU

10、1.7 GB，內(nèi)存1 GB的試驗(yàn)機(jī)上，能夠達(dá)到20 f/s以上。本文檢測(cè)方法還不夠完善，目前存在的問題有：在強(qiáng)光下的陰影去除不是很理想；幀間差分以及背景差分的閾值需手動(dòng)指定，如果進(jìn)一步結(jié)合分塊等自動(dòng)閾值確定的算法，則能夠更好地適應(yīng)各種環(huán)境及光線變化；另外，邊緣和紋理信息的檢測(cè)算法還需進(jìn)一步改進(jìn)和完善。參考文獻(xiàn)1? OLIVER N， ROSARIO B， PENTLAND A. A bayesian computer vision system for modeling human interactions, IEEE Trans.Pattern Analysis and Machine In

11、telligence, 2000.2 STARFFER C， GRIMSON W E L.Adaptive background mixture models for real-time tracking, InProc.IEEE Conference on Computer Vision and Pattern Recognition,1999.3 王栓，艾海舟，何克忠.基于差分圖象的多運(yùn)動(dòng)目標(biāo)的檢測(cè)與跟蹤J.中國(guó)圖象圖形學(xué)報(bào), 1999，4(6):470-475.4 DAI GuoJun, ZHANG Yun. A novel auto-camshift algorithm used in object tracking. Proceedings of the 27th Chinese Control Conference .? 2008,7:16-18.5 呂國(guó)亮，趙曙光，趙俊.基于三幀差分和連通區(qū)域檢驗(yàn)的圖像運(yùn)動(dòng)目標(biāo)檢測(cè)新方法J. 液晶與顯示，2007,2(22):87-92.6 張冬芳，王向周一種基于邊緣信息的改進(jìn)車輛檢測(cè)方法2