摘 要： 為了有效減少噪聲對運動目標檢測的影響，提出了一種利用均值漂移聚類實現(xiàn)運動目標檢測的方法。首先運用Mean Shift算法分別對三幀連續(xù)圖像進行平滑去噪處理，然后對圖像進行邊緣提取，最后通過三幀差分法對三幀圖像進行差分,進而得到運動目標。實驗結(jié)果表明，該方法可以有效地抑制噪聲并提取出運動目標。
關(guān)鍵詞： 運動目標檢測；均值漂移；三幀差分；聚類
運動目標檢測是計算機視覺、模式識別和數(shù)字視頻處理領(lǐng)域的一個重要課題。高效、實時地檢測運動目標可以為目標跟蹤、行為分析和理解提供依據(jù)。傳統(tǒng)的運動目標檢測方法主要有幀間差分法、背景差分法和光流法。光流法[1]雖然可以精確地檢測運動目標，但其計算復(fù)雜度高，難以滿足實時性的要求。幀間差分法[2-3]是目標檢測常用的方法，它的計算量低，而且適應(yīng)性也很強，但同時對運動目標的速度有一定的要求，如果運動速度較快且選取的時間間隔過大，就會造成兩幀之間無覆蓋區(qū)，從而無法分割出運動目標。背景差分法[3]是對連續(xù)的多幀圖像進行背景重構(gòu)，但其自適應(yīng)能力差，很難得到真實的背景圖像。
均值漂移MS(Mean Shift)算法作為一種有效的統(tǒng)計迭代算法，最早由FUKUNAGA在1975年提出，但直到1995年，Cheng Yizong設(shè)計了MS算法[4]中的核函數(shù)和權(quán)重函數(shù)，從樣本到被偏移點的距離和不同樣本的不同貢獻兩個方面作了改進并將其應(yīng)用于聚類和全局優(yōu)化，才擴大了該算法的適用范圍,并掀起了對該算法研究的熱潮。MS算法完全依靠特征空間中的樣本點進行分析，不需要任何先驗知識，收斂速度快，近年來被廣泛應(yīng)用于聚類、圖像平滑、圖像分割和跟蹤等計算機視覺領(lǐng)域。
本文根據(jù)MS算法的特點，在彩色空間域內(nèi)對圖像進行平滑聚類，從而降低噪聲對運動目標的干擾，更精確地進行邊緣提取。本文首先討論幀間差分法和均值漂移算法的基本原理，然后討論本文提出的方法，最后通過實驗加以驗證。
1 幀間差分法
幀間差分法是在目標檢測中經(jīng)常用到的方法，它計算簡單，不易受環(huán)境變化（如光線變化等）的影響，實時性好。
它提取的運動目標比實際的要大，往往出現(xiàn)“雙影”現(xiàn)象[3]，同時會產(chǎn)生“空洞”現(xiàn)象。當目標運動速度較慢時，目標出現(xiàn)的區(qū)域有可能變化不大，形成類似于隨機噪聲的孤立點。為了避免目標的丟失，通常采用三幀差分法實現(xiàn)運動軌跡的累計。
4 實驗結(jié)果分析
參考文獻[3]介紹了傳統(tǒng)三幀差分法，即在幀間差發(fā)的基礎(chǔ)上對連續(xù)的三幀圖像進行差分運算，而參考文獻[7]對傳統(tǒng)的三幀差分進行了改進，在進行差分運算之前先對三幀圖像進行邊緣檢測，故稱為“邊緣三幀差分”，該方法有效地抑制了亮度突變對三幀差分的影響。
本文是以Adobe Flash Builder 4為實驗平臺，通過攝像頭采集連續(xù)三幀圖像，以分辨率為213 dip×160 dip進行處理，在中間一幀中加入了噪聲強度P為0.05、0.15、0.2和0.3的噪聲,圖2為分別使用傳統(tǒng)的三幀差分、邊緣三幀差分法和本文所提出的方法在噪聲強度為0.15時得到的實驗效果圖。
圖2(a)、圖2(b)和圖2(c)分別取自連續(xù)的三幀圖像；圖2(d)為傳統(tǒng)的三幀差分后的圖像，不能有效地抑制噪聲，且運動目標的邊緣不是很清晰；圖2(e)為采用Laplacian算子進行邊緣三幀差分后的圖像，雖然運動目標可以有效地識別，但也不能對噪聲起到抑制作用；圖2(f)采用為本文提出的方法進行的三幀差分后的圖像，對隨機噪聲點可以有效地抑制，并且運動目標邊緣也比較清晰，充分說明了該算法對噪聲的處理效果。
為了對本文提出的算法進行比較，引入噪聲強度作為衡量標準，設(shè)噪聲強度為P，sum(Y)為圖像Y的像素總和，e為隨機生成的噪聲數(shù)，則：
本文分析了經(jīng)典的差分算法的不足，提出了一種新的目標檢測方法，首先對三幀圖像在彩色空間域中運用均值漂移聚類算法平滑圖像去除噪聲，然后進行邊緣提取，有效地防止亮度突變的影響，最后通過三幀差分提取運動目標。本文的算法能夠很好地消除圖像中噪聲的影響，同時保持圖像的邊緣。與其他常用算子相比，本文算法抗噪能力更強，能夠提取顯著的邊緣，這更符合人類視覺的特點。實驗結(jié)果證明了算法的有效性。
參考文獻
[1] LEE Y S， MOKRI S S, HUSSAIN A，et al.Motion detection using Lucas Kanade algorithm and application enhancement[C]. International Conference of Electrical Engineering and Informatics. ICEEI′09，2009，2：537-542．
[2] LIPTON A J，F(xiàn)UJIYOSHIH，PATIL R S． Moving target classification and tracking from real-time video[C]．WACV’ 98，Proceedings of the Fourth IEEE Workshop on Applications of Computer，Princeton，NJ，1998：8-14．
[3] 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(12)：274-276.
[4] Cheng Yizong. Mean Shift，mode seeking，and clustering[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence，1995，17(8)：790-799．
[5] COMANICIN D，MEER P. Mean shift： a robust approach toward feature space analysis[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence，2002，24(5)：603-619．
[6] 王爽，夏玉， 焦李成.基于均值漂移的自適應(yīng)紋理圖像分割方法[J]. 軟件學報，2010，21(6)：1451-1461．
[7] 甘明剛，陳杰，劉勁，等.一種基于三幀差分和邊緣信息的運動目標檢測方法[J].電子與信息學報, 2010，32(4)：894-897．
[8] 王朝英，李光，侯志強，等.融合mean shift 和區(qū)域顯著性的彩色圖像分割算法[J]. 計算機工程與應(yīng)用，2010，46(28)：181-184．
[9] 萬軍，徐汀榮. 基于Laplacian算子的圖像邊緣檢測方法研究[J]. 現(xiàn)代電子技術(shù)，2004,20(188):92-93．