1、1基于分区灰度投影稳像的运动目标检测算法摘要：针对视频监控系统中，复杂环境引起摄像机抖动，造成运动目标检测不准确的问题，提出了一种基于分区灰度投影稳像的运动目标检测算法.首先对每帧图像进行分区，利用分区灰度投影算法对图像各分区的运动矢量进行准确提取和相关性分析，进行抖动判断，并对抖动帧进行运动补偿.然后利用高斯混合背景建模算法进行运动目标提取.最后对目标提取结果进行形态学处理，以进一步提高目标提取的精度.实验结果表明，本文算法较好地消除了场景中运动目标对运动矢量计算的干扰，实现了在摄像机抖动视频场景中的运动目标的准确检测和提取，大大降低了抖动视频目标检测的虚警率. 关键词：高斯混合模型；灰度投
2、影；视频抖动；目标检测 中图分类号：TP391 文献标识码：A 基于序列图像的运动目标检测是智能视频监控等领域的重要研究内容.背景减除法是最常用的一种运动目标检测方法.参数化的背景建模方法通常假设单个像素的潜在概率密度函数是高斯或者高斯混合函数1-3.Stauffer 等4提出了一种自适应的背景减除方法，用于解决运动分割问题，此方法可以达到可靠实时的户外跟踪效果.Zivkovic 等5对混合高斯模型进行了较大改进.文献6联合使用局部二元组特征（LBP）和色彩在 RGB 空间的光学不变特性下，提出了一种鲁棒的多层背景减除方法，对有伪随机闪烁的背景像素等场景很有效.文献7引入特征子空间学习2和多特
3、征子空间的方法，对高斯混合模型进行了一些改进.文献8针对彩色视频序列给出一种基于混合高斯模型的背景减除算法，该算法效率和资源都达到了较好的效果. 本文针对复杂环境引起摄像机抖动，造成运动目标检测不准确的问题，提出将视频稳像和高斯背景建模相结合来解决该问题.同时考虑到全局抖动和对象局部运动的差异性，提出基于分区灰度图像稳像的高斯背景建模算法.算法在运动检测之前对视频根据分区运动矢量统计情况进行抖动预判断，给出分区抖动判断机制.对判断为抖动的帧进行稳像处理，提高运动目标检测准确性.同时加入形态学后处理，改善目标完整性，通过与其他算法对比，表明本文算法背景建模效果明显得到改善. 湖南大学学报（自然科
4、学版）2013 年 第 6 期肖进胜等：基于分区灰度投影稳像的运动目标检测算法 1 背景建模和视频稳像方法 背景建模主要目的是把视频图像中所有像素归为背景或者运动前景两类，然后对分类结果进行后处理，得到最终的检测结果.视频稳像中的运动估计算法有灰度投影法、块匹配算法、代表点匹配算法和特征匹配算法等9，每种算法都是根据具体的应用场合所提出的，有不同的应用条件.考虑到摄像机的抖动是一种全局运动，块匹配和点匹配等算法计算量大，而采用灰度投影法，其计算量小.本文在灰度投影法基础上提出基于分区灰度投影算法，提高稳像精度. 1.1 高斯混合背景建模算法流程 由 Stauffer 等4提出的高斯混合模型 （
5、Gaussian Mixture 3Model，GMM）是目前最常用的背景建模方法之一，能够很好地适应场景的缓慢变化，因此受到国内外的广泛关注.由 K 个高斯成分组成的高斯混合模型表示像素在时间域上的概率分布模型，即图像中像素 j 的高斯混合模型描述了其特征值 xj 在时间域上的概率分布.根据每个高斯成分的权重与其标准差之比排序后，取前 Bj 个高斯成分作为背景的分布，Bj 根据下式计算： 阈值 T 度量了背景高斯成分在像素的整个概率分布中所占的最小比例. 混合高斯模型具有较好的背景建模处理能力，可以较好地提取快速移动的物体并能很好的去除随机噪声.但是对于视频中有光照突变现象，室外的阴影检测，
6、以及本文重点介绍的摄像头抖动问题的处理效果不够理想. 1.2 灰度投影算法 投影法是利用图像灰度变化规律来确定图像的运动矢量，计算图像的灰度投影曲线做一次相关运算，不必对图像上的每一点做相关运算，因此计算量小.投影法通常分为灰度映射、投影滤波和矢量提取 3 个步骤. 灰度映射：当前帧图像经过预处理以后，投影成为 2 个独立的一维波形，其投影公式为： ，粗体虚线方框的尺寸和当前帧的投影区域相同，当计算垂直投影相关曲线时，沿着图 1（a）中填充为左斜线区域，从左（xv， y）所对应的列的位置）至右移动粗体虚线方框至粗体方框的右端与参考帧的右4端重合；当计算水平投影相关曲线时，沿着图中填充为右斜线区
7、域，从上至下移动粗体方框至粗体方框的下端和参考帧下端重合.利用公式（6）分别计算行和列相关曲线的谷值，确定当前帧相对于参考帧的运动矢量. 2 分区灰度投影稳像的高斯背景建模 考虑摄像头抖动的高斯混合背景建模方法是基于像素模型建立的，在建模之前需要对视频进行稳像，减小前景误检的概率.本文采用分区灰度投影算法进行稳像. 2.1 背景建模 由于视频抖动的随机性，高斯混合模型无法很好地处理抖动的视频，因此，在高斯建模之前对抖动视频进行稳像处理很有必要.具体背景建模流程如图 2 所示，其中加粗框代表本文算法提出的分区灰度投影算法涉及的位置. 首先读取起始帧并初始化参考帧灰度投影值和模型参数，如模型个数、新模型的初始化/最大/最小方差、阴影检测标志、初始学习率 、背景门限和帧计数器等.其次读入下一帧作为初始状态，计算当前帧的灰度投影值和当前帧与参考帧投影的相关曲线，并进行抖动预判断和相应的稳像处理.然后根据需要更新参考帧，将稳像处理后的图像作为高斯模型匹配更新输入，为每个像素添加一个新模型，权重为 1，均值为当前像素值，方差为初始方差.第 2 帧之后，先进行抖动预判断和相应的稳像处理，根据需要更新参考帧，将稳像处理后的图像作为输入图像，更新每一个点的模型权重、方差和均值.之后进行前景和背景像素的判定，进行5形态学处理来消除噪点并使目标更完整.
