基于视频图像的目标检测技术研究

赵向梅，苏春莉，陈 宏

（西安欧亚学院 信息工程学院，陕西 西安 710065）

目前，视频监控系统有着广泛的应用前景，该系统的核心是对视频图像的分析和处理，其关键技术包括目标检测、目标分类及目标跟踪等。而运动目标检测处于整个视频监视系统的最底层，是各种后续高级应用（如目标跟踪）的基础，因此它对于一个视频监视系统起着关键性的作用。运动目标检测，就是检测视频图像中是否存在相对于整幅场景图像运动的物体，它最常用的主要是背景差分法、帧间差分法和光流法。

1 常用运动目标检测方法

几种检测方法均有自身的特点，所适用范围不同。背景差分法一般很容易将运动目标分 割出来，但对动态场景和光线变化等外界干扰非常敏感，因此一般适用于静态场景；帧间差分法对变化的动态环境有较强适应性，但一般不能完整的提取出所有的特征像素点，需要与其它检测方法配合使用才能精确提取运动目标；光流法能在运动摄像机中检测出运动目标，且不需要预先知道场景的信息，但是运算复杂，不适合实时处理。以下对几种目标检测方法逐一详细介绍。

1.1 光流法

光流场的计算最初是由Horn与Schunck提出的。光流法检测采用了目标随时间变化的光流特性，基于光流法检测运动目标的原理是：给图像中的每一个像素点赋予一个光流矢量，根据每个像素点的光流矢量特征，可以对图像进行动态分析。如果图像中没有运动目标，则光流矢量在整个图像区域是连续变化的，当物体和图像背景有相对的运动时，运动物体所形成的光流矢量必然和背景光流矢量不同，从而检测出运动物体的位置。

光流法，计算比较复杂，需要特别的硬件装置支持，不适合对实时性要求很强的场合。

1.2 背景差分法

背景差分法的基本思想是将当前帧图像与事先存储或者实时得到的背景图像相减，来进行目标检测和提取。它假定图像背景不随时间变化，是静止的。其描述为：

公式（1）中，B（x，y）为背景图像，fi（x，y）为当前帧图像，其中（x，y）为图像位置坐标，i为图像帧数。将每一帧图像的灰度值减去背景的灰度值可得一个差分图像Di。通过阈值选择，将差分图像转化为二值差分图像，二值图像中为“0”的像素表示背景图像，取值为“1”的像素点表示前景图像，属于运动目标区域。

背景差分法速度快，检测准确，其关键是背景图像的获取。在有外界因素的干扰下，静止的背景图像要想直接获取是很难的，它会随着时间进行变化，而继续使用原来的背景图像进行目标检测必定会影响检测的效果，因此背景图像需要动态更新。

1.3 Surendra背景提取算法

Surendra等人提出了一种连续帧差法进行背景提取，其原理是通过当前帧的图像与前一帧图像差值来找运动区域，首先对差值图像的灰度值进行判断，若灰度值大于阈值，背景图像对应的位置不用改变，否则对背景图像利用当前帧进行更新。

具体步骤如下：

1）将第一帧图像I0选为背景；

2）选取阈值T，该值可以固定，为图像最大灰度值与最小灰度值的平均值，也可以自适应的，根据环境自动选取；

3）取迭代参数i=1；

4）计算当前帧与前一帧的帧间差分图像，为：

公式（2）中 Ii、Ii-1分别表示当前帧图像和前一帧图像，|Ii-Ii-1|为两帧间的图像差值。

5）根据二值化图像Di更新背景

公式（3）中 Bi（x，y）为坐标为（x，y）处的背景图像，Ii为输入的第i帧图像，α为更新系数。

6）i=i+1，返回步骤4），进行迭代，迭代到一定程度结束，把 Bi（x，y）作为背景图像。

1.4 帧间差分法

当图像背景不断变化时，就无法用背景差分法检测、分割目标。帧间差分法利用视频图像序列中连续两帧或几帧的图像差异来进行目标检测，其基本思想是利用序列图像相邻帧的强相关性进行变化检测，经滤波确定运动目标区域。算法描述为：

公式（4）中，fi（x，y）和 fi-1（x，y）分别为第 i帧和 i-1 帧图像，前后两帧图像对应像素值相减，得到差分图像。对得到的差分图像进行二值化，同样，在二值差分图像中，取值为1的像素点代表变化区域。一般来说，变化区域对应于运动对象，当然它也有可能是由噪声或光照变化所引起的。

这种方法具有速度快、算法简单、易于实现等优点。同时，帧间差分法也有明显的缺点，如果运动物体速度较慢，由于其只对两相邻的图像进行差分，所以相邻两帧差分时常会出现空洞的情况；而如果运动物体速度较快，检测结果中又会出现重影现象。

为了解决以上问题，现在常用改进后的帧差法，即利用相邻三帧图像两两差分求交集，可确定物体在中间帧图像的位置，这种运算叫做对称差分运算。这种方法的思想如图1所示。

图1 对称差分运算示意图Fig.1 Symmetric difference operation schematic diagram

2 背景差分和帧间差分法的融合检测方法

2.1 算法描述

从以上内容可以看出，背景差分法定位目标准确，速度快，但需要引入动态更新背景机制。帧间差分法能很好的适应环境变化，但不能完整提取出运动目标所有特征。为了弥补两种方法的不足，本文将背景差分法及帧间差分法改进后的对称差分法进行结合，来进行运动目标检测。

算法流程图如图2所示。

图2 算法流程图Fig.2 Algorithm flow chart

该算法的具体过程为，首先对图像进行对称差分运算，从而计算出运动前景，同时运用背景差分来分割运动目标，然后对这两种方法得到运动目标分别进行二值化处理，对二值化后的图像做逻辑或运算得到前景运动目标。对得到的运动前景采用Surendra背景提取算法进行背景更新。最后将前景图像进行后处理操作，包括去除图像中的细小噪声，进行连通性分析，最后得到比较完整的运动目标。

2.2 实验结果与分析

运用图2中的算法，在VC++6.0的环境下，对相应视频图像进行实验。对第239帧、第368帧、第1164帧视频图像用对称差分法进行二值化，图3为原始图像第239帧，实验结果如下所示，图4为对称差分二值化图像。

图3 原始图像第239帧Fig.3 Original image frame 239

图4 对称差分二值化图像Fig.4 Symmetric differential binarization image

接下来把建模得到的背景图像用于背景差分法，做相减，二值化处理，结果如图6所示。

图5 背景图像Fig.5 The background image

图6 背景差分二值化图像Fig.6 The background differential binarization image

将图4和图6的二值化图像做逻辑或运算，得到前景运动目标，如下图7所示。图7中可以看出两幅图像相或后，对检测结果加强了，但是图像中出现了一些白色小点，即细小噪声，得需要进一步去除噪声。利用分块思想去除噪声后，图像如图8所示，得到了完整的运动目标。

图7 二值化图像相或图像Fig.7 Binarization image or images

图8 处理后的运动目标Fig.8 After processing of moving targets

3 结 论

文中研究了常用目标检测的3种方法，并对背景差分法中的Surendra背景提取算法及帧间差分法的改进方法对称差分法进行了说明，运用对称差分法和背景差分法的融合方法进行目标检测，实验表明背景差分和帧间差分法的融合检测方法是很有效的方法。最后得出运用背景差分和帧间差分法的融合检测方法进行运动目标检测，可以得到好的目标检测效果的结论。如何在检测到运动目标后，进行下一步有效的目标跟踪是文中下一步研究的方向。

[1]王亮亮，王黎，高晓蓉，等.基于视频图像的运动目标检测算法研究[J].微计算机信息，2010，26（6-1）:147-148.WANG Liang-liang，WANG Li，GAO Xiao-rong，et al.The research of moving object detection algorithm in video images[J].Microcomputer Information，2010，26（6-1）:147-148.

[2]梁曦.基于视频图像的运动目标检测与跟踪技术研究[D].西安：西安电子科技大学，2011.

[3]曾宏亮.视频图像中运动目标检测与跟踪技术的研究[D].北京：北京邮电大学，2010.

[4]Bao P，Zhang L，Wu X.Canny edge detection enhancement by scale multiplication[J].IEEE Trans.On PAMI，2005，27（9）:1485-1490.

[5]Collins R，Lipton A，Kanade T.A system forvideo surveillance and monitoring:VSAM final report[R].CMU-RITR-00-12，Camegie Melon University， Pittsburgh，America，2000.

[6]Herrero E，Orrite C，Senar J.Detected motion classification with a double background and a neighborhood-based difference[J].Pattern Recognition Letters，2003，24 （12）:2079-2092.