视频图像中运动目标检测算法研究

杨劲， 郭宏晨

（安徽工业大学机械工程学院，安徽马鞍山243002）

视频图像中运动目标检测算法研究

杨劲， 郭宏晨

（安徽工业大学机械工程学院，安徽马鞍山243002）

视频图像中运动目标的检测一直是视觉分析的研究热点之一，应用广泛。文中主要针对静态背景下即摄像头固定的情况下，提出一种基于高斯模型的背景差分法来实现运动目标的检测。算法首先建立混合高斯背景模型，然后再利用背景差分法提取运动轮廓，最后通过后续的形态学处理得到完整的运动目标。实验结果表明，该算法不仅能够检测到运动目标，而且检测效果得到了提高。

视频图像；运动目标检测；混合高斯模型

0 引言

随着计算机技术、人工智能、图像工程等高科技的发展，视频智能监控已经成为计算机视觉研究领域的一个热点课题。提取运动目标在视频监控中是一个非常重要的环节，它是后期的处理，如目标分类、目标识别、目标跟踪等的基础，也是视频监控技术自动化和实时应用的关键［1-3］。目前，常见的运动目标检测算法主要有帧间差分法［4］、背景差分法［5］和光流法［6］。其中，帧间差分法实时性强，能够适应各种动态环境，但是不能提取目标的完整区域；背景差分法能够提取完整的目标信息，但是不能精确地检测到场景中的运动目标；光流法能够在摄像机运动的情况下检测出独立的运动目标，但是其计算复杂，需要特殊的硬件设备支持，实时性能差，本文不予考虑。

本文结合传统的运动目标检测算法的优点，提出一种基于混合高斯模型背景法的运动目标检测算法，期望获得较好的效果。

1 运动目标检测

1.1 自适应混合高斯背景模型

采用背景差分法虽然可以从图像中提取完整的目标，但是实际应用中，外界的微小干扰都会引起背景图像的变化，这些场景下固定位置的像素在不断地改变，呈多模特性。所以问题的关键之处在于随着时间改变，可以自适应地更新背景模型。

而混合高斯模型［7］针对这一点，采用多个高斯分布去拟合背景，对于复杂的背景具有良好的效果。本文研究的是静态背景下的目标检测，主要包括背景建模、背景更新和背景提取。

1）背景建模。将图像序列中的某一像素点（i，j），设Xt为在时刻t的观察值，对于给定点（i，j）的一系列观察值｛X1，X2，…，Xt｝，可以看做是与其它点独立的随机统计过程，用K个高斯分布的混合模型去模拟，则当前t时刻（i，j）的概率分布为：

2）背景更新。当读取完视频图像的像素后，将当前帧像素xt与K个高斯分布进行匹配，匹配数据为：

如果像素值xi与其中某个高斯分布的均值μi，t-1之差满足式（3），则该像素与这个高斯分布匹配，否则不匹配。如果匹配，对高斯模型进行更新：

式中：α为模型学习速率，β为参数学习率。在混合高斯模型中为了适应环境的变化，还要考虑权值的更新。如果匹配则该模型可以较好地描述背景其权值增加，不匹配则权值减小。

对视频图像进行背景建模与更新的流程图如图1所示。

图1 高斯背景建模与更新流程

3）背景提取

式中：T为选取的阈值，其大小根据不同的场景决定，场景较复杂时，阈值相应地选取较大；场景简单时就选择较小的。

1.2 背景差分

当混合高斯背景模型完成时，就可以采用背景差分提取出运动目标的轮廓。设当前帧图像为fk（x，y），背景帧为fbk（x，y），则差分图像为：

按照式（8）对得到的差分图像进行二值化处理，当差分图像中某点像素大于阈值时，则认为该像素点为前景，反之，则为背景。

1.3 形态学处理

由于图像中噪声的存在，在通过以上操作后所检测到的运动目标会有空洞产生，因此可以采用形态学滤波的方法填补目标区域的孔洞。数学形态学［8］包括基本的开运算和闭运算。开运算可以消除细小目标，平滑图像的轮廓，而闭运算可以去掉小洞，填补目标内的细小的缝隙。

2 检测算法的实现

图2 检测算法流程图

本文检测算法具体流程如图2所示。

1）对背景图像进行初始化；2）利用本文的算法提取视频序列图像中变化的部分，并作二值化处理；3）对以上处理后的图像进行形态学处理，去除小的噪声点，同时填补运动目标内部的孔洞和连接断点，这样就得到完整的运动区域，将运动目标提取出来。

3 实验结果分析

本实验是在2.0GHz的CPU，2GB内存的PC机上，采用MATLAB软件进行的检测。实验所用的视频为普通摄像机拍摄的，视频分辨率为320×240像素。

实验结果如图3所示。

图3 运动目标检测结果

使用传统帧间差分的检测结果如图3（c）所示，获取的运动目标轮廓不完整，而且其内部容易产生一些空洞现象，部分区域出现漏检。采用本文方法检测运动目标的最终结果如图3（d）所示，目标与背景得到了正确分割，其中运动目标的轮廓十分完整，为后期的运动目标跟踪、识别奠定了基础。

4 结语

本文针对视频图像，提出一种基于混合高斯模型的背景差分法来检测运动目标。实验结果表明，此方法不仅能够精确地检测到运动目标，而且运动目标的检测效果得到了提高，具有较好的鲁棒性，为后续工作提供了有力的支持。

［1］ Tsai D M，Lai S.Independent component analysis-based background subtraction for indoor surveillance［J］.IEEE Trans on Image Processing，2009，18（1）：158-167.

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

［3］ 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.

［4］ Ha J E.Foreground objects detection using multiple difference images［J］.Optical Engineering，2010，49（4）：1-5.

［5］ 魏晓慧，李良福，钱钧.基于混合高斯模型的运动目标检测方法研究［J］.应用化学，2010，31（4）：574-578.

［6］ Dessause M P，Dua S.Optical flow object detection，motion estimation，and tracking on moving vehicles using wavelet decompositions［J］.SPIE，2010，7694：1-10.

［7］ 何信龙，赵龙.基于改进高斯混合模型的实时运动目标检测［J］.计算机应用研究，2010，27（12）：476-477.

［8］ 阮秋琦，阮宇智.数字图像处理［M］.北京：电子工业出版社，2011.

（编辑：立 明）

Algorithm Research of Motion Target Detection in Video Images

YANG Jin， GUO Hongchen
（College of Mechanical Engineering,Anhui University of Technology,Ma'anshan 243002,China）

Detection of moving targets in video image,which has been one of the highlights in the visual analysis,is widely used in many aspects.A kind of background difference method based on Gaussian model is put forward to realize the moving target detection under the static background.Firstly mixed Gaussian background model is built in this algorithm,and then the background difference method is used to extract motion contour,finally moving targets is obtained through subsequent morphology processing.Experimental results show that the algorithm not only can detect moving targets,but also can improve the detection effect.

video images；moving target detection；Gaussian mixture model

TP 391

A

1002－2333（2014）04－0101－02

杨劲（1990—），男，硕士研究生，主要从事图像处理分析研究。

2014-01-10