一种基于灰度相关性的背景更新算法

一种基于灰度相关性的背景更新算法【摘要】视频运动目标检测常用的方法是背景差分法，而背景差分法的关键是如何从视频中建立背景模型。IIR滤波器背景更新算法是采用较多的一种背景更新算法，但仍存在一些不足，因此，本文提出了一种基于灰度相关性的背景更新算法，并使用差分图像像素均值法获取阈值对图像进行分割，用基于形态学及连通性分析法对检测目标进行后处理。实验结果表明：该算法能够实得到的背景帧较为理想，能对运动目标进行准确的检测，具有很好的鲁棒性。【关键词】目标检测；IIR滤波；灰度相关；背景建模；背景更新1.引言背景差分法是视频运动目标检测中常用的方法，由于在检测速度和检测效果方面比较理想，从而备受关注1。由于很难从视频中直接获取没有运动目标的图像帧作为背景，因此背景差分法的难点在于建立理想的背景模型，以及背景的保持与更新2，3。ForestiG.L提出的IIR滤波器背景更新算法是一种采用较多的背景更新算法，该更新算法对存储空间要求不高，且吸收了实际场景变化信息，对光线变化有一定适应性，速度快，实时处理，因此实际系统中应用较多。但该算法更新的背景与真实的背景间存在误差，长时间累积可能使背景失效。本文充分利用相邻帧间的灰度相关性，对IIR滤波器背景更新算法进行改进，提出了一种基于灰度相关性的背景更新算法，再用差分图像像素均值作为阈值分离目标与背景图像，然后用基于形态学及连通性分析法对检测目标进行后处理。实验结果表明：该算法能对运动目标进行准确的检测，具有很好的鲁棒性。2.IIR滤波背景更新算法IIR滤波背景更新算法的基本思想是通过引入学习率，将当前图像与背景图像进行加权相加，来体现场景变化对背景图像的响应4。背景计算如式1-1：（1-1）越大，当前帧It（x，y）对背景的影响越小，此时背景帧Bt（x，y）的影响主要来自于前一帧背景图像Bt-1（x，y），更新较慢；反之，当前帧It（x，y）对背景的影响较大，背景更新较快。因此，检测的实时性和准确性主要取决于的值。将式1-1展开得式1-2：（1-2）由于当前帧中包含了最新的场景信息，对背景更新的影响更大，而历史帧对当前背景更新的影响逐渐减小。因此，从式1-2可以看出，加权系数控制着背景更新的速度，算法对当前帧It（x，y）设置了更大的权值，而历史帧的权值则依次降低。由于现实应用环境的复杂性，一个固定的更新速度难以适用于实际情况。若值选取较小，对当前帧加权比例较大，背景更新速度较快，同时当前帧中运动前景得到加权，在更新的背景中容易留下运动目标的虚影；若值选取较大，对当前帧加权比例小，背景更新缓慢，不能及时跟踪当前帧中的光变，更新的背景与真实背景有一定误差，误差的长期累积，最终会导致更新的背景失效。实验仿真结果如图1（b）。由于IIR滤波背景更新算法效果受限于加权系数，不能有效地滤除运动前景，跟踪环境中的光变。从实验结果可以看出检测结果中含有大量的噪声，且随背景光线复杂度的升高而增多。3.基于灰度相关性的背景更新算法视频图像最大的特点是它有丰富的原始数据，邻近帧间的强相关性以及时域上的动态时变模式等，在很大程度上使运动目标易于检测、分割。本文基于相邻帧间的灰度相关性，提出一种改进的IIR滤波背景更新算法进行5。算法如下：步骤1：初始化。设背景帧B0（x，y）=I0（x，y），迭代次数m=1，最大迭代次数为视频总帧数。步骤2：求取相邻帧间的灰度相关性。取（2n+1）（2n+1）的像素点集构成窗口W，除去边缘的两行、两列，WIt（x，y）和WIt-1（x，y）分别表示相邻两帧窗口W的灰度，用相邻帧对应窗口图像像素间的最小均方误差表示其灰度相关性6，则相邻帧间的灰度相关性用式2-1表示：（2-1）步骤3：从左到右，至上而下依次扫描相邻两帧图像，得到帧间差分二值图像。if（2-2）步骤4：根据式2-2的结果更新背景图像if（2-3）步骤5：对上述过程进行迭代，视频中所有帧迭代结束后，此时的Bt（x，y）视为提取到的背景。在MATLAB中进行仿真研究中发现，值和窗口大小很大程度地决定了背景建立时的速度和精度，本文兼顾检测的实时性和准确性，通过反复实验，Ta取多次有效试验的平均值，取0.997，窗口大小为55。实验表明，这种更新法能够很好地解决物体长时间停留对背景的影响，同时能够有效地降低噪声点的数量。实验仿真结果如图1（c）。4.运动目标提取由于图像中往往含有一定的噪声，直接求差分则受噪声影响比较大，因此在差分运算前先对图像进行滤波处理。本文首先采用自适应中值滤波法进行滤波处理，然后再将当前帧图像与背景更新图像做差分运算：（3-1）式中，W（x，y）是自适应中值滤波器，D（x，y）表示差分得到的图像。为了提高运动区域检测的鲁棒性，需要寻找一个恰当的阈值来分割背景差分图像。根据运动区域内像素灰度的变化要大于整幅图像灰度变化的平均值这一条件，本文选取差分图像的均值作为阈值T。则有：（3-2）M和N分别表示图像的宽度和高度若D（x，y）大于等于T，则该点为运动点；若D（x，y）小于T，则该点为背景点。从而得到检测的前景图像：（3-3）由式3-3检测得到的前景图像中还有一些小的杂乱点和噪声需要处理。首先采用较小的结构性元素对图像作一次开运算，消除孤立噪声；再用较大的结构性元素对图像作一次闭元算，填补目标空洞；然后在前景图像中寻找物体的轮廓，设定轮廓面积阈值，计算出各个轮廓的大小，去除小于阈值的轮廓区域，只将大于阈值的轮廓内部填充前景色，最后得到清晰、完整的运动目标。5.实验结果与分析仿真实验环境为Matlab平台，检测的视频序列为人体运动目标检测实验中常用的两组视频，如图1（a）中的视频序列1和视频序列2，视频格式为.avi，真彩色格式。视频序列2较视频序列1光线要强烈，视频中均不含有无运动目标的背景帧。实验分别用本文提出的算法和IIR背景更新算法对两组视频进行检测，检测结果如图1（b）和图1（c）。从图1（b）来看：IIR背景更新算法更新的背景与真实的背景间存在偏差，噪声较为明显。背景光线越复杂检测结果越不理想。从图1（c）来看：本文算法较好地吸收了实际场景变化信息，得到了较为理想且干净的背景帧，在简单背景和复杂背景中检测的目标结果都较为清晰。且该背景更新算法较中值、均值算法来说不需要事先建立视频流滑动窗来缓存N帧视频图像，降低了存储空间，具有较小的计算量，更新速度较快，得到的背景帧基本满足检测结果要求。6.结束语IIR背景更新算法原理简单，速度快，但其效果受限于更新系数，对实际应用环境要求较苛刻，往往不能有效地滤除运动前景、跟踪环境中的光变。本文提出的基于灰度相关性的背景更新算法，对IIR背景更新算法进行了改进。实验结果表明：改进的算法能有效地去除运动前景，较真实地反映环境中的光变，有效避免了IIR滤波算法的不足，具有较好地实时性和准确性。但在本文算法中，加权系数控制着背景的更新速度，根据多次试验选取了一个固定最优值，由于现实应用环境的复杂性，一个固定的更新速度又难以适用于实际情况，因此检测结果中仍有轻微扰动，有待于进一步研究。参考文献1袁伟才，徐向民.一种有效的动态背景提取及更新算法J.计算机工程与应用，2010，46（4）：191-192.2王正勤，刘富强.自适应背景提取算法比较J.计算机工程，2008，34（23）：219-223.3TaoJG，YuCH.RealtimedetectionandtrackingofmovingobjectJ.IntelligentInformationTechnologyApplication，2008（2）：860-863.4何云，许建龙，孙树森，郭庆锐.一种改进的视频监控背景更新算法J.浙江理工大学学报，2010，27（4），586-588.5朱明旱，罗大庸.基于帧间差分背景模型的运动物体检测与跟踪J.计算机测量与控制，2006，14（8）：1004-1009.6王静静，林明秀，魏颖.基于灰度相关的帧间差分和背景差分相融合的实时目标检测J.中南大学学报，2009，40（1）：143-148.本文得到以下基金项目支持：湖南省科技厅科技计划重点项目（2010NK2003）；中