采用背景特征信息的实时运动目标检测方法.docVIP

采用背景特征信息的实时运动目标检测方法 　　摘要：运动目标检测是固定摄像机智能视频监控的重要研究内容，针对现有方法难以均衡时间复杂性与检测效果的不足，提出一种新方法：利用视频背景信息划分目标出现区域，在小范围目标出现区域内采用Canny算子检测运动目标，在目标出现区域外，根据目标运动的连续性，结合前一帧检测出的运动目标，自适应检测当前帧的运动目标。实验结果证明，该方法不仅具有较高的准确性，而且能够满足实时性要求。 　　关键词：智能视频监控 运动目标检测 区域划分 视频背景信息 固定摄像机 　　1 概述 　　目前，基于减背景（如时间差分法、运行期均值法和混合高斯模型）和基于目标特征（如颜色特征、边缘特征和运动特征）是固定摄像机监控视频中运动目标检测的常用方法。但现有方法通常在时间复杂性和检测效果之间难以达到较好的均衡。 　　为满足实时性，针对10帧/秒的视频序列，每帧图像的处理时间不超过100毫秒，并需为目标跟踪和事件检测等预留时间。因此，在实时性的约束下，运动目标检测的处理时间十分有限。运行期均值法RA（Running Average）[2]是目前在实时性约束下的常用方法，但其对减背景阈值的设定和光照条件的变化比较敏感。 　　为了弥补RA的不足，本文提出ODBAP（Object Detection Based on Area Partition）检测方法，该方法是一种基于区域划分对运动目标进行检测的方法。其基本思路为：在处理监控视频的过程中，对视频背景的地形、道路等信息进行充分的利用，在视频背景中通过手工操作的方式对目标出现的区域进行锁定，即锁定视频背景中运动目标所在的区域，同视频背景区域相比，目标出现的区域要小很多。因此，对目标出现区域内的运动目标进行检测，通过Canny算子对边缘信息进行提取，时间效率受到的影响微乎其微；基于视频序列中帧率的快速性，在相邻的两帧之间运动目标大同小异，如果运动目标移出目标出现区域，可以在减背景获得的差异图像上，利用目标运动的连续性，根据运动目标在前一帧被检测出的区域，自适应检测运动目标在当前帧的区域。ODBAP对输入参数和光照条件变化不敏感，时间复杂性低，并能更有效地抑制噪声和检测出完整的运动目标。 　　2 基于区域划分的运动目标检测ODBAP 　　2.1 目标出现区域的划分及背景图像的获取 　　在指定位置装设固定摄像机后，那么相应的监控区域也就固定。所以，基于视频背景划定的目标出现区域，在一定时间段内是固定不变的。由于建筑布局、地形等因素对实际监控造成的影响和制约，运动目标只能从监控区域的边界等特定区域进入视频背景。在图1（a）（b）中目标出现区域是监控区域边界处的闭框。在实际监控过程中，若监控区域存在遮挡物，目标出现区域也可以是遮挡物的边界。监控视频图像的实例如图1（a）所示，对目标出现区域内（外）运动目标的检测步骤进行设计。 　　■ 　　（a） （b） 　　图1 目标出现区域的划分 　　本文采用RA获取背景图像，也就是采用Bt+1（x，y）=λIt（x，y）+（1-λ）Bt（x，y）的更新方式，It（x，y）为t时刻当前图像（x，y）处的像素亮度，Bt（x，y）为t时刻背景图像中（x，y）处的像素亮度，Bt+1（x，y）为t+1时刻背景图像中（x，y）处的像素亮度，λ表示背景学习率，取值一般是0.03。 　　2.2 目标出现区域内运动目标的检测 　　图2（a）的图像与图1（a）中的实例相对应，其中存在目标进入目标出现区域，图2（b）中的背景图像与图2（a）相对应。图2（a）中实际场景的背景纹理较为平滑，背景图像中的边缘信息很少。因此，可将图2中的（a）、（b）两帧图像作对比来检测目标出现区域内的运动目标。将“0-255”二值图像I中像素x的值用I（x）表示，检测流程分为三步： 　　①借助Canny算子提取目标出现区域内（a）、（b）两帧图像的边缘信息，并用二值图像I1、I2分别作标示，如图2（d）（e），通过3×3结构元素的膨胀算子对I2进行一次处理后得到I3，进而取得二值图像I4，即去除背景边缘的运动目标边缘（参见图2（f））（对？坌像素x，如果I1（x）=255、I3（x）=0，那么I4（x）=255，否则I4（x）=0）。设定阈值T，若I4（x）=255的像素个数稀少，即像素个数比阈值T小，则判定目标出现区域内不存在运动目标，随即进入下一道检测流程。 　　■ 　　②若I4中的运动目标边缘呈完整闭环，可通过图像填充手段来确定完整的运动目标，I4中图像边缘未呈闭环状是因为受到了噪声及I3（背景边缘）的影响。一系列1个像素宽的连通曲线以8邻接的形式构成了I4中的闭环图像；图3（a）属于图2（f）中的一条连通曲线，从图3（a）中可以看出，它的红色