基于视频监控的运动目标检测算法研究

2018-07-06陈媛

现代计算机 2018年16期

陈媛

（武汉科技大学城市学院机电工程学部，武汉 430083）

0 引言

由于现代社会人口密集程度高,社会关系复杂,日常人们面对越来越多的突发和异常事件,几乎所有公共场合都有部署监控的需求,但是因为人工监控固有的缺陷,人力越来越不足以分析和处理海量的视频数据[1]。因此,视频监控必须实现智能化，代替人工监控，用于解决实际问题。而运动目标检测是实现智能化视频监控的重要技术，是上层行为理解和描述的基础。运动目标检测也是计算机视觉领域中的一个研究热点,其目的是从待检测的视频序列中把运动目标有效地从背景中提取出来，可理解为运动目标与背景的分类问题。而运动目标的有效分割对后期的目标分类、目标跟踪和行为分析等处理都具有重要意义[2]。

运用于运动目标检测的检测方法有多种，根据不同的检测需要选择不同的检测方法。光流法、帧间差分法和背景差分法是目前常用的三种检测方法。光流法是根据图像目标的亮度信息进行检测的方法，不需要事先知晓监控场景的相关信息，并在摄像头运动时能有效的检测目标[3]，但是该算法计算比较复杂，且抗干扰能力差，不适合用于实时性要求高的场合。帧间差分法采用相连帧图像做差，实现运动目标的提取，对动态变化场景有较强的适应性[4]，但是相连帧的合理选择需要不断调试，否则影响检测的效果。背景差分法是直接采用各帧图像与背景图像做差，进而得到实时图像中出现的运动目标[5]，具有高效简单易实现的优点，但对光照、曝光度以及外界环境的变化等影响较大。

本文针对小区视频监控，在摄像机静止情况下，对监控画面进出小区的车辆进行检测研究，提出了一种改进的基于背景差分的运动目标检测方法，降低了光线变化等外界干扰对背景图像的影响，实现了运动目标检测的实时性、可靠性以及有效性。

1 背景差分法

背景差分算法的基本原理是首先通过背景建模得到合适的背景图像，然后再将视频序列中待检测图像与背景图像进行差分运算，通过选取合适的阈值提取运动目标，用公式描述如下:

式（1）中fk(x,y)为当前帧图像，Bk(x,y)为背景图像，Dk(x,y)为当前帧图像与背景图像的差分结果。

选取合适的阈值T，对差分图像Dk(x,y)进行二值化，如式（2）所示，Rk(x,y)为二值化后的结果，当差分图像的像素值大于或等于某阈值T，二值化结果为1，表明该像素属于运动目标区域；差分图像的像素值小于某阈值T，二值化结果为0，表明该像素属于背景。

由此可知，采用背景差分法能够获得比较完整的运动目标轮廓，检测速度快，位置准确。对于摄像机静止情况下，随着时间的推移，光照或环境的变化都会使背景图像发生变化，如果仍旧使用原来的背景图像，势必对运动目标的检测效果造成影响，因此建立合理的背景模型十分重要。

2 改进均值法背景建模

采用背景差分法进行运动目标检测时，背景建模是检测的首要工作。本文采用简单且快速的均值法背景建模，适用于监控场景不太复杂的情况。均值法实质上是采用统计滤波的思路[6]，在一段时间内，将采集到的多帧图像相加，求其平均值，将这个平均值看作参考的背景模型。具体计算式如下：

式（3）中B(x,y)表示背景图像，Ii(x,y)表示第i帧序列图像，N表示平均帧数。

当场景光照突变时，上述方法提取的背景会受影响。因此本文所做的改进是首先将一段时间内采集到的多帧图像相加再平均，将这个平均值设定为初始化光照补偿模型，记为P(x,y)；然后将待检测的视频帧分别与P(x,y)相加再平均，公式为：

式（4）中i=1,…,N，Ii(x,y)表示原第i帧序列图像，Fi(x,y)表示经过光照补偿后的第i帧序列图像。视频中的某一时刻的光线若出现突然变强或突然变弱，都会被光照补偿模型做近似于低通滤波的处理[7]。再将光照补偿后的新视频序列进行均值建模，此时视频帧中的背景更接近实际背景，弱化了光照突变对均值背景模型的影响，能有效提高均值背景模型下的检测效果。

3 最大模糊熵阈值分割

通过上述建立的背景图像与当前帧图像进行差分运算，选取合适的阈值来对差分图像二值化操作，就能将运动目标检测出来。二值化的目的就是运用阈值将图像分成目标和背景两个区域，阈值选择的恰当与否决定了是否能正确地提取出运动目标。如果阈值选择偏大或者选择偏小都有可能出现检测不准的情况，即将前景运动目标判断为背景或背景判断为前景运动目标[8]。通常比较简单的方法是根据经验给定一个固定阈值。而实际上绝大多数图像的采集是在室外进行的，如对汽车、行人等移动目标检测，光线的变化是无时无刻都会发生的，如果我们采用的是不能自适应的阈值，那么随着光线的变化，图像的采集就会出现很大的误差[9]。本文引入最大模糊熵阈值分割的思想，合理选取阈值。

设差分图像X的灰度级数为L，大小为M×N。令xmn表示坐标(m,n)处像素点的灰度值。将差分图像划分成两个模糊集合，即目标（bright）模糊集和背景（dark）模糊集。这两个模糊集的隶属函数分别定义如下：

式中，[a,c]为模糊区间，[0,a]和[c,L-1]为非模糊区间。μbright(xmn)表示(m,n)像素点属于目标的程度，μdark(xmn)表示 (m,n)像素点属于背景的程度，且μbright(xmn)+μdark(xmn)=1。当xmn=(a+c)/2时，该灰度级的像素属于目标和背景的隶属度均为0.5，则可选xmn=(a+c)/2为分割阈值。灰度级小于(a+c)/2的像素属于背景区域，灰度级大于(a+c)/2的像素属于目标区域。

图像的模糊熵为：

其中：

由于P(bright)+P(dark)=1，得：

由信息论知，熵越大的事件，接近事件真实状态的可能性也越大。若图像的熵取得最大值，则应能实现目标与背景的最佳分割。依据最大模糊熵准则，可得到最优的模糊参数aopt和copt，并进一步得到最佳分割阈值(aopt+copt)/2。

4 实验结果与分析

本实验的环境是在CPU2.2 GHz，内存12GB的PC上，使用MATLAB 2017a仿真工具实现智能视频监控中运动目标的检测。本文抽取进出小区的车辆行驶视频，视频帧尺寸大小为352×240，共150帧，在视频的135至145帧处时光照突变，选取视频第140帧如图1所示，按本文方法做实验，仿真结果如图2和图3所示。

对比图2和图3可知，采用固定阈值分割差分图像，当场景中有光照突变时，目标检测效果噪声明显，带光照补偿模型的均值法提取背景，再采用最大模式熵阈值分割差分图像，噪声点大大减少，提高了目标检测的有效性。