DOI:10.3969/j.issn.1009-671X.201405003
基于序列图像的运动目标检测是计算机视觉领域的重要组成部分。其中，最常用的方法是利用场景进行背景建模再用背景减除法提取运动目标，而在实际场景中，背景常常因为光照的变化或者某些对象的轻微扰动而有所改变，因此，背景模型的建立和模型参数的实时更新是背景相减法中最重要的2个问题[1, 2, 3]。目前，高斯混合模型法是背景建模的方法中比较成功的一种。但高斯混合背景模型无法消除阴影的干扰，通常阴影也被检测为运动目标的一部分，这样将影响对运动目标的进一步处理和分析。
1 改进的高斯混合模型背景建模 1.1 背景模型初始化C.Stauffer[4]最早提出了高斯混合背景模型。设在t时刻，像素点(x,y)的概率值为
)、均值和协方差矩阵；η为高斯分布的概率密度函数。
运用高斯混合模型进行背景建模，在模型建立初期，很可能会有运动目标的“鬼影”留在背景图像中。文中在视频初期的N帧图像序列中，利用中值法提取背景图片，并对背景图片的每个像素点进行高斯混合背景建模，以背景图片中每个像素点的像素值作为均值，并赋以方差和权重，运用中值法的结果更新高斯背景模型，从而避免了运动目标被一起更新到背景里去。
1.2 背景模型更新及模型选择在t时刻，将当前帧像素值It(x,y)与该像素点对应的高斯混合模型的各个高斯模型进行比较，如式(1)所示：
反之，It(x,y)与任一高斯分布都不匹配，那么均值和方差保持不变，权值按式(3)进行更新：
LBP作为一种纹理描述算子通常用于度量和提取图像局部的纹理信息[5]。LBP算子虽然具有很多优点，但是在某些特定的情况下，会丢失纹理的特征信息。针对LBP的缺点，本文提出一种改进后的局部二值平均模式，不但将传统算子的编码分类方式进行了改进，而且融合了中心像素和邻域像素的平均值，可以更好地描述纹理特征。公式表示为
符号函数为
本文选择在HSV颜色空间进行阴影检测。将文献[6]中提到的HSV颜色空间阴影检测算法与A-LBP纹理特征阴影检测算法相融合，具体步骤如下：
1) H、S、V和Hb、Sb、Vb分别为当前帧和背景帧的色调、饱和度和亮度的分量。根据阴影在HSV颜色空间的特征初步检测阴影区域，计算公式如下：
2) 在初步检测阴影区域后，利用A-LBP 算子分别提取阴影区域像素块和相应的背景区域像素块的纹理直方图特征，计算2个直方图特征的卡方距离。如果距离小于设定的阈值，则该点是阴影点，否则判定为运动点。
图 1是采集的一段室内视频流，intelligentroom_raw视频，图像分别包括视频流的原始图像，提取出的运动前景，利用HSV颜色空间和LBP相结合去除阴影后的运动目标，以及利用HSV颜色空间和A-LBP相结合去除阴影后的运动目标，可以看出本文提出的A-LBP改进算子在特征检测的阴影去除方面效果更好。
|
| 图 1 室内视频流 |
1990年，L．Xu等人提出了随机霍夫变换(RHT)的概念。随机霍夫变换对圆进行检测的具体步骤如下：
1) 设D为图像中所有边缘像素的集合，初始化参数单元集P=NULL，K为循环次数，K=0。
2)从D中随机抽取3个点。
3)计算这3个采样点所确定的特征参数p，如果可以计算出p，则执行步骤4)；否则跳到步骤7)。
4)在P中找出满足‖p－pc‖≤δ的点pc，如果存在点pc，转到6)；否则，执行步骤5)。
5)将p对应的计数值置为1，并插入P中，然后转到步骤7)。
6) 将pc所对应的计数值加1，然后和阈值Nt比较，如果小于阈值Nt，则继续执行步骤7)；否则，删除pc以及它在P中所对应的存储单元，然后转到步骤8)。
7)计算k=k+1，如果k≥ksmax，在P中找出pc，pc的计数值是P中最大的值，然后执行步骤8)；否则，跳到2)。
8) pc是候选圆的参数，如果pc对应圆上的边缘点数Me满足条件MeMmin则转到步骤9)。
9)参数pc代表真实圆参数，从D中去掉那些落在参数pc对应特征上的点，查看已经检测到的圆的数目和规定的数目是否一致，若一致，结束；否则重置P=NULL，k=0，并且跳转到步骤2)。
上面的步骤中，kmax是对一个圆检测的过程中所能允许的最大循环次数，Me是图像空间中落在候选圆上的点数，Mmin是圆必须的最小点数，一般是2πλ。
4 实验结果与分析图 2是利用随机霍夫变换进行人头检测的仿真效果图。图 2中的6幅图像分别是原始图像；利用第1节改进算法检测出来的前景区域；利用第2节算法去除阴影后的运动目标；利用Canny算子进行边缘检测的结果；利用霍夫变换对圆进行检测并用白色圆环标记；根据图(e)中检测到的类圆区域的大小和位置，在原始图像中标记出来，标记的区域就是相应的人头检测的区域，及人头所在的位置。
根据图 2的仿真结果可以看出，本文提出的检测方法可以有效的去处阴影部分，完整提取前景目标，并且利用随机霍夫变换准确进行人头检测，实验效果良好。
|
| 图 2 人头检测仿真效果图 |
本文针对传统的混合高斯模型，提出了一种改进算法，利用该算法进行运动目标的检测。主要研究了复杂场景下的背景建模方法以及运动阴影的检测和去除，并且将其应用到实际的人头检测试验。本文虽然改进了基于高斯混合模型的运动目标检测算法，但是，只是针对目标检测过程中出现的某些问题，在其他的方面，还需要提高改进：基于混合高斯模型的运动目标检测，当运动目标和背景的差异较小，颜色相近时，检测的误差比较大，检测效果不佳，以后应该在这方面进行研究；本文进行的运动目标检测只是一个最初阶段的研究。对于一个完善的目标检测系统来说，除了检测提取前景目标，还应该对目标进行后续的高级处理工作，比如目标的分类、目标跟踪以及行为理解等方面。
| [1] | 朱帆, 田红彦, 周张钰. 视频监控的全数字化与发展[J]. 中国西部科技, 2011, 6(2): 1-3. |
| [2] | GEORGIOS S, MICHAIL K, EVANGELOLS L, et al. 2D and 3D, motion tracking in digital video[M] Handbook of Image and Video Processing. Burlington: Elsevier Academic Press, 2008: 491-517. |
| [3] | SONKA M, HLAVAC V, BOYLE R. 图像处理、图像分析与机器视觉[M]. 艾海舟, 武勃, 译. 2版. 北京: 人民邮电出版社, 2003: 59-71. |
| [4] | STAUFFER C, GRIMSON W E L. Adaptive background mixture models for real-time tracking[C] Proceedings IEEE Conference on Computer Vision and Pattern Recognition. Cambridge, UK,1999: 245-251. |
| [5] | OJALA T, PIETIKAINEN M, HARWOOD D. A comparative study of texture measures with classification based on feature distributions[J]. Pattern Recognition, 1996, 29(1): 51-59. |
| [6] | 林庆, 徐柱, 王士同, 等. HSV自适应混合高斯模型的运动目标检测[J]. 计算机科学, 2010, 37(10): 254-256. |
| [7] | 汤中泽, 张春燕, 申传家, 等. 帧差法和Mean-shift相结合的运动目标自动检测与跟踪[J]. 科学技术与工程, 2010, 24(8): 5895-5899. |
| [8] | 牛武泽, 石林锁, 金广智, 等. 融合时空信息的运动目标检测算法[J]. 计算机工程, 2011, 37(18): 171-176. |
| [9] | TALUKDER A, GOLDBERG S, MATTHIES L, et al. Real-time detection of moving objects in a dynamic seen from moving robotic vehicles[C] IEEE/RSJ International Conference on Intelligent Robots and Systems. Las Vegas, USA, 2003: 1308-1313. |
| [10] | KUMAR P, SENGUPTA K, LEE A. A comparative study of different color space for foreground and shadow detection for rraffic monitoring system[J]. The IEEE 5th International Conference on Intelligent Transportation Systems. Singapore, 2002: 100-105. |