视频对象的前景检测算法研究
来源:用户上传
作者:陈状 胡永祥 郝晗
摘要：目前，国内外越来越多的学者在基于前景检测算法方面取得了大量的研究成果。但针对如何能在真实场景下可以克服诸多实际的干扰因素，准确的检测到前景目标还没有找到适合的算法来实现它。本文对背景差分法这种常用的前景检测算法进行理论分析和实验比较，分析了算法的优缺点和复杂程度，最后通过对形态学处理和阴影抑制理论的研究对背景差分算法进行了改进。
关键词：目标检测;背景差分法;前景检测
中图分类号：TP311 文献标识码：A 文章编号：1009-3044（2019）02-0167-0c
1引言
前景检测就是为了能够把前景目标从背景图像中分割出来，一般体现在视频拍摄方面，视频序列中固有的画面作为背景，视频序列中变化的部分作为前景目标，从而准确的检测出前景目标。前景检测[1 ]是目标跟踪、识别、分析等高级处理必要的先验环节[2]，
能够准确快速检测到前景目标，可以有效提高系统的实时性和鲁棒性。对应地就需要保证前景检测算法对目标以外的各种干扰要做到尽可能地弱化，分析拍摄过程中的主要干扰，对拍摄背景中存在光照、阴影、遮挡等动态影响因素进行分析处理，提高前景检测算法在检测过程中对场地环境的鲁棒性[3]和对目标的检测实时性[4]。本文通过对背景差分算法在拍摄过程中存在干扰因素进行分析，加入形态学处理和阴影抑制方法，对现有的背景差分算法进行改进。
2 背景差分检测算法
背景差分算法是机器视觉中一种常用的前景检测算法。它的算法核心思想是取当前帧图像灰度值与背景帧图像灰度值做减法运算的结果的绝对值，公式如式（1）所示。
[Dk（x，y）=|fkx，y-fbkx，y| ] （1）
[fk]表示当前帧图像，[fbk]表示背景图像，[Dk]表示差分后得到的图像。将[Dk]中每个像素点[Dk（x，y）]与阈值T比较，[Dk（x，y）<T]时，[Rkx，y=0];[Dk（x，y）≥T]时，[Rkx，y=1]。其中[Rkx，y=1]表示的区域就是拍摄视频的前景目标。
背景差分算法相比与其它前景检测算法如光流法、累积差分算法的优势在于：（1）背景差分算法的计算相对比较简单，并且它的背景值是取自拍摄下的静止场景作为背景，更适合角度固定的前景检测;（2）背景差分算法对变化的场景存在较强的自适应能力，可以更新背景图像。
3背景差分算法改进处理
背景差分算法虽然具备计算相对简单，对背景有较强的适应能力等优势，但是也存在相应的问题：（1）前景目标检测中的噪声干扰对目标影响很大，（2）拍摄过程中的阴影往往会被认为成目标，得到的结果与理想结果存在较大差距，影响检测效果的实时性。所以本文采用轮廓平滑处理的形态学处理和HSV[5]颜色空间阴影抑制算法对背景差分算法进行了针对性的改进。前景目标中的噪声通过轮廓平滑处理进行降噪可以有效地解决，HSV颜色空间阴影抑制算法可以有效消除阴影对前景目标的误识别。
3.1轮廓平滑处理
数学形态学[6]是一种分析几何形状和结构的数学方法，它是建立在集合代数基础上通过单一或者有序组合使用膨胀、腐蚀、开运算和闭运算四个基本算子对二值图像进行处理和分析[7]，获取图像的结构图像信息。它可以解决图像中的噪点有着良好的性能，故本文对背景差分算法中前景图像中存在的噪点采用轮廓平滑处理的形态学操作。
膨胀是为了向外扩张前景二值图像的轮廓，使得前景二值图像的轮廓可以把周围的噪点合并起来，已达到去除噪点的效果。它的操作过程是通过选定的结构元素，将选定元素与二值图像集合进行计算，计算公式如式（2）所示。
[S=X?B={x，y|Bxy?X}≠Φ] （2）
[X]为二值集合的输入，[B]为指定的结构元素，[S]为膨胀后的图像集合。前景目标图像中的空洞和噪点使用膨胀方法进行填充。
腐蚀是为了向内收缩前景二值图像的轮廓，减轻前景目标图像的边界像素影响。它的操作过程是通过选定的结构元素，将选定元素与二值图像集合进行计算，计算公式如式（3）所示
[S=X⊙B={x，y|Bxy?X}] （3）
[X]為二值集合的输入，[B]为指定的结构元素，[S]为腐蚀后的图像集合。通过该方法可以去掉前景图像的外围边界像素点。前景目标图像中的边界像素点使用腐蚀方法进行去除。
通过不同顺序的级联使用膨胀和腐蚀两种算法会得到开、闭运算。图像的开运算是指图像选定的结构元素[B]与二值图像先进行腐蚀操作，然后将结果再进行膨胀操作。公式如下（4）所示。
[S=X⊙B♁B] （4）
闭运算是与开运算操作相反的操作过程，图像的闭运算是指图像选定的结构元素[B]与二值图像先进行膨胀操作，然后将结果再进行腐蚀操作。公式如下所示。 [S=X♁B⊙B] （5）
開运算的作用可以使前景目标图像的轮廓消除细小的突出点，将目标对象的轮廓变得光滑，得以突出行人目标特征。闭运算的作用可以将前景目标图像中目标断裂的轮廓进行连接和填充，保证行人目标的整体性和有效性。
3.2阴影抑制处理
拍摄视频中总会收到天气的影响、白天和傍晚的变化等自然因素的干扰，视频中检测目标会存在着目标阴影，并且阴影具有特征与检测目标特征相近，与检测目标相连。在进行前景检测的过程中很容易把阴影部分检测成前景目标，造成真实目标与阴影部分误检目标重叠，造成重影现象，对检测目标造成巨大的干扰。背景差分算法对阴影部分误检成前景目标的抗干扰能力差，不能有效去除阴影部分造成的误检目标，导致误检率大大增加，算法的有效性受到极大的挑战。为了解决上述问题，对背景差分算法进行改进，加入了基于HSV的色彩空间的阴影抑制算法。
HSV三个分量分别表示色彩（Hue）、饱和度（ Saturation）、亮度（ Value）。色彩H表示颜色，饱和度S表示颜色中包含白色的比例，亮度V表示色彩的明亮程度。当图像中的一个像素点被阴影覆盖时，像素的饱和度会与背景区域的点的饱和度的比值呈线性关系。而且背景区域的提前选定，会造成背景区域的亮度会比阴影覆盖区域的亮度高，但是由于颜色的不变性，阴影覆盖区域的饱和性会升高。通过上述理论，构建HSV阴影抑制算法，公式如式（6）所示。
|[TH=|InHx，y-BnHx，y|]
[TS=InSx，y-BnSx，y]
[Tv=InVx，y/BnVx，y][]
[Fn（x，y）=0，if（α≤TV≤β）∧（Ts≤τs）∧（TH≤τH）255，others][] （6）
[InHx，y]为当前帧图像中[（x，y）]处的色度，[InSx，y]为饱和度，[InVx，y]为亮度值。[BnHx，y]为背景图像[Bn]中[x，y]处的色度，[BnSx，y]为饱和度，[BnVx，y]为亮度。参数满足：[0≤α≤β≤1]，其中参数α能够根据阴影的强度进行调整，[α]取值越小表明阴影区域颜色越暗。算法对噪声的鲁棒性参数则通过参数[β]实现，即当前像素值的亮度不能和场景背景太相似，避免将噪声误判为阴影。背景差分改进算法效果如图1所示。
实验结论：改进后的背景差分算法可以有效地消除前景目标中的噪声，抑制了阴影区域对检测结果的干扰，有效地解决了背景差分算法存在的问题，提高了前景检测算法的实时性和鲁棒性，同时使目标的边缘更加平滑，行人特征更明显。
4结束语
本文首先分析了前景检测算法在实际生活中的应用和存在问题，接着介绍了背景差分算法的原理，以及和其他前景检测算法对比所具有的优势和存在的不足。对背景差分算法难以消除噪声和阴影区域对检测结果的误检问题进行了研究，通过轮廓平滑处理和HSV颜色空间抑制算法对背景差分算法进行了改进，实现了改进算法对前景目标的准确分割。
参考文献：
[1] 张骐. 基于智能视频监控的行为分析及其应用[J]. 电脑迷， 2018（7）.
[2] 徐杨. 面向视频监控的动态目标检测、跟踪与识别关键技术研究[D]. 东北大学， 2012.
[3] 杨超. 基于超像素分割的复杂背景下运动目标检测研究[D]. 沈阳航空航天大学， 2018.
[4] 彭宝， 孙韶媛， 梁炳春，等. 基于感兴趣区域特征融合的行人检测方法研究[J]. 微型机与应用， 2015（18）：36-38.
[5] Fan N， Cheng J W， Qin L， et al. An optimal method for frequency-domain finite-difference solution of 3D scalar wave equation[J]. Chinese Journal of Geophysics， 2018， 61（3）.
[6] Zimmermann C， Brox T. Learning to Estimate 3D Hand Pose from Single RGB Images[J]. 2017：4913-4921.
[7] Roehm P C， Shekarabi M， Wollebo H S， et al. Inhibition of HSV-1 Replication by Gene Editing Strategy[J]. Sci Rep， 2016（6）：23146.
转载注明来源:https://www.xzbu.com/8/view-15270533.htm
