一种基于轮廓与背景消除的红外视频移动目标检测方案.doc

一种基于轮廓与背景消除的红外视频移动目标检测方案

一种基于轮廓与背景消除的红外视频移动目标检测方案

　　摘 要： 针对红外视频的移动目标检测算法在还原目标时，目标的轮廓还原准确率较低的问题，提出一种基于轮廓与背景消除的红外视频移动目标检测方案。首先，从视频中选取一些不含目标对象的帧，对选取的帧进行统计处理并建立背景帧；分析背景的场景变化建立变化的自适应背景帧，并将背景帧的杂波过滤掉；然后，使用Canny边缘检测和K?means聚类检测目标轮廓并将目标轮廓从背景提取出来；使用形态学的边缘连通算法将目标轮廓进行关闭与Flood?fill填充处理获得目标对象的形状。对比实验结果证明，相较于其他红外视频移动目标检测算法，该算法获得了较好的目标轮廓与形状，同时，该算法的检测率与虚警率性能以及每帧的处理时间均较优。

　　关键词： 红外视频； 背景消除； 边缘连通； 背景帧； 移动目标检测
　　中图分类号： TN247?34； TP391.4 文献标识码： A 文章编号： 1004?373X（2016）12?0099?04
　　Abstract： Aiming at the problem of low accuracy rate of target outline restoration when the detection algorithm of moving target in infrared video is used to restore the target， a new detection scheme of moving target in the infrared video is proposed， which is based on outline and background elimination. The steps of the scheme are： the frames which do not contain the target are selected， the statistical processing is conducted for the selected frames， the background frame is constructed， the change of the background scene is analyzed， the adaptive background frame with changing scene is built， the clutter in the background frame is filtered， Canny edge detector and K?means clustering approach are used to extract the target outline from the background， and the morphological edge linking algorithm is adopted to close target outlines and Flood?fill is used to get the target silhouettes. The results of the contrast experiment prove that， compared with the other algorithms in the same category， the proposed algorithm can get better target outline and shape， has higher detection rate and lower false alarm， and spends shorter processing time for every frame.
　　Keywords： infrared video； background elimination； edge connection； background frame； moving target detection
　　0 引 言
　　随着图像处理技术的发展，目标检测成为研究热点，红外条件下的目标跟踪由于不受光照与气候影响等特点成为最有潜力的应用方向[1]。目前已广泛应用于医疗、监控、军事等重要领域[2?3]。其中移动目标形状还原的准确率还有提高的空间。
　　近来有许多提高移动目标检测率的研究出现：文献[4]提出了一种基于混合高斯模型（GMM） 的背景减除（BS） 快速识别算法用于红外视觉监视系统伪装人体目标检测。获得了较好的人体目标检测效果，同时计算效率较高，但其只针对人体识别，因此通用性不足。文献[5]采用一种基于增量式子空间学习的视觉跟踪方法，有效解决了红外图像中背景、目标运动方式复杂等问题。该方案针对复杂背景与运动方式仍然具有较好的检测性能，但其计算效率稍低。文献[6]在嵌入式目标跟踪平台上引入了均值偏移算法，使得在复杂背景下或目标受到遮挡时，依然表现出较好的检测性能。
　　上述算法均获得了较高的检测率，但其对目标轮廓还原性能均一般，在一些阴影热点的影响下，容易出现轮廓变形，影响了算法的准确性。基于此，本文首先检查前景目标，并基于轮廓显著图较好的检测出目标轮廓，然后使用二值化处理进一步将轮廓窄化，获得了较准确的轮廓。实验结果表明了本文算法的检测率较高，同时对目标轮廓的检测极为准确，性能较好。
　　1 本文算法
　　如图1所示为本文算法总体流程，共分为3个部分：
　　（1） 基于统计背景消除的前景检测；
　　2） 基于轮廓显著图的轮廓检测；
　　（3） 轮廓生成与优化。
　　1.1 前景目标检测
　　基于输入视频（帧数量需足够多），创建可准确代表背景的统计背景模型。设当前处理帧的序号为N+1，参考背景则基于前N个帧创建（取所有帧的像素中值），称为中值图像[Imed]。统计背景模型则利用带权中值[μ]与带权方差[σ2]来计算，如下： 　　式中：[Ii（x，y）]表示第[i]帧中位置[（x，y）]处的像素强度，采用权重参数[Wi（x，y）]（针对每个像素）来降低异常点对性能的不利影响，[Wi（x，y）]计算如下：
　　[Wi（x，y）=exp（Ii（x，y）-Imed（x，y））2-2SD2] （3）
　　基于充分的实验基础与计算分析，将[SD]值设为5（效果最佳）。视频帧背景的带权中值图像与带权方差图像如图2所示。然后，基于中值、方差背景模型，计算视频中各像素与背景像素（中值、方差）的马氏距离的平方，其中大于阈值（马氏距离）的像素作为前景像素，以此获得视频帧[I]的前景目标[s]，表示如下：[F（x，y）=1， （I（x，y）-μ（x，y））2σ（x，y）2>T20， 其他] （4）
　　基于充分的实验基础与计算分析，将T设为[T2]=81（性能最佳）。
　　图2 视频帧背景的带权中值图像与带权方差图像
　　然后，采用连通分量算法[7]，将上述分完类的像素相互连接并将连接后的像素集合记为一个目标对象。结合视频的部分先验信息（如图像的宽、高比例等）计算目标对象，并将其中的杂波过滤掉，最终将前景目标较好地从背景像素分离出来。连通分量算法与杂波过滤后的输出结果如图3所示。
　　1.2 轮廓检测
　　本步骤采用输入视频帧的梯度信息与背景信息来检测轮廓，最终获得前景目标的轮廓。采用轮廓显著图[8]（CSM）抑制差异较大的非目标梯度值，并抑制前景与背景之间差值较大的像素。CSM的计算包括：输入视频帧的梯度幅度值（归一化处理），前景与背景的梯度幅度差值（归一化），从中选择较小的值作为CSM，表示为：
　　式中：[Ix]，[Iy]分别表示输入图像水平与垂直方向的梯度；[Bx]与[By]分别表示图像背景的水平与垂直方向的梯度。第一个归一化因子[Max]表示输入梯度的最大值；第二个[Max]表示前景与背景梯度差值的最大值。CSM归一化像素值的范围为[0，1]，像素值越大，表示该像素属于目标对象边缘的可能性越大。CSM的每个像素值（归一化）代表像素属于前景对象边缘的可能性。上述算法成功获得了背景，但并不一定是最合适的，为了保证当前待处理帧所选的背景合适，设计了自适应的背景更新模型来产生新的背景帧。采用上述杂波过滤阶段的移动目标信息获得当前帧的背景[Bn+1（x，y）]：
　　静止状态：将所有处于移动状态的像素作为前景像素，然后将该前景像素与上一帧的背景组合；
　　移动状态：使用上一帧的背景（处于静止状态的像素）更新参考背景，表示为：
　　[Bn+1（x+y）=αBn（x，y）+（1+α）In+1（x，y）， （x，y）静止Bn（x，y）， （x，y）移动] （6）
　　其中[α]表示更新背景时上一帧重要性的权重参数。
　　1.3 轮廓窄化处理及轮廓优化
　　首先，为了产生较窄的轮廓，使用基于Canny算子的非极大值边缘抑制，对上述轮廓进行窄化处理并获得较窄的轮廓tCSM。然后，将tCSM转化为二值tCSM图像选择权重最高的轮廓。为了实现此步骤，需要设置一个合适的阈值来选出目标轮廓的大多数像素点，同时需过滤背景噪声。阈值的选择：使用K?means聚类算法（分为两个簇），两个簇分别代表目标（前景）与背景。像素较低的簇作为背景，并直接将其像素值设为0；像素较高的簇作为前景像素，并直接将其像素值设为1。
　　二值化处理后的效果图如图4所示，可以看出，已成功获得目标轮廓。
　　1.4 生成目标形状（剪影）
　　最后，从轮廓图像生成目标形状。二值化轮廓图像中必定包含较多的损坏的像素，轮廓并不完整，因此无法直接使用Flood?fill来获取目标形状[9]。从图4中可明显看出，以上步骤获得的轮廓需要关闭与膨胀处理，因此，使用diamond结构元素进行形态学处理（膨胀），然后使用disk结构元素进行关闭处理，膨胀与关闭处理可将二值化轮廓修复还原。最终使用Flood?fill（漫水填充）来生成目标形状。Matlab中具有膨胀、关闭处理和Flood?fill的工具库，可直接使用，本算法的最终检测效果图如图5所示。
　　2 实验结果与分析
　　2.1 实验环境与参数设置
　　使用辐射热测量仪器拍摄视频，拍摄环境为四川省内江的一个空旷农村，分别在两种温度与天气条件下进行拍摄（上午11点与下午4点左右）。每帧图像大小为640×480，空中拍摄了18段红外图像视频。从中选取4个视频进行实验与分析，其中两个视频中有行人经过，另外两个视频中有车辆经过。
　　由于本文算法需要较多的背景帧来生成统计背景模型，因此对帧数量有一定要求。帧的总数量、背景帧的最大数量、背景帧的数量如表1所示。
　　表1 实验红外视频序列
　　2.2 移动目标检测效果对比
　　本文算法基于Matlab R2011a编程实现，硬件环境为：Intel Xeon CPU X5660，主频2.79 GHz，内存4 GB。为了评价算法性能，将本文算法与著名的Mixture of Gaussians（GMM）、文献[10]进行对比实验。Matlab系统的工具箱中含有优化的GMM实现库，因此可直接使用；文献[10]方案具有较高的检测率和较低的虚警率，性能较好。三种算法对车辆视频1与人体视频2的检测结果如图6所示。
　　可以看出，GMM算法将目标区域分割成了多个部分进行处理，在车辆视频1中，由于气压条件与热噪声的影响，GMM的检测出现大量错误。而从图6中可看出，本文算法可提取整个目标区域，将目标区域作为整体处理，并且没有检测错误。因为本文算法使用了轮廓显著图降低了轮廓检测的错误率。文献[10]算法成功检测了目标，且并没有过多的错误检测，但对于目标形状的细节处理并不理想。原因在于文献[10]算法的目标是追求较高的检测率和较低的虚警率，并没有提取目标对象的形状与轮廓。与之相反，本文算法基于轮廓信息获得了目标的形状信息，因此，对目标轮廓检测的效果较好。 　　2.3 算法性能评价
　　由于像素级评估需要手工精确标定真实前景，实现困难，因此本文采用外接矩形框的评估方式，计算每一帧内目标的检测率与虚警率，选用常用的三个指标参数：敏感度、PPV（真目标预测度）和F?measure。
　　[敏感度=TPGT]； [PPV=TPTP+FP]
　　式中：GT，TP，FP分别表示Groud Truth，Ture Positive， False Psitive；GT表示视频中含有目标的帧数。敏感度值越高表示检测率高，PPV值越高表示虚警率较低，PPV是算法的整体性能的衡量。F?measure则是敏感度的调和平均数。
　　实验结果如表2所示，可看出本算法的检测率为100%，而虚警率较低。
　　表2 本文算法性能评级
　　4个视频的移动检测效果如图7所示。车辆视频1中有2个目标均在移动（轿车和鸟），本文算法成功检测出2个目标，但有少量车辆像素被误分为背景像素。本文算法对行人也具有较好的检测正确率。人体视频2的结果出现少量的错误，本文算法将人体阴影产生的热点错误地识别成移动目标。从实验结果可看出，本文算法的总体性能较好，敏感度为1，平均F?measure值为0.989 5，性能较为优秀。同时对本文算法的检测处理时间进行了统计，每帧处理时间为0.7 s左右，具有较好的计算效率，但还有提升的空间。
　　3 结 语
　　现有采用红外视频的移动目标检测均可成功检测移动目标，具有较高的正确率，但在目标图像还原时，对目标的轮廓还原效果欠佳。本文首先检查前景目标，并基于轮廓显著图较好地检测出目标轮廓，然后使用二值化处理进一步将轮廓窄化，获得了较准确的目标轮廓。实验结果表明了本文算法的检测率较高，同时对目标轮廓的检测极为准确，性能较好。
　　参考文献
　　[1] 胡涛涛，盛琥，王立明.基于时空二维目标描述的红外小目标跟踪[J].激光与红外，2014，44（10）：1159?1163.
　　[2] 李科，徐克虎，张波.多特征自适应融合的军事伪装目标跟踪[J].计算机工程与应用，2012，48（34）：171?174.
　　[3] 王溪筠.移动机器人非结构场景图像边缘检测算法[J].红外技术，2012，34（2）：99?102.
　　[4] 张品，陈亦望，傅强.使用 GMM 背景减除的红外伪装人体目标快速识别算法[J].红外与激光工程，2012，41（4）：975?983.
　　[5] 常雅男，毕笃彦，查宇飞，等.基于增量式子空间学习的红外目标跟踪研究[J].计算机测量与控制，2013，21（6）：1668?1671.
　　[6] 孙航，韩红霞，郭劲，等.基于均值偏移快速算法的红外目标跟踪[J].仪器仪表学报，2012，33（5）：1122?1127.
　　[7] 胡敏，蔡慧芬.基于形态学标记连通的分水岭图像分割[J].电子测量与仪器学报，2011，25（10）：864?869.
　　[8] 张立保.基于区域增长的遥感影像视觉显著目标快速检测[J].中国激光，2012，39（11）：205?211.
　　[9] NOSAL E. Flood?fill algorithms used for passive acoustic detection and tracking [C]// Conference onNew Trends for Environmental Monitoring Using Passive Systems.[S.l.]： IEEE， 2008： 1?5.
　　[10] AKULA A， GHOSH R， KUMAR S， et al. Moving target detection in thermal infrared imagery using spatiotemporal information [J]. JOSAA， 2013， 30（8）： 1492?1501.