摘 要： 結(jié)合幀間差分信息和Jung背景提取算法，提出了一種改進(jìn)的用于運(yùn)動(dòng)目標(biāo)檢測的實(shí)時(shí)背景提取算法。該算法利用視頻連續(xù)圖像幀之間的差異信息加速背景更新過程，提取的背景圖像能夠快速適應(yīng)背景中物體的變化，同時(shí)保留了基本Jung背景提取方法結(jié)構(gòu)簡單、運(yùn)算速度快的特點(diǎn)。在PETS2001數(shù)據(jù)集上對(duì)本算法進(jìn)行了有效性驗(yàn)證，實(shí)驗(yàn)結(jié)果表明，該算法可以實(shí)時(shí)準(zhǔn)確地提取背景圖像?！?br /> 關(guān)鍵詞： 背景提??；迭代更新；幀間差分；背景差分
智能視頻監(jiān)控系統(tǒng)通過對(duì)攝像機(jī)獲取的視頻圖像序列進(jìn)行處理，檢測出運(yùn)動(dòng)目標(biāo)，對(duì)異常目標(biāo)自動(dòng)報(bào)警。準(zhǔn)確、實(shí)時(shí)的運(yùn)動(dòng)目標(biāo)檢測是智能視頻監(jiān)視系統(tǒng)的關(guān)鍵技術(shù)。
運(yùn)動(dòng)目標(biāo)檢測的主要方法有光流法[1]、幀間差分法[2]和背景差分法[2]。光流法檢測精度高，但實(shí)現(xiàn)過程復(fù)雜耗時(shí)，不適用于實(shí)時(shí)目標(biāo)檢測應(yīng)用；幀間差分法通過對(duì)視頻相鄰圖像幀差分實(shí)現(xiàn)運(yùn)動(dòng)檢測。由于運(yùn)動(dòng)目標(biāo)的速度和大小存在差異，且運(yùn)動(dòng)速度會(huì)隨時(shí)變化，因此，如果差分間隔幀數(shù)選擇不當(dāng)，差分后的圖像存在較大空洞，影響檢測效果。背景差分法首先提取視頻中靜止物體圖像作為背景圖像，通過當(dāng)前幀圖像和背景圖像差分運(yùn)算獲取圖像中運(yùn)動(dòng)目標(biāo)。背景差分法克服了幀間差分法需要人工選擇幀頻的缺點(diǎn)，同時(shí)能夠更加完整地檢測出運(yùn)動(dòng)目標(biāo)。背景差分法的關(guān)鍵在于能否準(zhǔn)確、快速地提取背景。針對(duì)背景提取問題，本文提出了改進(jìn)的基于Jung[3]算法的背景提取算法。該算法繼承了Jung算法原理簡單、易于實(shí)現(xiàn)和不容易受到噪聲影響等優(yōu)點(diǎn)，同時(shí)通過判斷相鄰圖像幀差異自適應(yīng)地提高了背景更新速率。
1 背景提取算法簡介
背景差分法中已有的背景提取算法主要有多幀均值法[4]、多幀中值法[5]、Surendra背景更新算法[6]和基于混合高斯模型的背景提取算法等。
1.1 多幀均值法
多幀均值法對(duì)視頻中的k幀圖像進(jìn)行平均作為背景圖像，如式（1）所示：
多幀均值法提取的背景受所有視頻幀影響，對(duì)背景中曾經(jīng)處于運(yùn)動(dòng)狀態(tài)的物體提取不充分。多幀中值法的效果較均值法有所改善，但多種運(yùn)動(dòng)目標(biāo)在同一區(qū)域出現(xiàn)影響了背景提取效果；同時(shí)中值法排序過程非常耗時(shí)，影響了算法的實(shí)時(shí)性。Surendra背景提取算法在閾值選取合適的前提下效果較好，本文通過大量實(shí)驗(yàn)，選擇閾值T=10。由于Surendra算法閾值選取需要人工參與，閾值選取不同，背景提取后的效果也差別較大，同時(shí)對(duì)于不同的場景，閾值選取也不同，因此增加了背景提取的難度。Jung算法由于更新速率過慢，當(dāng)背景改變較大時(shí)不能及時(shí)更新，圖中白色小車和弧頂處黑色小車提取都不充分，形成了“鬼影”現(xiàn)象。改進(jìn)的Jung算法克服了Jung算法的缺點(diǎn)，在算法效果和運(yùn)行速度上均取得了尚佳的表現(xiàn)，同時(shí)算法中沒有待定參數(shù)，也克服了Surendra算法的缺點(diǎn)。
本文提出了一種改進(jìn)的基于Jung算法的背景提取算法，該算法充分考慮了幀間差分信息以及當(dāng)前幀和背景幀信息，原理簡單、計(jì)算量小、易于實(shí)現(xiàn)、運(yùn)算效率高且背景提取效果良好，能夠較好地處理運(yùn)動(dòng)前景成為背景或者背景中物體運(yùn)動(dòng)成為前景的情況；同時(shí)利用幀間差分信息，自適應(yīng)地對(duì)背景進(jìn)行更新，有效地克服了Jung算法更新速率過慢的缺陷。實(shí)驗(yàn)結(jié)果表明，本文提出的算法具有良好的實(shí)用價(jià)值。
參考文獻(xiàn)
[1] LUCAS B， KANADE T. An iterative image registration technique with an application to stereo vision[C]. Proceedings of DARPA IU Workshop，1981：121-130.
[2] LEE S U， CHUNG S Y， PARK R H. A comparative performance study of several global thresholding techniques for segmentation[J]. Computer Vision， Graphics and Image Processing， 1990，50（2）：171-190.
[3] JUNG Y K， LEE K W， HO Y S. Content-based event retrieval using semantic scene interpretation for automated traffic surveillance[J]. IEEE Transactions on Intelligent Transportion Systems， 2001，2（3）：151-152.
[4] 何云，許建龍，孫樹森，等. 一種改進(jìn)的視頻監(jiān)控背景更新算法[J].浙江理工大學(xué)學(xué)報(bào)，2010，27（4）：585-587.
[5] GLOYER B， AGHAJAN H K， SIUK Y， et al. Video-based freeway monitoring system using recursive vehicle tracking[C]. Image and Video Processing， 1995： 173-180.
[6] GUPTE S， MASOUD O， MARTIN R F K. Detection and classification of vehicles[J]. IEEE Transactions on Intelligent Transportation Systems， 2002，3（1）：37-40.