靜止背景運動目標識別

1、Moving Object Detection in Stationary Scene摘要：隨著計算機技術(shù)的不斷提高，智能視頻監(jiān)控技術(shù)得到了很好的發(fā)展， 過去依靠人力監(jiān)控視頻中出現(xiàn)的人或汽車等既浪費人力物力，又不夠準確，很容 易發(fā)生遺漏，而智能監(jiān)控就不存在這種問題，只需在程序中設(shè)定報警條件即可， 能夠準確地達到實時監(jiān)控的目的。現(xiàn)在智能視頻監(jiān)控逐漸應(yīng)用于城市道路、小區(qū)、 銀行等重要場所及對場景中的異常事件或人的異常行為的監(jiān)控中，應(yīng)用前景廣 泛，正在逐步取代靠人力來觀察視頻信息。智能視頻監(jiān)控相比過去常用的靠人來 監(jiān)測的最重要的不同就是識別出需要監(jiān)控的對象，通常是運動目標的提取。在本 文中利用mat

2、lab視頻處理功能，通過matlab程序來獲取視頻，使用背景減差法來 檢測出運動目標提取靜止背景中的運動目標，并將結(jié)果顯示出來，以進行進一步 的分析處理。關(guān)鍵字：視頻監(jiān)控；目標提??；靜止背景；matlab；目標識別；背景減差法基于視頻的運動目標主要提取方法目標檢測是計算機視覺的一個重要組成部分，在軍事及工業(yè)等領(lǐng)域有著重要 的應(yīng)用前景。運動目標的檢測方法主要有光流法，差值法。光流法的計算量很大， 實時性和應(yīng)用性較差。而圖像差值法比較簡單，實時性較好，是目前應(yīng)用最廣泛， 最成功的運動目標檢測的方法。圖像差值法可分為兩類，一類是用序列圖像的每 一幀與一個固定的靜止的參考幀做圖像差分，但自然場景不是靜

3、止不變的，因而 必須不斷的更新背景。另一類是用序列圖像的兩幀進行差分，這種方法無法檢測 出兩幀圖像中重合的部分，只能檢測出目標的一部分信息。在絕大多數(shù)視頻監(jiān)控 圖像應(yīng)用中，每一個像素都可以用一個或多個高斯模型近似，因此，高斯背景模 型是絕大多數(shù)目標檢測方法常用的基本模型。許多學者對基于高斯混合背景模型 的背景消除法作了改進并取得了較好的效果。Stauffer等人提出了采用自適應(yīng)混 合高斯模型，作為背景統(tǒng)計模型的算法;Power等人詳細的討論了混合高斯模型， 并對模型中的參數(shù)選擇及更新提出了很好的建議。Monnet等人在文獻3中對擺 動的樹葉，水紋的波動等動態(tài)紋理干擾作了深入研究，提出了在線的自

4、動聚類模 型來獲得并預測場景中的這些變化以減少干擾。然而，由于光照條件的影響，大 多數(shù)圖像都存在陰影，陰影的存在干擾了目標的檢測，使檢測到的目標與真實的 目標形狀相差很大，這對后續(xù)處理如目標識別、行為判斷等會產(chǎn)生很大的影響。 混合高斯模型無法消除陰影的干擾，因此找到陰影消除的方法變得非常重要。近 年來，提出了很多陰影消除方法，毛曉波提出了基于最大色度差分的陰影檢測方 法，A. Leone提出了基于紋理分析的陰影消除方法，通過分析紋理信息獲取前景 目標并消除陰影，取得了較好的效果。運動目標檢測常用的方法一般分為兩大類，一種是基于特征的方法，另一種 是基于灰度的方法。基于特征的方法是依據(jù)圖像的特征

5、來檢測運動目標，它多用 于目標較大、特征容易提取的場合。基于灰度的方法一般是依據(jù)圖像中灰度的變 化來檢測運動目標。目前基于視頻的檢測方法主要有：基于幀間差分的方法、基 于光流場的方法、基于背景差的方法等。幀間差分法是基于運動圖像序列中相鄰 兩幀圖像間具有強相關(guān)性而提出的檢測方法，具有很強的自適應(yīng)性。但如果物體 內(nèi)部灰度分布均勻這種方法會造成目標重疊部分形成較大空洞，嚴重時造成目標 分割不連通，從而檢測不到目標。光流場法是基于對光流的估算進行檢測分割的方法。光流中既包括被觀察物 體的運動信息，也包括有關(guān)的結(jié)構(gòu)信息。光流場的不連續(xù)性可以用來將圖像分割 成對應(yīng)于不同運動物體的區(qū)域。但多數(shù)光流法的計算

6、復雜、耗時，難以滿足實時 監(jiān)測的要求。背景差法是運動檢測中最常用的一種方法它將輸入圖像與背景圖像進行比 較，直接根據(jù)灰度的變化等統(tǒng)計信息的變化來分割運動目標。差分法一般計算量 小實用價值大。缺點是受光線、天氣等外界條件的影響較大。背景建模在進行運動檢測時，常見的一種情況是攝像機處于靜止狀態(tài)，并且鏡頭的焦 距是固定的，此時，圖像中的背景區(qū)域固定不動在攝像頭固定，也就是在靜止背 景條件下，背景差分是常用的運動目標檢測方法，其基本思想是將當前圖像與背 景圖像相減，若像素差值大于某一閥值，則判斷此像素為運動目標上的點，通常 的背景差分方法對光線、天氣等光照條件的變化非常敏感，運動目標的陰影也常 常被檢

7、測為運動目標的一部分，這將影響檢測結(jié)果的準確性。使用背景差法很重 要的一步是背景建模，要估計出一個不帶有運動目標的背景模型，通過計算當前 圖像幀和該背景模型的差別來確定運動目標的位置。目前普遍采用的方法是對 圖像幀中每一個點，用一個統(tǒng)計模型來描述其亮度（顏色）的概率分布，在實際中 使用最多的就是正態(tài)概率分布即高斯分布。高斯分布分為單高斯分布和多高斯分 布，其區(qū)別如下：單高斯分布1單高斯分布的背景建模是一種靜態(tài)的區(qū)分背景與前景的辦法，假定取到n幀 圖像像素平均值是P，亮度平均值是I，每個圖像點的顏色用一個高斯分布近似：n(x, un,三匚)(1)x：第n幀圖片灰度值un:第n幀時背景圖片均值Sn

8、 :第n幀背景圖片協(xié)方差，當某點觀察顏色值與背景分布相差過大(閩值 界定)時認為是前景點，否則為背景點。u二：*n=i；。*二：；廿一二(3)通過公式(2)和公式(3)，得到均方差后，由得到的值設(shè)置一個閾值來區(qū)分前景 和背景。多高斯模型1在多高斯分布背景模型中，每個圖像點的顏色用多個高斯分布近似。設(shè)用來 描述每個點顏色分布的高斯分布共有K個，用權(quán)值最大的若干高斯分布表示背 景。但是它計算量大，難以滿足實時要求，在多數(shù)場合下，與單個高斯分布的 背景模型相比性能并沒有顯著提高，所以受硬件條件的限制，多高斯模型很少在 實際應(yīng)用中使用，而本例在視頻背景亮度短時變化不大的情況下，使用單高斯分 布背景模型

9、即可滿足任務(wù)要求。輸入一段avi格式的視頻，轉(zhuǎn)換成數(shù)據(jù)格式并讀取，畫出視頻的最后一幀的原 圖：avi = aviread(video.avi);video = avi.cdata;%讀入視頻信息for a = 1:length(video)imagesc(videoa);subplot(221)axis image offdrawnow;end;圖2圖2原視頻的最后一幀通過讀取圖像這一步，讀到視頻所有的信息，并數(shù)值化，有視頻監(jiān)控中用攝 像頭輸入實時的外部的信息，并通過這一步處理，為后續(xù)的程序做準備。目標分割分割是從背景中將目標分離出來的過程，它是所有后續(xù)過程，例如形狀分析、 目標識別，目標跟蹤

10、等的前提工作，只有很好地完成目標分割，后續(xù)工作才有可 能做好。目標分割主要包括以下幾個步驟：(1)背景消減其基本思想是將當前幀圖像與事先存儲或者實時得到的背景圖像相減，若差 分圖像中象素值大干某一閾值，則判此象素點屬于運動目標區(qū)域，否則，就判此 象素點屬于背景區(qū)域。背景消減的結(jié)果，前景點的灰度值都取值為0，背景點 灰度值取值為255。背景消減是目前運動檢測中的主流方法，它是用含有運動目 標的當前圖像與背景圖像的差分來檢測運動區(qū)域的一種技術(shù)，其基本思想是，首 先，用事先存儲或?qū)崟r得到的背景圖像序列為每個象素進行統(tǒng)計建模，得到背景 模型Bk，將當前含有運動目標的圖像幀fk和背景模型相減，如公式(4

11、)所示3。Kk其次，將計算結(jié)果在一定閾值T限制下進行二值化，如公式(5)所示，判斷出 當前圖像中出現(xiàn)的偏離背景模型值較大的那些象素，就是出現(xiàn)的運動目標的像 素，Rx是含有目標的二值化圖像。由于運動物體和背景在灰度或色彩上存在差 別，相減、閾值操作后得到的結(jié)果直接給出了目標的位置、大小、形狀，從而得 到較完整的目標信息。Dk(x,y)=l fk(x,y)- Bk(x,y)l(4)Rk(xRk(x，y)=ZDktXy) Telse(5)經(jīng)過處理后，當Dk的值大于某一閾值的時候為背景點，其他值時為前景點， 這樣就能通過一個二值圖像分離出前景和背景，并提取出前景，從而達到運動目 標檢測的目的。基于平均

12、法曲噪聲的背景獲得 視頻圖像序列中，目標以運動狀 態(tài)存在于視場中，對于視場內(nèi)每一個像素，歸屬于背景的概率極大，經(jīng)過對輸入 圖像序列的若干幀平均即可得到與實際背景圖像近似的初始背景，同時也達到了 慮除噪聲、消除攝像機抖動的目的。設(shè)g(x,y)是含有噪聲的目標圖像，n(x,y)為不 包含噪聲的初始目標圖像，x、y為圖像上的點在時域上的坐標，則有：g(x,y)=f(x,y)+n(x,y)(6)取n幅內(nèi)容相同但是含有不同噪聲的圖像，將它們跌加起來，然后作平均計 算，如下式(7)所示：g(x,y)亍*工_村區(qū)(7)由公式(7)可見，n增加則像素值的方差就減小，這說明平均的結(jié)果使噪聲 造成的偏差變小。當作

13、平均處理的噪聲圖像數(shù)目增加時，其統(tǒng)計平均值就接近初 始的沒有噪聲的圖像。運動目標檢測與提取運動目標提取的效果直接關(guān)系到算法實現(xiàn)，在背景圖像提取完成之后，利用 圖像的梯度不受亮度和量化噪聲影響的特點，對背景和當前幀進行梯度差，就可 以更準確在檢測到運動目標，并可部分消除陰影及噪聲的影響。梯度差突出了運 動目標的輪廓，但容易使目標內(nèi)部產(chǎn)生空洞，因此梯度差后還要對圖像做適當?shù)?區(qū)域填充。先將提取的視頻轉(zhuǎn)換為灰度視頻信息，灰度圖像只含亮度信息，將彩色圖像 轉(zhuǎn)化成灰度圖像的過程稱為灰度化處理，灰度圖像的描述與彩色圖像一樣，也能 反映整幅圖像的整體和局部的色度和亮度。圖像的二值化就是將圖像上的點的灰度設(shè)置

14、成0或255,也就是把目標和背景 分成最亮和最暗兩種極端，這樣事個圖像就不再涉及到像素的多級值，處理會變 得簡單許多，而且在運動目標檢測中，目的就是提取活動的人或物，這樣的二值 圖像已經(jīng)足夠。%視頻信息的數(shù)值化處理，連接成一個單列的向量if ischar(video)avi = aviread(video);pixels = double(cat(4,avi(1:2:end).cdata)/255;%clear avielsepixels = double(cat(4,video1:2:end)/255;clear videoend%轉(zhuǎn)換成灰度值nFrames = size(pixels,4)

15、;for f = 1:nFramespixel(:,:,f) = (rgb2gray(pixels(:,:,:,f);subplot(222)end圖3第一幀的灰度圖像經(jīng)過處理后，從背景中提取出運動圖像，得到視頻的灰度圖像，這是截取 的第一幀灰度值圖像。rows=240;cols=320;nrames=f;for l = 2:nramesd(:,:,l)=(abs(pixel(:,:,l)-pixel(:,:,l-1);k=d(:,:,l);bw(:,:,l) = im2bw(k, .2);%二值處理bw1=bwlabel(bw(:,:,l);%等于0的是背景，提取大于2的是前景imshow(

16、bw(:,:,l)subplot(223)end圖4最后一幀的值圖像灰度值經(jīng)過二值處理得到的二值圖像，二值圖像把運動目標設(shè)置成0的最大 值，背景為255,二值圖像數(shù)據(jù)量較小，容易處理，并且區(qū)分更加明顯。圖4視頻最后的截圖經(jīng)過以上步驟的處理后，視頻中的運動目標可以很容易的提取出來?？偨Y(jié)本文提出的是一種用matlab基于靜止背景的運動目標檢測方法，能夠快速準 確地提取出靜止背景中的運動目標，在智能視頻監(jiān)測等領(lǐng)域已經(jīng)得到了比較廣泛 的應(yīng)用，并且正在迅速的發(fā)展中。隨著視頻監(jiān)控系統(tǒng)規(guī)模的不斷擴大，單純地使 用人力實現(xiàn)所有監(jiān)控點的在線監(jiān)視對于很多監(jiān)控系統(tǒng)來說已經(jīng)不可能實現(xiàn)。因此 具有全自動或者半自動監(jiān)視功能的智能視頻監(jiān)控系統(tǒng)是視頻監(jiān)控系統(tǒng)未來發(fā)展 的趨勢。這一算法研究成熟對于節(jié)省人力，提高監(jiān)控可靠度都有非常大的貢獻， 相信在不久的將來，視頻監(jiān)控將會普及自動目標提取。參考文獻：張建軍，黃山，張洪斌，楊權(quán)，汪勤，基于視頻的運動目標檢測與識別，現(xiàn)代電子技術(shù)（295）,2008.pp:87-91Bernhard Rinne, Wolfgang Schriebl, Object Tracking and Velocity Determination,2008馮偉,趙榮椿，視頻序列運動目標檢測與識別方法研究,20