一种新的基于背景差分的运动目标检测方法
开篇：润墨网以专业的文秘视角，为您筛选了一篇一种新的基于背景差分的运动目标检测方法范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！
【摘 要】 针对传统运动目标检测方法存在的缺点和不足，提出了一种基于背景差分，融合多种检测方式，有效地克服了传统方法存在的误检和空洞等问题。实验结果表明该方法能够满足运动目标的实时检测要求。
【关键词】 背景差分 自适应 目标检测
运动目标的检测方法一般分为帧间差分法、背景差分法和光流法三种，每种检测方法而言都有各自的缺点和不足。帧间差分法对差分时机的选取要求较高，如果目标运动速度较快且关键帧选取时间间隔过大，会造成两帧之间无覆盖区，运动目标无法分割；如果目标运动速度较慢且关键帧选取时间间隔过小，则会造成过度覆盖甚至重叠，同样检测不到目标[1]。光流法的计算复杂、耗时，对于过快或过慢的运动检测效果不好，难以满足实时检测的要求[2]。与上述两种方法相比，背景差分法的优势是实现简单、目标分割完整，但存在背景自动获取和更新方面的问题，即如何自动获得合理背景以及在最佳时机更新背景[3]。本文在这样的研究背景下提出了一种基于背景差分，融合动态背景建模、帧间差分和双置信值背景更新技术，实时准确的运动目标检测改进方法。
1 一种简单、有效的背景模型
在背景差分法中，背景模型建立的准确与否，直接关系到最终检测结果的准确性。国内外研究提出了一些背景模型，这些模型有的需要处理多帧图像来建立背景，制约了检测速度，不能达到实时性要求，如非参数模型；有的模型当运动物体较小且与背景的区分度不大时，分割的目标不完整，如W4模型；有的方法当噪声增多、背景比较复杂时，背景变得不稳定，如高斯模型等等。
针对上述几种方法的不足，本文提出一种能够快速建立背景，并有一定自适应能力、保留背景差分目标分割完整这一优点的背景模型。这种方法采用几次连续的帧间差分，能够快速地检测出视频序列图像中的背景区域，然后在检测出的背景的基础上确立每一个点的背景检测模型。处理步骤为：
（1）捕获某一时间段的视频序列图像，其中N为视频序列的总帧数，k为帧序。（2）设fk（i，j）和fk+1（i，j）为捕获的相邻两帧图像（1≤k≤t）。对两帧相邻图像进行差分处理，检测出背景像素点。（3）在时间间隔Tv后用同样的方法继续捕获两帧相邻图像做帧间差分，重复至获得差分图像序列，设差分次数为N，则差分序列共有N帧图像。（4）利用N帧差分图像建立背景，假设被运动目标遮挡的背景至少能露出来一次，由此即可提取出背景图像。（5）用提取出的背景信息作为参数建立初始背景模型。
2 目标的自适应分割与检测
为了更好地论证本文提出方法的实用性和可行性，我们继续与高斯模型检测方法做比较。高斯方法将待测帧中的每个像素点与自身的高斯模型进行拟合，若P（X（i，j，t））≤TP，即认定为背景像素点，否则认定为场景中的目标。在实际的应用中我们可以用等价的阈值代替概率阈值，即：d（i，j，t）=x（i，j，t）-μ（i，j），设相应的检测阈值为 σ（i，j）。检测规则为：若d（i，j，t）>σ（i，j），则该像素点为场景中的物体M，否则为背景像素点。本文提出的目标检测与高斯模型不同，用TN 代替了TP，从实验结果可以看出，如果阈值选取得当，在场景变化时可以不断改变来适应新场景，是可以有效地检测出运动目标。本文的阈值TN是一个基于直方图的动态最佳阈值，其计算法如下：
（1）求图像中灰度的最大值和最小值，将这两个值的平均值作为初始阈值；（2）把图像按照阈值分割成目标和背景两部分，求出平均灰度值；（3）用平均值做为分割阈值；（4）若得到的新阈值与前一次的阈值相等，则结束，否则返回步骤2，迭代直至成功。
3 基于双置信度的背景更新
实际情况中背景是不断变化的，若使背景模型能对外界光线变化具有自适应能力，需要对背景模型进行实时地更新，从而使整个检测过程持续进行。其基本思想是让当前帧有一定置信度的背景点参与更新。置信度可以通过两方面来估计：
（1）运动目标与像素点的位置关系；由差分图像可看出，检测得到的非运动点不一定全是背景点，因此只有差分值小于阈值并位于运动目标一定邻域之外的点才是需要更新的背景点，具有第一方面较高置信度。（2）像素点作为背景的累计时间长短；如果场景中存在噪声或抖动时，极短时间内我们不把运动的点或者点集作为运动目标，只有当其运动累计到一定程度才进行处理，因此我们引入了第二个方面的置信度，用矩阵F表示，当持续M帧都为背景的点才可以参与背景更新。矩阵F初始化为零矩阵，后续帧中如果像素点是前景点则其累计值赋为M，否则累计值减1，直至为0。
4 结语
本文提出了一种基于背景差分，融合多种检测方式，有效地克服了传统方法存在的误检和空洞等问题。实验结果表明该方法能够满足运动目标的实时检测要求。
参考文献：
[1]Gutchess D， Trajkovic M， Cohen-Solal E， etral.A Background Model Initialization Algorithm for Video Surveillance[C].In Eighth International Conference on Computer Vision， 2001.
[2]Kaewt rakulpong P， Bowden R.An Improved Adaptive Background Mixture Model for Real-time Tracking with Shadow Detection. In Proc. 2nd European Workshop on Advanced Video-based Surveillance Systems，2001.
[3]方帅，薛方正，徐心和.基于背景建模的动态目标检测算法的研究与仿真[J].系统仿真学报，2005（1）：159-161，165.