基于Surendra改进的运动目标检测算法

龙腾

（武汉科技大学 信息科学与工程学院，湖北 武汉 430081）

当今世界科技的日新月异，智能视频监控系统在日常生活中正发挥着举足轻重的作用，而常用到的运动目标检测则是智能视频监控系统的核心技术。常用的运动目标检测的方法有光流场法[1]，背景差分法，邻帧差分法。邻帧差分法的优点是对环境要求不高，却容易在所检测的目标区域出现 “空洞”现象，使得到的运动目标不完整；尽管光流场法不需场景的先验知识，但其对复杂背景检测的稳定性较差，计算量也较大；可以很容易的利用背景差分法分离出目标区域，可是此法对动态环境却较为敏感。

针对各种常用检测算法的优缺点，为了提高检测算法的稳定性及准确性，在实际的运动目标检测算法中常常会用到自适应的背景更新算法，通过背景更新算法对背景图像进行实时更新从而得到准确的背景，稳定可靠的背景对于图像的运动目标提取起着重要作用。

1 背景建立

在背景实时更新和背景建模这方面，如今已有许多自适应的算法：混合高斯模型法[2]，自适应中值滤波法，统计平均法。

1）混合高斯模型法是基于统计学的一种算法，其主要思想为：连续输入n帧图像，先利用图像各点的亮度拟合出正态分布情况，得出均值与方差，再利用这两个参数求出置信区间，把处于置信区间的像素作为背景像素。该算法的优点是可以得到较清晰的背景图像，但背景更新速率较慢，且多高斯模型的计算量很大。

2）自适应中值滤波算法[3]是由中值滤波算法改进而来，其基本思想是：如果输入的图像像素的灰度值比原背景中处在相同位置的小，则对应背景在该位置的像素灰度值减1，反之会加1，这样重复做，到最后背景像素的灰度值会收敛到一个中值。可用数学表达式：

该算法的优点是可以节省存储空间，但实时并性较差，每次像素变化只是增减1，所以也不能检测高速的目标。

3）统计平均法，该算法能够将每帧图像都用到背景的更新上，而且运算较为简单，但其建立的背景准确度并较低，这样在与目标进行差分处理后会产生许多非目标区域，会对后续的检测与追踪有较大影响。

针对以上算法优缺点，本文提出利用Surendra[4]算法的思想对背景更新作了一些改进：利用帧间差分法找出运动目标区域，然后标记运动目标区域内的像素，在非目标区域的背景像素则进行实时更新，使得目标区域的像素就不会参与到平均运算[5]，从而解决了统计平均法的弊端。

具体的步骤如下：

①将第一帧图像作为背景，此时 bk（x，y）=fk（x，y），k=1；

②与相邻帧进行差分处理，再选取阈值T（一般为27）进行二值转化：

③第二步中的g（x，y）是用来标记运动目标像素的位置，而背景更新图像 b（x，y）：

上面公式中用到的λ是背景更新的一个系数，其大小会对背景更新的质量和速率有所影响，当λ偏大时，算法可以较快的适应场景的一些变化，噪声却时常混入进来，使得差分的结果不够理想；当λ偏小时，虽然背景更新速率较稳定，却无法满足实时性能。因此λ大小的选择对于算法的效果至关重要，本文中对λ取值做了一些改进，在下面会详细介绍。

④当迭代次数k=k+1，回到②，迭代的次数k可以人为设定，也可以就为输入的帧数，迭代到最后b（x，y）的可视为需要的背景图像。

上面算法中的用到的背景更新系数λ是一固定常数，没法做到与背景像素相关，这样很难对场景的变化有实时性效果，所以在此对系数λ作出调整，改变后的系数能够反应背景亮度值的变化。

此时的 λ 是与背景变化率有关的系数，当 bk-1（x，y）-fk（x，y）=0时背景像素的灰度值保持不变，λ的变化也反应了背景像素的改变，当λ变小时，背景更新速率相应变慢，而当λ增大时，背景像素的实时更新也跟着变快了，这样就满足了实时性的要求。

基于Surendra改进后的背景更新算法，可以较好的反映背景像素的变化，且能很好的控制背景更新的速率，最终获取稳定且准确的背景图像。

2 目标提取

将用静止摄像机获取的视频序列中取两帧用邻帧差分法[6]获取变化区域，利用第一节中的算法得到的背景，使其与运动区域图像差分运算得到运动目标图像，最后再对运动目标进行二值化处理。

①首先对输入视频序列Ak（x，y）中的每对相邻两帧图像都进行差分运算，得到差分图像 Uk（x，y）：

②如图 2，将差分图像 Uk（x，y）与背景图像 Bk（x，y）进行差分获取运动目标 Wk（x，y）：

③最后将运动目标Wk（x，y）二值化处理得到二值图像Pk（i，j）：

在得到的二值图像中，背景像素是灰度为0的点，前景像素灰度为1的像素点。

3 图像后处理

噪声的存在，使得在检测的时候会把应该为背景的点被当成了运动目标，在图像进行二值化后也不可避免的会出现一些目标“空洞”，为了消除这些影响，需要对所获取的二值图像先进行中值滤波处理，再使用3×3的结构元素进行开-闭运算[7]，去除目标“空洞”，这样就可以无缺失的得到出运动目标。

4 实验结果与讨论

以本文所述算法为指导，在工作室把同学的运动的视频图像当作对象来进行实验，所用图像格式是240×320的RGB图像。如图1是取自视频图像中的第10帧和11帧图像。

图1 第10、11帧图像Fig.1 The 10、11 frame image

图2 本文算法所得背景与运动区域图像Fig.2 Background and moving regions image of this algorithm

图3 实验结果图像Fig.3 Image of experimental results

从实验结果如图3可以看出帧间差分法对环境不敏感，却在目标区域容易产生“空洞”，而背景差分法可以较完整的分离出整个目标区域，但是受到环境背景的干扰太大，本文的算法能有效去除“空洞”，得到准确可靠的背景，提取完整的运动目标，并且可以很容易区分出背景和运动区域。

5 结束语

在分析传统的运动目标检测算法的基础上，针对运动目标检测中的关键因素，提出基于Surendra思想的改进的背景更新算法，得到稳定可靠的背景，采用了邻帧差分，背景差分，阈值分割，去噪处理，形态学运算，实验结果证明，该算法能够有效克服传统单一检测算法的缺陷，能适应多种不确定因素性。当然本算法也存在一定的缺陷，阈值分割时背景与目标灰度相近会出现“空洞”，而检测中必须是静态背景（摄像机静止），并且改进的背景更新算法对于更复杂的场景所得到的效果可能会很差。我会在今后的学习研究中对这些问题作进一步的解析与改善。

[1]FANG Yu-qiang，DAI Bin.An improved moving target detecting and tracking based on Optical Flow technique and Kalman filter[C]//Computer Science&Education，ICCSE'09.4th International Conference on，1197-1202.

[2]刘亚，艾海舟，徐光佑.一种基于背景模型的运动目标检测与跟踪算法[J].信息与控制，2008，8（31）:316-318.LIU Ya，AI Hai-zhou，XU Guang-you.A moving target detection and tracking algorithm based on background model[J].Information and Control，2002，8（31）:316-318.

[3]张旭明，徐滨士，董士运.用于图像处理自适应中值滤波[J].计算机辅助设计与图形学报，2005，17（2）:106-108.ZHANG Xu-ming，XU Bing-shi，DONG Shi-yun.Adaptive median filter used for image processing [J].Journal of Computer-aided Design and Graphics，2005，17（2）:106-108.

[4]YU Hong-shan，WANG Yao-nan，KUANG Fei.Multi-moving targets detecting and tracking in a surveillance system[C]//Intelligent Control and Automation，2004.WCICA 2004.Fifth World Congress on，2004：5253-5257.

[5]Fred Nicolls，Gerhard de Jager.Optimality in detecting targets with unknown location[J].Signal Processing，2007（87）:841-852.

[6]刘鸿伟.数字化视频监控系统中运动目标检测关键技术及实现[D].北京:北京科技大学，2005.

[7]徐方明，卢官明.基于改进Surendra背景更新算法的运动目标检测算法[J].山西电子技术，2009（5）:39-40.XU Fang-ming，LU Guan-ming.A moving target detection algorithm based on improved surebdra background update[J].Shan Xi Electronic Technology，2009（5）:39-40.