運(yùn)動(dòng)目標(biāo)檢測(cè)1

1、視頻圖像中人體運(yùn)動(dòng)目標(biāo)視頻圖像中人體運(yùn)動(dòng)目標(biāo) 檢測(cè)算法研究檢測(cè)算法研究參考文獻(xiàn)參考文獻(xiàn):李偉李偉 熊建設(shè)熊建設(shè) .視頻圖像中人體運(yùn)動(dòng)目標(biāo)視頻圖像中人體運(yùn)動(dòng)目標(biāo)檢測(cè)算法研究檢測(cè)算法研究. 青島青島:中國(guó)海洋大學(xué)中國(guó)海洋大學(xué).2013引 言1運(yùn)動(dòng)目標(biāo)檢測(cè)2運(yùn)動(dòng)人體的識(shí)別3實(shí)驗(yàn)結(jié)果及分析4引 言 人體運(yùn)動(dòng)視覺分析是近年來計(jì)算機(jī)視覺領(lǐng)域中備受關(guān)注的前沿方向，在智能視頻監(jiān)控、人機(jī)交互、虛擬空間等方面有著非常廣闊的應(yīng)用前景。它主要針對(duì)視頻圖像序列進(jìn)行分析處理，常涉及到運(yùn)動(dòng)目標(biāo)檢測(cè)、目標(biāo)人體識(shí)別、人體跟蹤及行為理解與描述幾個(gè)過程。其中作為各項(xiàng)分析基礎(chǔ)的人體目標(biāo)檢測(cè)也越來越成為研究的熱點(diǎn)前沿課題之一。 通常情

2、況下，針對(duì)特定背景下的運(yùn)動(dòng)目標(biāo)檢測(cè)是依賴于背景模型的，因而運(yùn)動(dòng)檢測(cè)和背景環(huán)境模型密切相關(guān)。如何使系統(tǒng)自適應(yīng)于環(huán)境，是背景模型以及更新的核心問題，之后就可以進(jìn)行運(yùn)動(dòng)檢測(cè)。運(yùn)動(dòng)檢測(cè)是目標(biāo)分類的基礎(chǔ)，只有檢測(cè)出有效的運(yùn)動(dòng)區(qū)域才能進(jìn)行目標(biāo)分類?；谏鲜鲇懻撎岢隽巳梭w運(yùn)動(dòng)目標(biāo)檢測(cè)改進(jìn)算法，以滿足實(shí)際的需求。時(shí)間差分法時(shí)間差分法背景減除法背景減除法光流法光流法運(yùn)動(dòng)目標(biāo)檢測(cè) 利用圖像序列中相鄰幀圖像之間的差分來提取出圖像中的運(yùn)動(dòng)區(qū)域。它對(duì)于動(dòng)態(tài)環(huán)境具有較強(qiáng)的自適應(yīng)性，但是一般不能完全提取出所有相關(guān)的特征像素點(diǎn)，在運(yùn)動(dòng)物體運(yùn)動(dòng)較慢，相鄰幀圖像有重疊的情況下，提取出的運(yùn)動(dòng)物體不完整或比物體實(shí)際區(qū)域大，也容易在運(yùn)

3、動(dòng)實(shí)體內(nèi)部產(chǎn)生“空洞”現(xiàn)象。 它是目前運(yùn)動(dòng)分割中最常用的一種方法，它利用當(dāng)前圖像與背景圖像的差分來檢測(cè)出運(yùn)動(dòng)區(qū)域，一般能夠提供最完整的特征數(shù)據(jù)，但對(duì)于動(dòng)態(tài)場(chǎng)景的變化，例如室內(nèi)窗簾的飄動(dòng)，室外樹葉的搖擺等會(huì)造成提取出的目標(biāo)與實(shí)際差別很大。 采用了運(yùn)動(dòng)目標(biāo)隨時(shí)間變化的光流場(chǎng)特性，其優(yōu)點(diǎn)是在攝像機(jī)運(yùn)動(dòng)的前提下也能檢測(cè)出獨(dú)立的運(yùn)動(dòng)目標(biāo)，缺點(diǎn)是計(jì)算方法復(fù)雜，抗噪性能差，如果沒有特殊的硬件設(shè)備支持則不能滿足視頻圖像實(shí)時(shí)處理的需要。自自適適應(yīng)應(yīng)混混合合高高斯斯背背景景模模型型 采用背景減除法雖然可以提取出完整的目標(biāo)圖像，但是實(shí)際應(yīng)用中一幅“純凈”的背景圖像總是不容易得到的，外界微小的干擾也會(huì)引起背景圖像的變

4、化，如樹木的晃動(dòng)、光線的變化等，這些場(chǎng)景下固定位置的像素值在不斷的改變，呈現(xiàn)多模特性。所以方法的關(guān)鍵之一在于隨著時(shí)間的推移自適應(yīng)地更新背景圖像。 而混合高斯模型正是針對(duì)這一點(diǎn)，用兩個(gè)或者多個(gè)高斯分布去擬合背景，對(duì)于復(fù)雜背景有著良好的效果。 本文采用一種基于高斯建模高斯建模的背景減除法背景減除法來實(shí)現(xiàn)運(yùn)動(dòng)人體輪廓提取。不僅可以較為精確地從背景中提取出前景區(qū)域，獲得運(yùn)動(dòng)目標(biāo)信息，又對(duì)環(huán)境有一定的自適應(yīng)性，算法具有比較良好的魯棒性。 本文所研究的環(huán)境是攝像頭固定的情形即靜態(tài)背景下的目標(biāo)檢測(cè)，可以采用上述方法實(shí)現(xiàn)背景的估計(jì)，主要從背景建模背景建模、背景更背景更新新和背景提取背景提取三個(gè)方面來實(shí)現(xiàn)。背背

5、景景建建模模及及初初始始化化 圖像中的每個(gè)像素用K個(gè)狀態(tài)來描述其顏色信息，每個(gè)狀態(tài)都是獨(dú)立的隨機(jī)過程，服從高斯分布并使用高斯密度函數(shù)來描述，彼此相互獨(dú)立，K的值根據(jù)實(shí)際需要選取，一般取3-5個(gè)。假設(shè)t時(shí)刻像素點(diǎn)（x,y）的觀測(cè)值為Xt,第i個(gè)高斯分布的概率密度函數(shù)如下式所示： 式中： ， 分別表示第i個(gè)高斯分布t時(shí)刻的均值和協(xié)方差?；旌细咚贡尘澳Ｐ徒＿€為每個(gè)高斯分布設(shè)定了權(quán)值 ，其影響著該單高斯分布在背景模型中所占的比例， 。這樣t時(shí)刻背景像素點(diǎn)（x,y）的概率密度函數(shù)估計(jì)為： , i t, i t, i tW,11ki tiW,1*,kti tti ti tiq XWX1,12,1/2/2

6、,1,2Tti ti tti tXXti ti tni tXe背背景景建建模模及及初初始始化化 本文采用時(shí)間統(tǒng)計(jì)平均建模法來對(duì)混合高斯模型進(jìn)行初始化。時(shí)間統(tǒng)計(jì)平均法是求取一段時(shí)間內(nèi)圖像序列中N幀圖像的灰度平均值作為背景圖像的估計(jì)值，以弱化運(yùn)動(dòng)目標(biāo)對(duì)背景的干擾。 設(shè) 為某點(diǎn)初始背景估計(jì)的均值與方差，其初始值如下式： 式中N為所選取的幀數(shù)。2211,(I,)nokokx yx yx yN , ,ooxyxy11,Nokkx yIx yN背背景景模模型型的的更更新新 當(dāng)讀取新視頻圖像的像素值之后，將當(dāng)前幀像素值X Xt與K K個(gè)高斯分布進(jìn)行匹配，匹配判據(jù)為： 如果像素值X Xt與其中某個(gè)高斯分布的均

7、值i,t1之差滿足上式要求，則認(rèn)為該像素值匹配這個(gè)高斯分布，否則不匹配。如果匹配，對(duì)該高斯模型進(jìn)行更新： 式中p為參數(shù)學(xué)習(xí)率。為了更好地適應(yīng)環(huán)境的變化，還應(yīng)考慮權(quán)值的更新。如果匹配，則權(quán)重增加，反之減少。權(quán)值的同步更新如下式： 式中 為學(xué)習(xí)率，它與背景的更新快慢有關(guān)，且小于1。數(shù)值越小更新速度越慢，反之越快。在這里取 =0.005。 ,1,12.5ti ti tX,1,1i ti ti tppX222,1,11(X)i ti ti ti tpp,1(1)i ti t 背背景景提提取取 在完成上述過程后，當(dāng)新的一幀圖像到來后，根據(jù)背景更新公式利用新的像素把模型相應(yīng)參數(shù)進(jìn)行更新，計(jì)算其優(yōu)先級(jí)并按從

8、高到低順序排序，在實(shí)際情況中，K個(gè)高斯分布不一定全部選為背景模型，可以選取前幾個(gè)優(yōu)先級(jí)較大的，取前b個(gè)值相加，當(dāng)其和大于閾值T時(shí)，就可以根據(jù)下式得到背景模型： 式中T為選取的閾值，其大小選取根據(jù)不同的監(jiān)控場(chǎng)景決定，當(dāng)場(chǎng)景相對(duì)復(fù)雜時(shí)，應(yīng)選擇較大的閾值T；場(chǎng)景比較簡(jiǎn)單就應(yīng)選擇較小的閾值T。背背景景減減除除法法檢檢測(cè)測(cè)變變化化區(qū)區(qū)域域 通過上述的混合高斯背景建模，然后就可以利用背景減除法從背景中提取出前景區(qū)域，提取人體輪廓。算法如下：設(shè)當(dāng)前幀圖像為fk(x,y)，背景幀為fbkbk(x,y)，則差分圖像為：二值化圖像為： 其中T為設(shè)定的閾值，對(duì)得到的差分圖像按照上式進(jìn)行二值化處理，當(dāng)差分圖像中的某一

9、像素大于或等于給定的閾值時(shí)，則認(rèn)為該像素是前景像素點(diǎn)，反之，則是背景像素點(diǎn)。形態(tài)學(xué)處理和連通性分析形態(tài)學(xué)處理和連通性分析 由于噪聲或者人體顏色與背景相近的影響，在通過上述方法進(jìn)行前景檢測(cè)后，在檢測(cè)到的人體區(qū)域會(huì)有孔洞產(chǎn)生，因此可以采用形態(tài)學(xué)圖像處理的方法填補(bǔ)目標(biāo)區(qū)域的小的孔洞。其基本運(yùn)算中的開運(yùn)算（opening）具有消除細(xì)小目標(biāo)，在纖細(xì)點(diǎn)處理目標(biāo)和平滑大的邊界又不明顯改變其面積的作用，而閉運(yùn)算（closing）常用來填充目標(biāo)內(nèi)的細(xì)小空洞，連接斷開的鄰近目標(biāo)，平滑邊界同時(shí)并不明顯改變其面積。 對(duì)檢測(cè)出的運(yùn)動(dòng)目標(biāo)區(qū)域做形態(tài)學(xué)運(yùn)算，先進(jìn)行開運(yùn)算，再進(jìn)行閉運(yùn)算對(duì)檢測(cè)結(jié)果進(jìn)行去噪。在經(jīng)過形態(tài)學(xué)運(yùn)算之后

10、，圖像中一些小的空洞被填充，小的間隙被連接，但是一些比較大的空洞，形態(tài)學(xué)濾波往往不能完全填充，這時(shí)候需要用到連通性分析來填補(bǔ)這些空洞或者斷開多目標(biāo)之間的粘結(jié)，最后得到較為干凈的前景區(qū)域。 經(jīng)過連通性分析后，會(huì)產(chǎn)生若干個(gè)連通的區(qū)域。除了一些真正的目標(biāo)區(qū)域或背景區(qū)域外，還會(huì)產(chǎn)生一些小塊的連通區(qū)域，他們不是真正的目標(biāo)區(qū)域或背景區(qū)域，而是噪聲點(diǎn)的連通集合。可以通過文中下述方法對(duì)產(chǎn)生的所有區(qū)域進(jìn)行計(jì)算其像素值的大?。▍^(qū)域面積），如果超過了某一閾值才判斷其為目標(biāo)區(qū)域，借以消除這些噪聲區(qū)域的影響。運(yùn)動(dòng)人體的識(shí)別區(qū)域目標(biāo)面積：區(qū)域目標(biāo)面積： 為了排除虛假目標(biāo)的干擾，對(duì)得到的二值圖像Rk的變化區(qū)域面積進(jìn)行測(cè)量，

11、當(dāng)變化區(qū)域的面積在整個(gè)圖像中的比值超過設(shè)定的閾值時(shí)，就認(rèn)為有運(yùn)動(dòng)目標(biāo)存在，再對(duì)它進(jìn)行下一步的處理。否則，被認(rèn)定為無運(yùn)動(dòng)目標(biāo)出現(xiàn)，不進(jìn)行下一步處理。對(duì)變化區(qū)域面積的測(cè)量采用了一種近似的方法：對(duì)二值圖像Rk進(jìn)行逐行掃描，統(tǒng)計(jì)Rk中值為1的像素個(gè)數(shù)No，再用No除以整幅圖像的像素點(diǎn)總數(shù)N： A = No/N 得到變化區(qū)域占圖像總面積的近似比值。設(shè)定的閾值一般根據(jù)具體監(jiān)控場(chǎng)景來設(shè)定，范圍大致在6-10之間，通過對(duì)閾值的設(shè)定可以減少無用目標(biāo)信息的干擾，并大大減少系統(tǒng)的運(yùn)算量，提高系統(tǒng)的實(shí)時(shí)處理。目標(biāo)的長(zhǎng)寬比：目標(biāo)的長(zhǎng)寬比： 由于人體的形狀可以近似為其最小外接矩形，可以對(duì)得到的區(qū)域求其最小外接矩形。采取方

12、法是：對(duì)保留區(qū)域從左到右、從上到下進(jìn)行掃描，得到所在區(qū)域的上下左右最邊上的點(diǎn)，分別記Ynt,Ynb,Xnl,Xnr，n表示第n個(gè)運(yùn)動(dòng)目標(biāo),(Xnl,Ynt)表示左上點(diǎn)，(Xnl,Ynb)表示左下點(diǎn)，(Xnr,Ynt)表示右上點(diǎn)，(Xnr,Ynb)表示右下點(diǎn)。并求每個(gè)最小外接矩形的長(zhǎng)寬比為： C= Lnx/Lny 本文假設(shè)場(chǎng)景中的行人都處于直立狀態(tài)，直立狀態(tài)的行人雖然有高、矮、胖、瘦之分，但高度和寬度一般符合一定的比例。根據(jù)先驗(yàn)知識(shí)，可知其高度、寬度比的范圍大體在1.5-5之間，將長(zhǎng)寬比值C與這一范圍做比較，就可以判斷該目標(biāo)是否符合人體長(zhǎng)寬比的特征，從而來進(jìn)行識(shí)別。實(shí)驗(yàn)結(jié)果及分析 實(shí)驗(yàn)是在VC+平臺(tái)上，基于OpenCV的圖像處理函數(shù)完成的，實(shí)驗(yàn)所用的視頻為使用普通攝像頭拍攝的320240的視頻序列。實(shí)驗(yàn)結(jié)果如下圖所示。 改進(jìn)前的檢測(cè)結(jié)果上左下角圖所示，所獲取的整體輪廓不完整，對(duì)于人的外觀與背景的顏色有相近的部分