【文章內(nèi)容簡(jiǎn)介】 運(yùn)動(dòng)目標(biāo)檢測(cè)（MovingObjectives Detecting, MOD）是指將圖像序列中發(fā)生變化的區(qū)域從背景中分割出來。MOD的基本任務(wù)是判斷圖像序列中是否存在運(yùn)動(dòng)目標(biāo)，并確定運(yùn)動(dòng)目標(biāo)的位置。MOD處于整個(gè)視頻監(jiān)視系統(tǒng)的最底層，是各種后續(xù)高級(jí)應(yīng)用如目標(biāo)跟蹤、目標(biāo)分類、目標(biāo)行為識(shí)別和理解等的基礎(chǔ)。因此MOD成為視頻監(jiān)控系統(tǒng)研究中最重要的課題，也是陰影去除算法研究的基礎(chǔ)。 運(yùn)動(dòng)目標(biāo)檢測(cè)算法概述運(yùn)動(dòng)目標(biāo)檢測(cè)是整個(gè)智能視頻監(jiān)控系統(tǒng)的第一部分，其目的是將運(yùn)動(dòng)目標(biāo)(如車輛，行人等)從圖像中提取出來，檢測(cè)效果的好壞直接關(guān)系到后續(xù)步驟，而且也關(guān)系到整個(gè)系統(tǒng)的優(yōu)劣和實(shí)用性。運(yùn)動(dòng)目標(biāo)的檢測(cè)常常受到光線變化、背景變化以及其它背景運(yùn)動(dòng)物體等因素的影響，因此選用一種穩(wěn)定并可靠的檢測(cè)方法尤為重要。目前常用的運(yùn)動(dòng)檢測(cè)方法有光流法、相鄰幀差法、背景差分法。 光流法光流是空間運(yùn)動(dòng)物體在觀測(cè)成像面上的像素運(yùn)動(dòng)的瞬時(shí)速度。光流的研究是利用圖像序列中的像素強(qiáng)度數(shù)據(jù)的時(shí)域變化和相關(guān)性來確定各自像素位置的“運(yùn)動(dòng)”，即研究圖像灰度在時(shí)間上的變化與景象中物體結(jié)構(gòu)及其運(yùn)動(dòng)的關(guān)系。一般情況下，光流由相機(jī)運(yùn)動(dòng)、場(chǎng)景中目標(biāo)運(yùn)動(dòng)或兩者的共同運(yùn)動(dòng)產(chǎn)生。對(duì)于視頻監(jiān)控系統(tǒng)來說，所用的圖像基本都是攝像機(jī)靜止?fàn)顟B(tài)下攝取得，所以對(duì)有實(shí)時(shí)性和準(zhǔn)確性要求的系統(tǒng)來說，純粹使用光流法來檢測(cè)運(yùn)動(dòng)目標(biāo)不太實(shí)際。更多的是利用光流法與其它方法綜合之后來實(shí)現(xiàn)對(duì)運(yùn)動(dòng)目標(biāo)檢測(cè)。 相鄰幀差法相鄰幀差法即圖像序列差分法，它利用兩幀圖像亮度差的絕對(duì)值來分析視頻和圖像序列的運(yùn)動(dòng)特性，確定圖像序列中是否有物體運(yùn)動(dòng)。這是一種直接簡(jiǎn)單的運(yùn)動(dòng)檢測(cè)方法。其基本思想：如果一幅圖像的某一位置物體發(fā)生變化，那么對(duì)應(yīng)位置的灰度也將發(fā)生變化；而物體沒有發(fā)生變化的部分，其灰度則不發(fā)生變化或變化很小。因此該方法只需比較圖像序列中相鄰兩幅圖像的對(duì)應(yīng)像素灰度的差別。相鄰幀差法的優(yōu)點(diǎn)就是相鄰兩幀的時(shí)間間隔很短，用前一幀圖像作為后一幀圖像的背景模型具備較好的實(shí)時(shí)性，而且其背景不積累、更新速度快、算法計(jì)算量小。其缺點(diǎn)是閾值選擇相當(dāng)關(guān)鍵，閾值過低，則不足以抑制背景噪聲，容易將其誤檢測(cè)為運(yùn)動(dòng)目標(biāo)；閾值過高，則容易漏檢，將有用的運(yùn)動(dòng)信息忽略掉了。另外，當(dāng)運(yùn)動(dòng)目標(biāo)面積較大，顏色一致時(shí)，容易在目標(biāo)內(nèi)部產(chǎn)生空洞，無法完整地提取運(yùn)動(dòng)目標(biāo)。因此，相鄰幀差法不能完全提取所有相關(guān)的特征像素點(diǎn)，得到的檢測(cè)結(jié)果不夠精確，在運(yùn)動(dòng)目標(biāo)內(nèi)部產(chǎn)生的空洞不利于進(jìn)一步的目標(biāo)跟蹤等。 背景差法背景差法相對(duì)于相鄰幀差法和光流法來說簡(jiǎn)單且易于實(shí)現(xiàn)，是一種有效的運(yùn)動(dòng)目標(biāo)檢測(cè)算法，是固定攝像機(jī)對(duì)固定場(chǎng)景進(jìn)行視頻監(jiān)控時(shí)檢測(cè)運(yùn)動(dòng)目標(biāo)最常用的方法。它的本質(zhì)思想是利用當(dāng)前圖像與背景圖像進(jìn)行比較，選擇區(qū)別較大的像素區(qū)域作為運(yùn)動(dòng)目標(biāo)；而區(qū)別較小的像素區(qū)域則被認(rèn)為是背景區(qū)域。背景差法必須要有背景圖像，并且背景圖像要隨著光照和外部環(huán)境的變化而實(shí)時(shí)更新，因此背景差法關(guān)鍵是背景建模及其更新。傳統(tǒng)的背景差算法包括二大步驟：(1) 確定背景模型，并建立背景圖像。最簡(jiǎn)單的背景模型是時(shí)間平均圖像。在背景圖像的初始化算法中，求取一段較長的時(shí)間段內(nèi)，視頻序列圖像每一像素的平均色彩值，作為初始的背景估計(jì)圖像。(2) 在像素模式下，用當(dāng)前圖像減去已知背景圖像來得到差分圖像。如果定義圖像序列為I(x，y，i)，其中x，y代表空間坐標(biāo)，i表示幀數(shù)，i=(1...N)，N為視頻序列總數(shù)。背景圖像為B(x，y)，則差分圖像可以表示為 （）(3) 對(duì)差分圖像做二值化處理,得到運(yùn)動(dòng)區(qū)域： （）其中，p為差分圖像中的任何一點(diǎn)，T為閾值。如果M(xp，yp，i)=1，則表示象素點(diǎn)p在第i幀屬于運(yùn)動(dòng)區(qū)域(前景區(qū)域)；如果M(xp，yp，i)=0，則表示象素點(diǎn)p在第i幀屬于背景區(qū)域。這種固定背景算法是假定背景在相當(dāng)長的一段時(shí)間內(nèi)是不會(huì)發(fā)生變化的，然后以此為基礎(chǔ)求解運(yùn)動(dòng)區(qū)域。事實(shí)上，即使是室內(nèi)環(huán)境，也存在光線等各種變化所造成的干擾，所以固定背景的方法存在很大的局限性。通常的解決辦法是系統(tǒng)需要時(shí)常對(duì)背景重新初始化，以防止錯(cuò)誤隨著時(shí)間不停地積累造成背景的失效。因此，作為固定背景，它只適用于變化較小的短期的跟蹤問題。 基于RGB顏色空間的混合高斯模型在靜止攝像機(jī)條件下，運(yùn)動(dòng)目標(biāo)檢測(cè)的關(guān)鍵是背景圖像的描述模型即背景模型，它是背景差方法分割前景目標(biāo)的基礎(chǔ)。背景模型分為單模態(tài)和多模態(tài)兩種。前者在每個(gè)背景點(diǎn)上的顏色分布是比較集中的，可以用單個(gè)概率分布模型來描述（即只有一個(gè)模態(tài)）；后者的分布則比較分散的，需要多個(gè)分布模型來共同描述（即具有多個(gè)模態(tài)）。自然界中許多的景物和很多的人造物體，如水面的波紋、飄揚(yáng)的旗幟、搖擺的樹枝等，都呈現(xiàn)出多模態(tài)特性，可以利用混合高斯分布（正態(tài)分布）對(duì)背景建模，再進(jìn)行背景差提取運(yùn)動(dòng)目標(biāo)。這種基于混合高斯模型算法（MoG算法）的運(yùn)動(dòng)目標(biāo)檢測(cè)算法即繼承了大多背景差算法簡(jiǎn)單易于實(shí)現(xiàn)的特點(diǎn)，同時(shí)對(duì)背景中每個(gè)像素建立統(tǒng)計(jì)模型，進(jìn)行學(xué)習(xí)和更新，完全可以克服多模態(tài)的問題，獲得比較準(zhǔn)確實(shí)時(shí)的背景，從而有效進(jìn)行運(yùn)動(dòng)目標(biāo)前景的提取[6]。如果背景是完全靜止的，背景圖像的每個(gè)像素點(diǎn)，可以用一個(gè)高斯分布來描述。但背景場(chǎng)景往往不是絕對(duì)靜止的，例如由于樹枝的搖擺運(yùn)動(dòng)，背景圖像上的某一像素點(diǎn)在某一時(shí)刻可能是樹葉，可能是樹枝，也可能是天空，每一種狀態(tài)的像素點(diǎn)顏色值都是不同的。所以，用一個(gè)高斯模型來描述背景并不能反映實(shí)際背景。因此，對(duì)每個(gè)像素點(diǎn)用多個(gè)高斯模型混合表示。設(shè)t時(shí)刻，圖像中像素點(diǎn)(i, j)的觀察值可寫為Xt，則可以認(rèn)為Xt是一個(gè)隨機(jī)過程，并且假設(shè)任意兩個(gè)像素點(diǎn)之間統(tǒng)計(jì)獨(dú)立，則X(i, j)的特征向量在RGB顏色空間為： （）其中，t時(shí)刻，像素的近期彩色歷史可以由K個(gè)高斯分布模型的混合去模擬描述這個(gè)隨機(jī)過程。K值的選取一般由計(jì)算能力和內(nèi)存來決定，K值越大，模型雖然能體現(xiàn)越復(fù)雜的場(chǎng)景，但同時(shí)計(jì)算量也將大幅增加，消耗更多的計(jì)算時(shí)間?？紤]到計(jì)算速度的快慢，一般情況下取3~5個(gè)。在當(dāng)前時(shí)刻t點(diǎn)(i, j)的概率分布可用下面的公式來表示： （） （）其中，ωij,k,t是t時(shí)刻第k個(gè)混合高斯分布的權(quán)值，μij,k,t、Σij,k,t分別為第k個(gè)高斯分布的均值和方差，η是高斯概率密度函數(shù)。當(dāng)采用RGB顏色空間進(jìn)行建模時(shí)，認(rèn)為R、G、B三個(gè)通道的分量值是相互獨(dú)立且具有相同的方差，則μij,k,t、Σij,k,t可寫成如下形式： （） （）各高斯分布按照優(yōu)先級(jí)高低排列，優(yōu)先級(jí)qk計(jì)算如下： （） 背景模型的更新由于周圍環(huán)境的變化，如光照、風(fēng)強(qiáng)度等，已經(jīng)建立好的背景模型可能不再適應(yīng)變化過之后的環(huán)境。為了增強(qiáng)背景模型的適應(yīng)性，需要根據(jù)實(shí)際的情況，對(duì)背景模型進(jìn)行實(shí)時(shí)地更新。背景模型的更新就是指不斷利用新的當(dāng)前時(shí)刻視頻圖像更新背景圖像，使背景實(shí)時(shí)準(zhǔn)確反應(yīng)真實(shí)的監(jiān)控場(chǎng)景。更新方法的思想是對(duì)于圖像給定點(diǎn)的最新值Xt，與K個(gè)高斯分布分別進(jìn)行匹配，如果有某個(gè)高斯分布ηk與它匹配，則用當(dāng)前值Xt去更新這個(gè)ηk的各項(xiàng)參數(shù)；如果沒有任何一項(xiàng)分布ηk與它匹配，就用一個(gè)代表當(dāng)前值Xt的新的分布去代替現(xiàn)有混合高斯分布中的一個(gè)分布項(xiàng)。(1) 如果Xt服從某個(gè)高斯分布，則用當(dāng)前值Xt去更新這個(gè)高斯分布ηk的均值μ、方差σ和權(quán)值ωk,t。匹配的方法是把高斯分布ηk按權(quán)值與方差之比ω/σ從大到小排列，然后選擇Xt與均值μj,t1,k足夠接近的第一個(gè)高斯分布作為匹配的高斯分布，即Xt滿足下列判別式： （）其中，上式表示Xt服從第j個(gè)高斯分布(1＜j＜K)。然后按以下等式對(duì)該高斯分布ηk的均值μ、方差σ和權(quán)值ωk,t進(jìn)行更新： （） （） （） （）其中，α為模型分布學(xué)習(xí)速率，0≤α≤1。對(duì)于匹配的模型Mk,j=1，其余的模型（不匹配的分布）為0。經(jīng)過更新后，權(quán)值的總和保持不變，仍然為1。1/α為表示變化快慢的時(shí)間常數(shù)，α越小，權(quán)值更新的越慢，時(shí)間常數(shù)越大；α越大，權(quán)值更新的越快，時(shí)間常數(shù)越小，混合高斯模型中主高斯分布對(duì)背景適應(yīng)性越好，更有利于背景模型的更新，但對(duì)于內(nèi)部顏色比較一致的運(yùn)動(dòng)目標(biāo)，則目標(biāo)的運(yùn)動(dòng)方向后半部分容易檢測(cè)為背景（因?yàn)榍鞍氩糠挚赡芤呀?jīng)更新為背景了），這樣就造成了目標(biāo)的漏檢。β為調(diào)整當(dāng)前分布的學(xué)習(xí)速率，當(dāng)前值匹配分布的程度越好，β越大，參數(shù)調(diào)整（學(xué)習(xí)）的越快，但β太大的話也會(huì)引起前面目標(biāo)漏檢。(2) 如果在K個(gè)分布中沒有找到與當(dāng)前像素匹配的高斯分布，那么可能性最小的高斯分布將被新的高斯分布所替代。新的高斯分布的均值為當(dāng)前的像素值Xt，具有較大的方差和較小的權(quán)值。這種方法的一個(gè)顯著優(yōu)點(diǎn)：當(dāng)某些值被歸為到背景時(shí)，現(xiàn)存的背景模型并沒有被破壞，原來的背景顏色一直存在于混合模型中直到被新的背景顏色所取代。因此，當(dāng)一個(gè)物體剛剛靜止下來后一段足夠長的時(shí)間內(nèi)使其被歸為到背景中就開始運(yùn)動(dòng)，由于描述以前背景的分布仍然存在于混合模型中，只是可能性較低，這樣的話，以前的背景就會(huì)很快就能恢復(fù)回來。 運(yùn)動(dòng)目標(biāo)的檢測(cè)與提取由于有噪聲的影響，背景圖像庫中某些圖像的有些像素點(diǎn)并不能真正地代表背景，用這類像素建立的高斯分布模型是應(yīng)該被去除。場(chǎng)景中像素值是屬于前景還是屬于背景可以通過分析混合高斯模型中相應(yīng)的權(quán)值和方差得出：一般來說，我們可以認(rèn)為運(yùn)動(dòng)中物體的模型會(huì)保持較大的方差，靜止的時(shí)候會(huì)比較小。在每一時(shí)間里，選擇每一點(diǎn)的混合高斯模型中的一個(gè)或多個(gè)高斯分布作為背景模型，其它的則作為前景模型。用每一點(diǎn)的當(dāng)前值和此點(diǎn)混合模型中的背景模型進(jìn)行匹配，如果不匹配，則作為前景。為了判定Xt是屬于前景像素還是背景像素，首先根據(jù)每個(gè)模型的ω/σ值來給模型排序，比值越大，表示具有較大的ω和較小的σ，因此排序越前的高斯分布，越能描述背景模型。所以，我們選擇排在前面的N個(gè)高斯代表背景模型，作為背景模型的估計(jì)，如下式： （）其中，T為預(yù)先定義的閾值，它表示背景的分布權(quán)值的和在整體中所占的最小比例，一般根據(jù)經(jīng)驗(yàn)可取T=。N是能達(dá)到這一比例的“最好”的高斯分布的數(shù)量，即前面N個(gè)最可能的分布。如果T值設(shè)置的比較小，那么背景就變成了單模的，就是個(gè)單個(gè)高斯分布的背景模型，用最可能的那個(gè)分布表示背景可以節(jié)省計(jì)算量。如果T值取的比較大，那么混合模型就可以容納重復(fù)運(yùn)動(dòng)的背景導(dǎo)致的多種背景顏色。MoG算法對(duì)多模態(tài)背景有良好的適應(yīng)能力，能夠準(zhǔn)確地判斷出高頻振動(dòng)的背景，并且具有極強(qiáng)的魯棒性。該算法的特點(diǎn)是每個(gè)高斯分布不僅帶有權(quán)值，而且具有優(yōu)先級(jí)，像素點(diǎn)與某個(gè)高斯模型相匹配后，就將該匹配的高斯分布的參數(shù)進(jìn)行更新，權(quán)值進(jìn)行提高，而其它高斯分布的權(quán)值則相應(yīng)地降低，每次對(duì)參數(shù)與權(quán)值進(jìn)行更新之后，對(duì)每個(gè)高斯分布再重新計(jì)算優(yōu)先級(jí)和進(jìn)行排序。第四章 陰影的去除 引言根據(jù)上一章所討論的背景模型的建立，可以通過背景差分法得到包含運(yùn)動(dòng)區(qū)域的前景二值圖，該二值圖去除了當(dāng)前圖像中的背景像素，僅留下了變化像素。但在變化像素中，除了運(yùn)動(dòng)目標(biāo)外還存在許多由各種干擾所引起的變化像素，這些可能會(huì)使原本分離的目標(biāo)區(qū)域合并或引起目標(biāo)變形等。因此，為了正確提取運(yùn)動(dòng)目標(biāo)區(qū)域，陰影和殘留噪聲等仍然需要去除，同時(shí)，可以利用數(shù)學(xué)形態(tài)學(xué)對(duì)原始圖像進(jìn)行重