视频监控运动目标图像优化检测仿真

李国友 张春阳 张凤岭 夏永彬

关键词： 视频监控; 运动目标检测; 图像优化; ViBe算法; 小波分析; 阴影去除

中图分类号： TN948.64?34; TP391              文献标识码： A                    文章编号： 1004?373X（2019）14?0068?06

Image optimization and detection simulation of moving targets in

video surveillance images

LI Guoyou， ZHANG Chunyang， ZHANG Fengling， XIA Yongbin

（College of Electrical Engineering， Yanshan University， Qinhuangdao 066004， China）

Abstract： In allusion to the defects of ghosts， stationary targets and shadows appearing during the detection of the traditional ViBe detection algorithm， it is proposed that the pixel values are converted into the wavelet domain for frequency division， and a new algorithm based on the wavelet domain detection is implemented after optimization design of the algorithm. In allusion to the defects of ghosts and stationary targets in the ViBe algorithm， the background updating strategy is designed into ladder?type updating， and the foreground points are also given the characteristic of propagating and updating the background model， so as to overcome the defects of ghosts and stationary targets in the ViBe algorithm. The multi?scale spatial information of wavelet analysis is used to conduct algorithm design， so as to achieve the purpose of shadow elimination. Comprehensive experiments were conducted by using three sets of video sequences. The experimental results are evaluated by three criteria， which show that the algorithm can achieve an effective detection of moving targets and optimize the defects of the ViBe algorithm.

Keywords： video monitoring; moving target detection; image optimization; ViBe algorithm; wavelet analysis; shadow elimination

0  引  言

运动目标检测是计算机视觉应用中的重要课题，在智能视频监控领域有重要的研究价值[1?2]。目前常见的运动目标检测算法主要分为三大类：光流法、帧间差分法和背景差分法[3]。基于背景建模的差分法在近些年发展最快，如基于均值模型、中值模型和直方图模型的简单背景建模[4]方法，优点是原理简单易于实现，缺点是提取的运动目标不够准确。

基于类聚的码本算法[5]，具有速度快、实时性好的优点，但需要前N帧序列先进行模型的建立，且对光照突然变化比较敏感;基于参数化模型的高斯模型法[6?7]对复杂多变的背景具有较好的适应性，但计算量较大;Barnich等人提出了建模简单、实时性高的运动目标检测法（ViBe），在近年来成为研究的热点，但仍存在静止目标、鬼影、阴影的缺陷[8]。文献[9]将帧差法与ViBe进行结合，对前后连续两帧分别做ViBe檢测，然后使用与运算，并结合阈值判断是否存在鬼影点，若是鬼影点将立即做消除处理;但是当前后两帧目标重合时，检测将出现较大的空洞，且检测不够准确。文献[10]对每个图像块使用离散余弦变换，取变换后块中的直流分量使用ViBe算法进行运动目标的检测，解决了鬼影和高动态背景不能较好检测运动目标的问题，但其不能处理阴影问题。文献[11]将像素点通过小波分解后，在每个区域都使用帧间差分法，然后使用小波反变换，具有一定的新颖性;但是在小波域中全部使用帧间差分法，容易出现空洞，且不能处理阴影问题。本文提出基于小波域的运动检测算法，在小波域中将像素值进行分频处理，低频部分使用优化后的ViBe算法，解决了干扰区域融入背景慢的问题;在高频部分使用帧差法提取运动的目标的细节信息，利用细节部分的多尺度空间信息进行算法设计，解决了阴影问题。最后使用形态学处理得到光滑的运动目标，实现了对运动目标的有效检测。

1  视频监控图像运动目标檢测原理

Daubechies小波没有冗杂的信息，具有近似平移不变性和完美的重建性，并能提供真实的相位信息。在视频序列中[11]，一个物体在不同的帧间存在着平移或者旋转，大多数变换系数中，物体平移或者旋转后的系数变换多种多样，而经过Daubechies小波变换后的系数能保持该物体平移和旋转后的近似不变特性，所以采用Daubechies[12]小波。

具体的算法设计步骤如下：

算法1  视频监控运动目标检测算法步骤

1） 将彩色的图像进行灰度化，减少图像的复杂度和信息处理量，加快处理速度;

2） 灰度化后的图像进行Daubechies小波分解，得到每一帧的低频区LL、水平高频分量HH、垂直高频分量VV和对角高频分量DD;

3） 在其低频区使用优化后的Vibe算法进行目标的提取，得到运动目标后将其进行重构;

4） 在其高频区使用帧间差分算法进行运动目标的检测，分别对HH，VV和DD进行重构;

5） 利用小波的多尺度性进行算法的设计，达到去除阴影的目的;

6） 进行形态学的处理，得到感兴趣的运动目标，最终实现运动目标的有效检测。

2  基于小波域中运动目标的检测

2.1  ViBe算法分析及优化

当用于建模的首帧图像上包含运动目标时，随着目标的离开会在原来目标区域留下目标的影像，这种现象被称为“鬼影”。与鬼影现象一样造成干扰的还有物体运动状态的改变，当物体从运动到静止时，该目标本应该立刻被吸收为背景，但是也需要一段时间才将其更新为背景，如此造成了目标检测的干扰。通过对ViBe算法的分析可知，某点检测为背景点时，不但更新背景的样本值，而且更新其邻域值;对于前景点，只对背景点的样本值进行更新，若能赋予前景点也具备传播更新，前景点的更新必将加快，能很好地缓解上述问题。

为了加快鬼影和静止目标融入背景的速度，本文将赋予前景点传播更新的特性，如此一来，若背景模型更新过快可能会引起空洞的现象。又因为干扰目标是长时间不更新的前景点，所以采用阶梯型更新的策略：对于检测到的背景点，其背景模型的更新方式是以一定的概率更新模型样本值和邻居点模型样本值。如果检测到前景点，先判断连续前景点的帧数（记为ForeCount）是否达到阈值Th1，若没有达到，则不进行任何更新，只将记录的帧数增加1;反之，若ForeCount大于等于阈值Th1，则进行盲目更新，但此时以一定的概率更新样本模型值，没有传播更新的特性。

[ForeCount=ForeCount+1backsamples（x，y，rand）=image（x，y）segMap（x，y）= foreground   ]    （1）

式中：[image（x，y）]表示当前帧图像中点[（x，y）]的像素值;[backsamples（x，y，rand）]表示像素点[（x，y）]的随机背景样本;[segMap（x，y）]表示检测后的结果图像;[foreground]表示常数255。如果若干帧之后前景点还没有更新为背景，并且连续判断为前景点的帧数ForeCount大于阈值Th2（Th2>Th1），则此时需要以一定的概率更新模型样本值和邻居点模型样本值。

[backsamples（x，y，rand）=image（x，y）nborsamples（xN，yN，rand）=image（x，y） segMap（x，y）=background  ]  （2）

式中：[background]表示常量0;[nborsamples][（xN，yN，rand）]表示像素点[（x，y）]邻域的随机背景样本。但是该过程ForeCount不清零，直到判断为背景点才清零。

2.2  高低频的处理算法

先将图像进行小波分解，在分解后的低频区使用优化后的ViBe算法，即先给低频区中每个小波系数建立一个样本数为N（N的最佳值是20）的样本集作为该处小波系数的模型，然后选用周围的小波系数值对其初始化。检测是从第二帧开始，当前帧变换后的小波系数与样本模型中的小波系数进行比较时，统计两者距离在R范围内的个数，如果个数大于或者等于一个给定的阈值#min时，就将前景矩阵中该点的小波系数设置为510，否则设置为0，然后经过重构操作得到低频区的检测结果。低频区的更新策略依然按照无记忆更新、时间重采样和空间一致性原则的方式进行更新，与经典算法不一样的是，本文算法采用优化后的背景更新策略，以减小干扰目标对检测效果的影响。

本文算法中对高频区处理使用的是具有速度快的帧间差分法。视频帧图像被小波分解为4个子代，将连续的两帧高频区（LH，HL和HH）分别利用公式（3）进行目标的检测。

[FDn（i，j）=WIn（i，j）-WIn-1（i，j）    if    FDn（i，j）

式中：[WIn-1（i，j），WIn（i，j）]分别表示连续帧[In-1]和[In]的高频区小波系数;[FDn（i，j）]表示帧间差分后的图像;th表示不同方向上的高频分量的不同阈值。此时的[FDn（i，j）]是含有噪声的，表示为：

[FDn（i，j）=FD′n（i，j）+η]         （4）

式中：[FD′n（i，j）]表示没有噪声的图像信号;[η]表示噪声。在这里，选用软阈值去噪处理，噪声的阈值T为：

[T=12j-1σμM]             （5）

式中：[j]表示阶数;[σ]，[μ]和[M]在子代小波系数中分别表示标准差、绝对均值和绝对中值。

2.3  阴影去除

在运动目标检测中，比较经典的是基于颜色空间的阴影去除[13]，但是检测效果不佳。本文结合小波的特点，以阴影区域的分量信息没有目标区域的分量信息丰富为原则，提出基于小波分量的空间信息阴影去除方法。小波各个分量重构后图像如图1所示，图像使用小波分解得到4个区域，经相关算法处理后分别进行重构。其低频区的重构最大程度地保留了原图运动信息，高频区中水平分量的重构只包含少量的阴影边缘信息和运动信息，而垂直分量和对角分量的重构完全没有阴影区域信息，只有运动目标信息。因此利用高频区在不同方向上的小波系数重构进行算法的设计，能达到有效去除阴影的目的。

1） 将所得的高频区重构后的系数进行相加。

[Sum=HH+VV+DD]            （6）

式中，[HH，VV]和[DD]表示小波域中高频部分重构的结果;[Sum]是高频部分重构后相加的结果。

2） 选择合适的阈值，目的是清除某些分量上存在的少量阴影信息。

[Candi_target（i，j）=255，     Sum（i，j）≥ths0，          Sum（i，j）

式中：[Candi_target]中的255表示候选运动目标区域;0表示背景区域;[ths]表示阈值。

设计5×5结构的加权掩膜矩阵，以距离原点的欧氏距离作为权重大小的标准，而掩膜矩阵作为滑动窗口在图像中滑动，所要遍历的像素点就是像素值为255的[Candi_target]区域。

若要实现计数还需满足，所要遍历像素点的邻域中对应低频区重构图像位置的像素值是否等于255，具体规则如下：

[if  （满足Candi_target（x，y）==255）且            （该点对应低频重构区邻域==255）    计数矩阵相应的邻域进行权重的累加else    Candi_target（x，y）=0    计数矩阵累加权重为0end]

4） 根据图像整体性原则，即如果周围全是运动区域，则计数矩阵在此区域的数值较大，否则，计数矩阵的数值就小。所以将计数矩阵进行阈值化，即可得到没有阴影的运动目标。

3  实验结果

3.1  干扰目标的消除实验

图3中的3行分别是第7帧、第12帧和第17帧的效果对比图。由图3可知，本文算法虽然也存在鬼影问题，但优化过的背景更新策略会在很短的时间内进行消除，且不影响运动目标检测的有效性。图4的3行分别是第210帧，第218帧，第225帧的效果对比图。在都没有使用任何形态学的处理情况下，对于相同帧序列，本文算法在图像中残留的干扰目标的面积比未改进之前明显小很多，说明本文算法可以较快地减少静止目标干扰。综上所述，本文方法确实能加快鬼影和静止目标融入背景的速度。

3.2  阴影的消除实验

带有阴影场景的检测效果如图5和图6所示。对于视频1序列，图中3行分别对应实验序列中的第#88帧、#100帧、#121帧，ViBe算法目标中不仅带有阴影区域和鬼影的干扰，且当速度高时会出现虚影;而本文算法可以对目标有效的检测，不存在鬼影和虛假目标的干扰，并实现了阴影的消除;HSV阴影去除法虽然可以将阴影进行去除，但检测的目标并不完整，空洞十分明显，效果不及本文算法。对于视频2序列，图中3行分别对应实验序列中的第#48帧、#54帧、#58帧。从图中可以看出，ViBe算法目标中不仅带有阴影区域，而且检测中出现空洞;HSV阴影去除法可以将阴影进行去除，但造成检测目标的缺失比较严重;本文算法实现了阴影的消除和目标的有效检测，虽然也有一定的空洞，但效果明显优于HSV检测算法。综上所述，证明了本文算法去除阴影的有效性。

3.3  运动目标检测实验

3个场景中不同算法的检测结果如图7所示。视频序列均采用公认常用的图像序列，实验1序列存在突然的光照亮度发生变化，实验2序列存在从运动到静止，从静止到运动的目标，实验3序列中的运动目标和背景颜色接近。图7a）为视频序列的原图，图7b）为码本算法的检测结果，图7c）为高斯算法的检测结果，图7d）为ViBe算法的检测结果，图7e）为本文算法的检测结果。

3.3.1  定性分析

实验1序列为第1行，由于突然光照的影响，造成码本建模法、高斯建模法、ViBe算法的效果受到严重的影响，不能清晰地识别运动目标;而本文算法虽然在边缘方面也受到了一定的影响，但检测比较完整，效果优于对比算法。

实验2序列在第2行，传统的码本算法由于只使用前面帧进行建模，造成了误检，而高斯建模和ViBe算法具有不断的模型更新策略，在这方面有很大改善，但是ViBe的背景更新过慢;本文算法能很好地解决此类问题，且较高斯建模法检测更加完整。

实验3序列在第3行，由于存在运动目标与背景相似的像素点，在检测方面对比算法比较容易出现空洞;而本文算法检测完整，效果优于其他算法。

3.3.2  定量分析

为了量化所提算法对运动目标检测的有效性，以上述3个视频作为实验，将运动目标的真实情况采用手工提取，利用召回率、准确性和错误所占的比例3个标准进行衡量[8，14]，其定义如下：

[Recall=TPTP+FNPrecision = TPTP+FPPCC=FN+FPTP+FN+FP+TN]       （8）

式中：[TP]表示正确检测出运动区域的像素个数;TN表示正确检测出背景区域的像素个数;FP表示本该为背景像素却分类为前景运动目标的像素数;FN表示本该为前景运动目标的像素却分类为背景的像素数。表1是对每个视频取若干帧检测实验结果的平均值。Recall和Precision值越大说明检测效果越好，PCC值越小说明检测效果越好。从表1可以得出，本文算法可实现对运动目标检测的有效性，且通过对比优于其他算法。

4  结  语

本文在充分分析ViBe检测算法的基础上提出基于小波的运动目标检测算法。首先，将ViBe算法中的更新策略进行优化，加快静止干扰目标融入背景的速度;其次，利用小波分离高低频的特点，在其低频区使用优化后的ViBe算法，在其高频区使用帧间差分算法进行运动目标的检测，然后分别进行重构;接着，以高频区的空间信息为依据，进行算法的设计，达到去除阴影的目的;最后，使用形态学处理得到完整的前景目标。综上所述，该算法不仅能有效地进行运动目标的检测，并且优化了ViBe算法的缺陷，为运动目标有效检测提供了新思路和新的有效方法。

参考文献

[1] 尹宏鹏，陈波，柴毅，等.基于视觉的目标检测与跟踪综述[J].自动化学报，2016，42（10）：1466?1489.

YIN Hongpeng， CHEN Bo， CHAI Yi， et al. Vision?based object detection and tracking： a review [J]. Acta automatica sinica， 2016， 42（10）： 1466?1489.

[2] 黄凯奇，陈晓棠，康运锋，等.智能视频监控技术综述[J].计算机学报，2015，38（6）：1093?1118.

HUANG Kaiqi， CHEN Xiaotang， KANG Yunfeng， et al. Intelligent visual surveillance： a review [J]. Chinese journal of computers， 2015， 38（6）： 1093?1118.

[3] SENGAR S S， MUKHOPADHYAY S. Moving object detection based on frame difference and W4 [J]. Signal， image & video processing， 2017， 11（7）： 1357?1364.

[4] 刘仲民，何胜皎，胡文瑾，等.基于背景减除法的视频序列运动目标检测[J].计算机应用，2017，37（6）：1777?1781.

LIU Zhongmin， HE Shengjiao， HU Wenjin， et al. Moving object detection based on background subtraction for video sequence [J]. Journal of computer applications， 2017， 37（6）： 1777?1781.

[5] KIM K， CHALIDABHONGSE T H， HARWOOD D， et al. Background modeling and subtraction by codebook construction [C]// Proceedings of 2004 International Conference on Image Processing. Singapore： IEEE， 2004： 3061?3064.

[6] STAUFFER C， GRIMSON W E L. Adaptive background mixture models for real?time tracking [C]// Proceedings of 1999 IEEE Computer Society Conference on Computer Vision and Pattern Recognition. Fort Collins： IEEE， 1999： 246?252.

[7] 邱联奎，刘启亮，赵予龙，等.混合高斯背景模型目标检测的一种改进算法[J].计算机仿真，2014，31（5）：378?384.

QIU Liankui， LIU Qiliang， ZHAO Yulong， et al. Improved algorithm of mixture Gaussian background model for object detection [J]. Computer simulation， 2014， 31（5）： 378?384.

[8] BARNICH O， DROOGENBROECK M V. ViBe： a universal background subtraction algorithm for video  sequences [J]. IEEE transactions on image processing， 2011， 20（6）： 1709?1724.

[9] 魏洪涛，李瑾，吴细秀.融合帧差和ViBe的运动目标检测算法[J].计算机应用研究，2017，34（5）：1565?1567.

WEI Hongtao， LI Jin， WU Xixiu. Moving object detection algorithm using ViBe combined with frame?difference [J]. Application research of computers， 2017， 34（5）： 1565?1567.

[10] 谢永亮，洪留荣，葛方振，等.一种改进的ViBe算法[J].淮北师范大学学报（自然科学版），2015，36（4）：14?19.

XIE Yongliang， HONG Liurong， GE Fangzhen， et al. An improved ViBe algorithm [J]. Journal of Huaibei Normal University （Natural science）， 2015， 36（4）： 14?19.

[11] KHARE M， SRIVASTAVA R K， KHARE A. Single change detection?based moving object segmentation by using Daubechies complex wavelet transform [J]. IET image processing， 2014， 8（6）： 334?344.

[12] LINA J M. Image processing with complex Daubechies wavelets [J]. Journal of mathematical imaging and vision， 1997， 7（3）： 211?223.

[13] HUANG W， KIM K Y， YANG Y， et al. Automatic shadow removal by illuminance in HSV color space [J]. Computer science and information technology， 2015， 3（3）： 70?75.

[14] 陈星明，廖娟，李勃，等.动态背景下基于改进视觉背景提取的前景检测[J].光学精密工程，2014，22（9）：2545?2552.

CHEN Xingming， LIAO Juan， LI Bo， et al. Foreground detection based on modified ViBe in dynamic background [J]. Optics and precision engineering， 2014， 22（9）： 2545?2552.