基于动态阈值对称差分和背景差法运动对象检测算法.docVIP

基于动态阈值对称差分和背景差法运动对象检测算法 　　摘要:提出一种基于动态阈值对称差分和背景差法的运动对象检测算法。首先通过建立一个基于统计的可靠背景更新模型，由背景差法得到基本准确的前景图像;然后与用对称差分法得到的差分图像综合;最后得到完整可靠的运动目标图像。中间采用了一种动态的最优阈值获取方法，然后用形态学滤波和连通区域面积检测进行后处理，以消除噪声和背景扰动带来的影响，并用区域填充算法来填补目标区域的小孔，从而将视频序列中的运动目标比较可靠地检测出来。实验结果表明，该方法快速#65380;准确，有一定的实际应用价值。 　　关键词:背景差; 对称差分; 背景模型; 运动检测 　　中图分类号:TP391文献标志码:A 　　文章编号:1001－3695(2008)02－0488－03 　　 　　0引言 　　 　　在计算机视觉系统中，运动对象的检测与分割有着非常重要的应用，如视频监控[1，2]#65380;图像压缩[3]#65380;多媒体索引[4]和对象的识别跟踪[5]等。精确的运动对象分割可以极大地提高运动对象跟踪#65380;识别和分类的性能。在进行运动对象检测时，通常有三种方法，即光流法#65380;时间差法和背景差法。 　　光流法[6]是在不需要背景区域的任何先验知识条件下就能够实现对运动目标的检测和跟踪。但是，光流法的计算量非常大，对噪声比较敏感且对硬件要求比较高。时间差法[7]是对连续图像序列中的两个或三个相邻帧计算基于像素的时间差分，并进行阈值化处理来提取出图像中的运动区域。该方法能够适应环境的动态变化，实现实时的运动检测。但如果运动目标上像素的纹理#65380;灰度等信息相近，通常只能得到部分运动信息。文献[8]对时间差法进行了改进，利用相邻三帧图像先差分再求和，获得比时间差法更好的运动分割结果。但运动目标在很多情况下仍不完整。背景差法[9~15]是目前运动分割中最常用的一种方法。它是利用当前图像与背景图像的差分来检测出运动区域的一种技术。该方法基本克服了时间差法的缺点，但对于动态场景的变化(如光照和外来无关事件的干扰等)比较敏感。当在运动目标部分位置灰度和背景差异不大的情况下使用该法检测时，相应位置可能会被漏检。 　　背景差法的关键在于背景图像的初始化和更新。一种经典的背景图像获取方法是时间平均法，即对一段时间内的图像序列求和再平均，获得一帧近似的背景图像。但这种方法容易将前景运动目标混入到背景图像中，这种现象叫混影现象(blending)。另外，通过建立背景模型法[9，10]并采用自适应方法对模型参数进行调整，从而可以获得背景图像。C.Stauffer等人[9]采用k个混合高斯(mixture of Gauss，MOG)模型(k取3~5)表示背景像素的分布规律。每个像素灰度用k个混合加权的高斯分布表示。这种多高斯的分布模型能够在一定程度上表示树枝的抖动或背景的微小变化，但该算法需要大量的运算时间和不能检测运动阴影。为了克服MOG模型的缺点，A.Elgammal等人[10]提出非参数方法来估计背景的概率密度函数，采用核密度估计来表示图像序列上一个像素的邻近样本颜色的概率密度。由于不是采用少数几个高斯分布表示背景分布，而是针对邻近的几十个样本都建立一个高斯核函数，该方法具有更高的鲁棒性。但其缺点是计算效率较低。 　　另外还有一种不同的构建背景的方法，就是从过去的一组观测图像中按照一定的假设选择像素灰度构成当前的背景图像。W.Long等人[11]提出了一种自适应平滑算法。他们认为在一段图像序列中，像素点处于稳定状态最长的灰度值是背景像素灰度值。但如果前景运动目标运动较慢或者在一段时间内暂时处于静止状态时，稳定状态最长的灰度值往往是前景目标，此时就会产生错误结果。B.Gloyer等人[12]假设在训练阶段背景至少在50%的时间内可以被观测到。由此提出了中值法(median)，即将图像序列中处于某个像素点中间的灰度值认为是该点的背景像素灰度值。侯志强等人[13]提出了一种基于像素灰度归类的背景重构算法(pixel intensity classification algorithm，PICA)。该算法连续求解相邻两帧图像对应像素点的灰度差，利用该灰度差对该像素点灰度进行归类，最后选择频率最高的灰度值作为该点背景像素的灰度值。Tao Yang等人[14]提出了一个基于统计的方法来构建背景，其利用运动对象像素值的变化比背景像素值快的特点，通过像素级和帧级一起来初始化背景以及背景的更新。 　　针对以上问题，本文提出了一种基于动态阈值对称差分和背景差法的运动对象检测算法。它首先通过对称差分，能较好地提取出中间帧运动目标的形状轮廓;然后采用文献[14]中提出的运动对象像素值的变化比背景像素值快的特点