基于背景差分算法的運(yùn)動(dòng)目標(biāo)檢測(cè)

1、<p>　　基于背景差分算法的運(yùn)動(dòng)目標(biāo)檢測(cè)</p><p>　　[摘 要]運(yùn)動(dòng)目標(biāo)的檢測(cè)是數(shù)字圖像處理和模式識(shí)別領(lǐng)域研究的主要內(nèi)容之一，也是計(jì)算機(jī)視覺研究的一個(gè)重要領(lǐng)域。本文對(duì)基于背景差分算法的視頻目標(biāo)檢測(cè)算法進(jìn)行了研究，并對(duì)其進(jìn)行了詳細(xì)的討論和分析。利用混合高斯背景模型來提取背景和更新背景。實(shí)驗(yàn)結(jié)果表明，采用該算法對(duì)運(yùn)動(dòng)目標(biāo)進(jìn)行檢測(cè)具有良好的準(zhǔn)確性和穩(wěn)定性。 </p><p>

2、　　[關(guān)鍵詞]背景差分算法 行人檢測(cè) 運(yùn)動(dòng)目標(biāo)檢測(cè) OpenCV </p><p>　　中圖分類號(hào)：G391.41 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-914X（2016）05-0126-01 </p><p><b>　　0引言 </b></p><p>　　運(yùn)動(dòng)目標(biāo)檢測(cè)是計(jì)算機(jī)視覺研究領(lǐng)域中的基礎(chǔ)和熱點(diǎn)，其目的是在連續(xù)的圖像序列中，將被檢測(cè)

3、的運(yùn)動(dòng)目標(biāo)的特征從視頻圖像中分離出來。運(yùn)動(dòng)目標(biāo)的檢測(cè)速率直接影響著整個(gè)系統(tǒng)的運(yùn)算速率，因此，運(yùn)動(dòng)目標(biāo)檢測(cè)方法的選取至關(guān)重要。本文采用背景差分算法，利用混合高斯模型來提取背景，對(duì)運(yùn)動(dòng)目標(biāo)進(jìn)行了檢測(cè)。實(shí)驗(yàn)結(jié)果表明，采用此方法對(duì)運(yùn)動(dòng)目標(biāo)檢測(cè)具有較好的準(zhǔn)確性和穩(wěn)定性。 </p><p><b>　　1運(yùn)動(dòng)目標(biāo)檢測(cè) </b></p><p><b>　　1.1幀間差分

4、法 </b></p><p>　　幀間差分法是指在視頻圖像序列中對(duì)相鄰的兩幀或多幀的差值進(jìn)行計(jì)算，獲得運(yùn)動(dòng)目標(biāo)形狀的過程。在背景固定的情況下，若相鄰兩幀圖像的差值Dk（x，y）小于某個(gè)設(shè)定的閾值T，則認(rèn)為視頻圖像中沒有出現(xiàn)運(yùn)動(dòng)目標(biāo)；反之，當(dāng)視頻圖像中出現(xiàn)運(yùn)動(dòng)目標(biāo)時(shí)，運(yùn)動(dòng)目標(biāo)帶來的灰度變化必然導(dǎo)致兩幀圖像之間的灰度差距增大，使得差值大于設(shè)定的閾值。這種檢測(cè)方法可以很好地適用于存在多個(gè)運(yùn)動(dòng)目標(biāo)的情況。其流

5、程如圖1所示。 </p><p>　　設(shè)相鄰的兩幀的圖像分別為fk（x，y）和fk-1（x，y），兩幀圖像之差的結(jié)果為Dk（x，y），可用公式（1）表示： </p><p>　　Dk（x，y）=|fk（x，y）-fk-1（x，y）...................................（1） </p><p>　　設(shè)閾值為T，提取到的運(yùn)動(dòng)目標(biāo)的區(qū)域?yàn)镽

6、k（x，y），若公式一得出來的Dk（x，y）大于T，那么Rk（x，y）的值置為1，否則，置為0。 </p><p><b>　　1.2背景差分法 </b></p><p>　　背景差分法的實(shí)質(zhì)是通過一定的背景建模的方法得到背景模型fbk（x，y），將視頻序列中的每一幀圖像fk（x，y）與背景模型fbk（x，y）做差分運(yùn)算，得到不同時(shí)刻的幀差圖像Dk（x，y），然后進(jìn)行

7、二值化處理得到Rk（x，y），當(dāng)差分圖像中的像素差小于某個(gè)設(shè)定的閾值T時(shí)，則認(rèn)為該點(diǎn)是背景像素，否則為運(yùn)動(dòng)目標(biāo)像素。 </p><p>　　背景差分法是靜態(tài)背景運(yùn)動(dòng)目標(biāo)檢測(cè)中最經(jīng)典的檢測(cè)方法，檢測(cè)運(yùn)動(dòng)目標(biāo)速度較快，算法并不十分復(fù)雜，適合于實(shí)時(shí)處理。背景差分算法的流程如圖2。 </p><p>　　設(shè)當(dāng)前幀圖像為fk（x，y），背景模型為fbk（x，y），背景幀與當(dāng)前幀的差為Dk（x，y），

8、閾值為T，前景圖像用“1”表示，背景圖像用“0”表示，則可用數(shù)學(xué)公式（2）表示： </p><p>　　Dk（x，y）=|fk（x，y）-fkb（x，y）| ..............................（2） </p><p>　　根據(jù)上述公式，可求得得來Dk（x，y）的值。若Dk（x，y）大于T，那么Rk（x，y）的值置為1，否則，置為0。 </p><

9、;p>　　本文對(duì)上述兩種常見的運(yùn)動(dòng)目標(biāo)檢測(cè)方法的優(yōu)缺點(diǎn)進(jìn)行分析比較，選用背景差分法作為檢測(cè)運(yùn)動(dòng)目標(biāo)的方法。 </p><p><b>　　2.運(yùn)動(dòng)目標(biāo)分割 </b></p><p><b>　　2.1 背景建模 </b></p><p>　　本文采用混合高斯背景模型法進(jìn)行背景建模及背景更新?；旌细咚贡尘澳Ｐ褪腔谙袼?/p>

10、樣本統(tǒng)計(jì)信息的背景表示方法，利用像素在較長時(shí)間內(nèi)大量樣本值的概率密度等統(tǒng)計(jì)信息表示背景，然后使用統(tǒng)計(jì)差分進(jìn)行像素判斷。其基本思想是用K個(gè)高斯模型來表示圖像中各個(gè)像素點(diǎn)所呈現(xiàn)的顏色。每一個(gè)模型都由背景像素和運(yùn)動(dòng)目標(biāo)像素組成。 </p><p><b>　　2.2 背景更新 </b></p><p>　　由于外界環(huán)境、場(chǎng)景變換等各種因素的影響，要使背景模型在一段時(shí)間內(nèi)能夠

11、適應(yīng)環(huán)境的變化，就必須對(duì)初始模型不斷地進(jìn)行更新。背景更新的實(shí)質(zhì)就是用當(dāng)前幀匹配的模型去修正過去幀建立的模型。 </p><p>　　2.3 目標(biāo)檢測(cè)分割 </p><p>　　獲得了背景圖像后，使用背景減除法進(jìn)行運(yùn)動(dòng)目標(biāo)的檢測(cè)。設(shè)閾值為T，當(dāng)前幀圖像為fk（x，y），背景模型為fbk（x，y），二值化結(jié)果R（x，y）可由fk（x，y）和fbk（x，y）表示出來。當(dāng)其兩者之差大于閾值T時(shí)，R

12、（x，y）的值置為1，反之，則置為0。 </p><p>　　本文中提取視頻的第一幀圖像作為背景圖像，之后再根據(jù)每一幀圖像的變化更新背景，完成新的背景建模。 </p><p><b>　　3.實(shí)驗(yàn)結(jié)果 </b></p><p>　　本文實(shí)驗(yàn)視頻序列為固定攝像頭下，一段行人行走的視頻。首先讀取視頻圖像并對(duì)其進(jìn)行預(yù)處理，采用混合高斯建模分離背景，再

13、進(jìn)行形態(tài)學(xué)處理，提取輪廓，得到運(yùn)動(dòng)目標(biāo)區(qū)域，用白色矩形框?qū)⑦\(yùn)動(dòng)目標(biāo)標(biāo)記出來。程序的流程圖如圖3所示，截取視頻序列的第20幀圖4為例，檢測(cè)結(jié)果如下圖5。 </p><p><b>　　4.結(jié)束語 </b></p><p>　　本文通過背景差分法來對(duì)視頻目標(biāo)進(jìn)行檢測(cè)，采用混合高斯模型來獲取視頻背景，提取出完整的運(yùn)動(dòng)目標(biāo)。本文在視頻序列目標(biāo)的檢測(cè)方面做了一系列的工作，但都是

14、在固定攝像頭的情況下進(jìn)行檢測(cè)的，距離一個(gè)完善的智能視頻監(jiān)控系統(tǒng)還存在很大的差距。今后將進(jìn)一步對(duì)算法進(jìn)行深入研究和完善，以求達(dá)到更好的效果。 </p><p><b>　　參考文獻(xiàn)： </b></p><p>　　[1] 司明飛.視頻監(jiān)控中的運(yùn)動(dòng)目標(biāo)檢測(cè)算法研究[D].湖南大學(xué)，2014. </p><p>　　[2] 高哲.運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤算

15、法研究[D].沈陽工業(yè)大學(xué)，2014. </p><p>　　[3] 魏巖.基于背景更新的目標(biāo)檢測(cè)與消影研究與應(yīng)用[D].安徽大學(xué)，2013. </p><p>　　[4] 彭艷芳.視頻運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤算法研究[D].武漢理工大學(xué)，2010. </p><p>　　[5] 秦小文.基于視頻序列的運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤算法研究[D].中北大學(xué)，2012. </p&