数字视频监控中的运动人体检测.doc

数字视频监控中的运动人体检测 杨静宜 (石家庄城市职业学院) 引 言 智能化视频监控系统是用计算机视觉的方法，在不需要人为干预的情况下，每天连续24小时的实时监视，通过对摄像机拍录的图像序列进行自动分析，实现对被监控场景中运动物体的检测、识别和跟踪，并在此基础上分析和判断运动物体的行为，从而做到既能完成日常管理又能在异常情况发生的时候及时做出反应，从而减轻人的负担。运动人体检测与跟踪则是智能视频监控中的一个首要环节。 本文提出了一种用于数字视频监控图像中运动人体检测的算法，首先用自适应背景减除法检测出运动目标，同时采用模式识别中的最大类间方差准则来确定分割的最佳阈值，然后结合梯度边缘检测和数学形态学运算消除干扰，最后通过人体特征区分人体与非人体，有效地检测出图像中的运动人体。 运动目标检测 本文提出了一种自适应背景减除法的运动目标检测算法，该算法能有效检测分割出视频图像中的运动物体。 2.1自适应背景模型 在进行运动目标检测之前要建立一个背景模型，在没有人进入环境之前，首先对背景连续采集n幅图像，通过这n幅图像，可以建立一个初始背景的统计模型。在这个模型里，对背景中的每一个点(i，j)，定义μ(i，j)为该点的颜色值的期望，σ2(i，j)为颜色值分布的方差，有如下公式： (1) (2) 式中 μt(i，j)为点(i，j)在第t幅图像中的颜色值。以μ(i，j)为背景图像的像素值来构建背景，即在初始化背景中，初始化背景像素点BK(i，j)= μ(i，j)。 随着时间的推移，背景中不可避免的会发生一些变化。如果一直使用最初始的背景模型长时间后就会发生比较大的误差。为了解决这个问题，采用自适应的背景模型更新方法。设μ(i，j)(t)和σ2(i，j)(t)分别为t时刻点(i，j)的颜色期望和方差， yt(i，j)为t时刻当前图像中点(i，j)的颜色值，则在t+1时刻，有: (3) (4) 其中α是更新因子，其值根据实验取为0.9，此时得到的背景图像效果最好，既能适应背景光线等的变化，又能保持背景图像的稳定性。 此时更新背景模型BKt+1(i，j)= μt+1 (i，j)，这样，背景模型在每一时刻不断的得到更新，以便跟实际环境尽可能保持一致。 2.2阈值分割 依据上述公式，获取视频图像序列的背景图像后，对于每一幅新采集的当前图像，直接比较它与背景模型之间对应像素点的灰度值，就可以提取出前景区域。设当前图像中点(i，j)的颜色值为f(i，j)，由下面的公式可以得到差分图像灰度值： (5) 得到差分图像后还应对其二值化来提取运动目标。本文根据直方图采用自适应阈值方法获得相应的分割阈值，提取运动目标。 设图像f中，灰度值为K的像素的数目是ni，总像素数目是： (6) 各灰度出现的概率为： (7) 设以灰度k为门限将图像分为两个区域，灰度为1~k的像素和灰度为k+1~L的像素分别属于区域A和B，则区域A和B的概率分别为 (8) (9) 为了简便起见，定义 区域A和B的平均灰度为： (10) (11) 两个区域的方差为 (12) 按照最大类间方差的准则，从1到L改变k，并计算类间方差，使上式最大的k就是区域分割的阈值Th。 选定阈值后就可以对背景差分图进行二值化处理代表当前点为前景运动目标，否则为背景像素点。如下所示： (13) 2.3消除干扰 通过自适应背景减除，得到含运动人体的背景差分图像。但此时提取的人体还会存在不连贯、边缘模糊、影子和空洞等现像，影响运动人体检测质量，因此还应采取措施消除干扰。 本文提出将统计直方图的方法与基于梯度边缘检测的方法相结合的算法消除影子。算法的核心是将差分图像的梯度边缘二值图与差分图像的阈值化二值图相结合，差分图像的梯度边缘二值图消除了大部分影子的边缘，由它定出物体的轮廓，在轮廓内，差分图像二值图保持不变，轮廓外为零。实验表明，这种方法能很好地消除各种情况下差图像中的影子。梯度的表达式为 (14) 在上述运动目标提取的过程中，由于存在光照的不均匀，目标像素点与对应位置处场景像素点灰度值差别不大，或是目标边缘梯度值较小等因素，造成人体边缘处断裂，还会存在目标区域出现空洞的现象，运用数学形态学处理中的腐蚀和膨胀算子对二值图进行操作，去除噪声前景点和填补目标区域的小孔，就可得到运动目标较为清晰和完整的轮廓。 运动人体检测 3.1 目标识别 运动目标识别的目的是从检测到的运动区域中识别出是否对应为人的运动。本文中由运动目标检测算法得出运动目标的轮廓，然后用目标的形状分散度和形状作