基于帧间差分和背景相减的运动目标检测和提取算法研究

基于帧间差分和背景相减的运动目标检测和提取算法研究

付浩海，边蓓蓓

(长春工程学院计算机技术与工程学院，长春130012)

主要研究数字图像处理和计算机视觉等。

摘要：对比分析了常用的图像目标检测算法，根据其各自优缺点，提出了基于帧间差分和背景相减相结合的运动目标检测和提取算法。详细介绍了基于上述算法的运动目标检测的全过程，并准确地检测出了运动目标。通过对实验结果进行分析表明，该算法既避免了背景相减法因背景变动导致的目标提取不准确，又避免了帧间差分法的运动目标不完整，能够有效去除噪声和阴影，具有良好的检测效果。

关键词：运动目标检测；帧间差分；背景相减；高斯模型

doi:10.3969/j.issn.1009-8984.2015.03.028

收稿日期：2015-07-22

作者简介：付浩海(1982-)，男(汉)，山东临沂，硕士

中图分类号：TP391献标志码：A

0引言

图像目标检测，即把感兴趣的事物(目标)从背景中分离提取出来，是对图像序列中的目标进行跟踪的前提，目标检测结果的正确性对后续的图像分析、图像理解等工作的顺利开展具有决定性的作用，所以，能否将目标从图像序列中准确检测出来，是后续工作能否成功的关键所在。

图像目标检测算法和其他图像处理和分析算法一样，往往都是基于特定应用场景的，暂时尚不存在一种通用的目标检测算法。大体可分为以下几类：基于阈值分割的目标检测；基于颜色分割的目标检测；基于运动信息的目标检测；基于轮廓的目标检测和基于特征匹配的目标检测等[1]。其中，基于运动信息的目标检测根据实现方法的不同又可分为光流法、背景相减法和帧间差分法。光流法根据各个像素点的速度矢量特征，对图像进行动态分析，当目标与背景的速度不同时，能够检测独立运动的目标，但光流法易受孔径和光照引起的噪声干扰，运算量大，不适合实时处理。背景相减法是利用当前帧图像与预先准备的背景图像进行减法运算，并提取运动区域的目标检测方法，但当图像前景目标与背景灰度近似时，背景相减法就会存在很大的误差，导致目标检测失败。帧间差分法一般通过判断相邻2帧或若干帧图像之间的像素灰度值之差来发现运动目标。其主要优点是算法易于实现，并且对背景或光照的缓慢变化不太敏感，对目标运动的检测灵敏度较高。错在综合分析以上几种各自独立算法的基础上，笔者重点研究了一种基于帧间差分和背景相减法相结合的运动目标检测算法。

1运动目标检测的过程

1.1　背景建模

单高斯背景模型认为随时间的变化每一像素点F的值是随机出现的，且服从高斯分布F～N(μ,σ2) ，其中μ和σ(σ≥0) 分别表示某个时刻高斯分布的均值和标准差。这2个参数值可分别用式(1)表示：

(1)

由于视频图像中，相邻2帧之间的时间跨度很短，所以图像背景的变换是缓慢的。相对于背景，运动区域的像素点变化比较明显。我们可以对背景帧图像中的每个像素使用混合高斯方法建模[2]，混合高斯方法建模是利用多个服从高斯模型分布的图像中每一个像素点的特征，在前后2帧图像切换时对混合高斯背景模型进行调整，然后将当前帧图像中的每一个像素点与调整后的混合高斯背景对应点的像素比较，灰度值差异超过特定阈值的像素点视为目标，反之作为背景。

1.2　变化区域检测

帧间差分能够检测出相邻2帧间发生了变化的区域。当场景中目标运动时，帧与帧之间会出现较为明显的差别，2帧相减，得到2帧图像灰度差的绝对值，判断它是否大于特定阈值来分析图像序列的运动特性，确定图像序列中有无物体运动。具体过程如下：假设fk(x,y)和fk-1(x,y)是相邻的2帧图像，将这2帧图像做差分处理，一般采用灰度值做差分计算，见式(2)。

(2)

式中Dk(x,y)为差分图像。

然后对差分图像用式(3)进行二值化处理，表示出变化区域和背景区域。

(3)

1.3　运动目标检测

将二值化的差分图像Bk(x,y)中的像素点用各自的高斯模型去拟合，针对背景区域进行背景模型调整，而变化区域的像素点用第k帧之前的第k-1帧的对应像素点(在前一帧中此处属于背景区域)代替，从而产生了更新后的高斯背景模型，再利用新的高斯背景模型基于背景相减法进行运动目标的检测。

2算法步骤

当镜头位置恒定不变(或变化很小)的情况下，算法流程图如图1所示，具体步骤说明如下：1)获取背景模型信息，初始背景模型一般选为目标尚未出现的某一帧图像。2)选取视频中的相邻2帧，分别记为fk-1(x,y)和fk(x,y)，使用式(2)计算灰度差。3)对得到的绝对灰度差图像进行中值滤波。中值滤波器是一种非线性的基于统计的空间滤波器，它是将像素(在中值计算中包括的原像素值)邻域内灰度的中值代替该像素的值[3]。中值滤波能够有效去除图像中的脉冲噪声(椒盐噪声)，计算速度快且能较好地保持图像的边缘信息。4)对滤波后的图像，选取合适的阈值T按式(3)进行二值化处理。5)得到二值图像后，借助数学形态学中的腐蚀和膨胀算子，进一步平滑目标边缘，去除背景中的小尺度噪声区域。6)区域连通操作。借助恰当的连通算子对目标区域进行处理并标记，也可以在这一步骤中设定一个区域面积的阈值，进一步对区域进行滤波，去除小面积的区域，使目标易于检测。7)画出各连通区域的外接矩形。可以把矩形内的区域理解成目标所在的区域，矩形外的区域用于背景更新。8)背景模型更新。9)通过背景相减获得目标信息，再与帧间差分组合。10)进行第2次形态学操作，提取运动目标。

图1　检测算法基本流程图

3实验结果

本文实验图像序列是一段在显微镜下拍摄的生物细胞的运动图像，图像大小为874×654像素，处理速度约为21帧/s，接近实时要求。实验平台为普通的PC, Pentium4 3 GHz CPU,4 G内存。首先对待处理的视频进行逐帧提取，得到各帧对应的图像。算法使用Matlab实现。

为了显示检测算法的有效性，图2给出了图像序列的实验效果图。其中,图2(a)是原始图像序列中的一帧图像，图2(b)是第1次形态学处理后的结果图像，图2(c)是对检测后的目标进行标注的图像，图中显示了符合特定要求的目标矩形区域。

4结语

本文探讨了一种基于帧间差分和背景相减的运动目标检测算法，首先运用帧间差分法检测出目标运动区域，然后采用混合高斯背景模型的背景相减法提取运动目标。实验结果表明，该算法既避免了背景相减法因背景变动导致的目标提取不准确，又避免了帧间差分法的运动目标不完整，能够有效去除噪声和阴影，具有良好的检测效果。本文提出的算法的局限性在于对于较复杂的运动场景中目标的检测还不是很理想，在如何采取更有效的背景建模方法方面还有待探索和研究。

图2　试验结果示意图

参考文献

[1] 李静,王军政.图像检测与目标跟踪技术[M].北京:北京理工大学出版社,2014.

[2] Wang Lu, Wang Lei, Wen Ming, et al. Background subtraction using incremental subspace learning [C]//Image Processing,2007.ICIP 2007.IEEE International Conference on.San Antonio.USA: IEEE,2007:45-48.

[3] Rafael C Gonzalez,Richard E Woods.数字图像处理[M].3版.阮秋琦,阮宇智,等,译.北京：电子工业出版社,2011.

[4] Meier T, Ngun K N. Video segmentation for content - based coding [J]. IEEE Trans. on Circuit s and Systems for Video Technology, 1999, 9 (8):1190-1203.

[5] 朱明旱,罗大庸,曹倩霞.帧间差分与背景差分相融合的运动目标检测算法[J].计算机测量与控制,2005,13(3),215-217.

[6] 王静静,林明秀，魏颖.基于灰度相关的帧间差分和背景差分相融合的实时目标检测[J].中南大学学报：自然科学版，2009, 40(1), 142-148.

[7] 陈超, 杨克俭. 基于改进的单高斯模型的运动目标检测方法[J]. 微型机与应用,2010, 29(24):39-42.

[8] 刘衍琦，詹福宇.MATLAB图像与视频处理实用案例详解[M].北京:电子工业出版社,2015.

A study on moving target detection and extraction algorithm based on

frame differencing and background subtraction

FU Hao-hai, et al.

(SchoolofComputerTechnologyandEngineering,ChangchunInstituteofTechnology,

Changchun130012,China)

Abstract：This paper makes a comparative analysis to the normally used moving targets detect algorithm. According to their advantages and disadvantages, a moving target detection and extraction algorithm based on frame differencing and background subtraction is presented. It detailedly introduces the whole process of moving target detection based on the above algorithm, and detects the moving target in high accuracy. The experimental results show that the algorithm can not only avoid the inaccuracy of target extraction caused by the variation of the background, but also avoid the disintegration of the moving target caused by frame differencing. It can eliminate the noise and shadow and show great effectiveness in target detection.

Key words：moving target detection; frame differencing; background subtraction; Gaussian model