英语原文共 9 页，剩余内容已隐藏，支付完成后下载完整资料

基于时空背景差的运动目标检测算法

肖　梅¹⁾　韩崇昭¹⁾　张　雷²⁾

^1）西安交通大学电子与信息工程学院综合自动化研究所　西安　710049

^2）长安大学太白山教学实习基地西安710064

摘要：假定图像序列的背景图像已经获得，提出一种基于时空背景差的运动目标检测算法。该算法融合背景差分、基于时间信息的帧间差分及基于空间信息的背景差分信息，得到真实运动物体的运动种子点，认为背景差分图像中包含运动种子点的连通区域为真实的前景目标，从而可以检测出正确而完整的前景目标。仿真实验表明，该算法可以避免背景模型对场景的表征不足及背景更新阶段造成的错误检测，即使在场景中存在微小运动的复杂环境下，仍能实现准确的运动分割。

关键词：背景差；时空信息；运动检测；视频分析

A Moving Detection Algorithm Based on Space-Time Background Difference

Mei Xiao ¹, Lei Zhang² , and Chong-Zhao Han¹

¹ School of Electronics and Information Engineering, Xirsquo;an Jiaotong University, 710064 Xirsquo;an, China

² Taibai Campus , Changrsquo;an University, 710064 Xirsquo;an, China

Abstract：Assuming that background had been extracted from input images，a new method is proposed for the effective detection of moving objects from an image sequence in this paper.The background difference^frame difference based on time information and background difference based on spatial information were fused to get the moving seeds of real moving objects，and then only those connected moving compo-nents，which contain the seed pixels，in the background difference results，were selected as the final moving foreground objects。 Simulation results show that false detection from wrong modeling or inadequate background updating is avoided completely。 And the proposed motion detection algorithm is also shown to perform correctly in case that the scene contains small motions。

Key words: background difference；space-time information；motion detection；video sequence analysis

0 引言

运动目标提取是计算机视觉系统的一个重要研究内容，其应用于视频监视、交通自动监控和图像压缩等方面。背景减法能够完整地分割出运动对象，且一旦背景构建好之后能实现实时的运动检测，因而在许多智能视频系统中，人们更多地采用背景减法进行实时的运动目标提取。很多学者在背景建模方面进行了研究，如均值法和其他背景算法^[1-5]等。本文假定背景图像已经构建，重点阐述后续的前景提取算法。

一旦背景模型被构建好，最常用的目标提取方法是背景差分门限法：计算输入图像和背景对应像素的绝对偏差，选取合适的阀值，绝对偏差大于门限的像素为前景点；反之，则为背景像素。文献[6]提出基于标准统计的改进算法，在背景差分门限的基础上考虑了图像均值和标准差。文献[7]为提高黑色区域（如阴影）的正确检测率，提出考虑背景亮度信息的改进算法，但其对亮色（如雾天）场景的检测效果不理想。文献[3]认为与真实运动区域对应的连通块被背景置换的概率很小，在背景差分门限法的基础上提出了一种错误娇正的方法，通过估计初始前景区域中每个连通区域的置换概率，认为连通块的置换概率大于门限的区域为前景。该算法可以避免将场景的微小运动错误地检测为前景，但当运动前景停止时容易将其连续检测为运动物体，且算法复杂、参数选取困难。文献[8]提出基于块的运动检测算法，该算法以3X 3的块为单位进行背景差分且利用了帧间的信息，可以减少场景发生变化（背景模型还未跟踪到场景的这种变化）时的错误检测，但提取的前景物体在边缘位置会变形，且门限值对检测结果影响较大。文献[6-8]中涉及的门限都是依据经验来选取的，文献[9]中提出的双门限运动检测的基本思想是：选取大、小2个门限值，输入图像和背景图像间的绝对差分超过大门限值的像素认为是强前景点；绝对差分介于2个门限之间的像素分类为弱前景点。利用区域生长技术将弱前景点中与强前景点相邻的像素归入到强前景中，得到最终的前景目标。

在假定图像序列的背景图像已经获得的基础上，本文提出一种基于时空背景差的运动检测算法。该算法不需要依据任何的场景先验知识，也不必对场景作任何约束，可以正确而完整地提取前景目标。

1 基于时空背景差的运动目标检测

基于时空背景差的运动目标检测算法融合背景差分、基于时间信息的帧间差分及基于空间信息的邻域背景差分信息，得到运动种子点，认为背景差分图像中包含运动种子点的连通区域为真实的前景目标。基于时空背景差的运动目标检测算法示意图如图1所示。

M

图1 基于时空背景差的运动目标检测算法

• 1. 背景差分运动检测

假定背景重建算法为每个像素构建了q个背景图像（除混合高斯^[2]和非参数模型^[3]为多背景外，文中提到的背景算法都是单背景图像，即q=1），只要输入像素值和其中的任何一幅背景匹配，则认为该像素为背景；而输入像素值与该像素点的所有背景都不匹配，则认为是前景，背景差分

（1）

其中，为像素在t时刻输入值；为像素在t时刻构建的第k个背景图像.

基于背景差分的运动分割

（2）

其中为门限值。对一段视频实验，如图2d所示

a背景图像 b当前帧（#125） c前帧（#124） d Mb e Mf f Mn g M

注：a为均值法构建的背景，即取一段时间内图像序列的像素均值作为该像素的背景值

图2 基于时空背景差的运动目标检测算法示例

• 1. 帧间差分运动检测

基于帧间差分的运动检测即帧差法，它根据相邻帧或隔帧图像间亮度变化的大小来检测运动目标，能实现实时处理且对光线变化不敏感，但其分割出的运动目标容易出现拉伸、空洞的现象；而且当前景运动很慢且时间间隔选择不合适时，容易出现根本检测不到物体的情况。帧间差分

（3）

其中s为帧间的时间间隔，s通常取1-3之间。

为避免重复计算，帧差分运动检测只针对Mb中的前景区域进行，运动检测

（4）

其中为门限值。对一段视频实验，如图2e所示。

1.3邻域背景差分运动检测

在室外复杂环境下，场景本身常常表现为邻域运动，如飘动的旗帜、晃动的树叶等。因而在进行运动检测时，考虑像素的邻域信息可以避免将场景本身的运动检测为运动物体基于邻域的背景差分

（5）

通常，考虑3X 3或5X 5的小邻域，式（5）所示为考虑3X 3的邻域。

类似地，邻域背景差分运动检测只对中的前景区域进行，邻域背景差分运动检测

（6）

其中，为门限值，为运动种子点，即背景差分运动检测、帧间差分运动检测和邻域背景差分运动检测同时判断为前景的像素，它表示t时刻输入图像中的不完整的真实运动区域；如图2f所示。

1.4 运动前景提取

中包括完整的运动前景，为当前帧中真实前景的运动种子点，只要在中找到和运动种子点连通区域，就可以得到完整而正确的运动前景区域。采用数学形态学的方法对二值图像中各个连通块进行标记，选择中包含运动种子点的所有连通区域，得到基于时空背景差的运动目标检测的前景图像，其结果如图2 g所示。

2 实验结果与比较

为了验证本文算法的有效性，我们对多种视频进行仿真实验，同时与背景差分门限法、考虑背景灰度^[7]、块操作法^[8]以及双门限法^[9]进行比较，结果如图3，4所示。实验环境为P IV 1。0GHz CPU，256 MB RAM，仿真平台Matlab6.5，图像为256个灰度级。对所有视频进行实验的参数为==25，s=2，改变参数值也得到了相似的仿真结果。为了清楚地比较运动检测效果，所有的运动检测结果都没有经过任何的后处理，如去零星和补空洞等操作。

图3所示为Sweeden图像序列，图像大小为256X 320。55帧图像用于背景重构，采用最常用的均值法构建背景图像（由于篇幅的关系没有列举背景图像，下同）。从图3可以看出，由于均值法构建的背景很容易受到运动前景的影响而产生混合现象，使得检测结果（如图3 b，3 h所示）中出现虚假目标；考虑背景灰度法检测结果（如图3 c，3 i所示）在消除了多数的虚假目标的同时，运动物体的部分也被错误地认为是背景（如人腿的位置尤为明显）；双门限法检测结果（如图3 d，3 j所示）出现了更多的虚假目标，这是由于运动模糊会出现在运动物体整个运动轨迹上，尽管大门限值消除了多数的虚假目标，但是小门限值提取出了所有的运动模糊；块操作法检测结果（如图3e，3k所示）能去除零星的错误检测，但很难校正较大的错误检测且无法精确地提取运动物体的边缘；本文算法（如图3 f，31所示）消除了所有的虚假前景目标，正确地检出了运动物体。

图3 Sweeden图像序列运动分割结果与比较

图4所示为Sequence图像序列，小车缓慢行驶遇到旋转指示灯而停止。前100帧用于背景重构，采用像素分类法^[1]构建图像，由于目标太小我们用椭圆标记真实目标。实验结果与图3类似，由于小车突然停止，背景模型并未建模出该区域的变化，且背景模型不能完全表征旋转指示灯及微动的树叶的变化，所以小车、旋转指示灯和零星的树叶都被错误除，而本文算法很好地弥补了背景构建的错误或不地检测为运动目标。上述错误检测无法用滤波来消足，正确地检出了运动目标。

图4 Sequence图像序列运动分割结果与比较

3 讨论

基于信息融合的思想提出的基于时空背景差的运动目标检测算法，具有下面的特点：

1）计算量小，可以实现实时地运动目标提取，具有较强的工程价值。本文算法只涉及减法运算，且计算运动种子点时避免了重复计算。表1所示为对2种视频进行实验的运行时间的比较。

2）减少了错误检出率。本文算法依据多源差分信息得到的运动检测结果相互补充，相互矫正。如图4所示，场景中有晃动的树叶、旋转的指示灯和缓慢行驶到停止的小车。一方面，邻域背景差分运动检测避免了将树叶和指示灯检测为前景；另一方面，帧间差分运动检测很快判断小车为背景，从而避免了错误的前景检测。

3）降低了参数对检测效果的敏感度参数选择不合适会造成错误检测，本文通过多源信息融合大大地降低了参数对检测效果的敏感度，我们也通过大量视频实验也证实了这点。当然自适应的门限选择仍是实现准确分割的关键，等待彻底解决。

4）避免了后处理操作。许多运动检测算法需要进行后处理来优化结果，虽然在某些场合后处理可以起到一定作用，如噪声点很小而目标较大时（如图2，3所示），但是当前景目标很小或被遮挡分成很小的几块时（如图4，5所示），后处理会增加更多地错误检测。

5）能鲁棒地检测小目标前景。图4 a中最小的前景目标只有12个像素，实验结果说明本文算法对小目标的检测的有效性，利用多源信息获得的运动种子点不会丢失小的前景。

6）在复杂环境下，检测效果还须依赖背景构建的好坏。图5所示为Jump图像序

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[24753]，资料为PDF文档或Word文档，PDF文档可免费转换为Word