动态图像序列中的运动目标检测

邵晨龙

浙江省衢州机场管理有限公司 324000

摘 要：动态图像序列中的运动目标检测属于智能视频监控的范畴，是计算机视觉领域非常活跃的课题之一。本文介绍的是通过建立一种自适应背景模型，即对背景进行实时更新，以适应光线变化或场景本身的变化，并采用形态滤波对分割结果进行后处理，消除噪声和背景扰动带来的影响。

关键词：运动目标检测；背景建模；混合高斯模型；背景分割

计算机视觉是一个发展十分迅速的研究领域，并成为计算机科学的重要研究领域之一。运动目标的检测跟踪把图像处理、自动控制、信息科学有机结合起来，形成了一种能从图像信号中实时地自动识别目标、提取目标位置信息、自动跟踪目标运动的技术。它在交通监视、客流量统计、智能车辆、智能跟踪等领域有着十分重要的应用价值。

一、本系统总体框架

本 系统主要包括四个部分：图像预处理、背景模型建立、模型更新、运动目标分割。

系统总体框架流程图

2. 图像预处理

由于外界的干扰以及其他方面的原因，首先需要对视频图像做相应的预处理。本文所用到的图像预处理技术主要包括灰度变换、图像增强、平滑滤波等处理技术。

灰度图(Grayscale)是指只含有亮度信息，不含色彩信息的图像，因此，要表示灰度图，就需要把亮度值进行量化。通常划分成0到255共256个级别，0最暗(全黑)，255最亮(全白)。

中值滤波一般采用一个含有奇数个点的滑动窗口，将窗口中各点灰度值的中值来替代指定点（一般是窗口的中心点）的灰度值。对于奇数个元素，中值是指按大小排序后，中间的数值；对于偶数个元素，中值是指排序后中间两个元素灰度值的平均值。

灰度的阈值变换可以将一幅灰度图像转换为黑白二值图像。过程是先由用户指定一个阈值，如果图像中某像素的灰度值小于该阈值，则将该像素的灰度值设置为0，否则灰度设置为255。

二值化以后的图像往往会含有许多孤立的点、孤立的小区域、孔洞，为了解决这一问题，我们使用了数学形态学图像处理。先腐蚀后膨胀的过程称为开运算(Opening)。先膨胀后腐蚀的过程称为闭运算(Closing)。开运算可以把比结构元素小的突刺滤掉，切断细长搭接而起到分离作用。闭合运算可填平图像内部的孔洞、小沟和裂缝，使断线相连。本文中对背景差分法得到的差分图像，采用开运算(Opening)。通过先腐蚀消除细小目标，孤立的点，孤立的小区域；再通过膝胀将目标内部小间隙和孔洞填充满，并将目标边界平滑。这样在不改变目标大小的情况下，能够有效的提高目标检测效果。

三、混合高斯分布模型

混合高斯背景模型的基本思想是：对每一个像素点的颜色定义 个高斯模型来表示， 值一般取3到5之间。若每个像素点颜色取值用变量来表示，其概率密度函数可用如下 个三维高斯函数表示： 。式中 为第 个高斯分布在 时刻的权重，各高斯分布具有不同的权值且 ，它们总是按照权值从高到低的次序排序。在检测运动前景时，按照权值从大到小的次序将与各高斯分布逐一匹配，若没有表示背景分布的高斯分布与 匹配，则判定该点为前景点，否则为背景点。

1 模型参数初始化

将获取的图像首先分别根据公式建立三个高斯模型。并对高斯模型的参数进行初始化。初始化的时候，取第一帧的图像值来初始化三个混合高斯模型参数的均值 和方差 ，即： ， 。根据上式初始化参数，需要事先存储N帧序列图像，因为本系统采用简单初始化。所以取第一帧的图像为场景背景，来初始化混合高斯模型中某个高斯函数的均值，并对该高斯函数的权值取相对较大值(比其它几个高斯函数的权重大)，其它高斯函数的均值取为零，权重相等且取较小的值，高斯混合模型中所有高斯函数的方差取相等的较大初始值。这样处理会在参数的学习过程中，将加快场景背景的生成速度。

2 高斯函数的匹配

将新的图像中的像素点与混合高斯模型中的三个高斯函数分别匹配，若当前帧的像素与三个高斯函数均匹配，也就是都满足式子： ，式中 为第 个高斯函数的均值， 为用户自定义的参数，在实际应用系统中一般取值为2.5~3， 为第 个高斯函数在 时刻的标准差。则 为背景像素点，否则为前景像素点。

3 混合高斯模型参数的更新

若检测时没有找到任何高斯分布与其匹配，则将权值最小的一个高斯分布取出，并引入一个新的均值为当前值的高斯分布，赋予较小的权值和较大的方差，然后对所有高斯分布重新进行权值归一化处理，均值和均方差保持不变。权值更新的公式： 。式中 为用户定义的学习率，表示背景更新的速度。 越大，更新速度越快， 越小，更新速度越慢。 的取值对背景的更新获取起着重要的作用。

如果发现匹配的高斯函数，需要更新高斯分布的参数和各分布权值，还要对各个分布重新进行排序。具体更新的过程采用以下公式：

， ， 。式中 为用户定义的学习率。 为参数学习率，且 。

在处理图像时，为了减少计算量，提高算法的实时性，一般假设图像中各像素点的R、G、B三颜色通道互相独立，并具有相同的方差，则协方差矩阵的取值为 。图像帧中每个像素的混合高斯模型的参数更新后，下一步要确定混合高斯模型中哪些能最佳描述背景过程。首先按 的比值由大到小将组成每个像素混合高斯模型的 个高斯分布排序，那么最有可能描述稳定背景过程的高斯分布将位于序列的顶部，而由背景暂态扰动产生的分布将滑向序列的底部，最终被新赋值的高斯分布所取代。这样，选择上述序列中前 个高斯分布作为背景像素模型： 。式中： 为预定的阈值， 为排序后的 个高斯分布中的前 个高斯分布是该背景像素的最佳描述。

4 目标分割

本文在对高斯模型做模拟实验的时候，每个像素 的高斯混合模型由三个一维的高斯混合模型组成。高斯混合模型中各高斯函数参数初始化时，取 =2.5， =0.001， =36，把第一帧图像的像素值赋给第一个高斯函数的均值，取该高斯函数的权重 ，其它高斯函数的均值为0，权重初始值 。在运动前景检测时，只有当像素 ，满足式 时，即与高斯分布匹配则判断为背景像素。否则，判断为前景像素。并以此为依据，将图像二值化，获得前景分割后的二值图像。分割结果如图3-1所示：

(a) (b) (c)

图3-1 (a)当前输入图像 (b)提取的背景图像 (c)混合高斯法检测结果

四、 总结

在Microsoft Visual c++环境下利用MFC和OpenCV中的开源的函数来进行实验仿真，系统能完成对背景的有效提取，并能自动更新，能够对目标进行比较好的检测。从以上的检测结果可以看出利用混合高斯模型的方法得出的前景目标较为完整，在背景更新时要选择适当的更新率，更新太慢，则不能很好的适应光线等的一些变化，太快则容易出现拖影的现象，在图像中对每一个像素点的颜色定义K个高斯模型来表示，本系统将K选择为3，这样就节省了很多的运算时间以及内存空间，提高了效率。

参考文献

[1] 傅莉, 方帅, 徐心. 基于计算机视觉的人体运动目标检测[J]. 兵工学报. 2005, 11(6): 1000-1093.

[2] 张瑞娟. 基丁一视频图像的运动目标检测与跟踪算法研究[D]. 大连: 大连理工大学, 2008, 193-199.

[3] 何卫华, 李平, 文玉海, 等. 复杂背景下基于图像融合的运动目标轮廓提取[J]. 计算机应用, 2006, 26(1): 123-126.

[4] 刘鑫, 刘辉, 强振平, 耿续涛. 混合高斯模型和帧间差分相融合的自适应背景模型[J]. 中国图像图形学报. 2008. 4(4): 729-735.

[5] 任臣, 张早平. 基于Kalman滤波理论的运动目标检测新方法[J]. 光电工程. 2007, 34(4): 7-11.

5