靜止背景運(yùn)動(dòng)目標(biāo)識(shí)別

1、Moving Object Detection in Stationary Scene摘要：隨著計(jì)算機(jī)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(fèi)人力物力，又不夠準(zhǔn)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(bào)警條件即可， 能夠準(zhǔn)確地達(dá)到實(shí)時(shí)監(jiān)控的目的?，F(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(chǎng)所及對(duì)場(chǎng)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(cè)的最重要的不同就是識(shí)別出需要監(jiān)控的對(duì)象，通常是運(yùn)動(dòng)目標(biāo)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(cè)出運(yùn)動(dòng)目標(biāo)提取靜止背景中的運(yùn)動(dòng)目標(biāo)，并將結(jié)果顯示出來，以進(jìn)行進(jìn)一步 的分析處理。關(guān)鍵字：視頻監(jiān)控；目標(biāo)提??；靜止背景；matlab；目標(biāo)識(shí)別；背景減差法基于視頻的運(yùn)動(dòng)目標(biāo)主要提取方法目標(biāo)檢測(cè)是計(jì)算機(jī)視覺的一個(gè)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(yùn)動(dòng)目標(biāo)的檢測(cè)方法主要有光流法，差值法。光流法的計(jì)算量很大， 實(shí)時(shí)性和應(yīng)用性較差。而圖像差值法比較簡(jiǎn)單，實(shí)時(shí)性較好，是目前應(yīng)用最廣泛， 最成功的運(yùn)動(dòng)目標(biāo)檢測(cè)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(gè)固定的靜止的參考幀做圖像差分，但自然場(chǎng)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(jìn)行差分，這種方法無法檢測(cè) 出兩幀圖像中重合的部分，只能檢測(cè)出目標(biāo)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(gè)像素都可以用一個(gè)或多個(gè)高斯模型近似，因此，高斯背景模 型是絕大多數(shù)目標(biāo)檢測(cè)方法常用的基本模型。許多學(xué)者對(duì)基于高斯混合背景模型 的背景消除法作了改進(jìn)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(jì)模型的算法;Power等人詳細(xì)的討論了混合高斯模型， 并對(duì)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(xiàn)3中對(duì)擺 動(dòng)的樹葉，水紋的波動(dòng)等動(dòng)態(tài)紋理干擾作了深入研究，提出了在線的自

4、動(dòng)聚類模 型來獲得并預(yù)測(cè)場(chǎng)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(biāo)的檢測(cè)，使檢測(cè)到的目標(biāo)與真實(shí)的 目標(biāo)形狀相差很大，這對(duì)后續(xù)處理如目標(biāo)識(shí)別、行為判斷等會(huì)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(cè)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(biāo)并消除陰影，取得了較好的效果。運(yùn)動(dòng)目標(biāo)檢測(cè)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?；谔卣鞯姆椒ㄊ且罁?jù)圖像的特征

5、來檢測(cè)運(yùn)動(dòng)目標(biāo)，它多用 于目標(biāo)較大、特征容易提取的場(chǎng)合?；诨叶鹊姆椒ㄒ话闶且罁?jù)圖像中灰度的變 化來檢測(cè)運(yùn)動(dòng)目標(biāo)。目前基于視頻的檢測(cè)方法主要有：基于幀間差分的方法、基 于光流場(chǎng)的方法、基于背景差的方法等。幀間差分法是基于運(yùn)動(dòng)圖像序列中相鄰 兩幀圖像間具有強(qiáng)相關(guān)性而提出的檢測(cè)方法，具有很強(qiáng)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(huì)造成目標(biāo)重疊部分形成較大空洞，嚴(yán)重時(shí)造成目標(biāo) 分割不連通，從而檢測(cè)不到目標(biāo)。光流場(chǎng)法是基于對(duì)光流的估算進(jìn)行檢測(cè)分割的方法。光流中既包括被觀察物 體的運(yùn)動(dòng)信息，也包括有關(guān)的結(jié)構(gòu)信息。光流場(chǎng)的不連續(xù)性可以用來將圖像分割 成對(duì)應(yīng)于不同運(yùn)動(dòng)物體的區(qū)域。但多數(shù)光流法的計(jì)算

6、復(fù)雜、耗時(shí)，難以滿足實(shí)時(shí) 監(jiān)測(cè)的要求。背景差法是運(yùn)動(dòng)檢測(cè)中最常用的一種方法它將輸入圖像與背景圖像進(jìn)行比 較，直接根據(jù)灰度的變化等統(tǒng)計(jì)信息的變化來分割運(yùn)動(dòng)目標(biāo)。差分法一般計(jì)算量 小實(shí)用價(jià)值大。缺點(diǎn)是受光線、天氣等外界條件的影響較大。背景建模在進(jìn)行運(yùn)動(dòng)檢測(cè)時(shí)，常見的一種情況是攝像機(jī)處于靜止?fàn)顟B(tài)，并且鏡頭的焦 距是固定的，此時(shí)，圖像中的背景區(qū)域固定不動(dòng)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(yùn)動(dòng)目標(biāo)檢測(cè)方法，其基本思想是將當(dāng)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(yùn)動(dòng)目標(biāo)上的點(diǎn)，通常 的背景差分方法對(duì)光線、天氣等光照條件的變化非常敏感，運(yùn)動(dòng)目標(biāo)的陰影也常 常被檢

7、測(cè)為運(yùn)動(dòng)目標(biāo)的一部分，這將影響檢測(cè)結(jié)果的準(zhǔn)確性。使用背景差法很重 要的一步是背景建模，要估計(jì)出一個(gè)不帶有運(yùn)動(dòng)目標(biāo)的背景模型，通過計(jì)算當(dāng)前 圖像幀和該背景模型的差別來確定運(yùn)動(dòng)目標(biāo)的位置。目前普遍采用的方法是對(duì) 圖像幀中每一個(gè)點(diǎn)，用一個(gè)統(tǒng)計(jì)模型來描述其亮度（顏色）的概率分布，在實(shí)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：?jiǎn)胃咚狗植?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(gè)圖像點(diǎn)的顏色用一個(gè)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(shí)背景圖片均值Sn

8、 :第n幀背景圖片協(xié)方差，當(dāng)某點(diǎn)觀察顏色值與背景分布相差過大(閩值 界定)時(shí)認(rèn)為是前景點(diǎn)，否則為背景點(diǎn)。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(gè)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(gè)圖像點(diǎn)的顏色用多個(gè)高斯分布近似。設(shè)用來 描述每個(gè)點(diǎn)顏色分布的高斯分布共有K個(gè)，用權(quán)值最大的若干高斯分布表示背 景。但是它計(jì)算量大，難以滿足實(shí)時(shí)要求，在多數(shù)場(chǎng)合下，與單個(gè)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(shí)際應(yīng)用中使用，而本例在視頻背景亮度短時(shí)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(shí)時(shí)的外部的信息，并通過這一步處理，為后續(xù)的程序做準(zhǔn)備。目標(biāo)分割分割是從背景中將目標(biāo)分離出來的過程，它是所有后續(xù)過程，例如形狀分析、 目標(biāo)識(shí)別，目標(biāo)跟蹤

10、等的前提工作，只有很好地完成目標(biāo)分割，后續(xù)工作才有可 能做好。目標(biāo)分割主要包括以下幾個(gè)步驟：(1)背景消減其基本思想是將當(dāng)前幀圖像與事先存儲(chǔ)或者實(shí)時(shí)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(diǎn)屬于運(yùn)動(dòng)目標(biāo)區(qū)域，否則，就判此 象素點(diǎn)屬于背景區(qū)域。背景消減的結(jié)果，前景點(diǎn)的灰度值都取值為0，背景點(diǎn) 灰度值取值為255。背景消減是目前運(yùn)動(dòng)檢測(cè)中的主流方法，它是用含有運(yùn)動(dòng)目 標(biāo)的當(dāng)前圖像與背景圖像的差分來檢測(cè)運(yùn)動(dòng)區(qū)域的一種技術(shù)，其基本思想是，首 先，用事先存儲(chǔ)或?qū)崟r(shí)得到的背景圖像序列為每個(gè)象素進(jìn)行統(tǒng)計(jì)建模，得到背景 模型Bk，將當(dāng)前含有運(yùn)動(dòng)目標(biāo)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(jì)算結(jié)果在一定閾值T限制下進(jìn)行二值化，如公式(5)所示，判斷出 當(dāng)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(yùn)動(dòng)目標(biāo)的像 素，Rx是含有目標(biāo)的二值化圖像。由于運(yùn)動(dòng)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(biāo)的位置、大小、形狀，從而得 到較完整的目標(biāo)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(dāng)Dk的值大于某一閾值的時(shí)候?yàn)楸尘包c(diǎn)，其他值時(shí)為前景點(diǎn)， 這樣就能通過一個(gè)二值圖像分離出前景和背景，并提取出前景，從而達(dá)到運(yùn)動(dòng)目 標(biāo)檢測(cè)的目的?；谄骄?/p>

12、法曲噪聲的背景獲得 視頻圖像序列中，目標(biāo)以運(yùn)動(dòng)狀 態(tài)存在于視場(chǎng)中，對(duì)于視場(chǎng)內(nèi)每一個(gè)像素，歸屬于背景的概率極大，經(jīng)過對(duì)輸入 圖像序列的若干幀平均即可得到與實(shí)際背景圖像近似的初始背景，同時(shí)也達(dá)到了 慮除噪聲、消除攝像機(jī)抖動(dòng)的目的。設(shè)g(x,y)是含有噪聲的目標(biāo)圖像，n(x,y)為不 包含噪聲的初始目標(biāo)圖像，x、y為圖像上的點(diǎn)在時(shí)域上的坐標(biāo)，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(jì) 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(dāng)作

13、平均處理的噪聲圖像數(shù)目增加時(shí)，其統(tǒng)計(jì)平均值就接近初 始的沒有噪聲的圖像。運(yùn)動(dòng)目標(biāo)檢測(cè)與提取運(yùn)動(dòng)目標(biāo)提取的效果直接關(guān)系到算法實(shí)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(diǎn)，對(duì)背景和當(dāng)前幀進(jìn)行梯度差，就可 以更準(zhǔn)確在檢測(cè)到運(yùn)動(dòng)目標(biāo)，并可部分消除陰影及噪聲的影響。梯度差突出了運(yùn) 動(dòng)目標(biāo)的輪廓，但容易使目標(biāo)內(nèi)部產(chǎn)生空洞，因此梯度差后還要對(duì)圖像做適當(dāng)?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(diǎn)的灰度設(shè)置

14、成0或255,也就是把目標(biāo)和背景 分成最亮和最暗兩種極端，這樣事個(gè)圖像就不再涉及到像素的多級(jí)值，處理會(huì)變 得簡(jiǎn)單許多，而且在運(yùn)動(dòng)目標(biāo)檢測(cè)中，目的就是提取活動(dòng)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(gè)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(yùn)動(dòng)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(yùn)動(dòng)目標(biāo)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(yùn)動(dòng)目標(biāo)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(yùn)動(dòng)目標(biāo)檢測(cè)方法，能夠快速準(zhǔn) 確地提取出靜止背景中的運(yùn)動(dòng)目標(biāo)，在智能視頻監(jiān)測(cè)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(kuò)大，單純地使 用人力實(shí)現(xiàn)所有監(jiān)控點(diǎn)的在線監(jiān)視對(duì)于很多監(jiān)控系統(tǒng)來說已經(jīng)不可能實(shí)現(xiàn)。因此 具有全自動(dòng)或者半自動(dòng)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(shì)。這一算法研究成熟對(duì)于節(jié)省人力，提高監(jiān)控可靠度都有非常大的貢獻(xiàn)， 相信在不久的將來，視頻監(jiān)控將會(huì)普及自動(dòng)目標(biāo)提取。參考文獻(xiàn)：張建軍，黃山，張洪斌，楊權(quán)，汪勤，基于視頻的運(yùn)動(dòng)目標(biāo)檢測(cè)與識(shí)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(yùn)動(dòng)目標(biāo)檢測(cè)與識(shí)別方法研究,20