智能视频监控中的运动目标检测研究

张凯

【摘 要】 现有的背景差分法在背景模型的维持和更新不能用于长期和复杂的场景，针对智能视频监控中的运动目标的检测，提出了帧间差分法重建背景图像，背景差分法分离背景像素点与运动目标点，自适应背景更新方法应用背景的定时自动更新，有效的分离了运动目标和背景图像。该方法不仅能够减小运动目标的检测误差，而且提高系统运行速度，实现复杂环境下的运动目标检测。

【关键词】 智能视频监控 运动目标 差分法 背景更新

随着社会的不断进步，人们的活动范围越来越大，因此突发事件也越来越多，利用智能视频监控对其进行监控已经成为很多国家关注的问题。但是，目前大多数智能视频监控只是单纯的对行为进行监控，而不能代替人脑主动分析监控行为。研究表明，单纯的通过工作人员进行监控现场很难使得监控系统成为一个安全系统。因为工作人员不可能长时间对视频进行监控，当专注电视事件超过20分钟后，工作人员会降低监控水平。因此智能监控在这种环境下应运而生。

智能视频监控是结合计算机视觉和视频图像分析技术，通过对摄像机记录的图像序列进行自动分析，实现对动态场景中目标的定位、识别和跟踪，并在此基础上分析和判断目标的行为，从而实现日常管理和异常情况下及时做出决策。智能视频监控具有多种优点，比如非接触测量、高精度、实时性强，因此智能视频监控被广泛运用在公共场所进行全天候、自动、实时地监控。虽然智能视频监控经过了几年的发展已经有了大大的进步，但是智能视频监控还存在着一些不足，本文对智能视频监控中的关键技术，即运动目标检测方法进行研究。

1 运动目标检测方法

在智能视频监控中运动目标检测的目的是将序列图像中的变化区域从背景图像中提取出来，在后期处理中运动区域的有效分割起着决定性作用。但是，运动目标检测是一项相当困难的工作，由于背景图像会经常变化，比如天气变化、阳光变化、影子等。目前在智能视频监控中几种常见的运动目标检测方法有：光流法、相邻帧差法，背景减法。

1.1 光流法

光流是空间运动物体被观测面上的像素点运动产生的瞬间速度场，包含了物体表面结构和动态行为的重要信息。相机运动、场景中的目标运动共同产生了光流。光流法的有点在于不需要知道场景的信息便可以检测运动对象，而且光流法还可以运用在摄像机运动的情况。但是光流法还有一些缺点，在噪音大、光源多、阴影多的情况下，光流法精确度相对比较低，而且光流法对硬件要求比较高，否则计算复杂，耗时较多，难以实现运动目标实时检测。

1.2 相邻帧差法

相邻帧差法是目前在智能视频监控运动目标检测中运用的最多的一类算法。相邻帧差法原理是将相邻两帧图像对应的图像值相减，如果相减的值相差很小，则认为该图像是静止的，否则是动态的。将图像中所有区域标记下来，利用这些标记的像素区域，就可以求出运动目标在图像中的位置。相邻帧差法的有点在于对于动态图像具有较强的自适应性，鲁棒性较好，能够适应各种环境。但是算法的缺点在于无法提取所有的特征像素点，这就导致了在运动实体内部容易产生空洞现象。

1.3 背景减法

背景减法也是运动目标检测的常用方法，其原理是将输入图像与背景模型进行比较，通过判定灰度特征的变化判断异常情况的发生和分割运动目标。在背景减法中，常用的方式为：从监控的视频中抽取一副图像作为背景。虽然背景减法能够提供非常完全的特征数据，但是对于光照等外来因素特别敏感。背景减法的优点在于实现简单，能够分割运动对象。

2 运动目标检测实现

2.1 问题提出

在视频监控中运动目标检测需要解决以下几个问题：

（1）对象是运动的，而且背景图像也不固定，背景图像随着对象的运动而运动，因此要解决在视频采集的同时如何获取背景图像；

（2）获取背景图像后，如何触发采集设备从视频流序列中采集图像；

（3）背景更新问题，光线天气等原因经常发生剧烈变化，如果一直使用同一背景，那么检测结果必然会发生巨大偏差，因此应该随时对背景进行更新。

2.2 重建背景

将视频流中连续两帧图像进行对比分析可知，每帧图像又可以分为背景和前景两类区域。灰度值变化较小的像素点构成背景区域，灰度值变化较大的像素点构成前景区域，运动目标当前和原来所在的区域都包括在内。因此，针对2.1节所提出的第一个问题，系统检测的背景不确定的问题，可以采用每次采集图像时使用帧间差分法重新获取背景图像，重建背景。对于一段连续的视频图像，运用帧间差分法获取帧图像进行两两差分，然后根据差分结果来获取每一帧图像的背景区域和前景区域，然后取背景像素点的灰度值的平均值作为背景图像。重建背景的过程如下：

假设视频图像序列为F1至Fn，取Fk（i，j）和Fk+1（i，j）为视频序列中的两个相邻图像。对Fk（i，j）和Fk+1（i，j）进行帧间差分法处理，从而检测背景像素点。检测规则函数如公式（1）所示。

（1）

其中，T为实际灰度值，计算T的公式如公式（2）所示。

（2）

在公式（1）中，B（i，j）为背景像素点，在公式（2）中，Tv为设定的灰度阀值，N为图像中的像素点数量值。反应的是光线差值在两幅连续的图像间的变化。如果光线变化的明显，则较大，那么T值则可以适应光线的变化而变化。

2.3 运动对象检测的视频抓图方法

本文所研究的视频流为CIF格式，每秒30帧图像，图像像素大小为252x288。首先在背景图像中设置一块128x128的检测区域，当检测区域中有运动对象出现时，视频图像的灰度会发生变化，当多种特征的变化超过一定阀值时，触发采集设备抓取视频。具体方法如下。

2.3.1 背景差分法生成二值图像

将待检测帧中每一个像素点的灰度值与背景图像中对应的像素点的灰度值进行差分运算。当差值大于设定的阀值时，则可以确定该点为运动目标点。假设要检测的帧图像中像素点的灰度值为G（i，j），背景图像中对应像素点的灰度值为B（i，j），令D（i，j）=|G（i，j）-B（i，j）|，设定Tp为差分阀值，当D（i，j）>Tp，则此点为运动目标。在这里假设endprint

（3）

通过公式（3）可以得出，运动点的值都可以标记为1，背景点的值都被标记为0。如果在检测区域中出现运动目标，E（i，j）的值应该是连续的0，1变化。

2.3.2 过滤非连续出现的运动目标点

第一步，假设Tm的初始值为1，Tm代表检测区中目标点出现的情况。从检测区的左下角开始顺序检测二值图像。

第二步，如果E（i，j）=1，则判断E（i+1，j）是否为1，如果E（i+1，j）=1，则令Tm=Tm*a，如果E（i+1，j）不等于1，继续检测E（i+2，j）……，知道检测到E（i+p，j）为1时，令Tm=Tm/b。

第三步，重复第二步的步骤，直到检测区全部检测完毕。

第四步，设定一个阀值Q，当Tm>Q时，抓取图像。

本步骤中，a>b，其中a为连续运动目标点的加权系数，b为非连续目标点的加权系数。

2.4 背景更新

针对2.1节所提出的第三点问题，本节给出详细的解决方案。在视频监控中，背景会随着时间的变化而变化，本文给出自适应背景相减分割法，使得背景自动进行更新。自适应背景相减分割法的原理就是通过视频序列的当前背景和当前帧加权平均更新背景。

在公式（3）中，运动目标点的值为1，背景目标点的值为0，对于E（i，j）=0的像素点，用当前帧的像素来更新背景。对于E（i，j）=1的像素点，用当前背景的像素来更新背景。当前帧的像素和当前背景的像素可以合成一个瞬时背景I（i，j），通过与当前背景的加权平均可以得到更新后背景H（i，j）.更新后背景函数如公式（4）所示。

（4）

在公式（4）中，R为权值，由人工进行设定，R值会直接影响背景更新函数，如果R值设定不当，则更新后的背景图像质量就不会很好。经过试验证明，设定R=0.9能够达到最佳效果。

3 结语

本文针对智能视频监控中的运动目标检测提出了一套完整的解决方案，从获取背景图像、采集图像、背景更新三大方面进行了详细的设计，提出了以帧间差分法重建背景图像，以背景差分法分离前景像素点与背景像素点，以自适应背景相减分割法来使得背景进行自动更新。本方法可以广泛运用到智能视频监控中运动目标检测当中，具有高效的实用价值。

参考文献：

[1]李立仁，李少军.智能视频监控技术综述[J].中国安防.2011.5（4）：12-14.

[2]朱守刚.智能视频监控技术研究及应用[J].数字技术与应用2012.3（2）：56-57.

[3]孙承志，熊田忠.基于差分的光流法在目标检测跟踪中的应用[J].机床与液压.2009.2：32-34.

[4]刘俊晓，孟祥增.基于帧差与非相邻帧差的自适应镜头检测方法[J].计算机工程与应用.2012.2（4）：121-123.

[5]李文斌，周晓敏.一种基于北京减法的运动目标检测算法[J].北京科技大学学报.2012.6（3）：67-69.endprint

（3）

通过公式（3）可以得出，运动点的值都可以标记为1，背景点的值都被标记为0。如果在检测区域中出现运动目标，E（i，j）的值应该是连续的0，1变化。

2.3.2 过滤非连续出现的运动目标点

第一步，假设Tm的初始值为1，Tm代表检测区中目标点出现的情况。从检测区的左下角开始顺序检测二值图像。

第二步，如果E（i，j）=1，则判断E（i+1，j）是否为1，如果E（i+1，j）=1，则令Tm=Tm*a，如果E（i+1，j）不等于1，继续检测E（i+2，j）……，知道检测到E（i+p，j）为1时，令Tm=Tm/b。

第三步，重复第二步的步骤，直到检测区全部检测完毕。

第四步，设定一个阀值Q，当Tm>Q时，抓取图像。

本步骤中，a>b，其中a为连续运动目标点的加权系数，b为非连续目标点的加权系数。

2.4 背景更新

针对2.1节所提出的第三点问题，本节给出详细的解决方案。在视频监控中，背景会随着时间的变化而变化，本文给出自适应背景相减分割法，使得背景自动进行更新。自适应背景相减分割法的原理就是通过视频序列的当前背景和当前帧加权平均更新背景。

在公式（3）中，运动目标点的值为1，背景目标点的值为0，对于E（i，j）=0的像素点，用当前帧的像素来更新背景。对于E（i，j）=1的像素点，用当前背景的像素来更新背景。当前帧的像素和当前背景的像素可以合成一个瞬时背景I（i，j），通过与当前背景的加权平均可以得到更新后背景H（i，j）.更新后背景函数如公式（4）所示。

（4）

在公式（4）中，R为权值，由人工进行设定，R值会直接影响背景更新函数，如果R值设定不当，则更新后的背景图像质量就不会很好。经过试验证明，设定R=0.9能够达到最佳效果。

3 结语

本文针对智能视频监控中的运动目标检测提出了一套完整的解决方案，从获取背景图像、采集图像、背景更新三大方面进行了详细的设计，提出了以帧间差分法重建背景图像，以背景差分法分离前景像素点与背景像素点，以自适应背景相减分割法来使得背景进行自动更新。本方法可以广泛运用到智能视频监控中运动目标检测当中，具有高效的实用价值。

参考文献：

[1]李立仁，李少军.智能视频监控技术综述[J].中国安防.2011.5（4）：12-14.

[2]朱守刚.智能视频监控技术研究及应用[J].数字技术与应用2012.3（2）：56-57.

[3]孙承志，熊田忠.基于差分的光流法在目标检测跟踪中的应用[J].机床与液压.2009.2：32-34.

[4]刘俊晓，孟祥增.基于帧差与非相邻帧差的自适应镜头检测方法[J].计算机工程与应用.2012.2（4）：121-123.

[5]李文斌，周晓敏.一种基于北京减法的运动目标检测算法[J].北京科技大学学报.2012.6（3）：67-69.endprint

（3）

通过公式（3）可以得出，运动点的值都可以标记为1，背景点的值都被标记为0。如果在检测区域中出现运动目标，E（i，j）的值应该是连续的0，1变化。

2.3.2 过滤非连续出现的运动目标点

第一步，假设Tm的初始值为1，Tm代表检测区中目标点出现的情况。从检测区的左下角开始顺序检测二值图像。

第二步，如果E（i，j）=1，则判断E（i+1，j）是否为1，如果E（i+1，j）=1，则令Tm=Tm*a，如果E（i+1，j）不等于1，继续检测E（i+2，j）……，知道检测到E（i+p，j）为1时，令Tm=Tm/b。

第三步，重复第二步的步骤，直到检测区全部检测完毕。

第四步，设定一个阀值Q，当Tm>Q时，抓取图像。

本步骤中，a>b，其中a为连续运动目标点的加权系数，b为非连续目标点的加权系数。

2.4 背景更新

针对2.1节所提出的第三点问题，本节给出详细的解决方案。在视频监控中，背景会随着时间的变化而变化，本文给出自适应背景相减分割法，使得背景自动进行更新。自适应背景相减分割法的原理就是通过视频序列的当前背景和当前帧加权平均更新背景。

在公式（3）中，运动目标点的值为1，背景目标点的值为0，对于E（i，j）=0的像素点，用当前帧的像素来更新背景。对于E（i，j）=1的像素点，用当前背景的像素来更新背景。当前帧的像素和当前背景的像素可以合成一个瞬时背景I（i，j），通过与当前背景的加权平均可以得到更新后背景H（i，j）.更新后背景函数如公式（4）所示。

（4）

在公式（4）中，R为权值，由人工进行设定，R值会直接影响背景更新函数，如果R值设定不当，则更新后的背景图像质量就不会很好。经过试验证明，设定R=0.9能够达到最佳效果。

3 结语

本文针对智能视频监控中的运动目标检测提出了一套完整的解决方案，从获取背景图像、采集图像、背景更新三大方面进行了详细的设计，提出了以帧间差分法重建背景图像，以背景差分法分离前景像素点与背景像素点，以自适应背景相减分割法来使得背景进行自动更新。本方法可以广泛运用到智能视频监控中运动目标检测当中，具有高效的实用价值。

参考文献：

[1]李立仁，李少军.智能视频监控技术综述[J].中国安防.2011.5（4）：12-14.

[2]朱守刚.智能视频监控技术研究及应用[J].数字技术与应用2012.3（2）：56-57.

[3]孙承志，熊田忠.基于差分的光流法在目标检测跟踪中的应用[J].机床与液压.2009.2：32-34.

[4]刘俊晓，孟祥增.基于帧差与非相邻帧差的自适应镜头检测方法[J].计算机工程与应用.2012.2（4）：121-123.

[5]李文斌，周晓敏.一种基于北京减法的运动目标检测算法[J].北京科技大学学报.2012.6（3）：67-69.endprint