基于局部同一性的运动目标检测算法研究-CSDN博客

由于图片版权原因，可以去我的blog看原文：http://hi.baidu.com/belial

摘要：提出了一种基于局部同一性的运动目标检测算法。该算法首先通过计算局部的对比度和局部梯度来获得图像的局部同一性特征，然后利用局部同一性特征建立背景建模。在前景检测阶段，首先利用帧差法求得可能的运动掩膜，然后将可能的运动掩膜与建立的背景模型来检测前景，最后根据形态学方法来来消除噪声和连接邻近区域，并填充前景区域的内部孔洞。实验结果表明，该方法能够较精确地检测运动目标，并具有更好的检测性能。

关键字：运动目标检测；局部同一性特征；背景减除; 形态学算子.

An Approach to detect moving objects based on local homogeneity

Abstract: An approach to detecting moving objects based on local homogeneity features is proposed in this paper. Firstly, it constructs the background models with local homogeneity features obtained by combining local contracts and local gradients. Then in the process of foreground detection, its first stage is to get the possible foreground mask through inter-frame difference. And subsequently, the foreground is detected according to the possible foreground mask by comparing the homogeneity features of input image with the established background models. Finally, the morphological operators are applied to remove noises and connect the adjacent regions as well as validate the pixels inside the holes of the detected foreground regions. Experiments demonstrate that the proposed approach can achieve more accurate foreground detection and high performance of detection.

Keywords: moving objects detection; local homogeneity feature; background subtraction; morphological operator.

引言

背景减除通常是指从固定摄像机捕获的视频帧中提取运动目标的处理过程，它是计算机视觉领域里的一个基本问题，是目标跟踪、目标识别以及场景理解的基本环节。然后在实际应用中，背景建模技术经常会遇到难题，如光照的变化、场景的动态变化。因此如何快速地、准确地对运动目标进行检测具有积极的研究意义。

近年来，针对运动目标检测过程中的难题，国内外学者进行了深入地研究，并取得大量了相关成果。Brutzer S等这对些成果进行分析和总结如表1所示[1] ，更多关于背景建模的综述性文章请参考[1,10]。

而局部同一性特征具有很好的差异度量的特征，在图像分割领域得到了广泛的应用。Heng-Da cheng等人将同一性特征用于图像分割，取得了很好效果[11]。随后，刘再涛和钱乐乐等人将局部同一性特征作为像素局部区域内的第一层描述输入Fuzzy2 ART模型进行分割，达到了良好的视觉分割效果[12,13]。

本文针对局部同一性特征的特点，提出了基于局部同一性特征的运动目标检测算法。算法不仅能较好的自适应动态场景的变化，对光照具有很好的鲁棒性，而且也能较快速、较精确地提取出运动目标。

1. 基于局部同一性运动目标检测算法

算法首先通过计算局部的对比度和局部梯度来获得图像的局部同一性特征，然后利用局部同一性特征建立背景建模。在前景检测阶段，首先利用帧差法求得可能的运动掩膜，然后将可能的运动掩膜与建立的背景模型来检测前景，最后根据形态学方法来来消除噪声和连接邻近区域，并填充前景区域的内部孔洞。

1.1 局部同一性特征提取

根据文献[11]中的定义，同一性由两部分组成，分别是灰度值的标准方差和不连续性。标准方差描述的是一个局部区域灰度值的变化情况，即局部区域内灰度值的对比度；而不连续性则是灰度值突变特性的度量，即局部区域内灰度值的梯度。

设p(i , j)是M×N图像I中位置为(i, j)的像素值，则(i,j)处的对比度vi,j计算方法如式（1）：

（1）

其中，Im,n为图像(m,n)处的亮度值，ui,j表示局部区域内像素值的平均值，局部区域的大小为（2d+1）×(2d+1)。

局部梯度的计算方法如式（2）：

（2）

其中Gx和Gy分布表示水平方向和垂直方向的梯度，计算方式如式（3）和（4）：

（3）

（4）

将局部对比度和局部梯度进行归一化可得式（5）和式（6）：

(5)

(6)

其中wi,j表示以(i,j)为中心的局部区域。

局部同一性表示为：

1.2 背景建模

提取视频序列的N帧的局部同一性特征，由式（7）可知：局部同一性的特征取值在0~1.0之间。本文定义一个结构体用来存储背景模型，其定义如下：

Typedef struct HomoData{

Int numModel;

Double homo_feature[MAXMODEL];

Int count[MAXMODEL];

} HomoData;

其中，MAXMODEL表示模型可能的最大数目，将在后面阐述；成员变量numModel表示像素的模型个数，homo_feature存储模型特征的值，而count则存储对应模型特征匹配上的次数。背景建模的详细描述如下：

（1）初始化t=0，令numModelt=0, homo_featurey[0…MAXMODEL-1]=0, countt[0…MAXMODEL-1]=0

（2）在t时刻，将图像帧ft中每一个像素的特征featuret（x,y）按式（8）与已有的模型比较

（8）

其中是一个常量（文中取值为0.05），用来度量同一性特征的差异性，n表示已有的模型个数，而dh(x,y)的表达式为：

（9）

如果匹配成功，且匹配成功的是第k个模型，则按下式进行更新参数的更新：

（10）

否则，则将该像素的特征添加到背景模型中，对应的背景模型更新如式（11）：

（11）

（3）当训练结束后，对以建立的背景模型按照count值从大道小排序，对于每一像素如果其numModelt大于K（文中K取值为5），则取出现次数较多的前K（文中K取值为5）次作为场景中该像素的背景模型；如果numModelt小于K，则选择countt次数大于1对应的homo_feature作为该像素的背景模型。

利用该算法建立的是一种混合模型的背景模型，可以根据场景的特点，动态地、合理地建立具有场景特性的背景模型。对于比较稳定的背景区域，则对应的背景模型个数可能相对就较少，而对于一些动态变化比较剧烈的场景，如摇曳的树叶，则所含的背景模型个数相对较多。同时，该算法将亮度信息、局部对比度信息以及梯度信息很好地结合起来，充分利用了像素级别和区域级别的信息，更能提高所建模型的鲁棒性。

1.3 前景检测

前景检测过程采用类似文献[14]的步骤进行，主要分为三个阶段，第一阶段进行时间域上相邻帧的相减，得到可能的运动掩膜，文中称此阶段为帧间差法；第二阶段，进行当前帧的同一性特征提取，然后以第一阶段得到的结果为掩膜，与背景模型进行比较，得到运动前景像素，文中称此阶段为前景提取；第三阶段填充前景区域内的孔洞，文中称此阶段为前景完善。

1.4 帧间差法

设fp(x,y)为视频序列的前一帧中(x,y)处的像素值，fc为当前视频帧中(x,y)处的像素值，则两帧相减得到的可能运动前景掩膜pfm为：

（12）

其中为一阈值，表示两个像素值间的差异，本文取值为15.

1.5 前景提取

根据帧间差法得到的可能运动前景掩膜pfm，进行前景检测，检测准则如下：

（13）

即首先判断pfm(x,y)是否为1，如果为1，将当前像素的局部同一性特征与北京模型进行匹配，如果没有匹配成功，则为前景像素，即fg(x,y)=1；否则为背景像素，并进行背景更新，将与之匹配上的背景模型的计数count加1。

1.6 前景完善

由局部同一性特征提取的公式（7）可知：同一性特征在均匀区域，局部对比度的值V(fi,j,w(1)i,j) 和E(fi,j,w(2)i,j)都将比较小，所以提取到的局部同一性特征值会比较大。所以对于一个均与区域来说，其局部同一性特征值比较接近。而对于同一目标来说，大部分是由纹理分布较为均为的区域组成的。因此，经过前两阶段提取到的前景区域在前景内部将会出现孔洞现象，即目标的内部是空的。在该阶段将采取形态学的开运算和闭运算或膨胀和腐蚀运算来消除噪声和连接邻近区域，并填充前景区域的内部孔洞。

1.7 背景更新

对于一个自然场景，场景中有时会有目标的移入或移出，给已建立的背景模型造成扰动。本文采取了一种选择性的背景更新机制，并采用了两个小机制来保证这种背景更新机制的有效性。

机制一：对于每次检测到的前景像素，记录其连续出现的次数，采用文献[14]的方法来进行处理，即利用TOMt(x,y)（Time of Map）表示t时刻像素(x,y)的TOM值，其表示：

（14）

其中fgt(x,y)就是前景检测阶段得到的前景图像。

机制二：对于背景模型中的每个模型，都记录了其匹配成功的次数count，如果机制一中的TOM大于某一个预先设定的阈值，则将该像素判为背景像素，否则为前景像素。如果当前像素的背景模型个数大于或等于K，则用当前像素的特征值来替换背景模型count最小的模型；否则，将根据式（11）进行背景模型的更新。

2. 实验与分析

实验是在Intel®Core(TM)2 Quad CPU Q9500硬件平台、以及Visual C++6.0结合opencv1.0库下进行的。在试验中，选取来自文献[10]提供标准视频库里的视频序列进行试验，并与文献[2]的MOG算法以及文献[6]的Codebook算法做了对比试验，其中Codebook算法是在RGB颜色空间实现。实验中，参数选择如表2：

其他参数选取论文中提供的默认值。

实验结果如图1所示：

从上面的对比试验的结果可以看到，（其他两个算法的不足，本文算法的优势）。另外本文也根据文献[10]提供的标准视频库里的Ground Truth进行了定量的统计分析，其中TP和FN分别表示将正样本判断正确和错误的比例，FP表示将负样本判断为正样本的比例，FP和TN分别表示将负样本判断为错误与正确的比例，Re表示检测率，表示为：

统计结果如表3所示：

3. 结论

本文提出了一种基于局部同一性的运动目标检测算法。该算法首先通过计算局部的对比度和局部梯度来获得图像的局部同一性特征，然后利用局部同一性特征建立背景建模。在前景检测阶段，首先利用帧差法求得可能的运动掩膜，然后将可能的运动掩膜与建立的背景模型来检测前景，最后根据形态学方法来消除噪声和连接邻近区域，并填充前景区域的内部孔洞。通过对比试验表明，(对比试验分析得到的结论)

参考文献

[1] Brutzer S, Hoferlin B, Heidemann G. Evaluation of background subtraction techniques f-or video surveillance[C]. 2011 IEEE conference on computer vision and pattern recognition,2011:1937-1944.

[2] C. Stauffer and W. Grimson. Adaptive background mixture models for real-time tracking[C]. In Processings of IEEE Conference on Computer Vision and Pattern Recognition, 1999(2):246-252.

[3] N Oliver, B Rosario, A Pentland. A bayesian computer vision system for modeling human interactions[J]. 2000 IEEE Transactions on Pattern Analysis and Machine Intelligence, 2000, 22(8):831-843.

[4] J McKenna,S Jabri,Z Duric etal. Tracking groups of people. Computer Vision and Image Understanding[C].Computer Vision and Image Understanding, 2000, 80(1):42-56.

[5] L Li, W Huang, I Gu etal. Foreground object detection from videos containing comple-x background[C]. Processings of eleventh ACM international conference on Multimedia, 2-003:2-10.

[6] K Kim, T Chalidabhongse, D Harwood etal. Background modeling and subtraction by codebook construction[C]. In International Conference on Image Processing, 2004: 3061-3064.

[7] Z Zivkovic, F van der Heijden. Efficient adaptive density estimation per image pixel for the task of background subtraction[J]. Pattern Recognition Letters, 2006(27):773-780.

[8] Lucia Maddalena, Alfredo Petrosino. A self-organizing approach to background subtraction for visual surveillance applications [J].IEEE transactions on image processing, 2008,17(7):1168-1177.

[9] Olivier Barnich,Marc Van Droogenbroeck. VIBE:A powerful random technique to estimate the background in video sequences [C].International conference on acoustics, speech and signal processing, 2009:945-948.

[10] N Goyette, P M Jodoin, F Porikli etal.changedetection.net: A new change detection benchmark dataset[C]. in Proc. IEEE Workshop on Change Detection (CDW12) at CVPR’12, 2012:16-21.

[11] Heng-Da cheng, Ying Sun. A hierachical approach to color image segementation using homogeneity[J]. IEEE transaction on image processing,2000,9(12):2071-2082.

[12] 钱乐乐, 高隽等. 一种基于Fuzzy-ART的层次化彩色图像分割算法[J], 中国图象图形学报, 2008,13(6):1101-1108.

[13] 刘再涛,魏本征等. 一种基于视觉感知的复合医学图像分割算法[J],郑州大学学报（自然科学版）,2011,41(1):57-61.

[14] Hanzi Wang, David Suter. Background subtraction based on a robust consensus method [C].Proceedings of the 18th international conference on pattern recognition, 2006:223-236.

转载于:https://www.cnblogs.com/mv2010/archive/2013/03/21/2974031.html