自动化测试 计算机测量与控制.2005.13(3) Computer Measurement& Control
·215
====================================================
·
收稿日期:2004-06-10; 修回日期:2004-07-12。
作者简介:朱明旱(1975-),男,湖南省张家界人,硕士生,主要从事
模式识别、图像处理等方向的研究。
罗大庸(1944-),男,湖南省长沙市人,教授,博导,主要从事信息融
合技术、计算机视觉与模式识别等方向的研究。
文章编号:1671-4598(2005)03-0215-03 中图分类号:TP393 文献标识码:B
帧间差分与背景差分相融合的运动目标检测算法
朱明旱,罗大庸,曹倩霞
(中南大学 信息科学与
工程
路基工程安全技术交底工程项目施工成本控制工程量增项单年度零星工程技术标正投影法基本原理
学院,湖南 长沙 410075)
摘要:针对视频序列中运动目标检测进行了研究,提出了一种将帧间差分和背景差分相互融合的运动目标检测算法,首先选取
一帧作为背景帧,确立每一个象素点的高斯模型;然后对相邻两帧进行差分处理,区分出变化的区域和没有发生变化的区域,没有
发生变化的区域更新到背景帧中,发生变化的区域与背景模型进行拟合,区分出显露区和运动目标,将显露区以很大的更新率收入
到背景帧中。该方法允许在有运动物存在的情况下进行建模,实验表明该方法准确率高,运算速度快,能满足实时检测的需要。
关键词:视频图像序列;高斯模型;运动目标检测;阴影检测
MovingObjectsDetectionAlgorithmBasedonTwo
ConsecutiveFramesSubtractionandBackgroundSubtraction
ZhuMinghan,LuoDayong,CaoQianxia
(SchoolofInformationScienceandEngineering,CentralSouthUniversity,Changsha 410075,China)
Abstract:Aimedatthecomplexityofthecurrentalgorithm,analgorithmbasedontwoconsecutiveframessubtractionandback-
groundsubtractionispresented.Atfirst,selectaframeasabackground.Thensubtracttwoconsecutiveframestofindoutmoving
areaandbackgroundarea.Updatebackgroundwiththebackgroundareawhichisdetected.Atlast,comparemovingareawithback-
groundtolocatemovingobjectionanduncoveringarea.Updatebackgroundwithuncoveringarea.Thebackgroundmodelinthisalgo-
rithmisobtainedeveniftherearesomemovingobjections.Theresultsshowthatthisalgorithmcombinestheadvantagesofveracity
andofruntime,andfitforrealtimedetection.
Keywords:video-frequencyimagesequence;Gaussianmodel;movingobjectdetection;shadowdetection
0 引言
从视频序列中检测出运动物体是计算机视觉、视频图像跟
踪等应用领域的重要研究
内容
财务内部控制制度的内容财务内部控制制度的内容人员招聘与配置的内容项目成本控制的内容消防安全演练内容
,目前已成为热点研究问
题
快递公司问题件快递公司问题件货款处理关于圆的周长面积重点题型关于解方程组的题及答案关于南海问题
[1]。
准确地将运动物体从视频图像中分割出来是许多智能视频监视
系统 (视频监视,交通自动监控)、人体检测与跟踪等后续处理
的基础。当前帧间差分法[2]和背景差分法[3]是比较流的做法。
有很多种方法考虑到了背景模型的更新问题,比如基于光
流量的背景更新算法[4],这种方法计算量大,会影响系统的实
时性效果。
本文提出了一种简单有效的运动物体检测方法。这种方法
是将帧间差分和背景差分相结合起来。预先选取一帧作为背景
帧,建立各像素点的高斯模型。再运用帧间差分法对相邻两帧
图像进行差分处理,区分出背景点和变化的区域 (在当前帧中
变化的区域包括显露区和运动物体)。然后将变化区域与背景
帧的对应区域进行模型拟合区分出显露区和运动物体,最后在
运动物体中去除阴影,这样将不带阴影的运动物体分割出来。
背景更新时将帧间差分确定为是背景的点,则以一定的规则进
行更新;背景差分时确定为是显露区的点,则以较大的更新率
收入到背景帧中,运动物体对应的区域不进行更新,其流程如
图1所示。
1 视频运动目标检测过程
1.1 背景模型建立
比较相邻帧图像会发现背景像素点是随时间缓慢变化的,
在一定的时间里差别不大。而物体运动变化区域对应的像素点
变化很大。因此可以对选取的背景帧的每一个像素点利用高斯
模型建模[5]。假设在一定的时间段t里,由同一位置的像素点
组成的集合服从各自的高斯分布,均值为µ(ij)和标准方差为σ
(i,j)(i,j是像素点在图像中的横坐标和纵坐标),即
图1 算法流程图
P(X(i,j,t))=
1
24πσ(i,j)
e-
(x(i,j,t)-µ(i,j)
)2
2σ(i,j)
2
·216· 计算机测量与控制 第13
====================================================
卷
x(i,j,t)∈(X(i,j,t)) (1)
X (i,j,t)是图像序列中所有横坐标为i,纵坐标为j
的像素点组成的集合。实际上这种假设是完全满足的。
因灰度值V 是判断背景、前景点的一个重要
参数
转速和进给参数表a氧化沟运行参数高温蒸汽处理医疗废物pid参数自整定算法口腔医院集中消毒供应
,同时
考虑到后面处理的方便,在整个运动物体的检测过程中采用了
HSV彩色模型[6]。与RGB模式间的转化公式如下:
V=R+G+B3
H= 1360
[90-Arctan(F
43
)+{0,G2B;180,G5B}]
S=1-min
(R,G,B)
6
7
8 V
F=2R-G-BG-B
(2)
其中0°9H9360°,09S91,09V91,09R,G,B91
刚开始建模时,每一个像素点的分布是未知的,初始化
时,用第一帧中该像素点的V 值作为µ (i,j),而将标准方
差σ (i,j)设为0。事实上,因为实际的背景模型是通过不
断学习新帧而得到的,兼顾了过去的背景信息,所以该方法对
实际图像中的偶然变化有一定的抑制作用。
1.2 变化区域的检测
帧间差分能够检测出相邻两帧间发生了变化的区域。这个
区域实际上包括运动物在前一帧所覆盖的区域即显露区P,运
动物体现在所覆盖的区域即在当前帧中就是运动物体本身 Q。
如图2所示。
图2 运动变化区域示意图 图3 帧间差分法处理后的图像示意图
图4 与背景差分后的结果示意图
设fk (i,j)和fk+1 (i,j)为视频序列中连续的两帧图
像,将这两帧图像进行差分处理,作差分的量可以是灰度、亮
度、色度值或其它的参数,本文采用灰度值进行差分,检测规
则如下:
if1fk(i,j)-fk+1(i,j)15T B1(i,j)=fk+1(i,j)
if1fk(i,j)-fk+1(i,j)1:T M1(i,j)=fk+1(i,j)
T=TV+1N;1fk
(i,j)-fk+1(i,j)1 (3)
TV为灰度阈值,添加项1N;1fk
(i,j)-fk+1 (i,j)
1表示整体光线的变化,如果图像光照变化较小,添加项的值
趋近于零。如果图像光照变化明显,则添加项有明显增大,这
样能使阈值T适应环境光照的突变情况。N 为图像中象素点
的个数,由于变化区域需与背景帧进行进一步的处理来分割出
运动物体,因而这里对T值的选取不必精确,适应范围很宽。
B1(i,j)为差分后确定为是背景的区域,M1(i,j)为差分后确定
为是运动变化的区域。对B1(i,j)中的像素点用式(5),(6)的
规则去更新。而对M1(i,j)中的像素点继续进行后面运动物体
检测处理。帧间差分法处理后的图像如图(3)所示。a,b为作
差分的两帧,c为差分处理后的M1(i,j)。
若运动物体在场景中静止下来,在相邻两帧中这个物体位
置没变,所以在差分处理中被检测为是B1 (i,j)中的点,不
会进入到后续处理步骤之中,也就不会被误检为运动物体。
1.3 运动目标检测
将分割出来的运动变化区域M1(i,j)中的像素点与各自的
高斯模型去拟合。本文用像素点的灰度值X(i,j,t)来度量这
点的特性,若P(X(i,j,t))9TP(这里TP 是概率阈值),则判断为
是显露区,否则为运动物体。在实际的应用中用等价的阈值代
替概率阈值,记d(i,j,t)=1x(i,j,t)-µ(i,j)1,则可设置相应的前
景检测阈值为σ(i,j),检测规则如下;
if d (i,j,t)9σ (i,j)为显露区,记为B2 (i,j)
else为运动物体,记为M (i,j) (4)
考虑到B2 (i,j)在前一帧中被运动物体所覆盖,用 (7)
(8)式的更新规则将它收入到背景中。运动物体对应的点不给
予更新。图4为与背景差分后剩下的运动物体。
这个处理过程是对前一步检测为运动变化的区域 M1 (i,
j)进一步进行的处理,处理区域不大,有效地排除其它区域
的干扰,并且减少了计算量有利于提高整个系统的实时性。
1.4 背景更新
将区域B1 (i,j)中的点用下述的规则来进行背景更新。
µt+1=(1-α1)*µt+α1*x (5)
σ2=(1-α1)*σ2+α1*d(i,j,t)2 (6)
将区域B2 (i,j)中的点用以下的规则进行更新。
µt+1=(1-α2)*µt+α2*x (7)
σ2=(1-α2)*σ2+α2*d(i,j,t)2
(8)
其中α1,α2 为更新率,x表示新帧中的像素点灰度值。这
里α1,α2 的取值是不同的,考虑到B2 (i,j)中的点是前帧
中被运动物体覆盖的区域,在当前帧中被重新显露出来,所以
α2 的值取得较大,在0.8以上,实验表明,这种处理策略使得
在建模时即使有运动的物体存在,也会随着运动物体的移动而
迅速得到干净的背景帧模型。
对最终检测为运动物体的区域M (i,j)不予更新。
1.5 阴影检测
在光照较强的情况下,检测出的运动物体会包含有它的阴
影,对运动物体分割精确度要求高的场合还需要将阴影去掉。
在 HSV模式下,当一个像素点被阴影覆盖时,它的亮度变化
较大,而色度信号变化不大,可以使用如下方法进行判别[7]:
M(i,j)=
1 (β9
Vnew(i,j)
Vmode(i,j)9γ
)&
1Snew(i,j)-Smodel(i,j)19TS&
1Hnew(i,j)-Hmodel(i,j)19TH
0
6
7
8 其它情况
(9)
第3期 朱明旱,等:帧间差分与背景差分相融合的运动目标检测算法 ·217·
====================================================
其中TS,TH 分别表示色彩、色度的阈值。阴影点的V 值总
是小于非阴影相应点的V 值,所以γ取值小于1,而β取值则
考虑了当前光照的强弱,光照越强阴影越明显,β值越小。目
前TS,TH 的选取是通过试验来确定的。
2 实验结果
笔者对视频序列图像进行了测试,背景模型中有运动的物
体,图像大小为256*256pixels,处理速度约为10帧/s,图
(5)是实验的结果。a,b分别为视频序列中的第528和534图
像,c,d是检测出来的结果。
图5 实验结果示意图
3 结论
本文提出了将帧间差法与背景帧差法相结合的运动物体检
测方法,两种方法的结合使优势形成互补,与其它方法相比优
出点在于:(1)静止下来的物体会在相邻帧差处理时减掉,不
会出现误检为运动物体,且能够很快地更新到背景中去;(2)
与背景帧差分时仅对帧差处理后的运动变化区域进行处理,大
大地减少了其它区域对检测结果带来的影响,也缩短了处理时
间;(3)允许在有运动物体存在的情况下进行背景建模。实验
结果表明该方法快速,准确,有着广泛的适用性。
参考文献:
[1]汪亚明,黄文清,周海英.动态图像序列中的运动目标检测 [J].
计算机测量与控制,2003,11(8):564-565.
[2]MeierT,NgunKN.VideoSegmentationforContent-BasedCod-
ing [J].IEEETrans.onCircuitsandSystemsforVideoTechnol-
ogy,1999,9(8):1190-1203.
[3]GuptS.MasoundO.MartinRFK,etal.Detectionandclassifica-
tionforvehicles[J].IEEETransactionsonIntelligentTransporta-
tionSystems,2002,3(1):37-47.
[4]CucchiaraR,GranaC,PiccardiMetal,Statisticandknowledge-
basedmovingobjectdetectionintrafficSciences[A].Proceedings
ofthe3rdIEEEConferenceonIntelligentTransportationSystem
[C].Dearborn,Indiana,USA:IEEE ComputerSocietyPress,
2000:27-32.
[5]StaufferC,GrimsonWEL.Learningpatternsofactivityusingreal-
timetracking[J].IEEEtransPAMl,2000,22(8):747-757.
[6]FrancoisARJ,MedioniGG.Adaptivecolorbackgroundmodeling
forreal-timeSegmentationofvideostreams[A].Proceedingsof
InternationalConferenceonImagingScience,Systems,andTech-
nology[C]LasVegas,Na,USA,1999:227-232.
[7]CucchiaraR,GranaC,Piccardi,etal.Improvingshadowsup-
pressionin movingobjectdetectionwith HSVcolorinformation
[A].ProceedingsofIEEEIntelligentTransportationSystemsCon-
ference[C].Oakland,CA,USA,2001:
====================================================
334-339.
(上接第202页)
2.5 真空电子束钎焊中的测量结果
图2是从焊接现场拍摄的原始图像,图3是经过邻域平均
法和多图像平均法平滑之后的图像,容易看出原始图像含有较
大噪声,不利于进一步的计算处理,经过滤波之后图像更加接近
实际情况。
由标定结果可知,基于三基色法对实际图像计算得到的温
度分布是可信的。因此,试验中采用基于该方法编制的计算软
件对由彩色CCD拍摄的图像进行处理,其温度分布图像如图4
所示。
图4 温度分布示意图
人的眼睛只能区分由黑到白的10多种到20种不同的灰
度,但却可以识别成千种不同的彩色。在黑白状态下看不到的
细节,在彩色显示时可以毫不费力地观察出来。为了便于操作
人员对温度图像观察判断,运用图像处理技术,用不同的颜色表
征不同的温度区,大大增强了视觉效果。
3 结论
本文在理论分析的基础上,讨论了基于彩色CCD和数字图
像处理技术的焊接温度场实时监测方法,并对系统的两大误差
来源--灰体假设和噪声进行了分析和讨论,提出了系统校正
和标定方法,提高了系统的精度。试验结果表明,该系统简单可
行,精度较高,在工程上具有一定的应用前景。
参考文献:
[1]ChoiMY.Simultaneousopticalmeasurementofsootvolumnfrac-
tionandtemperatureinpremixedflames[J].CombustionandFlame,
1994,15(5):295-300.
[2]孙肇敏.应用电视 [M].上海:复旦大学出版社,1995.
[3]程晓舫,周洲.彩色三基色温度测量原理的研究 [J].中国科学
(E辑),1997,(4):342-345.
[4]阮秋琦.数字图像处理基础 [M].北京:中国铁道出版社,
1988.
[5]李红俊,韩冀皖.数字图像处理技术及其应用 [J].计算机测量
与控制,2002,10(9):620-622.
[6]徐新宇.彩色三基色温度测量系统的原理与
设计
领导形象设计圆作业设计ao工艺污水处理厂设计附属工程施工组织设计清扫机器人结构设计
[D].合肥:中
国科学技术大学,2000.