基于HSV颜色空间的自适应性运动目标检测

高晓旭，冯国瑞

（上海大学通信与信息工程学院，上海200444）

基于HSV颜色空间的自适应性运动目标检测

高晓旭，冯国瑞

（上海大学通信与信息工程学院，上海200444）

格拉斯曼尼（Grassmannian）算法是一种可以由高度不完整信息追踪子空间的在线学习算法，它在视频运动目标跟踪时具有鲁棒性和低复杂度等优点，可以应用在视频前景与背景的实时分离的情况。针对格拉斯曼尼算法在前景分离中，面对室内全局光线突变会产生大量噪声的问题，提出了一种优化的预处理方法。通过HSV色彩空间变换对视频进行阴影检测，根据阈值判断光线变化情况并自适应调整前景内容，最终实现在光照变化情况下的运动目标检测，并有效去除了原格拉斯曼尼算法在光线突变会产生的大量噪声，提高了对光照变化的鲁棒性。

前景提取；光照变化；HSV颜色空间；GRASTA

【本文献信息】高晓旭，冯国瑞.基于HSV颜色空间的自适应性运动目标检测［J］.电视技术，2015，39（10）.

近年来，智能视频监控一直是备受人们关注的研究领域，它主要包括目标检测、分类、跟踪［1］等多个研究方向。在处理视觉信息中，人们往往对动态信息更感兴趣，因此，运动目标检测是一个非常有发展空间的研究方向，在道路交通、安全管理等均有涉及。目前运动目标检测方法主要有光流法［2］、帧间差分法［3-4］、三帧差分法［5］和背景差分法［6］，其中背景差分法是当前的研究热点，它采用图像序列中的当前帧和背景参考模型比较来检测运动目标。目前已经提出了很多背景建模的方法，如Stauffer等人［7-8］提出的混合高斯模型得到广泛应用，但此方法易受到光照变化影响，且复杂度较高。He等人［9］提出的格拉斯曼尼鲁棒自适应子空间追踪算法（GRASTA）可以有效建立背景模型并根据每一帧进行背景模型更新，但此方法在受到室内光照突变时会产生大量噪声，在视觉上产生干扰。

针对上述不足，本文对GRASTA背景建模学习方法进行深入研究，提出一种嵌入HSV色彩空间的运动目标检测方法，增强光照变化情况下的检测性能。本方法利用阴影的色度、饱和度、亮度信息来检测阴影，并自适应改变前景内容，从而对不同光照条件目标检测具有一定的鲁棒性。实验结果表明，由于加入HSV处理，在速度上比初始GRASTA算法略慢，但在光照部分的性能有较大幅度提升。

1　GRASTA算法

最基本的背景建模法［6］是根据过去所有帧取平均值作为背景模型。由于运动目标属性比背景属性变化快，因此可用特殊方法去检测运动目标。GRASTA在此基础上引入了低秩矩阵分解。低维子空间能完成数据建模和数据分析，可应用在背景减法、目标跟踪中。GRASTA基本原理假设一个只有静态背景的视频，当一帧图像的所有列向量合并成一个新的列向量时，多帧图像的变化特征可由维数为d的低秩矩阵表征。图1是GRASTA算法流程图。

图1　GRASTA流程图

设第t帧图像进行灰度变换之后由如下模型构成［9］

式中：P是原始图像；B为训练后的背景模型；ω是d×1向量；δ是n×1稀疏外围向量，即前景部分；ξ是n×1零均高斯白噪声向量；n为图像总像素数目。

式中：l1最小化问题是经典的最小绝对偏差问题，此算法运用Boyd［11］提出的基于交替方向乘子算法（ADMM）的快速求解方法。根据文献［11］，引入稀疏外部矩阵δ∈ℜ||Ωt来重写式（2）右边

此方程的拉格朗日形式是

式中：y∈ℜ||Ωt是对偶向量。

2　算法的改进

2.1HSV阴影检测

传统阴影检测法是基于阴影属性，即利用HSV的三元素：色调（Hue）、饱和度（Saturation）、亮度（Value）。在检测图像阴影区域时，若一个像素被阴影覆盖，它的亮度分量会发生较大的变化。而饱和度分量和色相分量具有比较低的值，与背景不会有太大变化。具体判断如下［12-13］

式中：α和β是亮度的阈值；TS和TH分别是饱和度和色相的阈值；V（i，j）是像素的亮度分量；S（i，j）是像素的饱和度分量；H（i，j）是像素的色相分量；W（i，j）是阴影检测分布图。

本文阴影检测法基于最大类间方差法（Otsu）［14］，即把图像灰度数按灰度级分成前景和背景两部分。两部分之间灰度值差异最大，每个部分之间灰度值差异最小。通过方差的计算寻找一个合适的灰度级别去划分。本文前景部分即传统阴影检测法的阴影区域W（i，j）=1，背景部分即非阴影区域W（i，j）=0。对图像P，设τ为阴影和非阴影分割阈值，阴影区域占图像比例为θ0，平均灰度为η0；非阴影区域占图像比例为θ1，平均灰度为η1。图像的总平均灰度η为

从最小灰度值到最大灰度值遍历τ，若τ使得式（7）中g最大时，τ即为最佳分割阈值。

图2a和2b为视频LOBBY中光照情况不同的两帧的阴影检测结果，白色部分即为阴影部分。图2b有一个关灯的动作，因此阴影部分相对于图2a有很大的变化。

2.2自适应前景提取

根据2.1节，用HSV色彩空间可检测出图像的阴影部分。当算法检测出灯光突变的瞬间，实时调整前景的内容。首先读取视频第1帧图像，用HSV检测图像阴影分布情况。第1帧的阴影分布图即作为阴影初始值BW1。为了提升程序运行速度，之后每隔10帧对当前图像重新检测阴影分布，记作BW2。根据以下规则判断是否有光照突变

图2　HSV阴影检测结果

式中：BW是当前阴影分布与初始阴影分布的差。统计BW非0像素的个数，即当前阴影分布与初始阴影分布不同的像素数。当像素总和大于某一个阈值时，此帧有全局光照［12］变化，即LIGHT=1。若小于阈值，则此帧没有全局光照变化，即LIGHT=0。通常情况下，室内灯光变化会让图像的大部分像素点亮度发生变化，而人走动仅让小部分像素点亮度发生变化。TH是判断是否有全局光照的阈值。先对视频的所有BW进行统计，之后可根据统计来设定阈值TH。

假设第10n帧被检测到有明显的光照变化，同时此帧也是第一次被检测到有光照变化。那么，从第10n帧开始的50帧以内前景直接设为全零矩阵。一般情况下，50帧左右可以完成灯光瞬间从暗到明（或相反）的过程。不同场合可有不同的设定。当第一次检测到有明显光照变化后，阴影分布初始值更新为第10n帧的阴影分布，即BW1=BW2。之后图像的阴影分布就与更新后的阴影分布对比。依此类推，这样可以适用于光照亮暗变化交替的场景。

3　实验结果

本文的实验对象包括两个室内光照条件均有突变且有人物走动的视频以及它们部分帧的手工标定值。按照上文所描述的方法，测试视频包括LOBBY和HOME。LOBBY的分辨率为160×128，HOME视频分辨率为240×135。

LOBBY一共有1 546帧彩色图像，特征为两人在室内大厅里走动，人消失时室内有两次全局光照变化。LOBBY在第344帧之前都没有运动目标，背景保持不变。第450帧有关灯动作，室内光照变化明显。第1 100帧有开灯动作，室内光照再次有明显变化。HOME一共有469帧彩色图像，特征为一人在室内客厅走动，人消失时室内有一次全局光照变化。HOME在第115帧之前没有运动目标，背景保持不变。第345帧有关灯动作，室内光照变化明显。

首先确定判断光照突变的阈值，以LOBBY为例，事先统计BW的分布情况。图3所示是第10n帧BW2分别与第1帧BW1作差得到的BW走势图。可以看出，在第450帧左右BW非零像素数有明显的上升，而在第1 100帧左右BW非零像素数又有明显的下降。这说明，第450帧和第1 100帧是跳变点。阈值可设置为2 000左右。

图4是视频LOBBY的检测结果。图4a是第435帧原图，此帧室内光线开始有变化，图4b和图4d是对于第435帧两种算法前景的提取结果。图4f是第450帧原图，此帧检测到有明显全局光线变化，图4g和图4i是对于第450帧两种算法前景提取结果。可以看出，本文算法能够在光线开始变化时就产生去噪效果，白色噪点数量明显减少。当检测到大范围光线突变时，去噪效果更加明显，白色噪点完全消失。同时，提取的背景也与原图更加接近。

图3　LOBBY的BW分布情况

图4　LOBBY检测结果

在有人走动的情况下，前景提取的效果和原始GRASTA效果相同。为了显示出提取的准确性，图5a和5b是视频LOBBY的受试者工作特征曲线（ROC）。对比可见，ROC曲线前后变化不大，错误率较低。图5c和5d是运动目标检测图，此方法能很好地把运动的人当作前景提取出来。

b ROC曲线（无HSV）

图5　LOBBY的ROC曲线和运动目标检测

对于HOME视频，由于是在面积较小的客厅进行拍摄，并且灯光的强度很强。因此灯光辐射的比例相对于LOBBY要大很多。用同样的分布统计方法，设定的判定阈值是9 000。图6是视频HOME的检测结果，图6b和6d是对于第430帧两种算法前景的提取结果。与LOBBY相似，本文算法能有效去除因大范围光线突变产生的噪声，特别是背景颜色较深的区域，提高了检测性能。

图6　HOME检测结果

4　总结

本文在格拉斯曼算法的基础上加入HSV的阴影检测技术，排除了全局光照突变情况下的干扰，具有高效性和鲁棒性。用当前帧阴影分布与初始帧阴影分布差值作为特征，通过统计差异值判断光照变化情况。当检测到光照变化时，改变前景值，同时更新阴影分布初始值。实验结果表明，相比于初始GRASTA算法，运算复杂度上稍有增加，但性能上可以有效去除光照突变产生的噪声并准确提取运动目标。

［1］蔡荣太，吴元昊，王明佳，等.视频目标跟踪算法综述［J］.电视技术，2010，34（12）：135-142.

［2］BARON J，FLEET D，BEAUCHEMIN S.Performance of optical flow techniques［J］.International Journal of Computer Vision，1994，12（1）：42-77.

［3］ANDERSON C，BURT P，WAALS G.Change detection and tracking using pyramid transformation techniques［C］//Proc.Intelligent Robots and Computer Vision.Cambridge，MA，Engl：SPIE Press，1985：72-78.

［4］李波，姚春莲，李炜，等.利用相邻帧和背景信息的运动对象检测［J］.电子学报，2008，36（11）：2154-2159.

［5］白晓方，杨卫，陈佩珩.一种改进的运动目标检测与跟踪方法［J］.电视技术，2014，38（1）：180-183.

［6］丁忠校.视频监控图像的运动目标检测方法综述［J］.电视技术，2008，32（5）：72-75.

［7］STAUFFER C，GRIMSON W.Adaptive background mixture models for real time tracking［C］//Proc.IEEE Conference on Computer Vision and Pattern Recognition.Fort Collins，CO：IEEE Press，1999：246-252.

［8］张恒，胡文龙，丁赤飚.一种自适应学习的混合高斯模型视频目标检测算法［J］.中国图象图形学报，2010，15（4）：631-636.［9］HE J，BALZANO L，SZLAM A.Incremental gradient on the Grassmannian for online foreground and background separation in subsampled video［C］//Proc.IEEE Conference on Computer Vision and Pattern Recognition.Providence，RI：IEEE Press，2012：1568-1575.

［10］BALZANO L，NOWAK R，RECHT B.Online identification and tracking of subspaces from highly incomplete information［C］// Proc.48th Annual Allerton Conference on Communication，Control，and Computing.Allerton，IL：IEEE Press，2010：704-711.

［11］BOYD S，PARIKH N，CHU E，et al.Distributed optimization and statistical learning via the alternating direction method of multipliers［J］.Foundations and Trends in Machine Learning，2011，3（1）：1-123.

［12］朱明旱，罗大庸.基于帧间差分背景模型的运动物体检测与跟踪［J］.计算机测量与控制，2006，14（8）：1004-1006.

［13］高岚，董慧颖，兰利宝.自适应背景下运动目标阴影检测算法研究［J］.现代电子技术，2008，269（6）：59-61.

［14］景晓军，蔡安妮，孙景鳌.一种基于二维最大类间方差的图像分割算法［J］.通信学报，2001，22（4）：71-76.

Adaptive Moving Objects Detection and Tracking Based on HSV Color Space

GAO Xiaoxu，FENG Guorui
（School of Communication and Information Engineering，Shanghai University，Shanghai 200444，China）

Grassmannian robust adaptive subspace tracking algorithm is a low-complexity and robust online algorithm for tracking subspaces from highly incomplete information.It can solve the problems of real-time separation of background from foreground in videos.In this paper，an improved pre-processing method is proposed，which can deal with the noise when indoor illumination has great changes.The new method includes a shadow detection based on HSV color space and observation of illumination changes.The foreground can be changed adaptively according to a threshold.Finally，moving objects can be tracked and noise caused by sudden illumination changes can be eliminated.The new algorithm becomes more robust to illumination changes.

separation of background from foreground；illumination change；HSV color space；GRASTA

TP277；TP391.41

A

10.16280/j.videoe.2015.10.001

许盈

2014-07-18

国家自然科学基金项目（61373151）；上海市自然科学基金项目（13ZR1415000）