2024年6月14日发(作者：)

第２８卷第４期　

安徽工程大学学报　

Ｖｏ１．２８．Ｎｏ．４　

２０１３年１２月　

Ｊｏｕｒｎａｌ　ｏｆ　Ａｎｈｕｉ　Ｐｏｌｙｔｅｃｈｎｉｃ　Ｕｎｉｖｅｒｓｉｔｙ　

Ｄｅｃ．。２Ｏ１３　

文章编号：１６７２—２４７７（２０１３）０４—００５８—０４　

基于时空特性的运动目标检测算法研究　

张明艳，许　钢，孟　樱　

（安徽工程大学电气工程学院，安徽芜湖　２４１０００）　

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．　

关键词：目标检测；时空特性；彩色梯度　

中图分类号：ＴＮ９１９．８　文献标识码：Ａ　

动态图像中运动目标的检测在监视系统　］、交通监管控制　］、识别与跟踪＿３　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　、帧差法　。　及背景减法　］．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丁］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．　

收稿日期：２０１３—０３—０７　

基金项目：安徽工程大学青年基金资助项目（２０１０ＹＱ０３６）；安徽省教育厅产学研重点基金资助项目（ＫＪ２Ｏｌ１Ａ０３５）　

作者简介：张明艳（１９７９一），女，山东烟台人，讲师，硕士．　

第４期　张明艳，等：基于时空特性的运动目标检测算法研究　

其次，对点（ｚ，　）像素的亮度值跟踪统计，设　

Ｉ（ｘ，　）为像素点（ｚ，　）处的亮度值，则在Ｅｏ明的　

时间段内，每隔Ｔ／ｍ记录（ｚ，　）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　

趔　

糕　

时间　

值主要集中在很小的一个区域，如图１ｂ所示．因　

此，间隔时间丁对背景进行一次更新可以保证背景的准确性．　

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　

图１　亮度变化曲线及统计直方图　

帧，图２ｂ为有干扰目标存在时的图像帧，通过不　

＿＿＿　

ａ无干扰背景图像　ｂ有千扰背景图像　ｃ最终背景图像　

断地采集多幅图像进行统计处理，最终得到背景　

图２初始化背景图像　

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：　

Ｒ（　，ｖ）一Ｉ

Ｉ１

Ｏ

　

　ｌ

ｌ　

　

Ｉ　（　：，

ａ：，　）一Ｂｎ

　）一Ｂ　（ｚ，

　ｚ，

　）ｌ

３，）１＜Ｔ，

≥Ｔ　

　（１）　

其中，Ｉ　（　，　）、Ｂ　（　，　）表示当前帧和背景帧在点（　，　）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，　）　

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）［１　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：　

（ｓ）一｛ｚ（ｓ），　（ｓ）），ｓ∈Ｅｏ，１］（ｓ为归一化的曲线长度），其总能量函数为：　

Ｅ　幽一ｌ［Ｅ　（　（ｓ））＋Ｅ　（　（ｓ））］ｄｓ　，　（２）　

Ｊ　

其中，　为内部能量，它控制曲线的平滑特性，定义为：　

Ｅ　＝ａ　Ｉ　ｄｖ／ｄｓ　ｌ　＋　Ｉ　ｄ　ｖ／ｄ　５　ｌ　，　（３）　

第４期　张明艳，等：基于时空特性的运动目标检测算法研究　・　６１　・　

参考文献：　

［１］Ｃｏｌｌｉｎｓ　Ｒ，Ｌｉｐｔｏｎ　Ａ，Ｋａｎａｄｅ　Ｔ．Ａ　Ｓｙｓｔｅｍ　ｆｏｒ　Ｖｉｄｅｏ　ＳｕＩ‘ｖｅｉｌｌａｎｃｅ　ａｎｄ　Ｍｏｎｉｔｏｒｉｎｇ［Ｊ］．Ｔｅｃｈ．Ｒｅｐｏｒｔ　ＣＭＵ—ＲＩ－ＴＲ－００—１２，　

Ｒｏｂｏｔｉｃｓ　Ｉｎｓｔｉｔｕｔｅ．Ｃａｒｎｅｇｉｅ　Ｍｅｌｌｏｎ　Ｕｎｉｖｅｒｓｉｔｙ，２０００（５）：１２—１８．　

［２］　

Ｋｏｌｌｅｒ　Ｄ，Ｄａｎｉｉｌｉｄｉｓ　Ｋ，Ｎａｇｅｌ　Ｈ．Ｍｏｄｅｌ－ｂａｓｅｄ　Ｏｂｊｅｃｔ　Ｔｒａｃｋｉｎｇ　ｉｎ　Ｍｏｎｏｃｕｌａｒ　Ｉｍａｇｅ　Ｓｅｑｕｅｎｃｅｓ　ｏｆ　Ｒｏａｄ　Ｔｒａｆｆｉｃ　Ｓｃｅｎｅｓ　

ＩＪ］．Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｊｏｕｒｎａｌ　ｏｆ　Ｃｏｍｐｕｔｅｒ　Ｖｉｓｉｏｎ，１９９３，１０（３）：２５７—２８１．　

Ｅ３］　

Ｉ　Ｈａｒｉｔａｏｇｌｕ，Ｄ　ｈａｒｗｏｏｄ，Ｌ　Ｓ　Ｄａｖｉｓ．Ｍｕｌｔｉｐｌｅ　ｐｅｏｐｌｅ　ｄｅｔｅｃｔｉｏｎ　ａｎｄ　ｔｒａｃｋｉｎｇ　ｕｓｉｎｇ　ｓｉｌｈｏｕｅｔｔｅｓ［Ｊ］．Ｓｅｃｏｎｄ　ＩＥＥＥ　Ｗｏｒｋ—　

ｓｈｏｐ　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　Ｂｒｉｌ１．Ｍｏｖｉｎｇ　Ｏｂｊｅｃｔ　Ｄｅｔｅｃｔｉｏｎ　ａｎｄ　Ｅｖｅｎｔ　Ｒｅｃｏｇｎｉｔｉｏｎ　Ａｌｇｏｒｉｔｈｍｓ　ｆｏｒ　Ｓｍａｒｔ　Ｃａｍｅｒａｓ［Ｊ］．Ｐｒｏｅ．ＤＡＲＰＡ　Ｉｍ—　

ａｇｅ　Ｕｎｄｅｒｓｔａｎｄｉｎｇ　Ｗｏｒｋｓｈｏｐ，１９９７（５）：１５９—１７５．　

［６］　

Ｂａｒｒｏｎ　Ｊ，Ｆｌｅｅｔ　Ｄ．Ｐｅｒｆｏｒｍａｎｃｅ　ｏｆ　Ｏｐｔｉｃａｌ　Ｆｌｏｗ　Ｔｅｃｈｎｉｑｕｅｓ［Ｊ］．Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｊｏｕｒｎａｌ　ｏｆ　Ｃｏｍｐｕｔｅｒ　Ｖｉｓｉｏｎ，１９９４，１２（１）：　

７２－７７．　

［７］　

Ｌｉｐｔｏｎ　Ａ，Ｆｕｊｉｙｏｓｈｉ　Ｈ，Ｐａｔｉｌ　Ｒ．Ｍｏｖｉｎｇ　Ｔａｒｇｅｔ　Ｃｌａｓｓｉｆｉｃａｔｉｏｎ　ａｎｄ　Ｔｒａｃｋｉｎｇ　ｆｒｏｍ　Ｒｅａｌ—ｔｉｍｅ　Ｖｉｄｅｏ［Ｊ］．Ｐｒｏｃ．ｏｆ　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　Ｗ．Ａｄａｐｔｉｖｅ　Ｂａｃｋｇｒｏｕｎｄ　Ｍｉｘｔｕｒｅ　Ｍｏｄｅｌｓ　ｆｏｒ　Ｒｅａｌ—ｔｉｍｅ　Ｔｒａｃｋｉｎｇ［Ｊ］．Ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　ＩＥＥＥ　Ｃｏｒｎ—　

ｐｕｔｅｒ　Ｓｏｃｉｅｔｙ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｃｏｍｐｕｔｅｒ　Ｖｉｓｉｏｎ　ａｎｄ　Ｐａｔｔ・ｅｒｎ　Ｒｅｃｏｇｎｉｔｉｏｎ，１９９９，２（６）：２４８—２５２．　

［１Ｏ］　Ｐｉｃｃａｒｄｉ　Ｍ．Ｂａｃｋｇｒｏｕｎｄ　ｓｕｂｔｒａｃｔｉｏｎ　ｔｅｃｈｎｉｑｕｅｓ：ａ　ｒｅｖｉｅｗＥＪ］．Ｃｏｍｐｕｔｅｒ　Ｖｉｓｉｏｎ　Ｇｒｏｕｐ，Ｕｎｉｖｅｒｓｉｔｙ　ｏｆ　Ｔｅｃｈｎｏｌｏｇｙ　Ｓｙｄ—　

ｎｅｙ，ＮＳＷ，ＡＵｓｔｒａｌｉａ，２００４（４）：３　０９９—３　１０４．　

［１１］　Ｋａｓｓ　Ｍ，Ｗｉｔｋｉｎ　Ａ，ｅｒｚｏｐｏｕｌｏｓ　Ｄ．Ｓｎａｋｅｓ：Ａｃｔｉｖｅ　Ｃｏｎｔｏｕｒ　Ｍｏｄｅｌｓ［Ｊ］．Ｋｌｙｗｅｒ　Ａｃａｄｅｍｉｃ　Ｐｕｂｌｉｓｈｅｒｓ，Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｊｏｕｒ—　

ｈａｌ　ｏｆ　Ｃｏｍｐｕｔｅｒ　Ｖｉｓｉｏｎ，１９８８，１（４）：３２１—３３１．　

［１２］　Ｓｏｎｋａ　Ｍ，Ｈｌａｖａｃ　Ｖ，Ｂｏｙｌｅ　Ｒ．Ｉｍａｇｅ　Ｐｒｏｃｅｓｓｉｎｇ，Ａｎａｌｙｓｉｓ　ａｎｄ　Ｍａｃｈｉｎｅ　Ｖｉｓｉｏｎ［Ｍ］．Ｗｙｏｍｉｎｇ　Ｎｅｌｓｏｎ：Ｅｎｇｉｎｅｅｒｉｎｇ，　

２００７：３３４—３５４．　

［１３］Ｗｉｌｌｉａｍｓ　Ｄ　Ｊ，Ｓｈａｈ　Ｍ．Ａ　Ｆａｓｔ　Ａｌｇｏｒｉｔｈｍ　ｆｏｒ　Ａｃｔｉｖｅ　Ｃｏｒｔｔｏｕｒｓ　ａｎｄ　Ｃｕｒｖａｔｕｒｅ　Ｅｓｔｉｍａｔｉｏｎ［Ｊ］．ＣＶＧＩＰ：Ｉｍａｇｅ　Ｕｎｄｅｒｓｔａｎｄ—　

ｉｎｇ，１９９２，５５（１）：１４—２６．　

Ｍｏｖｉｎｇ　ｏｂｊ　ｅｃｔ　ｄｅｔｅｃｔｉｏｎ　ａｌｇｏｒｉｔｈｍ　ｂａｓｅｄ　ｏｎ　ｔｉｍｅ－ｓｐａｔｉａｌ　ｐｒｏｐｅｒｔｉｅｓ　

ＺＨＡＮＧ　Ｍｉｎｇ—ｙａｎ，ＸＵ　Ｇａｎｇ，ＭＥＮＧ　Ｙｉｎｇ　

（Ｃｏｉｌ．ｆｏ　Ｅｌｅｃ．Ｅｎｇｎ．，Ａｎｈｕｉ　Ｐｏｌｙｔｅｃｈｎｉｃ　Ｕｎｉｖｅｒｓｉｔｙ，Ｗｕｈｕ　２４１０００，Ｃｈｉｎａ）　

Ａｂｓｔｒａｃｔ：Ａ　ｎｅｗ　ａｌｇｏｒｉｔｈｍ　ｂａｓｅｄ　ｏｎ　ｔｉｍｅ—ｓｐａｔｉａｌ　ｐｒｏｐｅｒｔｉｅｓ　ｗａｓ　ｄｉｓｐｌａｙｅｄ　ｉｎ　ｔｈｉｓ　ｐａｐｅｒ．Ｉｔ　ｉｓ　ｋｎｏｗｎ　ｔｏ　ａｌｌ　

ｔｈａｔ　ｂａｃｋｇｒｏｕｎｄ　ｓｕｂｔｒａｃｔｉｏｎ　ｃａｎ　ｄｅｔｅｃｔ　ｔｈｅ　ｐｏｓｉｔｉｏｎ，ｓｈａｐｅ　ａｎｄ　ｓｉｚｅ　ｏｆ　ｍｏｖｉｎｇ　ｏｂｊ　ｅｃｔｓ，ｂｕｔ　ｉｔ　ｃａｎ　ｔ　ｓｈｏｗ　

ｔｈｅ　ｅｘａｃｔ　ｃｏｎｔｏｕｒ　ｏｆ　ｍｏｖｉｎｇ　ｏｂｊ　ｅｃｔｓ．Ｓｏ　ｂａｃｋｇｒｏｕｎｄ　ｓｕｂｔｒａｃｔｉｏｎ　ｉｓ　ｅｍｐｌｏｙｅｄ　ｔｏ　ｆｉｎｄ　ｔｈｅ　ｆｉｅｌｄ　ｏｆ　ｏｂｊ　ｅｃｔｓ　

ａｎｄ　ｔｈｅ　ａｃｃｕｒａｔｅ　ｏｂｊｅｃｔｓ＂ｃｏｎｔｏｕｒｓ　ａｒｅ　ｅｘｔｒａｃｔｅｄ　ｂｙ　ａｃｔｉｖｅ　ｃｏｎｔｏｕｒ（ｓｎａｋｅ）ｕｓｉｎｇ　ｃｏｌｏｒ　ｇｒａｄｉｅｎｔ　ａｓ　ｉｔｓ　ｅｘ—　

ｔｅｒｎａｌ　ｅｎｅｒｇｙ．Ａｎｄ　ｔｈｅ　ｅｘｐｅｒｉｍｅｎｔ　ｓｈｏｗｓ　ｔｈａｔ　ｔｈｉｓ　ｍｅｔｈｏｄ　ｈａｓ　ａ　ｇｏｏｄ　ｒｅｓｕｌｔ　ｉｎ　ｍｏｖｉｎｇ　ｏｂｊ　ｅｃｔ　ｄｅｔｅｃｔｉｏｎ．　

Ｋｅｙ　ｗｏｒｄｓ：ｏｂｊ　ｅｃｔ　ｄｅｔｅｃｔｉｏｎ；ｔｉｍｅ－ｓｐａｔｉａｌ　ｐｒｏｐｅｒｔｉｅｓ；ｃｏｌｏｒ　ｇｒａｄｉｅｎｔ