Android 背景差分,基于Android平台的视频运动目标检测系统

1概述不同于传统的运动目标检测方式,Android移动智能终端的便携性使得Android平台上的视频处理更具灵活性、移动性和可拓展性[1]。例如,利用几部Android手机就能随时随地快速搭建起一个临时的视频监控系统。因此,Android平台上的运动目标检测具有重大的现实意义。常用的运动目标检测算法包含:光流法(OpticalFlow)、帧间差分法(TemporalDifference)和背景差分法(BackgroundSubtraction)三种。其中光流法[2]计算量相当大,对硬件要求高,且抗噪声性能差。帧间差分法[3]对光照变化不敏感,自适应能力强,但在检测表面相对均匀的运动目标时会出现“空洞”现象,不能完整的检测出运动目标。背景差分法[4-5]是目前使用最广泛的运动目标检测算法,包括单高斯背景模型[6],中值滤波[7],混合高斯背景模型[8],内核密度估计[9]等,其中的单高斯模型的背景差分法计算量小、容易实现、能提取出完整的运动目标,满足Android平台上对算法的低复杂度的要求。李钰[1]等人利用单高斯模型对行人进行检测取得较为理想的效果,但在背景扰动(晃动的树叶)的情况下表现不理想。针对使用单高斯模型背景差分法检测运动目标易受背景扰动影响的问题。本文提出了一种融合单高斯背景模型和帧间差分法的运动目标检测算法,并设计实现了Android平台上的运动检测系统。2融合算法设计与实现本文的融合算法在算法优势互补的基础上,提高了检测的运动目标的完整性,降低了背景扰动的影响。帧间差分法能够有效过滤掉背景的扰动,提取出包含运动目标区域的轮廓。帧间差分法用前一帧图像作为后一帧图像的背景模型,然后相减得到差分图像。在存在背景扰动的情况下,二值化差分图像后会出现一些代表背景扰动的一些相对孤立的亮点。这些亮点在经过随后的数学形态学(腐蚀和膨胀)处理后将不复存在了,从而达到了去除背景扰动影响的目的。帧间差分法的检测结果是相邻2帧图像中运动目标的叠加,由于空洞现象,实际检测出的是包含相邻2帧图像变化的边缘轮廓。这个轮廓包含了实际的运动目标。单高斯模型法运动检测的优势在于能够提取出完整的运动目标。结合帧间差分法和单高斯模型法各自的优势,本文算法先采用帧间差分法提取出运动目标的轮廓,所有轮廓外的像素点都被视为背景,只对轮廓所包围的像素点进行单高斯模型匹配得到

精确、完整的运动目标,同时减少了计算量。具体的算法流程如图1所示。2.1初始化单高斯模型单高斯模型法是一种经典的基于概率分布的背景建模算法[6]。该算法假设序列图像中的各个像素点是相互独立的,并且服从一维正态分布,如下P(xij)=122ij%姨exp-(xij-ij)222ij姨(1)式中,xij表示在像素点(i,j)处的灰度值,ij表示在像素点(i,j)处的灰度均值,2ij表示在像素点(i,j)处的灰度值方差,P(xij)表示在像素点(i,j)处出现xij的概率。根据(1)式,如果某个像素点的灰度值概率小于阈值,该点被判定为前景点,否则为背景点,即ifP(xij)Threshold(i,j)backgroundelse(i,j)foreground初始化单高斯模型的过程就是对每个像素点对应的ij和2ij赋初值的过程。公式(2)中T是时间序列。0ij=1TT-1k=0xkij(0ij)2=1TT-1k=0[xkij-u0ij]2(2)2.2%提取运动目标区域本文算法使用帧间差分法提取运动目标区域轮廓。帧间差分法是在视频图像序列中对相邻的两个或多个图像帧进行对应像素点灰度值差分,并且阈值化来提取出序列图像中