摘 要：首先對(duì)運(yùn)動(dòng)目標(biāo)檢測(cè)的理論和方法以及如何從背景圖像中有效提取出前景物體做了簡(jiǎn)要概述，并結(jié)合傳統(tǒng)的背景相減法容易受環(huán)境光線等外界因素影響這一弊端，提出了一種零均值歸一化互相關(guān)的方法來實(shí)現(xiàn)對(duì)運(yùn)動(dòng)目標(biāo)的檢測(cè)判斷。同時(shí)，采用了累積直方圖的方法獲得了一個(gè)理想閾值，實(shí)現(xiàn)了運(yùn)動(dòng)目標(biāo)物的精確提取。實(shí)驗(yàn)證明，該方法較傳統(tǒng)的背景相減法有明顯的提高，在識(shí)別精度上也能達(dá)到較滿意結(jié)果。
關(guān)鍵詞: 運(yùn)動(dòng)目標(biāo)檢測(cè)； 背景相減； 統(tǒng)計(jì)直方圖； 零均值歸一化互相關(guān)

    近年來，隨著智能監(jiān)控系統(tǒng)的廣泛使用，盜竊案件的破獲率有了很大程度的提高。但一般的監(jiān)控系統(tǒng)往往只具有記錄影像的功能，不具有智能報(bào)警判斷等一系列功能，監(jiān)控保安也不可能時(shí)刻盯著監(jiān)控畫面，一旦犯罪行為發(fā)生過后再調(diào)取監(jiān)控影像就為時(shí)已晚了。要實(shí)現(xiàn)這種判斷離不開對(duì)攝像頭所獲取的即時(shí)畫面進(jìn)行分析判斷，由于周圍環(huán)境光線亮暗的變化、天氣改變等非人為因素以及攝像頭品質(zhì)因素等影響，降低了對(duì)運(yùn)動(dòng)物體偵測(cè)的準(zhǔn)確率。通常采用的背景相減法來獲取前景物的精度已經(jīng)不能滿足實(shí)際需要，因此有必要尋求一種精度更高、受環(huán)境因素影響最小的運(yùn)動(dòng)目標(biāo)的判斷方法。
    本文分別從畫面的前景物和背景物進(jìn)行闡述，針對(duì)目前常用的各種運(yùn)動(dòng)目標(biāo)檢測(cè)方法進(jìn)行分類比較，提出了一種零均值歸一化互相關(guān)的方法作為運(yùn)動(dòng)目標(biāo)檢測(cè)的理論依據(jù)[1-2]。實(shí)驗(yàn)表明，該方法識(shí)別速度較快、準(zhǔn)確率較高。
1 運(yùn)動(dòng)目標(biāo)檢測(cè)
    運(yùn)動(dòng)目標(biāo)的檢測(cè)是電腦視覺運(yùn)用中的關(guān)鍵環(huán)節(jié)，是指對(duì)運(yùn)動(dòng)畫面中感興趣的物體進(jìn)行獲取，即獲取視頻序列中改變的區(qū)域，通常稱之為前景物體。目前檢測(cè)運(yùn)動(dòng)目標(biāo)的方法有很多，絕大多數(shù)是對(duì)空間域信息的處理，大致可以分為背景減法、時(shí)間差值法、邊緣特征分割法以及光流法四種。其中，背景減法又大致分為三種：背景相減、連續(xù)圖像相減法和累積相減法。通過上述背景減法，可以得到圖像間的差異部分。
　(1)背景相減法。這是相對(duì)較簡(jiǎn)單判斷目標(biāo)移動(dòng)的方法，首先建立一個(gè)背景圖像作為參考對(duì)象，然后把下一個(gè)圖像與背景圖像相減，同時(shí)設(shè)定一個(gè)臨界值，當(dāng)差值小于臨界值，則此像素不屬于運(yùn)動(dòng)目標(biāo)，將之標(biāo)示為0，反之則是運(yùn)動(dòng)目標(biāo)的像素[3]。此方法是運(yùn)動(dòng)目標(biāo)檢測(cè)最常用的方法，但容易受到外界光線等干擾而無法完整得取地目標(biāo)圖像。
　

    針對(duì)背景相減法易受環(huán)境干擾的問題，這里提出一種零均值歸一化互相關(guān)(Zero-mean Normalized Cross-Correlation)來彌補(bǔ)其不足，其優(yōu)點(diǎn)在于對(duì)亮度和對(duì)比度的變化具有不變性。零均值歸一化互相關(guān)的公式如式(2)，其極大值為1。值越大代表了圖像變化越小。

   
　(2)連續(xù)圖像相減法，是指利用連續(xù)畫面直接作差異絕對(duì)值計(jì)算，用以尋找移動(dòng)物的位置，將2個(gè)畫面相減后，2個(gè)物體將會(huì)出現(xiàn)在不同位置，所以就能較明顯地觀察到該物體運(yùn)動(dòng)方向的位移量。該方法受環(huán)境噪聲的影響較小，但卻無法獲得完整的目標(biāo)物的形狀，因此也就無法準(zhǔn)確對(duì)目標(biāo)物進(jìn)行辨識(shí)與跟蹤。與背景相減法一樣，該方法也需要設(shè)置一個(gè)臨界值，若差值小于臨界值，則此像素不屬于運(yùn)動(dòng)目標(biāo)，將之標(biāo)示為0，反之則是運(yùn)動(dòng)目標(biāo)的像素。

    (3)累積相減法，是指針對(duì)連續(xù)圖像相減之后的圖像，再加以相減。    
2 針對(duì)運(yùn)動(dòng)目標(biāo)的圖像處理
2.1 圖像處理流程
    首先，要先建立起不含移動(dòng)物體的背景模型，該模型是由一連串輸入的圖像序列所組成[4]。建立過程中要盡量避免天氣變化、感測(cè)元件熱噪聲干擾、日光燈閃爍造成的光源變化等。該方法只需要少量的計(jì)算就能取得運(yùn)動(dòng)目標(biāo)的位置，并經(jīng)過后期的一些如腐蝕、膨脹法處理去除一定的噪聲,從而克服背景相減法不能取得完整正確圖像的缺陷。其過程如圖1所示。

2.2 累積直方圖法獲得閾值
    在連續(xù)的圖像幀中，由于光線的變化難免會(huì)使圖像夾雜著一定量的噪聲點(diǎn)，因此，必須設(shè)定一個(gè)恰當(dāng)?shù)拈撝祵⒈尘芭c前景物標(biāo)記為0和1。閾值取得過大或過小都會(huì)影響前景物像素的精度。為了得到一個(gè)恰當(dāng)?shù)拈撝担疚倪\(yùn)用直方圖的理論來實(shí)現(xiàn)。在直方圖曲線中，直觀地表示了每一個(gè)灰度級(jí)與其出現(xiàn)的頻率關(guān)系。一旦曲線出現(xiàn)多個(gè)波峰與波谷，就需要使用累積直方圖來幫助尋找到這個(gè)動(dòng)態(tài)變化點(diǎn)。所謂累積直方圖是指記錄的數(shù)據(jù)點(diǎn)所出現(xiàn)的概率，在這里是指0~255的亮度值中，每一個(gè)值所出現(xiàn)的概率分布情況，處理結(jié)果如圖2所示。累積直方圖相對(duì)于直方圖而言，不存在曲線的高低變化，這是因?yàn)槔鄯e直方圖中上一點(diǎn)會(huì)與下一點(diǎn)的值作累加的原因，下一點(diǎn)的值永遠(yuǎn)大于上一點(diǎn)。借助累積直方圖處理問題也就更直觀可靠了。

    為了在累積直方圖中找到所要得到的閾值點(diǎn)，選定離累積直方圖兩端點(diǎn)所組成直線最遠(yuǎn)距離的點(diǎn)作為要求的閾值點(diǎn)，如圖3所示。

3 運(yùn)動(dòng)目標(biāo)的追蹤
    在檢測(cè)到運(yùn)動(dòng)目標(biāo)后，在實(shí)際運(yùn)用中往往需要對(duì)其進(jìn)行追蹤并記錄其運(yùn)動(dòng)軌跡。目前運(yùn)用的追蹤法主要分為四種：輪廓追蹤、特征追蹤、區(qū)域追蹤和模型追蹤[5]。輪廓追蹤是將檢測(cè)到的圖像變化區(qū)域用輪廓線來表示；特征追蹤是以物體特征為依據(jù)的追蹤方式，將檢測(cè)到的運(yùn)動(dòng)物體做特征分類，用以比對(duì)連續(xù)圖像間的特征來追蹤目標(biāo)；區(qū)域追蹤是將先前檢測(cè)到的圖像變化的區(qū)域當(dāng)作運(yùn)動(dòng)目標(biāo)，利用檢測(cè)到的這些變化區(qū)域位置，達(dá)到追蹤的目的；模型追蹤需要事先建立物體的模型，再利用運(yùn)動(dòng)特征建立運(yùn)動(dòng)模型，然后用運(yùn)動(dòng)模型去預(yù)測(cè)下一個(gè)物體運(yùn)動(dòng)的變化，再透過搜尋與比對(duì)來完成追蹤。本文用包圍盒的形式找到運(yùn)動(dòng)物體的中心點(diǎn)及它的范圍，求出中心點(diǎn)位置的好處在于能用一個(gè)點(diǎn)來代表運(yùn)動(dòng)物體，隨后在追蹤時(shí)會(huì)比較方便，如圖4所示。

4 攝像頭的運(yùn)動(dòng)控制
    固定式攝像頭視野范圍相對(duì)狹小，跟蹤范圍也受到了極大限制?；诖?，有必要實(shí)現(xiàn)攝像頭的旋轉(zhuǎn)控制功能。實(shí)驗(yàn)中采用了羅技QuickCam攝像頭，操作系統(tǒng)是Windows XP。為了實(shí)現(xiàn)遠(yuǎn)程控制攝像頭旋轉(zhuǎn)的功能，需要用到Windows的SendMessage()函數(shù)命令，該函數(shù)將指定的消息發(fā)送到一個(gè)或多個(gè)窗口。其函數(shù)關(guān)系流程圖如圖5所示。

    當(dāng)CreateWindow()函數(shù)建立好一個(gè)窗口后會(huì)返回一個(gè)Handle值，可以借助Spy++這個(gè)編程輔助工具來得到這個(gè)值，隨后可以通過SendMessage()函數(shù)發(fā)送消息。但是用Spy++獲得的Handle值并不固定，可以借助EnumWindows()函數(shù)來解決。
　 對(duì)運(yùn)動(dòng)目標(biāo)的檢測(cè)一直是圖像算法中比較熱門的方向，常用的一些算法如背景相減法雖然運(yùn)算速度快但對(duì)環(huán)境適應(yīng)性差，于是本文提出了一種有較強(qiáng)的抗噪聲干擾能力的零均值歸一化互相關(guān)方法，同時(shí)結(jié)合包圍盒的方法來標(biāo)記檢測(cè)出的運(yùn)動(dòng)物體，采用累積直方圖法也大大提高了前景物的提取效果。實(shí)驗(yàn)達(dá)到了預(yù)期的效果。
參考文獻(xiàn)
[1]GONZALEZ R C, WOODS R E. Digital image processing (2nd edition) .Beijing: Publishing House of Electronics Industry, 2003.
[2]GRIMSON W E L, STAUFFER C. Adaptive background mixture models for real-time tracking .IEEE Conference on Computer Vision and Pattern Recognition，1999:246-252.
[3]王建林,孫孟奎,楊磊,等. 一種基于減背景模型的運(yùn)動(dòng)目標(biāo)檢測(cè)算法[C].2008第四屆中國(guó)智能交通年會(huì), 2008.
[4]ELGAMMAL A HARWOOD D，DAVIS L S. Non-parametric model for background subtraction. European Conf. Computer Vision， 2000,2:751-767.
[5]祁同林,左旭東. 基于背景重構(gòu)的運(yùn)動(dòng)目標(biāo)檢測(cè)算法研究與應(yīng)用[J]. 計(jì)算機(jī)工程與應(yīng)用, 2007,43(16).