基于SILTP紋理信息的運動目標檢測算法

1、第卷第期計 算 機 科 學年月基于紋理信息的運動目標檢測算法楊國亮周丹張進輝（江西理工大學電氣工程與自動化學院 贛州）摘要精確的運動目標檢測是許多視頻分析技術(shù)的前提。提出了一種基于背景減除的運動目標檢測算法，該算法利用尺度不變?nèi)的Ｊ剑ǎ┻M行紋理特征變換，并對視頻序列的第一幀進行快速的背景模型初始化。對于背景模型的建立，直接采用紋理特征值，而不是計算其像素分布。最后結(jié)合像素的空間信息，采用隨機替代的策略來更新背景模型。在 測試集上的測試結(jié)果表明，與其他算法相比，該算法在滿足實時性的基礎(chǔ)上具有很好的檢測效果，特別是在陰影的去除及光照的突變上有很好的魯棒性。關(guān)鍵詞運動目標檢測，背景減除，尺度不變?nèi)?/p>

2、值模式，紋理，背景模型中圖法分類號文獻標識碼 （，） ，（）， ，（），機適應(yīng)性，在室外環(huán)境效果不是很好。對此，等人 引言根據(jù)在室外環(huán)境下每個像素點的動態(tài)分布為多峰的（隨著計算機視覺、人工智能和圖像處理等研究領(lǐng)域的火），提出了混合高斯模型 （）的建模方法，該方法熱發(fā)展，目標檢測技術(shù)作為其基本處理部分，已經(jīng)成為一個非能夠較好地適應(yīng)多峰場景及光照的變化，成為比較經(jīng)典的背常活躍的研究方向，也是實現(xiàn)目標行為理解及更高一級任務(wù)景建模方法之一?；旌细咚闺m然解決了光照漸變、背景運動的基礎(chǔ)，實現(xiàn)運動目標的準確快速檢測具有重要的實際意義等問題，但是對于背景快速變化及緩慢運動的目標會存在漏和應(yīng)用價值。常用的方法有

3、光流法、幀差法和背景減除法檢及誤檢。因此，等人提出一種非參數(shù)的核密度估計（）方法，該方法不假設(shè)數(shù)據(jù)服從何種分布，直接根等種：光流法計算復雜，抗噪性能差，一般不滿足全幀視頻據(jù)數(shù)據(jù)來推測分布，該方法的最大優(yōu)點是對更新速率不敏感。流的實時性；幀差法實時性好，但是檢測目標位置不精確，不然而，以上方法大部分是對單個像素在時間域上的統(tǒng)計能提取出較完整的運動目標，對物體運動速度的要求比較高；建模，忽略了鄰域像素間的空間分布相關(guān)性，導致了背景模型背景減除法相對于光流法和幀差法具有運算速度快、定位準不能準確地刻畫運動物體的本質(zhì)屬性。近年來，局部二值模確等特點，但是受場景光照變化、背景擾動等因素的影響較式（，）的

4、特征提取方法及其改進算大。所以背景需要實時更新，這是背景減除算法能否正確檢法在紋理分析和人臉識別應(yīng)用中取得了顯著的成果。由于測的關(guān)鍵。方法原理相對簡單，計算復雜度低，又具有旋轉(zhuǎn)不變性等人提出了一種用單高斯模型對像素過程進和灰度不變性等顯著優(yōu)點，因而該方法又被廣泛應(yīng)用于圖像行背景建模的方法，該方法基于噪聲建模，對室內(nèi)環(huán)境能夠匹配、行人和汽車目標的檢測與跟蹤、生物和醫(yī)學圖像分析等取得很好的效果，由于只利用一個高斯過程進行建模，缺乏隨領(lǐng)域。但是算子沒能很好地解決仿射變化中的不變性到稿日期：返修日期：楊國亮（），男，博士，副教授，主要研究方向為模式識別與圖像處理、智能控制，：；周 丹 （），女，碩士，

5、主要研究方向為模式識別與圖像處理；張進輝（），男，碩士，主要研究方向為模式識別與圖像處理。問題。本文針對解決仿射變化的不變性問題，運用尺度不變局尺度不變局部三值模式部三值模式（，）進局部二值模式（， ） 是一種灰度行特征提取，利用像素的時間和空間特性，提出一種快速運動范圍內(nèi)的紋理度量，因具有多尺度特征、旋轉(zhuǎn)不變性及低復雜目標檢測算法。針對多個不同場景進行了結(jié)果測試并對結(jié)果度而得到了廣泛應(yīng)用，為較好的區(qū)域算子。該算子的編碼過進行了定量分析。程如圖 （左）所示。圖 算子的編碼過程然而算法仍對噪聲敏感，并且對紋理的描述易受到光照照變化魯棒等，但是在圖像的多尺度變化和局部遮擋問題的等因素的影響而發(fā)生改

6、變。例如，當鄰域像素值很相近時，處理上還有一定的局限性。假如對所有局部像素值乘以某個算子對區(qū)域噪聲沒有很好的魯棒性 ，就會出現(xiàn)誤判，如整數(shù)（例如 ），所得的算子就不能很準確地進行判斷，圖（中）所示。對于處理局部噪聲，等提出局部三值會導致比較結(jié)果不同于原始比較，如圖（右）所示?？紤]算模式（，）用于人臉識別，該方法引子對尺度變化的適應(yīng)性，等人提出運用尺度不變?nèi)氲膮^(qū)間，即當鄰域值在中心值的區(qū)間里時編碼值為 ；局部 三 值 模 式 （當鄰域值比中心值的區(qū)間大時編碼值為；當鄰域值比中心，算子的編碼過程如值的區(qū)間小時編碼值為。其編碼圖如圖所示。盡管） 減除復雜場景的背景。在均勻區(qū)域比 具有更強的判別能力，

7、且對噪聲、光圖所示。圖 算子的編碼過程圖 算子的編碼過程假設(shè)一幅圖像的像素點的位置為（ ， ），編碼方 式如式（）所示。 （， ） （，）（）， 式中， 是圖像中心像素點的灰度值， 是半徑為 區(qū)域的鄰域所對應(yīng)的像素點的灰度值， 是將所有鄰域的二進制值連接成字符串， 為變化的閾值范圍。（ ， ）分段函數(shù)如式（）所示。，（）烄烌（，），（）（） 烅烍烆，其他烎算子的優(yōu)勢依賴于以下 點。首先，對于每個鄰域來說，僅僅比多一次比較，從而計算效率很高；其次，該算子對區(qū)域范圍噪聲具有很好的魯棒性，特別是當檢測區(qū)域更暗或者包含更多的噪聲的情況下，比和更能適應(yīng)這種變化，得到更好的檢測結(jié)果；最后，尺度不變性使算子

8、對亮度變化具有更強魯棒性，即使光線突然從暗到亮變化，特征也是不變的。另外，當有弱陰影覆蓋背景區(qū)域時，該算子也能很好地進行識別。因為弱陰影保留了背景較暗的紋理信息而不是局部背景區(qū)域的比例因子所表示的紋理信息。 運動目標檢測算法基于算子，本文提出一種快速運動目標檢測算法，背景模型的建立啟發(fā)自等人提出的一種視覺背景提取算法（，），。主要利用了隨機選擇機制和鄰域傳播機制來建立和更新背景模型，使時域與空域相結(jié)合，達到快速檢測的效果。下面將從背景模型初始化、目標檢測及模型更新個方面詳細介紹本文算法的思想。 背景模型的初始化大部分經(jīng)典的方法都需要利用很多幀初始化背景模型，對于一開始就存在運動目標的場景來說，

9、由這種模型初始化方式建立的模型并不理想。這里提出一種利用單幀圖像進行初始化的方法，其利用圖像像素鄰域的分布相關(guān)性，并采用隨機抽取機制來建立模型中的多個樣本。首先，取視頻序列的第一幀圖像，進行灰度變換。根據(jù)前面介紹的算子，計算每個像素點的特征。像素點的值用（）表示。這里采用鄰域，逆時針計算（）。然后，在像素點的鄰域中隨機抽取 次得到該像素背景模型中的 個樣本，得到像素點 的背景模型為（）， 。 運動目標檢測對于運動目標檢測來說，大多數(shù)傳統(tǒng)和主流的背景減除法算法都依賴于概率密度函數(shù)和參數(shù)統(tǒng)計，但是參數(shù)統(tǒng)計的意義很少被討論或者直接被忽略。事實上，只要很好地分割出目標，就沒有必要計算概率密度函數(shù)。因為

10、概率密度的估計是全局過程，且對噪聲很敏感。對所有的估計過程來說，選擇有代表性的樣本是最重要的。如果把背景減除看成是分類問題，那么考慮最近鄰信息對新像素分類，就可以避免噪聲的影響。受上述思想的啟發(fā)，本文對每個背景模型維護一組樣本，而不是一個確切的分布模型。然后計算待檢測點與模型中每個樣本的匹配度，若匹配度達到一定的閾值，則為背景；否則，為前景。定義每個待檢測點 的（）與模型樣本 （）的匹配度（），其數(shù)學表達式為：（）（），（）， （） （）式中，（）為單個匹配度，即與背景模型的一個樣本的匹配程度，結(jié)果為所對應(yīng)位異或結(jié)果為的位個數(shù)，見式（）（例如（）。判斷待測點 是否為前景目標的準則可以通過以下幾

11、個公式表述。（）（）（）（） ，（）（） （）， 其他（）（）（） 背景，（）（）前景，（）其他上述式（）式（）中，（）表示匹配度小于的一個樣本，（）表示匹配度小于 的所有樣本的總數(shù)，（）為待測點的最終分類結(jié)果。經(jīng)過多次實驗分析驗證，得到本文算法的最佳參數(shù)，。 模型更新視頻序列體現(xiàn)的是一個時間性，隨著時間的推移，背景中會發(fā)生一些變化，如樹葉的搖動、光照的變化甚至是背景的動態(tài)移動。假如背景模型不及時更新，就會導致檢測的結(jié)果會有大量的噪聲以及誤檢或漏檢。為了滿足上述背景的實時變化，背景模型必須實時更新，并且要有較強的抗干擾能力。目前大部分的算法中背景模型的更新機制存在兩種：選擇性更新和盲目更新。選

12、擇性更新是指只選擇背景像素對背景模型進行更新而忽略前景像素，在這種情況下，易導致 “死鎖”；盲目更新是指既選擇前景像素又選擇背景像素對背景模型進行更新，在這種情況下，易導致“空洞”。本文對選擇性更新和盲目更新進行了結(jié)合，并利用鄰域像素具有相似分布的特征，建立一種新的背景模型更新方法，該更新方法包含三大主要思想：無記憶更新、隨機抽樣更新和鄰域空間傳播性。具體實現(xiàn)如下：（）對判定為背景的點 ，設(shè)定更新頻率為 ，則有 的概率更新其背景模型。將（）按 的概率替換從模型中隨機抽取的一個樣本。背景模型是不包含前景點的。為了防止死鎖區(qū)域的形成，本文利用鄰域像素分布相似特性，解決被前景覆蓋的背景像素點的恢復問

13、題，即更新該像素點的鄰域的背景模型。再次按照 的概率隨機選取 的鄰域的一個像素點，將（）替換該鄰域背景模型中隨機選取的（），更新選定鄰域的背景模型。（）算法中提到通過隨機更新檢測點鄰域的背景模型，可以恢復被前景覆蓋的背景點，但是實際上這種恢復是有一定概率的，且在短時間內(nèi)所有被覆蓋點不能很好地恢復。對此，本文提出類似于盲目更新的概率隨機更新機制。對判定為前景的點，設(shè)定更新頻率為，即該點有的概率替代隨機選取的個樣本中的一個（）。相對于，更大。 換句話說，前景點對背景模型的影響小于背景點，但是可以在一定范圍內(nèi)很好地恢復被覆蓋的背景點。 實驗結(jié)果及分析 實驗條件及測試數(shù)據(jù)（）實驗條件本文提出的算法仿真

14、的軟件環(huán)境為：系統(tǒng)， 開 發(fā) 平 臺，結(jié) 合 。硬件環(huán)境為：頻率 ，內(nèi)存。（）測試數(shù)據(jù)迄今為止，仍然缺乏一個能夠被學術(shù)界廣泛認同的背景減除算法的測試數(shù)據(jù)集?？紤]到 等人提出的數(shù)據(jù)集的權(quán)威性，本文的測試數(shù)據(jù)采用 測試數(shù)據(jù)集。包含 個不同的場景，分別對應(yīng)了背景減除算法需要應(yīng)對的問題：運動的背景（）、光 照 漸 變 （）、光 照 突 變 （）、目標偽裝 （）、搖動的樹 （）、自舉（）、前景空洞（）。 實驗結(jié)果及分析為了具有更好的對比性，本文在 的種場景下基于上述實驗條件做了種算法的對比結(jié)果，結(jié)果如圖所示。其中第 行為每個測試序列的測試幀，第 行為（），第 分別為本文算法 （）、算法、等提出的一種改進

15、混合高斯算法（）、 改 進 的 混 合 高 斯 算 法 （）、 等提出的基于 紋理的算法（）及算法的實驗結(jié)果（實驗結(jié)果全部用同樣的方法進行后處理）。各種算法的主要參數(shù)如表所列。表種算法的主要參數(shù)算法主要參數(shù)模型樣本數(shù)， 模型樣本數(shù) ，球體半徑 ，更新因子為，集合的勢 高斯分量數(shù) ，權(quán)值更新速率 ，背景比例 更新速率 ，背景比例 ，計算 直方圖的區(qū)域半徑 ，直方 圖個數(shù) ，權(quán)值閾值 ，直方圖相似度閾值 ，直方圖更新速率 ，權(quán)值更新速率 用于訓練的幀數(shù) ，空間圖 種算法實驗結(jié)果 結(jié)果定性分析（）場景：該場景中，靜態(tài)的前景目標遮住了動態(tài)的背景，要很好地處理這種場景就需要對背景模型進行更加精確的描述。

16、對 算法來講，由于高斯分量的個數(shù)為固定的，因此對于這種動態(tài)背景的建模能力就有一定的缺陷，從而導致了較多的漏檢。由于本文算法的更新速率非常迅速，當前景目標在場景中不運動時，我們將會認為該目標會漸變?yōu)楸尘暗囊徊糠郑瑥亩鴮е乱欢ǖ目斩?。（）場景：該場景中，模型在訓練時就有運動目標，于是對模型訓練需要的幀數(shù)應(yīng)盡可能的少。由于本文算法的背景模型訓練只需要一幀，且在這個場景下存在陰影，因此本文算法取得了較好的效果。（）場景：該場景中，目標內(nèi)部的不同位置的像素值基本上相等，當目標運動時，內(nèi)部某個位置的像素值由于沒有改變，將有可能被檢測為背景，這將導致前景空洞。本文認為基于區(qū)域的背景建模方法也許能夠解決該問題

17、。（）場景：很多背景減除算法都無法解決光照突變引起的問題。當光照突變時，模型的更新速率應(yīng)該足夠快才能適應(yīng)這種全局的快速的表觀變化。但是，如果模型的更新速率太快，對緩慢運動的目標而言，將會導致更多的誤檢。本文算法由于采用一種對光照變化不敏感的紋理算子且更新速率比較快，因此取得了較好的效果。（）場景：一個目標既可以成為背景又可以成為前景，如該場景中的椅子，當人坐到椅子上時它應(yīng)該是前景，當人離開時它應(yīng)該是背景，所以這就需要模型的更新應(yīng)該是選擇性的更新，盲目的更新將導致（死鎖）。由實驗可知，和單層的算法都會導致死鎖問題。（）場景：光照漸變是背景減除算法要面對的重要問題。要應(yīng)對光照的漸變，模型就需要自適

18、應(yīng)更新。在單層的算法中，由于模型的更新沒有采用自適應(yīng)，因此效果不是很理想，改進的雙層算法能夠解決這個問題以及上述的 問題。（）場景：背景也許是搖擺不定的樹，此時同一個像素位置也許有多個像素值，即背景具有多峰性。此時背景模型就要對多峰的場景進行建模，基本上現(xiàn)在的背景減除算法都能夠解決這個問題。所以對該場景的處理，本文測試的算法都具有較好的效果。 結(jié)果定量分析對于不同算法，一般都要通過不同的標準值來檢驗算法的性能并與其他算法比較。一般主要利用召回率（）和精確度（）。數(shù)學表達式如下：（）（）式中， 為真正， 為真負， 為假正， 為假負。考慮到單純的召回率或者精確度都不能很全面地檢驗某個算法的性能，因

19、此提出調(diào)和平均值（）和相似性（）。數(shù)學表達式如下：（ ）（ ）上述所有計算的值都是在，之間，并且數(shù)值越高，準確性越好。不同場景下根據(jù)不同算法得到的和，如圖、圖所示。實驗數(shù)據(jù)表明，在多種不同復雜多變的實際場景中，本文算法能更好地克服光照及噪聲的影響，準確地提取出運動目標。最后，對整個算法的運算速度進行了測試，本文算法對上述大小的視頻處理幀率達到了，具有較好的實時性。圖不同場景不同算法得出的圖不同場景不同算法得出的結(jié)束語 本文提出了一種快速運動目標檢測算法，其利用了特征對亮度變化、陰影出現(xiàn)及尺度變化的強魯棒性；且針對傳統(tǒng)背景建模方法存在的不足，結(jié)合鄰域像素相似性分布特征，提出一種快速的背景建模方法。只利用一幀對模型進行初始化，利用隨機抽樣的方式對背景模型進行更新，采用一種簡單的判別機制對運動目標進行了較好的檢測。將本文算法與、混合高斯等種算法進行比較，實驗結(jié)果表明，本文算法在