摘 要： 結(jié)合幀間差分信息和Jung背景提取算法，提出了一種改進的用于運動目標(biāo)檢測的實時背景提取算法。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，同時保留了基本Jung背景提取方法結(jié)構(gòu)簡單、運算速度快的特點。在PETS2001數(shù)據(jù)集上對本算法進行了有效性驗證，實驗結(jié)果表明，該算法可以實時準(zhǔn)確地提取背景圖像。
關(guān)鍵詞： 背景提取；迭代更新；幀間差分；背景差分
智能視頻監(jiān)控系統(tǒng)通過對攝像機獲取的視頻圖像序列進行處理，檢測出運動目標(biāo)，對異常目標(biāo)自動報警。準(zhǔn)確、實時的運動目標(biāo)檢測是智能視頻監(jiān)視系統(tǒng)的關(guān)鍵技術(shù)。
運動目標(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，但實現(xiàn)過程復(fù)雜耗時，不適用于實時目標(biāo)檢測應(yīng)用；幀間差分法通過對視頻相鄰圖像幀差分實現(xiàn)運動檢測。由于運動目標(biāo)的速度和大小存在差異，且運動速度會隨時變化，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算獲取圖像中運動目標(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，同時能夠更加完整地檢測出運動目標(biāo)。背景差分法的關(guān)鍵在于能否準(zhǔn)確、快速地提取背景。針對背景提取問題，本文提出了改進的基于Jung[3]算法的背景提取算法。該算法繼承了Jung算法原理簡單、易于實現(xiàn)和不容易受到噪聲影響等優(yōu)點，同時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
多幀均值法對視頻中的k幀圖像進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，對背景中曾經(jīng)處于運動狀態(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，但多種運動目標(biāo)在同一區(qū)域出現(xiàn)影響了背景提取效果；同時中值法排序過程非常耗時，影響了算法的實時性。Surendra背景提取算法在閾值選取合適的前提下效果較好，本文通過大量實驗，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，同時對于不同的場景，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)背景改變較大時不能及時更新，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。改進的Jung算法克服了Jung算法的缺點，在算法效果和運行速度上均取得了尚佳的表現(xiàn)，同時算法中沒有待定參數(shù)，也克服了Surendra算法的缺點。
本文提出了一種改進的基于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、計算量小、易于實現(xiàn)、運算效率高且背景提取效果良好，能夠較好地處理運動前景成為背景或者背景中物體運動成為前景的情況；同時利用幀間差分信息，自適應(yīng)地對背景進行更新，有效地克服了Jung算法更新速率過慢的缺陷。實驗結(jié)果表明，本文提出的算法具有良好的實用價值。
參考文獻
[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. 一種改進的視頻監(jiān)控背景更新算法[J].浙江理工大學(xué)學(xué)報，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.