论文部分内容阅读
[摘 要]针对传统Surendra背景减除法在外界噪声干扰、光照突变时鲁棒性不高，分割阈值难确定等缺点，本文提出了一种新的视频运动目标检测方法。该方法将Surendra算法与六帧差分算法相结合来构建运动目标的轮廓模型，并利用最大类间方差法和动态阈值法提高算法的稳定性，通过连通性检测和形态学处理，得到完整的运动目标。实验结果表明，改进算法有效克服了外界噪声干扰、光照突变及空洞现象，与同类算法相比，具有更高的检测准确率和实时性。
[关键词]运动目标检测 Surendra算法 六帧差分 最大类间方差法
中图分类号：TP391 文献标识码：B 文章编号：1009-914X（2016）07-0023-01
引言
运动目标检测技术是计算机视觉的一个重点研究课题，已在智能监控系统、军事战场、海事搜救等领域[1，2]得到广泛应用，是目标跟踪与识别[3]的基础，因此，对运动目标检测方法的研究具有重要的意义。本文提出一种结合Surendra算法和六帧差分法来建立目标的检测模型，利用最大类间方差法[14]和动态阈值分割法进一步改进算法，增强目标和背景的区分度，通过后期处理，提取完整的运动目标。实验表明，改进的目标检测算法有效克服了噪声干扰、光照突变及空洞现象，具有更高的准确度和鲁棒性。
1 传统Surendra算法及改进
1.1 传统Surendra算法原理
传统Surendra算法的基本思想是对视频序列中的连续帧作差分运算，根据设定的阈值对差分图像中的像素点进行划分。如果像素点的灰度值大于阈值，则背景图像中相应位置的像素值保持不变；如果像素点的灰度值小于阈值，则对背景值进行更新，并在一定时间内得到背景图像。
1.2 Sruendra算法的改进
Sruendra算法简单、易于实现，但阈值的确定至关重要，若阈值选择不当将会影响目标和背景的区分度，导致目标或背景错分，而最大类间方差法能够自适应地确定目标和背景的分割阈值。因此，在Surendra背景更新算法中嵌入最大类间方差法确定检测目标和背景的最佳阈值。采用遍历法，当方差最大时，目标和背景之间的区分度最大，此时，为最佳阈值。
2 六帧差分算法
三帧差分法对目标之间的重叠部分检测较困难，仍有空洞存在，而Surendra算法检测的目标轮廓不准确。因此，本文利用六帧差分算法和Surendra算法进行结合，六帧差分算法原理如下：
在视频序列中，连续读取六帧视频图像，，，，，，并依次进行两两差分，并二值化处理，公式如下：
3 本文检测算法流程
目标检测过程中，首先分别采用最大类间方差法改进的Surendra算法和动态阈值法改进的六帧差分算法得到运动目标，然后将两种算法得到的二进制图像进行逻辑运算。由于得到的目标图像中仍有小孔洞和少量噪声，所以采用连通性检测和形态学滤波进行后期处理后，最终得到运动目标的完整像素。
4 实验结果与分析
为了检测本文算法的性能，在2.8GHz CPU，4G RAM，Windows 32位操作系统的PC机上，利用Visual Studio 2010和Opencv2.4编程完成测试。
图2是对标准视频序列利用四种不同算法进行目标检测的结果。其中，图2（a）中的三帧图像从左到右依次为摆动树枝干扰、光线突变、物体运动状态改变时未进行目标检测的原始图像。
从图2所示的检测结果可以看出，当树枝摆动干扰时，图2（b）中的传统Surendra算法能较好地适应场景的变化，在一定程度上抑制了噪声的干扰，而图2（c）中的三帧差分法对外界噪声的抑制不明显。当光照突变时，图2（b）中的传统Surendra算法将大量的背景像素误判为前景，而图2（c）中的三帧差分法有效地抑制了光照突变的影响，但检测目标存在明显的空洞现象。当运动目标出现静止到运动或运动到静止的状态改变时，Surendra算法和三帧差法提取的运动目标像素都较少。和前两种算法相比，图2（d）中的文献[15]算法具有较强的抗噪性，但检测目标存在较多的漏检像素，而图2（e）中的本文算法有效地克服了外界噪声干扰、光照突变及目标运动状态改变带来的影响，得到了完整的运动目标，检测准确度更高。
在上述检测过程中，四种算法对单帧图像的平均运行时间如表1所示。
为了进一步对本文算法进行客观评价，在三种干扰情况下，现分别采集连续的视频图像各1500帧作为样本，计算四种算法进行目标检测的平均准确率和平均虚警率，其中准确率是指检测目标的准确度。算法性能比较如表2所示。
从表2中四种算法的性能比较可以看出，在树枝摆动、光线突变和物体运动状态改变时，传统Surendra算法和三帧差分算法的抗干扰性都较弱，且算法的检测准确率较低。相比于Surendra算法和三帧差分法，文献算法的检测准确度分别为81.2%、80.6%和83.3%，误检率分别为4.6%、3.4%和4.8%，而本文算法的检测准确度分别为98.1%、96.5%和97.4%，误检率分别为1.8%、2.1%和1.9%，和前三种算法相比，本文算法性能优越。
5 结论
本文提出一种新的联合Surendra背景差分法和六帧差分法的视频运动目标检测算法，利用最大类间方差法解决了Surendra算法分割阈值难确定的问题，动态阈值法抑制光照变化的影响，通过连通性检测和形态学处理，得到完整的运动目标像素，有效地解决了算法应对噪声干扰、光照突变及空洞问题，目标检测的准确度也有了明显提高。
参考文献
[1] S Saravanakumar，A Vadivel Saneem，C G Ahmed. Multiple human object tracking using background subtraction and shadow removal techniques[C].The International Conference on Signal and Image Processing（ICSIP），2010.
[2] 刘杰，安博文.海面红外小目标检测算法研究[J].红外技术，2015，37（1）：16-19.
[3] 张晓春，孟令军，韩朝辉.一种优化的运动目标定位与跟踪算法研究[J]. 计算机测量与控制，2015，23（4）：1266-1268.
[关键词]运动目标检测 Surendra算法 六帧差分 最大类间方差法
中图分类号：TP391 文献标识码：B 文章编号：1009-914X（2016）07-0023-01
引言
运动目标检测技术是计算机视觉的一个重点研究课题，已在智能监控系统、军事战场、海事搜救等领域[1，2]得到广泛应用，是目标跟踪与识别[3]的基础，因此，对运动目标检测方法的研究具有重要的意义。本文提出一种结合Surendra算法和六帧差分法来建立目标的检测模型，利用最大类间方差法[14]和动态阈值分割法进一步改进算法，增强目标和背景的区分度，通过后期处理，提取完整的运动目标。实验表明，改进的目标检测算法有效克服了噪声干扰、光照突变及空洞现象，具有更高的准确度和鲁棒性。
1 传统Surendra算法及改进
1.1 传统Surendra算法原理
传统Surendra算法的基本思想是对视频序列中的连续帧作差分运算，根据设定的阈值对差分图像中的像素点进行划分。如果像素点的灰度值大于阈值，则背景图像中相应位置的像素值保持不变；如果像素点的灰度值小于阈值，则对背景值进行更新，并在一定时间内得到背景图像。
1.2 Sruendra算法的改进
Sruendra算法简单、易于实现，但阈值的确定至关重要，若阈值选择不当将会影响目标和背景的区分度，导致目标或背景错分，而最大类间方差法能够自适应地确定目标和背景的分割阈值。因此，在Surendra背景更新算法中嵌入最大类间方差法确定检测目标和背景的最佳阈值。采用遍历法，当方差最大时，目标和背景之间的区分度最大，此时，为最佳阈值。
2 六帧差分算法
三帧差分法对目标之间的重叠部分检测较困难，仍有空洞存在，而Surendra算法检测的目标轮廓不准确。因此，本文利用六帧差分算法和Surendra算法进行结合，六帧差分算法原理如下：
在视频序列中，连续读取六帧视频图像，，，，，，并依次进行两两差分，并二值化处理，公式如下：
3 本文检测算法流程
目标检测过程中，首先分别采用最大类间方差法改进的Surendra算法和动态阈值法改进的六帧差分算法得到运动目标，然后将两种算法得到的二进制图像进行逻辑运算。由于得到的目标图像中仍有小孔洞和少量噪声，所以采用连通性检测和形态学滤波进行后期处理后，最终得到运动目标的完整像素。
4 实验结果与分析
为了检测本文算法的性能，在2.8GHz CPU，4G RAM，Windows 32位操作系统的PC机上，利用Visual Studio 2010和Opencv2.4编程完成测试。
图2是对标准视频序列利用四种不同算法进行目标检测的结果。其中，图2（a）中的三帧图像从左到右依次为摆动树枝干扰、光线突变、物体运动状态改变时未进行目标检测的原始图像。
从图2所示的检测结果可以看出，当树枝摆动干扰时，图2（b）中的传统Surendra算法能较好地适应场景的变化，在一定程度上抑制了噪声的干扰，而图2（c）中的三帧差分法对外界噪声的抑制不明显。当光照突变时，图2（b）中的传统Surendra算法将大量的背景像素误判为前景，而图2（c）中的三帧差分法有效地抑制了光照突变的影响，但检测目标存在明显的空洞现象。当运动目标出现静止到运动或运动到静止的状态改变时，Surendra算法和三帧差法提取的运动目标像素都较少。和前两种算法相比，图2（d）中的文献[15]算法具有较强的抗噪性，但检测目标存在较多的漏检像素，而图2（e）中的本文算法有效地克服了外界噪声干扰、光照突变及目标运动状态改变带来的影响，得到了完整的运动目标，检测准确度更高。
在上述检测过程中，四种算法对单帧图像的平均运行时间如表1所示。
为了进一步对本文算法进行客观评价，在三种干扰情况下，现分别采集连续的视频图像各1500帧作为样本，计算四种算法进行目标检测的平均准确率和平均虚警率，其中准确率是指检测目标的准确度。算法性能比较如表2所示。
从表2中四种算法的性能比较可以看出，在树枝摆动、光线突变和物体运动状态改变时，传统Surendra算法和三帧差分算法的抗干扰性都较弱，且算法的检测准确率较低。相比于Surendra算法和三帧差分法，文献算法的检测准确度分别为81.2%、80.6%和83.3%，误检率分别为4.6%、3.4%和4.8%，而本文算法的检测准确度分别为98.1%、96.5%和97.4%，误检率分别为1.8%、2.1%和1.9%，和前三种算法相比，本文算法性能优越。
5 结论
本文提出一种新的联合Surendra背景差分法和六帧差分法的视频运动目标检测算法，利用最大类间方差法解决了Surendra算法分割阈值难确定的问题，动态阈值法抑制光照变化的影响，通过连通性检测和形态学处理，得到完整的运动目标像素，有效地解决了算法应对噪声干扰、光照突变及空洞问题，目标检测的准确度也有了明显提高。
参考文献
[1] S Saravanakumar，A Vadivel Saneem，C G Ahmed. Multiple human object tracking using background subtraction and shadow removal techniques[C].The International Conference on Signal and Image Processing（ICSIP），2010.
[2] 刘杰，安博文.海面红外小目标检测算法研究[J].红外技术，2015，37（1）：16-19.
[3] 张晓春，孟令军，韩朝辉.一种优化的运动目标定位与跟踪算法研究[J]. 计算机测量与控制，2015，23（4）：1266-1268.