2024年6月14日发(作者：)

基于时空特性的运动目标检测算法研究

张明艳;许钢;孟樱

【摘 要】采用时序分割虽然能够检测到运动目标区域,却不能准确地提取出目标轮

廓.本文提出了基于时空特性的运动目标检测算法.由背景减法检测到运动目标的位

置、形状、大小信息,然后采用以彩色梯度为外部能量的活动轮廓(snake)算法获得

准确的运动对象轮廓.实验证明,本算法能够很好地提取出运动目标.

【期刊名称】《安徽工程大学学报》

【年(卷),期】2013(028)004

【总页数】4页(P58-61)

【关键词】目标检测;时空特性;彩色梯度

【作 者】张明艳;许钢;孟樱

【作者单位】安徽工程大学电气工程学院,安徽芜湖241000;安徽工程大学电气工

程学院,安徽芜湖241000;安徽工程大学电气工程学院,安徽芜湖241000

【正文语种】中 文

【中图分类】TN919.8

动态图像中运动目标的检测在监视系统[1]、交通监管控制[2]、识别与跟踪[3-5]等

领域有着十分重要的应用．由于受到室内外环境(如遮挡、室内物品的摆放、物品

的增加，天气变化等)以及运动对象进入背景后所做的短时或长时间停留等的影响，

使得从监控图像中正确地判断出运动对象成为目标检测领域的研究热点.常用运动

对象检测方法有3种：光流法[6]、帧差法[7-8]及背景减法[9-10]．上述3种方法

在运动目标检测中都具有各自的优势和不足，或从时间域出发或从空间域出发进行

目标的检测，这些方法有的能够确定运动目标的区域，却难以获得准确的对象轮廓，

有的能够得到运动目标的准确信息，但在背景图像的建立上存在难度．

本文在背景减法的基础上提出一种新的基于时空交替处理的方法对运动目标进行检

测．首先，利用视频图像的统计特性得到背景模型，即在[0，T]时间内统计固定像

素点在相邻图像序列中的亮度值，通过观测发现背景像素点的亮度值具有短时不变

性，在连续的时间段里也具有变化缓慢的特点．连续获取多帧图像对每个像素点取

该点亮度值的中值作为该点的背景值，从而建立起背景模型，恢复出背景图像，背

景的更新可以通过监测各相素的亮度值变化实时进行．其次，将当前帧与建立的背

景相减实现运动目标的分割，并对分割结果进行形态学处理．最后，以分割出的运

动对象区域的边缘为初始位置，使用梯度算法获取准确的运动目标轮廓．

1 背景模型的建立

当有运动目标进入监控区域时，目标区域像素的亮度值会发生跃变．此时，将当前

图像帧与背景帧相减即可得到像素亮度变化的区域，若亮度值的变化小于预设阈值

T，则可能是由于内外环境的微变引起的，可以判定未有运动对象进入监视区

域．若结果大于预设阈值T，则判定有运动对象进入监视区域，且可以确定出运动

目标的位置、大小、形状等信息．背景减法结果的好坏取决于背景模型是否准确，

当环境因素导致监视区域亮度值变化时背景的更新是否及时．所以，一个准确的背

景模型及实时更新过程是背景减法成功的关键．

背景模型的建立受运动目标数目、运动速度及运动目标在背景中停留时间的影

响．为了研究的需要，假设本文所提出的背景模型建立符合以下要求：①监控区域

中运动对象的数目较少且对象运动速度正常；②运动对象在监控区域中只作短时停

留或不作停留．上述假设对于监控系统的运动对象检测是合理的．

首先，通过连续采集多幅监控区域图像，利用相邻图像帧之间的相关性进行统计得

到背景图像，即在[0 T]时间内记录像素点在相邻图像序列中的亮度值，通过观测

发现若没有干扰对象存在，背景像素点的亮度值将具有短时不变性，在连续时间段

里也具有变化缓慢的特点．因此，可以连续获取多帧图像,对每个像素点取该点亮

度值的中值作为该点的背景值，从而建立起背景模型，恢复出背景图像．

图1 亮度变化曲线及统计直方图

其次，对点(x,y)像素的亮度值跟踪统计，设I(x,y)为像素点(x,y)处的亮度值，则在

[0 T]的时间段内，每隔T/m记录(x,y)处的亮度值，得到m点该像素的亮度值．如

图1a所示，只有在运动对象通过该点时，像素的亮度值才发生跃变．同时，在一

段时间内没有运动目标干扰的情况下，亮度值主要集中在很小的一个区域，如图

1b所示．因此，间隔时间T对背景进行一次更新可以保证背景的准确性．

图2 初始化背景图像

根据上述方法建立监视区域的背景图像，通过连续采集多帧图像恢复出背景图像，

如图2所示.图2a为没有干扰目标出现时采集到的图像帧，图2b为有干扰目标存

在时的图像帧，通过不断地采集多幅图像进行统计处理，最终得到背景图像如图

2c所示．

在自然光线充足时获取的图像动态范围合理，能够得到对比度高的背景图像与当前

图像，一旦有运动目标存在当前图像帧中，目标与背景的灰度值变化明显，运用背

景减法能够将运动目标的区域定位出来．当光线由强变弱时，背景与运动目标的灰

度值上的差距也会慢慢降低，当光线暗到一定程度时，背景与目标将融为一体，此

时，即使当前图像中有运动目标存在也无法区分出来.针对光线变暗检测效率低的

问题，本文以图像的平均亮度F为参考值，当F低于门槛值时，通过对比度增强

的方法，采用同态滤波处理将图像的动态范围进行扩展，突出背景和目标的差别.

这种方法在没有辅助光线的情况下，能够将背景减法的有效工作时间拉长.但是，

随着光线减弱，背景与采集图像的灰度级降低，此种方法也会失去作用，此时只能

通过增加辅助光线来完成对目标的检测．

2 运动目标检测

背景减法是通过比较当前图像和背景图像中对应象素点的差值，如果差值大于预设

阈值，则判定该象素为前景运动目标的组成象素．用来比较的量可以是颜色、灰度、

亮度等.本文采用亮度值相减的结果与阈值相比较来检测目标区域，检测规则如下：

(1)

其中，In(x,y)、Bn(x,y)表示当前帧和背景帧在点(x,y)处的亮度值，T为阈值．最终

得到只包含运动目标的图像．T的选取与具体的实验环境有关，目前对阈值的选取

主要靠经验．

背景的扰动、光线的变化以及阈值设定会使检测结果中出现一些本是背景区域的象

素点被检测成为运动对象，通常这些区域面积较小且在分布上是不连通的，可以使

用3×3的矩阵算子对结果图像R(x,y)进行形态学处理，对误检测运动对象区域进

行补偿.可以采用计算各个目标区域面积的方法，通过抛弃面积小于规定值的区域，

得到只包含运动对象的区域．

3 对象轮廓的确定

在对运动对象的判定过程中，运动对象与背景像素差值较低及检测方法本身的误判

等因素，都会导致检测所得到运动对象的轮廓区域并不一定能准确地与实际对象的

轮廓相符．为了克服这一问题，本文使用基于梯度的活动轮廓算法(snake)[11]来

提取更准确的对象轮廓．snake是一种弹性曲线，用参数描述为：

v(s)={x(s),y(s)},s∈[0,1](s为归一化的曲线长度)，其总能量函数为:

(2)

其中，Eint为内部能量，它控制曲线的平滑特性，定义为：

Eint=α|dv/ds|2+β|d2v/d2s|2 ,

(3)

其中，dv/ds和d2v/d2s分别为曲线的一阶导数和二阶导数，α,β分别控制曲线

的张度和弯曲度．

Eext为外部能量，它将曲线吸引到特定的图像特征点上．一般根据具体的应用来

定义外部能量．为了获得精确的对象轮廓，本文用图像的彩色梯度来定义snake

的外部能量，即：

Eext=-γ|Gcol|2 ,

(4)

其中，γ为外部能量的权重，Gcol为在YCbCr空间定义的图像彩色梯度，令

Gy,Gb和Gc为图像在Y，Cb和Cr分量上的梯度图(可用canny等梯度算子[12]

计算)，由于这3个梯度图的取值范围并不一致，先将它们标准化至[0，1]区间得

到和再计算彩色梯度Gcol：

(5)

图3 对象轮廓提取

其中，wy,wcb,wcr分别为3个分量的权值．在实验中，用对象区域的边缘作为

snake的初始位置，取wy=0.5,wcb=wcr=0.25,α=β=γ=2.0,采用文献[13]中的贪

婪算法快速求解snake的最小能量.对象轮廓提取的结果如图3所示.

4 实验结果

图4 运动对象序列

为了检验本文算法的有效性，图4a前两幅图像是监控区域没有运动对象出现时，

通过连续采集30帧图像，得到背景图像.当采集过程中，有运动目标进入监控区域

时也可以通过连续采集多帧图像的方式得到背景图像.从背景图像中可以看到，背

景中并没有运动目标的出现，可以证明本文所提出的背景更新方法是合理的．图

4a后两幅图像是在光照不充分的条件下获得的背景图像．图4b前两幅图像是光

照合理的情况下采集到含运动对象的监控图像，而图4b的后两幅图像同样是在光

照不足时采集到的图像，可以明显看出目标与背景之间的对比度低.通过本文算法

进行目标检测后，可以将目标清晰的分割出来，对对比度低的图像采用文中所采用

的增强方法进行增强后再进行目标分割，也得到了较好的效果．由实验结果可以看

出，与帧差法、背景减法算法相比，本文算法能够对运动目标准确、完整、快速地

提取，能够自适应环境变化，且具有较高的鲁棒性，具有较高的应用价值．

5 结论

本文从图像时间域与空间域的特性出发，首先，提出一种改进的背景模型及背景更

新方法.其次，通过背景减法确定出运动目标区域以snake算法提取出运动对象精

确、完整的轮廓．在这一过程中，由于光照的变化和光强的减弱导致背景模型失效

给予及时的补偿，充分利用了像素亮度值整体由暗到亮到暗缓慢变化以及在此过程

亮度不会有跳跃性变化的特点，通过监测区域像素亮度变化只在亮度变化值超过一

定门槛时才对背景进行更新．对于目标与背景亮度接近导致的背景与目标无法区分，

本文加入了图像增强算法，通过采用同态滤波增强将图像动态范围加大，提高图像

亮度，突出背景与目标的区别，使目标能够从背景中分离出来．图4给出本算法

处理结果，通过采集多幅监控区域图像，当有运动目标出现时能够快速地确定出运

动目标区域，对于同时存在的虚假、干扰目标区域通过形态学处理，将小的、不连

通的区域消除.从结果来看，目标区域一旦确定采用snake算法能够将目标完整提

取，相较其他算法，本算法提取出的目标更完整、边缘更清晰．本算法仍然具有不

足，对不同监控环境背景更新阈值的设定不同，并且随着时间的累积会产生累积误

差使虚假区域面积增加，怎样让阈值具有自适应的特点是本文的后续研究重点．

参考文献：

[1] Collins R,Lipton A,Kanade T.A System for Video Surveillance and

Monitoring[J]. CMU-RI-TR-00-12,Robotics Institute,Carnegie

Mellon University,2000(5):12-18．

[2] Koller D,Daniilidis K,Nagel -based Object Tracking in

Monocular Image Sequences of Road Traffic Scenes[J].International Journal

of Computer Vision,1993,10(3):257-281.

[3] I Haritaoglu,D harwood,L S le people detection and

tracking using silhouettes[J].Second IEEE Workshop on Visual Surveillance

FortCollins,Colorado,1999,10(4):6-13.

[4] 刘亚，艾海舟，徐光佑.一种基于背景模型的运动目标检测与跟踪[J].信息与控

制,2002,31(4):315-319.

[5] T Olson,F Object Detection and Event Recognition

Algorithms for Smart Cameras[J]. Image Understanding

Workshop,1997(5):159-175.

[6] Barron J,Fleet mance of Optical Flow

Techniques[J].International Journal of Computer Vision,1994,12(1):72-77.

[7] Lipton A,Fujiyoshi H,Patil Target Classification and Tracking

from Real-time Video[J]. WACV'98,1998(3):8-14.

[8] 关海英,阮秋琦.序列图像中运动目标检测[J].铁道学报,1996(6):33-38.

[9] Stauffer C,Grimson ve Background Mixture Models for Real-

time Tracking[J].Proceedings of IEEE Computer Society Conference on

Computer Vision and Pattern Recognition，1999,2(6):248-252.

[10] Piccardi ound subtraction techniques:a review[J].Computer

Vision Group,University of Technology Sydney,NSW,AUstralia,2004(4):3

099-3 104.

[11] Kass M,Witkin A,erzopoulos :Active Contour Models[J].Klywer

Academic Publishers,International Journal of Computer

Vision,1988,1(4):321-331.

[12] Sonka M,Hlavac V,Boyle Processing,Analysis and Machine

Vision[M].Wyoming Nelson:Engineering,2007:334-354.

[13] Williams D J,Shah M.A Fast Algorithm for Active Contours and

Curvature Estimation[J].CVGIP:Image Understanding,1992,55(1):14-26.