一种复杂背景下的运动目标检测方法

关晓惠,周志敏

(浙江水利水电专科学校,浙江 杭州 310018)

0 前 言

运动目标检测是指从视频流中实时提取目标,一般是确定目标的所在的区域和颜色特征.它是视频监控的核心部分,是目标跟踪、目标分类和行为理解的基础.

图1 视频监控流程

近年来,关于视频监控环境下的目标检测和跟踪方法,很多研究人员已经提出很多方法,但大部分算法仅适用于静态背景情况,或室内监控环境情况下的目标检测.对于比较复杂的背景监控情况下的目标检测仍具有很大的挑战性.

主要是因为复杂背景监控环境比较复杂,主要表现为:

(1)光线变化比较大,早上和晚上、阴天和晴天,光线都存在很大的差异.

(2)背景中物体的运动,比如摇摆的树叶、天空云的漂移、飘动的旗帜以及下雨、下雪等.

(3)前景与背景的转化,即某个物体由运动转为静止或由静止转为运动(如汽车的停止或运动)而导致前景物体融入到背景中,或背景物体转化为前景.

另外,由于复杂背景环境下的视频监控对实时性和准确性要求比较高,基于光流计算[1]的目标检测方法复杂度比较高,难以适应视觉监控的实时处理要求,而帧间运动分析[2]结果的精度不高,难以获得目标区域的精确描述.而背景减方法是利用当前图像与背景模型的差分来检测出运动区域的一种技术.虽然背景减方法对光照条件、运动背景以及噪声比较敏感,由于其运算速度快,并能获得对运动目标区域的完整描述,能满足检测的实时性要求,因此背景减方法是目前监控环境下目标检测最常用的一种方法.

本文使用背景减方法,构建一种适应复杂背景情况下的目标检测算法.首先利用W4[3]提出的背景建模方法对背景进行建模,然后根据背景运动情况下,像素与它领域之间的相关性对实行运动目标的检测,消除由于背景运动所造成的错误检测.算法还采用一种自适应的背景更新方法,在背景发生一定情况下自动对背景模板进行更新,消除了由于监控环境整体光线发生变化和背景前景转化所引起的错误检测,提高运动目标检测的可靠性和适应性.

1 目标检测

基于背景减的目标检测是首先利用已有的若干帧视频图像进行背景建模,背景模型是对视频图像中背景的一种统计描述,然后确定当前帧中不能用背景模型描述的那些像素为候选目标像素,从而将目标对象所在的区域从背景中分割出来.

1.1 背景建模

在运动情况下,背景中每个像素的颜色分布往往呈现多模态[4].W4利用最小、最大灰度以及最大的时间差分为视频中的每一个像素进行统计信息建模,该方法不需要预先存储一组无前景的视频流作为背景建模的参考样本,背景模型可以直接从含有前景的视频流中获得[3].本文利用W4的背景建模方法从输入视频流中建立初始化的背景模型.

W4将每个象素的背景模型描述为一个三元组,形式化表示如下:

式中 :|Vz(x)-λ(x)|＜2 ×δ(x),δ(x),λ(x)分别为x位置处的中间值和方差.这个条件使得无须事先获得一组无运动物体的背景帧作为背景模型的参考帧.

1.2 目标检测

在已获得背景模型的情况下,对当前帧中的每一个像素进行处理,以确定其前景或背景的属性.

式中:dμ表示最大帧间象素差;k为一常数参数,表示检测结果的灵敏度,k越大,表示检测的灵敏度越低,即部分运动目标检测不出来,k越小,表示灵敏度越高,这样会使一些非前景象素被检测为前景.当背景为完全静止时,得到的检测效果比较好,当背景由于树叶的摇动等原因引起运动时,就会出现很大的噪音.

在进行目标检测时,如果背景发生了运动,那么这些区域会被作为前景检测出来,即该区域的像素与背景模型中对应点的匹配度很小,但它与其周围邻域某点的背景模型的匹配度比较大,这种情况,我们仍认为该点为背景像素.我们利用背景像素的这种相关性将目标检测公式改进为:

因此,用公式(3)进行目标检测时,消除了那些因背景运动所造成的错误检测像素.

2 自适应背景更新

由于自然环境下的背景并不是固定不变的,因此在进行目标检测时,背景模型应该能够随着背景的变化进行实时更新.当背景的变化是由于光线的变化引起时,如果仍然用旧的背景模型进行检测,则会出现大量的噪声.背景的变化是由于背景和前景的相互转化引起时,检测结果中就会出现不正确的静止前景物体.

如果在最近的N帧中,一个位置一直被检测为运动物体,并且没有发生变化,说明该位置的前景物体融入到背景中,或者背景中的物体已经转化为前景,这时需要更新背景模型.如果某个位置前后帧发生变化的象素个数,达到一定的比例说明整体光线发生了变化.

采用如下几个参数:

(1)b(x,t)表示最近N帧中,x位置被判定为背景的次数:

(2)m(x,t)表示最近N帧中,灰度值发生变化的次数:

(3)n(t)表示当前帧中,被检测为目标的像素总数

当下面条件满足时,背景模型进行自动更新,提高目标检测的可靠性和自适应性:

背景更新方法采用最近的N帧视频图像作为背景建模的参考样本.

3 实验结果和分析

实验中,在室外室内分别拍摄了一组具有复杂背景的视频序列作为测试样本,其中背景中有显示屏的闪动、风扇的转动、树枝的晃动等运动物体,还有一组光线发生显著变化的视频.这些视频图像的大小为352×288,图像为灰度格式,见图2.本文的算法分别在这些视频上进行了验证,在一般的PC机上,本文的算法达到了20fps的处理速度.

图2给出了部分视频图像的检测结果.左边是原视频图像,左边是用文中算法检测出来的结果.

4 结 语

运动目标的检测是视频监控的低层阶段,它涉及到计算机视觉、模式识别、人工智能等领域知识,具有很大的挑战性.本文根据运动背景像素间的相关性,提出一种复杂背景下的运动目标检测方法,消除了由于背景运动所引起的错误检测,文中还采用一种自适应更新背景模型,消除由于光线变化和背景前景转化所引起的错误检测.实验证明,该方法对背景中有运动物体、环境光线变化、以及背景与前景转化等复杂背景下的目标检测具有较好的处理能力和处理效果.

图2 运动目标检测结果

[1]JBARRON.D FLEET.S BEAUCHEMIN.Performance of optical flow techniques[J].International Journal of Computer Vision,1994,12(1):42-77.

[2]CANDERSON,P BURT,G CAN DER WAL.Change detection and tracking using pyramid transformation techniques[J].Proc.SPIE-Intelligent Robots and Computer Vision,1985,579:72-78.

[3]IHARITAOGLU,D HARWOOD,L.DAVIS.W4:Real time surveillance of people and their activities[J].IEEE Trans.Pattern Anal.Mach.Intell,2000,22(8):809-830.

[4]CHRIS STAUFFER,ERIC GRIMSON.Learning patterns of activity using real-time tracking[J].IEEE Transactions on Pattern Recognition and Machine Intelligence(PAMI),2000,22(8):747-757.