在现实场景中, 特别是复杂背景条件下存在各种大小尺寸及不同速度的运动对象需要同时检测和分析。然而, 现有方法和算法大都采用单一时间尺度, 即依据相邻帧的逐帧检测, 例如相邻帧的差分^[1-3], 高斯混合模型差分^[4-5], 这些算法仅能检测一定移动速度的目标, 不具备检测各种运动快慢目标的适应能力。对于不同空间分布和大小的目标, 也仅能处理尺度范围固定或较窄的情形。

近年来, 时空与多尺度概念已经在运动目标检测分析中得到重视和应用。如, Dementhon^[6]采用时空联合分割方法, 同时综合利用了帧间时域上的强相关性信息和帧内空间上的特征, 能够取得较好的分割效果, 但其时空观念仅针对每个像素, 不是针对具体的运动目标, 没有空间多尺度和时间多尺度的概念。Lu等^[7]提出了一种多尺度的运动区域检测方法, 可快速有效地在视频连续2帧间分割出前景运动区域, 但其多尺度概念指的是不同分辨率下的高斯滤波图像, 和运动目标的大小尺度没有关系, 更没有考虑时间多尺度问题。

本文基于运动显著性度量准则, 提出一种新的运动显著性检验方法, 该方法可以检测序列图像中存在显著运动性的区域, 能很好地检测不同空间和大小的目标; 另外, 在运动显著性检验的基础上, 通过在运动显著性区域内部进行时间多尺度帧间差分, 可以很好地检测出不同运动速度的目标。

1 基于空间多尺度的运动目标检测方法 1.1 运动显著性度量准则模型

通过进行运动显著性检验, 可以确定2帧图像间具有明显变化的区域, 而运动目标则会包含在该区域内, 据此就可以大致将运动目标和静止的背景区分开^[8-9]。我们将包含运动目标的区域称为运动显著性区域。

本文认为运动显著性区域内差异的显著程度主要体现在2个方面：①区域内出现差异的像素的总个数; ②区域内差异像素的差异值总和。对于运动物体, 前者反映运动物体的面积大小, 后者反映运动物体与背景的对比度大小。

对于相邻2帧图像间同一位置区域Ω上的2个相同大小的分块G₁和G₂, 2个分块中位置 (x, y) 上的灰度值分别f₁(x, y) 和f₂(x, y), (x, y)∈Ω，且灰度值范围为[0, M]，2帧图像间由物体运动引起的变化像素总个数为S, 即运动物体的实际面积。在此基础上, 我们定义函数d₁(x, y) 和d₂(x, y) 如下:

(1)

(2)

式中, , 本文取值为5。

根据定义, 函数d₁(x, y)∈[0, 1], 其表示区域Ω内差异像素占总差异像素的比例, 且当区域Ω包含整个运动物体时, 其函数值达到最大值1;函数d₂(x, y)∈[0, 1], 表示区域Ω内差异像素的灰度值变化的程度, 只有当区域Ω包含整个运动物体, 且两区域一个全暗、一个全亮时函数值达到最大值1。故可以利用函数d₁(x, y) 和d₂(x, y), 来度量某个区域内的运动显著性。

1.2 空间多尺度运动显著性检测模型

结合上一节的运动显著性度量准则, 这里定义一种新的运动显著性度量方法:对于2帧图像间同一位置区域Ω上的2个分块G₁和G₂, 设v(x, y) 为这两分块间的运动显著性度量值, 则v(x, y) 满足:

(3)

式中, α和β为常数, 且α>0, β>0;函数d₁(x, y) 和d₂(x, y) 满足公式 (1) 和 (2) 的定义。易知, v(x, y)∈[0, 1], 且当函数d₁(x, y) 和d₂(x, y) 同时为1时, v(x, y) 才取得最大值1。v(x, y) 值越大, 说明分块间运动显著性程度越大。

函数v(x, y) 定义中的α和β为常数, 本文称之为比重因子。α和β的设置可以根据具体的应用而有所调整, 提高α的值, 能够提高v(x, y) 对像素面积变化的灵敏度, 能检测更小范围内的像素变化; 提高β的值, 能够提高v(x, y) 对区域对比度变化的灵敏度, 能够检测对比度很小的运动物体。

另外, 函数v(x, y) 的度量需要运动物体的实际面积大小S, 而运动物体的大小一般在检测前是未知的, 故在实际应用中, 需要用其他的值来代替。选取的标准是该值要满足函数v(x, y) 的值不大于1, 可以考虑用图像分块中的分块的面积来代替。而通过调整分块大小尺寸, 便能够度量不同大小尺寸的运动目标的运动显著性。

2 基于时间多尺度差分的运动目标检测方法

上节通过在空间尺度的运动显著性检验, 得到了图像中的不同大小尺寸的运动显著性区域。在本节中, 将在此基础上, 利用时间多尺度帧间差分, 定位运动显著性区域内的运动物体。

本文定义运动显著性强度s(n) 为帧间间隔n的函数:

(4)

式中，δ(x, y) 的定义同公式 (1), t_c为当前帧时刻, Ω为包含运动物体的运动显著性区域。

由公式可知, 当差分间隔为n时, s(n) 为在指定运动显著性区域内, 当前帧图像与前帧或后帧图像差分后的像素变化的总个数, 也就是新增或解除的背景区域的面积。令Δt表示最佳帧间间隔, 则在理想状态下, 当n＜Δt时, 随着n的增加, s(n) 也会增加; 当n=Δt时, s(n) 达到最大值, 即运动物体的面积A; 而当n>Δt时, s(n) 则会保持不变。多目标的差分强度s(n) 与帧间间隔n的关系如图 1所示。

由图 1可知, 随着n的增大, 每个目标的s(n) 也增大并逐渐趋近于物体的实际面积A, 并在n=Δt附近, s(n) 达到收敛状态, 此状态下, s(n) 的变化率会等于0, 如图中收敛点p₁和p₂所示。但在实际应用过程中, s(n) 很难达到真正的收敛状态, 因此只要当s(n) 的变化率小于等于tgθ时就认为其达到收敛状态, 同时s(n) 的值会达到或接近运动物体所在的运动显著性区域的面积A, 我们将此状态定义为最优运动显著性状态。图像中目标收敛的快慢, 表示该目标运动快慢; 最后收敛点的纵坐标大小, 表示该目标面积的大小。

3 实验结果分析

下面以停车场的长波红外序列图像进行实验, 图像序列大小为320×240像素, 256灰度级, 白框标记区域为运动目标。实验结果见图 2和图 3所示:

上面2组实验结果中, 待检测的目标分别有5个和7个。图 2c) 和图 3c) 为最后的运动检测结果。该结果图中白框内的区域为检测出的运动物体, 该区域的白色外接矩形框表示该运动物体的大小尺寸。每个运动物体上面有2个数字, 其中前面数字表示该运动物体的编号, 编号从0开始, 依次增加; 后面一个数字表示该运动物体最后所采用的帧间间隔, 也即该运动物体达到最优运动显著性状态。从结果可以看出, 各组实验结果的检测率都100%。通过遍历不同的帧间间隔, 可以得到图 2d) 和图 3d) 所示的差分强度与帧间间隔的关系图。从中可以看到, 本文获得的结果与第2节图 1中所示的理论图形相吻合。

图 4和图 5中2组实验为本文方法与高斯混合建模背景减法进行运动检测的比较。待检测图像中的运动目标实验前用框标示出。

从图 4的对比实验可以看出, 基于背景模型更新的高斯混合模型背景减法的背景更新速率与运动物体的运动速度有关, 当背景中物体的运动速度与背景的更新速率匹配的时候, 可以取得比较好的效果; 当背景中的物体的运动速度与背景的更新速率不匹配时, 会产生虚警和漏检。而本方法通过局部搜索差分考虑, 对不同运动速度的物体均有较好的检测效果。

从图 5的对比实验可以看出, 基于高斯混合模型的背景减法对光照变化和噪声很敏感, 目标边缘以及背景区域产生了很多噪声点。而本方法通过使用运动显著性检验, 能够抑制一定程度的光照和噪声引起的图像变化。

4 结论

本文提出了一种新的运动目标检测方法, 其特点在于运动检测前先对待检测图像进行空间多尺度运动显著性分析, 定位图像中不同空间分布、不同大小尺寸的运动目标所处的运动显著性区域; 接着在该区域内进行时间多尺度帧间差分, 通过寻找最优的差分间隔来处理不同运动速度目标的检测, 从而达到最优的差分检测效果。

结合实验结果可以得出, 本文提出的运动检测分析算法, 总体上优于常规差分法和自适应背景更新法。最后, 由于算法一开始就区分了背景和运动区域, 并仅对运动区域进行算法处理, 故算法还具有一定的实时性。