基于图像分块重建运动目标检测.docVIP

基于图像分块重建运动目标检测 　　[摘要]运动目标检测是图像理解的关键问题之一，人们通常采用背景法去除背景而获取运动目标前景。其中的背景重构是其中的关键。现有的背景重构算法很难同时满足实时性与鲁棒性的要求。提出基于图像分块重建的运动目标检测方法，首先将图像合理划分为若干个子块，通过帧差法得出子块的运动能量，据此判断出子块属于背景还是目标前景，再根据背景子块估计出背景图像。在背景更新阶段，根据图像4个角上子块（角块）的邻帧差分值来对场景的光线变化进行判断从而决定是否需要进行背景更新。将上述算法应用于一个人体目标检测中。实践证明，该方法具有较好的实时性与鲁棒性。 　　[关键词]帧差法 分块重建 背景重构 　　中图分类号：TP2 文献标识码：A 文章编号：1671－7597(2008)0820029－03 　　 　　一、绪论 　　 　　运动目标检测是图像理解的关键问题之一。运动目标检测中最常用的就是背景差法，即通过图像与背景作差分，而去除背景而获得目标前景。它广泛应用于视频监控，人机交互，交通辅助，机器人视觉等领域。应用背景差法进行运动目标检测的前提是需要进行准确的背景重构。在实际应用中，环境中的光照、阴影的变化、不同季节的变化、背景中景物的改变和摄像机位置的微小偏移等等都会造成背景的改变。因此，背景重构算法必须能够自适应地来适应新的环境。 　　在工程实践中，最常用的背景重构算法有时间平均法(time-averaged background image，简称TABI)，即对一段时间中的图像序列求和再平均，获得一帧近似的背景图像，这种方法复杂度低、实时性好，但是它容易将前景运动目标混入到背景图像当中，产生混合现象，从而影响运动目标的分离效果。近年来，许多研究人员都致力于开发不同的背景模型，以期减少动态场景变化对于运动分割的影响。例如Haritaoglu在文献中利用最小、最大强度值和最大时间差分值为场景中每个像素进行统计建模，并且进行周期性的背景更新。McKenna在文献中利用像素色彩和梯度信息相结合的自适应背景模型来解决影子和不可靠色彩线索对于分割的影响。Karmann与Brandt、Kilge在文献中采用基于卡尔曼滤波建立自适应背景模型以适应天气和光照的时间变化。Stauffer与Grimson在文献中利用自适应的混合高斯背景模型，并且利用在线估计来更新模型，从而可靠地处理了光照变化、背景混乱运动的干扰等影响。上述方法可以取得较好效果，但是实时复杂度较大，不太适合应用于实时性要求较高的场合、如视频监控等。 　　本文中提出了一种基于分块目标重建的运动目标检测算法。首先按一定的约束条件合理将图像划分为若干子块，通过帧差法获得子块能量特性，据此将子块区分为背景子块与前景运动目标子块，根据背景子块集合获得场景的背景估计。在背景更新阶段，根据图像4个角上子块（角块）的邻帧差分值来进行判断场景的光线变化从而决定是否需要进行背景重构。将上述算法应用于一个人体目标的监控场景中。实践证明，该方法具有较好的实时性与鲁棒性。 　　 　　二、基本原理 　　 　　场景目标、背景模型，视频序列图像可视为由前景层和背景层两个层次叠加而成，对单目标情况即为： 　　 　　其中，为整个静止背景在第k帧的部分展现，这里，背景层定义为静止的场景部分； 为第k帧中对应的运动目标区域，称为运动层。则对于多目标情况背景层可表达为： 　　 　　背景估计就是得到无任何目标在其内的客观真实背景IB(x，y)(Ideal Background)，则可以通过帧差法将各帧与背景差分，消除k帧中 部分，从而得到。显然，这种方法理论上不存在运动误差现象。因此，获得精确运动目标区的关键是通过图像序列估计出客观真实背景。 　　由公式2-1可知，若利用某种合理约束准则，估计出第k、k+1帧中的共同背景子区域 第k+1、k+2帧中共同背景子区域 　　…，第N-1、N帧的共同背景子区域 ，则可利用式公式(2-3)来逼近、重建理想背景IB(x，y)。 　　 　　 　　公式中的“”为图像拼接算子，表示将k、k+1帧中共同背景 　　拼接到已估计背景中。 　　算法研究的关键问题在于以下三个方面： 　　（1）图像区域的划分。（2）背景区域的判定。（3）背景更新。 　　 　　三、图像区域的划分 　　 　　本文通过图像分块，用图像子块来代表上述的图像子区域。子块的大小划分及子块是否为帧间共同的背景子区域的判断都与场景情况、场景目标与背景的定义有关，本文以一个人体目标的监控场景为例来说明图像区域划分的方法与原则。 　　（一）场景模型 　　根据本文研究的应用场景情况，本文所指的场景、背景、目标情况分析如下： 　　1．场景拍摄方式为垂直向下正对行人通行的监视