基于三幀差分和滑動平均背景的運動目標檢測

周　曉，方玖琳，鄭定超

（浙江工業大學　信息工程學院，杭州　310023）

基于三幀差分和滑動平均背景的運動目標檢測

周曉，方玖琳，鄭定超

（浙江工業大學信息工程學院，杭州310023）

針對傳統三幀差分法在前景提取中容易出現“空洞”現象，對傳統三幀差分法作改進，采用邏輯“或”代替原來的邏輯“與”，但同時產生了運動目標被拉長，輪廓模糊等問題；為了有效解決該問題，將滑動平均法和改進的三幀差分相結合，然而滑動平均法初始階段更新背景較慢，因此二者有效結合的關鍵是對滑動平均法作改進，提出一種自適應更新滑動平均系數加速背景更新的方法；最后將改進三幀差分提取的前景和改進滑動平均法提取的前景進行邏輯“與”運算得到綜合前景圖像；實驗結果表明該算法在完整性，準確性以及實時性方面能滿足實際要求。

三幀差分改進；改進滑動平均背景；自適應更新滑動系數；運動檢測

0　引言

運動目標檢測是從視頻系列圖像中將運動區域進行提取的過程。運動區域的有效分割對于目標識別，跟蹤和行為理解等后期處理工作異常關鍵，因為后期的處理過程僅僅考慮圖像中對應于運動區域的像素。

目前檢測運動目標的主要方法有幀差法，背景減除法和光流法［1］。幀差法是運動目標檢測最為簡單快速的方法，常用的幀差法就是相鄰幀間作差，二值化處理來獲取運動區域。幀差法最大的缺點是容易產生“空洞”和“雙影”現象［2］，因此還需結合其它算法進行相關改進。背景減除法通過構造實時背景來進行前景提取，將當前幀圖像和背景圖像進行差分并二值化處理來提取前景。背景減除法的關鍵點就是背景圖像的構造，而背景圖像容易受到外界環境的影響，對光照和場景變化非常敏感，因此背景準確的自適應更新是背景減除法的關鍵。光流法是通過研究相鄰幀之間像素的瞬時運動速度來確定運動目標，因此在攝像機處于運動的情況下也能工作，但是光流法計算復雜，對硬件的性能要求較高，除非有特定的硬件支撐，否則很難實現實時檢測，因此在實際的項目中應用較少。本文提出一種基于三幀差分法和滑動平均背景相結合的運動目標檢測算法，該算法能解決以上幀差法和背景減除法產生的缺點問題。

1　三幀差分改進

1.1改進三幀差分原理圖

主要步驟如下：

1）采集連續三幀相鄰圖像Ik-2、Ik-1和當前幀Ik，灰度化處理，并做高斯去噪。

2）Ik-1與Ik-2以及Ik與Ik-1分別做幀差絕對值運算，得到差絕對值圖D1（x，y）和D2（x，y），其中

3）對D1（x，y）、D2（x，y）分別進行二值化處理，其表達式為

圖1　改進三幀差分原理圖

其中：d1為差絕對值圖D1（x，y）中像素點像素值，T1為設定閾值。

同理d2為差絕對值圖D2（x，y）中像素點像素值，T2為設定閾值。當差絕對值圖D1（x，y）、D2（x，y）像素點像素值大于等于閾值時即認為該像素點為前景像素點，反之為背景像素點

4）對二值化結果D1（x，y），D2（x，y）進行邏輯“或”運算，表達式如下：

DI（x，y）=D1（x，y）⊕D2（x，y）（5）

5）將“或”運算結果DI（x，y）進行適當數學形態學開閉處理。

基于以上原理分別用傳統三幀差分和改進三幀差分對一段avi格式的交通監控視頻圖像進行前景提取，檢測結果如圖2所示，其中圖2（a）是用傳統三幀差分提取的前景圖像，圖2（b）是用改進三幀差分提取的前景圖像。

圖2　三幀差分檢測前景

圖2（a）和圖2（b）可以看出，通過邏輯“或“運算來進行三幀差分的改進在一定程度上能消除傳統三幀差分帶來的空洞問題，卻造成運動目標拉長，輪廓模糊的缺點，因此還需后續算法的相關處理。

2　與滑動平均背景相結合

滑動平均背景（滑動平均法）是運動目標檢測的常用算法。該算法通過構建背景模型來獲取前景圖像，因此能減少前景當中的“空洞”問題，并且運動目標不會被拉長，輪廓較清晰，但是對光照較為敏感。所以，本文充分考慮改進的三幀差分以及滑動平均法的優缺點，通過相結合的方式來實現優缺點互補。

滑動平均背景需要解決的問題是背景圖像的構造，如何構造出高效實用的背景模型來獲取背景圖像是背景減除法的研究重點。背景建模時，需要考慮外界光照強度變化以及背景的及時更新［6］。它的基本思想是背景模型建立之后，將當前幀圖像與背景模型相減，若相減結果的像素大于某一閾值，則判定當前圖像中的這些位置像素區域為運動區域，反之為背景區域。

其中：Xk（x，y）為當前幀圖像，Bk（x，y）為背景圖像，Dk（x，y）為差分圖像，T為閾值，Rk（x，y）為前景圖像。255代表前景區域，0代表背景區域。由公式（6）、（7）可以看出建立一個合適的背景模型對于前景檢測非常重要［7］?；瑒悠骄ㄔ砹鞒虉D如圖3所示。

圖3　滑動平均法原理流程圖

2.1滑動平均背景建模

滑動平均背景建模利用以下規則對每個像素進行更新：

acc（x，y）=（1-α）acc（x，y）+α·image（x，y）（8）其中：acc（x，y）是背景幀，image（x，y）為當前圖像，α為調節更新率（即累計器以多快的速率忘掉前面的幀）。

滑動平均法主要步驟如下：

1）讀取當前一幀，幀數i（初始化i=0）加上1，由RGB顏色空間轉換成灰度圖。對應關系如下［8］：

GRAY=0.299R+0.587G+0.114B（9）

其中：GRAY為灰度圖像，RGB為紅綠藍顏色空間。

2）判斷當前幀是不是第一幀，即i=1是否成立？如果是第1幀就將當前幀acc（x，y）作為背景幀，并建立空幀image（x，y）=0作為后續當前幀，DB（x，y）=0作為前景圖像幀。如果不是第一幀，就將當前幀image（x，y）和之前背景幀acc（x，y）進行相減得到前景圖像。如下式所示：

DB（x，y）=image（x，y）-acc（x，y）（10）

3）二值化前景圖像：

其中：d3為差絕對值圖DB（x，y）中像素點像素值，T3為設定閾值。當像素點像素值大于等于閾值時即認為該像素點為前景像素點，反之為背景像素點。

4）將二值化結果D3（x，y）進行相應形態學濾波，去掉噪音。

5）更新背景：

acc（x，y）=acc（x，y）+α·［image（x，y）-acc（x，y）］并返回步驟1）。

滑動平均法能很好的克服“空洞”問題，且運動目標不會被拉長，輪廓清晰，通過它和改進的三幀差分法進行邏輯“與”運算一方面可以有效克服改進三幀差分所帶來的運動目標拉長，輪廓不清晰的缺點，另外一方面可以利用改進三幀差分對光線突變不敏感來彌補滑動平均法對光線敏感的問題。然而滑動平均法剛開始需要一定時間才能使背景趨于穩定，開始時間段相鄰背景之間的像素和變化較大，因此初始階段滑動平均法得到的前景中很多的噪音，這時就需要對滑動平均法進行改進，否則二者結合進行邏輯“與”的初始階段則是沒有意義的，不能消除前面三幀差分所帶來的運動目標拉長，輪廓模糊的問題。

2.2滑動平均法改進

滑動平均法的改進是本文在兩種算法結合之后研究的重點問題。因此如何使滑動平均法在初始階段就能擁有一個較好的前景圖像是二者進行邏輯“與”結合的關鍵。傳統的滑動平均法從開始運行到構造的背景穩定下來往往需要超過10秒鐘左右的時間，顯然時間過慢，不符合實時要求。

針對以上問題本文創新性的提出一種通過前后幀構造的背景像素和作差和設定閾值TH進行比較來調節滑動平均系數的方法。該方法通過靈活改變滑動平均系數來進行背景更新。

2.2.1自適應更新滑動平均系數

T=sum（acc（x，y）new）-sum（acc（x，y）old）（12）

式（12）中：acc（x，y）new為新構造的背景，sum（acc（x，y）new）為該背景所有像素值之和，acc（x，y）old為前一背景幀，sum（acc（x，y）old）為其所有像素值之和。

T為兩個背景幀像素和之差。

1）當差值T＞閾值TH ，此時增大滑動平均系數α。

2）當差值T≤閾值TH，此時減小滑動平均系數α。

其中閾值TH在實驗中根據以下規則進行設定。

TH=（T1+T2+T3…+Tn）/2（13）

式（13）中，T1到Tn分別表示第1到第n個背景差值。在不更改滑動平均系數α的情況下，T1的值顯然較大，Tn的值較小。T2T3…Tn-1的值基本處在T1和Tn之間浮動。n的取值直到背景基本穩定，背景差值基本不變終止。

2.2.2改進滑動平均法流程

改進的滑動平均法流程圖如圖4所示。

該算法在原始滑動平均法的基礎上作改進，將背景差值T和設定閾值TH作比較，在初始階段必然存在T≥TH的情況，從而要增大滑動平均系數α，加速背景更新，使得背景快速達到穩定狀態，當背景接近穩定的時候，背景差值落在T＜TH范圍以內，此時要減小滑動平均系數α，以免背景出現大幅度變化而影響到前景檢測。α根據實驗結果確定，在T≤TH時取0.003，在T＞TH時取0.01。

基于以上原理使用傳統滑動平均法和改進的滑動平均法分別對視頻圖像進行前景提取，如圖5所示，其中圖5（a）是傳統滑動平均法提取的前景，圖5（b）是改進的滑動平均法提取的前景。通過實驗結果可以看出改進的滑動平均法克服了傳統滑動平均法在背景構造方面耗時較多的缺點，能夠自適應快速更新背景，避免在初始階段前景中出現大量噪音。

圖4　改進滑動平均法流程圖

圖5　滑動平均法取前景

最后將改進三幀差分得到的前景圖像DI（x，y）和改進滑動平均法得到的前景圖像DB（x，y）進行邏輯“與”運算得到綜合前景圖像D（x，y）。算法總流程圖如圖6所示。

圖6　算法總流程圖

3　實驗結果與分析

為了驗證本文算法的有效性，實驗選取了一段交通監控avi格式視頻進行測試。實驗平臺硬件為普通PC機（Pentium 1.87 GHz CPU，內存2 G），軟件為VC++6.0、OpenCV機器視覺開源庫。

本文分別使用改進三幀差分法，改進滑動平均法以及本文提出二者結合的方法進行實驗，檢測結果效果圖如圖7所示。

檢測結果圖7中第一列為原始圖像，第二列為使用改進的三幀差分檢測的結果，第三列為使用改進的滑動平均法檢測的結果，第四列為二者結合的方法檢測的結果。圖中第一排為視頻幀第220幀的效果圖，第二排為第225幀的效果圖，第三排為第230幀的效果圖，第4排為第235幀的效果圖。

圖7　檢測結果效果圖

從實驗結果可以看出，改進的三幀差分雖然在“空洞”問題上面有所提高，但是將運動目標拉長了從而得到的前景圖像比原圖像要大，并且目標輪廓不是很明顯。改進的滑動平均法雖然相對于改進之前加速了背景更新速度，前景中的噪音減少許多，但是開始之初還是存在少許噪音，如圖7第三列前兩幅圖像所示，滑動平均法另外一個不足之處是對光照比較敏感，基于以上情況本文將兩種方法結合起來，得到的前景圖像如圖7第四列所示，該方法可以避免光照的影響得到前景圖像中幾乎沒有噪音，同時可以克服圖像被拉長，輪廓不清晰及“空洞”問題。

4　結論

本文在傳統三幀差分和滑動平均法的基礎上作改進提出了一種基于三幀差分與滑動平均背景相結合的運動目標檢測算法，該算法能夠適應復雜的環境背景，允許在有運動目標的情況下進行背景建模，同時能克服光照對滑動平均法的影響，以及滑動平均法在初始階段背景建模所需時間過長的不足，同時又能消除改進三幀差分所帶來的運動目標拉長，輪廓不明顯以及“空洞”問題，抗干擾性強，可以獲得關于運動目標更為完整精確的區域。

［1］於正強，潘赟，宦若虹.一種結合幀差法和混合高斯的運動檢測算法［J］.計算機應用與軟件，2015，32（1）：129-132.

［2］丁磊，宮寧生.基于改進的三幀差分法運動目標檢測［J］.電視技術，2013，37（1）：151-153.

［3］呂國亮，趙曙光，趙俊.基于三幀差分和連通性檢驗的圖像運動目標檢測新方法［J］.液晶與顯示，2007，2 （1）：87-92.

［4］徐衛星，王蘭英，李秀娟.一種基于 Open-CV 實現的三幀差分運動目標檢測算法研究 ［J］.計算機與數字工程，2011，11（1）：141-144.

［5］魏武，龔樹鋒，龔樹超.一種改進的基于視頻的車輛檢測與識別方法［J］.計算機測量與控制，2010 （1）：20-22

［6］莫林，廖鵬，劉勛.一種基于背景減除與三幀差分的運動目標檢測算法［J］.微計算機信息，2009，25 （4）：274-276.

［7］盧章平，孔德飛，李小蕾，等.背景差分與三幀差分結合的運動目標檢測算法 ［J］.計算機測量與控制，2013，21（12）：3315-3318

［8］邱聯奎，劉啟亮，雷文龍.基于背景減除與三幀差分相融合的運動檢測［J］.合肥工業大學學報，2014，37（5）：572577.

Motion Object Detection Based on Three Frame Differencing and Sliding Average Background Method

Zhou Xiao，Fang Jiulin，Zheng Dingchao
（College of Information Engineering，Zhejiang University of Technology，Hangzhou310023，China）

In view of the traditional three frame difference method in the foreground extraction is easy to appear"hollow"phenomenon，make improvement on the traditional three frame difference method，use the logical"or"instead of the original logic"and"，but at the same time produce a moving target is elongated and contour blurring problem.In order to effectively solve the problem，combined the sliding average background method with improved three frame difference，however in the initial phase the sliding average background to update the background is slow，therefore the key of effective combination of the two method is to improve the sliding average method，puts forward an adaptive update moving average coefficient of acceleration background updating method.Finally improved three frame difference extracted foreground and the foreground of improved sliding average method to logic"and"to get comprehensive foreground image.Experimental results show that the algorithm can quickly and completely and accurately detect moving targets and meet the needs of real-time detection.

three frame difference improvement；sliding average background improvement；adaptive updating sliding coefficient；motion detection

1671-4598（2016）05-0032-03

10.16526/j.cnki.11-4762/tp.2016.05.010

TP311

A

2015-10-29；

2015-12-04。

周曉（1971-），男，浙江永康人，副教授，博士，主要從事嵌入式應用方向的研究。