应用于嵌入式视频监控系统的运动目标检测方法

戴丽丽 杜兰

摘要

在嵌入式视频监控系统中，考虑到运动目标检测算法效率以及精度的问题，文章提出了基于改进的自适应闲值混合差分的运动目标检测法，将运动目标分离出来后，再采用图像形态学滤波方法将多余的噪声点去掉。得到精准的运动目标，最终，为了能够避免虚假报警以及减少存储空间，通过面积法进行取舍图像。实验证明。此算法能够适应复杂环境变化，快速有效，并且能够完整的提取运动目标，可以很好的应用到嵌入式系统中。

【关键词】嵌入式 运动目标检测 混合差分法大律法

1 引言

现如今，人们的生活水准在不断的改善，人们对居民环境和各种公共场所的安全防范意识也在不断的增强，因此，为了关注一些人及车辆等目标的活动情况，视频监控系统的应用越来越普遍。但是视频数据量相当大，要想进行实时的视频监控还是比较困难的，从而传统的视频监控系统难以进行高效直观的监控管理。然而，随着数字图像处理技术以及嵌入式技术的的飞速发展，开发和设计一款数字化、智能化、传输数据量小、实时可靠的视频监控系统越来越多的备受人们关注。

为了保证该视频监控系统的稳健性，运动检测算法必须准确、有效。所以要想在智能系统中实际应用，就应选择计算速度尽量快，能够达到实时处理效果;并且所提取的目标尽可能完整精准，无错误目标提取的运动检测算法。

2 运动目标检测算法的研究

运动目标检测是将运动的前景从背景像中提取出来。这一过程对于后续的处理而言是至关重要的一步。常用的运动目标检测方法主要有：光流法、背景差分法和相邻帧差法等。

光流法是借助光流效应进行目标区域的检测，该方式能够较好的检测出前景目标，但计算量比较大，算法复杂费时，要求有特殊的硬件支持，对噪声及其敏感，抗造性能比较差。

背景差分法是当前应用最为普遍的一种运动区域检测和提取方法，而直接决定了运动区域检测效果的关键步骤就是背景模型的创建。背景模型的建立分为简单背景模型和高斯背景模型。简单背景模型是选取静止的一帧图像用作背景模型。如果当前帧的某一像素点与背景图像的相同位置像素点的颜色值相减得到的差值大于某个阈值时，则认为是运动目标像素点，否则认为是背景像素点。该算法比较简单、易于实现，但极易受光照和天气等外界因素干扰，并且所选取的阈值都是通过一系列的实验获得，因此不适合用于场景动态变化的情况。而混合高斯模型是最常用的检测提取方法，此方法是利用几个高斯函数加权求和来得到近似的亮度点分布，结果准确，避免了简单背景模型的缺点，能够很好地处理背景亮度有波动的情形。但这种效果的代价就是计算量会非常大，实际应用是会造成相应速度非常慢，因此不适用于嵌入式系统中。

相邻帧差法的原理是通过相邻的两帧图像相减取得运动目标区域，该算法简单，速度快，实时性强，不易受光照所影响，因此对于动态变化的环境有较强的自适应能力。但同样也存在缺点：很难检测出静止或运动速度很慢的实物，而要检测极快速度运动的物体又会使提取区域远大于目标物体的真实大小，其提取区域受到运动速度的影响很大;其次，如果物体内部有比较均匀的灰度值，这种方法将不能全部的提取出相关的特征像素点，提取出来的运动目标极易出现空洞效果，从而不利于后面的对于目标的进一步处理。但在实际应用中，简单帧差法是其他一些复杂算法的基础。

鉴于以上几种检测算法的优缺点，综合考虑算法计算量和嵌入式系统的存储容量受限等问题，本文所运用的运动检测算法是根据帧差法的缺点，以其为基础进行适当改进，提出了四帧混合差分法的概念。

2.1 算法的流程图

算法的总图流程图如图1所示。

主要是通过改进的最大类间方差法和四帧混合差分法实行运动检测分离出运动目标区域，然后将得到的二值化图像再进行逻辑或运算，最后运用形态学滤波的方法去掉噪声点，得到准确的运动目标。然后再根据运动目标的面积占整帧图像的比重来进行取舍。将阈值设定为a%（一般根据具体监控场景设定），若判定为是所监控的运动目标，便对其进行后续处理。

2.2 帧间差分法的改进一混合差分法

该混合差分法即将前三帧的图像存储下来，为了增强对前景运动物体辨别的敏感度，用相邻的第四帧分别与前三帧图像进行两两差分。具体步骤如下：

设I_t（i，j）为t时刻的图像，I_t-k（i，j）为t-k时刻所存储的图像，（i，k）为每帧图像相同像素点的位置，D_t-k^t（iJ）代表第t和t-k帧在（i，j）像素点处的的差值。通过多次实验证明k取3时利用该混合差分法对监控中的运动目标的获取是最为精确的，并且获得的目标最为完整、清晰。即：

由公式（1）获得的差值图像，利用适当的阈值判别，得到二值化图像：

对公式（2）中所得的二值化圖像采用逻辑或运算，所得到的结果就是进行混合差分后的最终图像，得：

公式（3）所得到的D（i，j）即为最终提取检测到的运动目标。

2.3 混合差分法阈值的确定

本文中的阈值T的确定采用的是自适应方法，选取准确的阈值对于完整的分割图像中的前景和背景是至关重要的。阈值的确定方法比较多，最常用的方法有迭代法、直方图法、自适应局部阈值法、最大类间方差法等。

较为理想的确定阈值的方法就是迭代法，但该方法计算量比较大，速度慢;而直方图法仅适用于图像呈现较为明显的双峰状的灰度直方图的现象;自适应局部阈值法适用于场景中有不同强度的照明，并且在图像分割时有突发噪声出现的场景下，该方法应用非常广泛，适应性强，但速度较慢，并且极易呈现伪影现象。

大律法（OTSU）是一种最大类间方差法，它是用最准确的门限值把灰度直方图分为两个部分，使两部分的类间方差值最大，即拥有最大的分离性。此方法计算简单而高效，不需要人工干预，能够满足实时性要求。具体步骤如下：设图像的灰度级在（0-255）这个区域内，灰度级i拥有n;个像素数，那么图像灰度直方图所得的概率函数为p_i=n_i/N，选取阈值T将灰度级划分为C₁=<0，1，2，…，T）和C₂=（T+1，T+2，…，255）两类，因此：

由（4）（5）（6）（7）得：

其中，ω₀是归于前景类像素的概率，μ₀为平均灰度;ω₁为归于背景类像素的概率，μ¹为灰度平均值，μ_r为整帧图像的总灰度平均值。

C₁和Cm³的类间方差为：

将（8）代入（9）得

为使类间方差B的值最大，选取最恰当的阈值T，即为最终的阈值。

由以上推导的Otsu法的推导过程表明，由于最终求得的阈值是经过对每一个灰度值都要进行方差运算，如果每一个灰度进行方差运算耗时均为T₁，则对于整帧图像中的256级灰度来说，就需要消耗256T;的时间，因此运算量还是非常大的，本文对其做了适当的改进，降低搜索时间，从而提高运算效率。

由于图像的灰度值在0～255之间，为了减少计算次数，可以选择每隔△x个灰度级计算一次（根据不同情况选取的值不同，这里△x取10），算出使类间方差g最大的值，设为t，再在区间[t-△x，t+△x]上对每一级灰度进行计算，选取最终的使8最大的t的值，即为所求。对于所求的t有两种特殊情况：

（1）若t-△x<0，则在区间[0，t+△x]上对每一个灰度进行计算。

（2）若t+△x>255，则在区间[t+△x，255]上对每一个灰度进行计算

通过此种方法进行阈值的选取，所需的时间是35T₁或45T₁，未改进的算法所需的时间是其的6到7倍，从而提高了运算速度。

2.4 形态学处理

本文中混合差分法检测速度快，但提取出的前景中不可避免地会出现一些小的空洞，这是所产生的不连续的噪声。本文采用3x3的矩形窗结构元素，为所获得的图象采用形态学处理，先膨胀后腐蚀，去除孤立的噪声点，保证像素的位置和形状固定，填补前景图像中的一些小的空洞，最终得到完整准确的前景目标。

3 算法实验与结论

为更好的观察运动检测算法的效果，本文的实验在普通的PC机上进行。实验中，检测帧数在12-15fps，基本满足实时性的需求。利用间隔差分法和本文算法进行比较，分别对一段视频序列进行处理。检测结果如图2所示。

图2是选取一段视频序列的第6帧和第25帧图像，可见间隔差分法检测到的图像信息不够完整，目标不清晰，并且会受到较大的干扰，而通过本文所提出的最大类间方差法得到阈值T后进行混合差分法来检测运动物体，并利用形态学方法进行处理去除一些不连续的的噪声点，所检测到的运动物体清晰、完整。实验证明，该算法简单，计算速度比较快，能很好的适应动态环境，检测效果清晰、完整，在实际应用中，能够较好的移植到嵌入式系统中。并在系统中通过面积法判断是否为要检测的目标物体，从而避免系统误检，造成虚假报警，并且可以减少存储的信息量，使监控工作更加实时、高效。

参考文献

[1]田小平，史蕾.视频监控中的背景提取与更新算法[J].西安邮电大学学报，2014，1，13-16.

[2]卢章平，德飞，李小蕾等.背景差分与三帧差分结合的运动目标检测算法[J].计算机测量与控制，2013，21（12）：3315-3318.

[3]李波.基于视频图像的人群检测与分析研究[D].武汉理工大学，2014.

[4]谢红，袁博，解武.LK光流法和三帧差分法的运动目标检测[J].应用科技，2016，43（03）：23-33.

[5]屈晶晶，辛云宏.连续帧间差分与背景差分相融合的運动目标检测方法[J].光子学报，2014，7（07）：219-226.

[6]盛旭锋，朱方文，李校祖，庄俊.基于三帧时间差分法的独居老人运动检测[J].计算机工程与应用，2010，46（13），239.