物体融入背景情况下的目标检测方法

彭接力，刘 岩

(第二炮兵工程大学研究生二队，陕西西安 710025)

运动目标检测与跟踪技术是计算机视觉、人机交互等领域研究的重要内容，有广泛的应用前景。目前常用的运动目标检测方法主要有3种:帧差法、光流法和背景差法［1］。静止摄像机时下最流行的目标检测算法为背景差分［4－6］，该方法是利用当前图像与背景图像的差分图像来检测运动目标的一种方法。建立简单、可靠的背景模型是背景差法提高运动目标检测与跟踪可靠性的基础，文中利用 Open CV进行编程实现。

1 Open CV简介

Open CV(Open Source Computer Vision Library)是Intel公司支持的开源计算机视觉库。它高效简洁，由一系列C函数和少量C++类构成，主要用于对视频图像进行一些高级处理，如人脸识别、运动跟踪、图像分割及人机互动等，Open CV的设计目标是执行速度尽量快，主要关注实时应用，它可以在VC++环境下使用，调用方便、功能强大、大幅缩短相关程序的开发周期［3］。

2 基于背景差分法的运动目标检测

2.1 基于背景差分法建立的运动目标检测

运动目标检测流程如图1所示。

图1 背景差分法目标检测流程

2.2 背景图像的获取

文中背景初始化方法采用图像平均法，就是从视频中提取的一系列连续图像，将图像的对应像素灰度值进行累加，之后求平均值作为背景像素灰度值。经过一段时间的图像平均后，就可以消除运动目标所造成的影响，得到比较准确的背景。

2.3 前景图像的获取

假设环境光照不变，视频图像的背景也不变，在运动目标可视情况下，包含运动目标的当前图像与背景图像之间必然在运动目标区域存在较大的灰度差值，利用图像减法就可得到差分灰度图像。差分图像包含了运动目标信息，相对于背景图像又称为前景图像。假设利用图像平均法可得到当前背景图像Bfr+1(x，y)，假设当前输入图像为Cfr(x，y)，前景图像Dfr(x，y)可以表示为

由公式可知，前景图像最后可归结为当前图像帧中的运动对象和被它遮挡的背景差值。

2.4 ROI分割

ROI分割是将图像中潜在的目标区域分割出来，以便后面的目标检测操作。ROI分割步骤包括图像二值化处理、数学形态学处理、标记连通区域3个子步骤［8］。

(1)图像二值化处理。采用直接灰度门限法［5］对前景图像进行二值化处理，通过设置合适的灰度阈值T，将前景图像分割为两个区域，即目标区域与背景区域。实验阈值T设为20

(2)数学形态学处理。由于上述处理后的前景图像包含有较多噪声，而噪声多是亮度较高的像素或小区域，因此可采用数学形态学开运算对前景图像进行处理，消除前景图像中的噪声点及细小区域，平滑较大区域边界。

(3)标记连通区域。高亮区域检测结果可能包含较多分离的连通区域，为完成对目标的检测需要对这些区域进行标记。需要进行区域合并，如果两个区域存在接合部分，则合并这两个区域，采用这两个区域最外面的坐标为新区域的坐标［8］。

2.5 背景更新

现实情况下，环境光照是不断变化的，因此背景需要采用自适应背景估计的方法。自适应背景估计的显著特征是背景随时间更新，更新按照更新公式进行，更新公式的作用在于只用当前图像和已知背景图像来更新背景图像。在OpenCV函数库中有一个专门用于背景更新的函数［9］cvRunningAvg，其定义为

式中，Bfr(x，y)为当前背景图像;Bfr+1(x，y)为更新后的背景图像;Cfr(x，y)为当前的输入图像;α是背景更新速率。α越大背景更新越快，当前输入图像对背景的影响越大。利用背景差分法检测运动目标时，若α取值较大，在更新的背景图像中运动目标后面会出现短而明显的阴影，这对于后续处理有较大影响，导致低目标检测的精确度下降，目标短暂停留造成漏检等。反之，α取值较小时，这种阴影则长而淡，此时阴影的影响可以通过设置阈值来消除。一般来说，α取值不宜过大，实验α取为0.01。

3 实验结果分析与改进

3.1 实验结果

程序在VC 6.0环境下编程实现，程序中调用了OpenCV 1.0库函数，硬件运行环境为Intel i3处理器，2.13 GHz、2 GB内存，视频为静止摄像机拍摄到的avi文件，大小为240×320，25帧/s，视频中有一辆汽车沿公路行驶。检测系统对此视频中的运动目标进行检测，实验结果以3个视频的形式输出，这3个视频分别为背景，如图2所示，前景如图3所示，以及运动目标检测视频如图4所示，实验结果可以看到检测结果较好。

由于背景的更新速率较小，当视频中原来运动的物体由运动变为静止状态时，背景模型不能得到迅速的更新，此时仍旧利用背景差法对运动目标进行检测，会检测出不存在运动的“目标”，出现目标的虚检。针对以上问题提出以下改进方法。

3.2 目标检测方法的改进

当运动目标由运动变为静止状态，将会成为背景的一部分，由于传统的背景更新方法中，当前帧图像的权值较小，变为背景的目标不能被快速更新，得到的前景图像中就会出现虚检的目标。分析上述问题，当运动目标由运动变为静止状态，成为背景的一部分时。帧差法是使用前后相邻的两帧图像做差，如果目标由运动变为静止成为背景的一部分，此时使用帧差法得到的前景图像中，将检测不到该目标。同时通过背景差方法得到的前景图像中，仍能“检测”到该目标，此时被检测出的目标区域，有些已经成为了背景的一部分，不是真实的运动目标。流程如图5所示。

图5 本文流程图

图6和图7是视频中抓取的两帧图像，图8是背景差法得到的图像，图9是帧差法得到的图像。帧差法得到的图像含有运动目标和运动目标的“鬼影”，背景差法得到的图像中含有运动目标以及有运动变为静止成为背景一部分的“运动目标”。两张图像的公共部分是运动目标，可以对两张图像进行逻辑与运算得到新前景图像，新前景图像中的前景物体，即是检测到的运动目标。图10是文中方法的检测结果。

图6 视频帧1

本视频来自交叉路口的监控视频，前面路口的红灯亮时，车辆陆续停止，位于左侧车道的白色轿车是惟一的运动目标，其他车辆运动状态都变为静止，从而成为背景的一部分，利用文中方法，能够较好地检测到白色轿车。

4 结束语

系统阐述了基于背景差分法检测运动目标的方法步骤，利用OpenCV加以实现，从实验结果看，3个视频输出画面自然流畅，检测的准确率也很高。对实验结果进行了分析，提出了改进，经实验验证，改进效果较好。系统适合对静止的摄像机拍摄的视频图像进行运动目标检测，只对运动目标由运动变为静止的情况提出了背景更新的方法运动目标检测方法，没有讨论目标由长时间静止再次变为运动的情况运动目标的检测方法，需要在后续工作中进一步地研究。

［1］谭歆，武岳.基于OpenCV的运动目标检测方法研究与应用［J］.电视技术，2010，34(S1):184 －187，193.

［2］刘勃.交通流量的视频检测方法研究［D］.合肥:中国科学技术大学，2005.

［3］刘瑞祯，于仕琪.OpenCV教程:基础篇［M］.北京:北京航空航天大学出版社，2007.

［4］TSAIDM，LAIS C.Independent component analysis－ based background subtraction for indoor surveillance［J］.IEEE Trans on Image Processing，2009，18(1):158 －167.

［5］AVIDAN S.Ensemble tracking［J］.IEEE Trans on Pattern Analysis and Machine Intelligence，2007，29(2):261 －271.

［6］WANG Yang.Real－ time moving vehicle detection with cast shadow removal in video based on conditional random field［J］.IEEE Trans on Circuits and Systems for Video Technology，2009，19(3):437 －441.

［7］STAUFFER C G.Learning patterns of activity using realtime tracking［J］.IEEE Trans on Pattern Analysis and Machine Intelligence，2000，22(8):747 －757.

［8］梁英宏.红外视频图像中的人体目标检测方法［J］.红外与激光工程，2009，38(5):931 －935.

［9］HOOSEN.MPACT:an image analysis tool for motor way analysis and surveillance ［J］.Traffic Engineering Control Journal，1992，23(4):140－147.