目標(biāo)檢測(cè)，也叫目標(biāo)提取，是一種基于目標(biāo)幾何和統(tǒng)計(jì)特征的圖像分割，它將目標(biāo)的分割和識(shí)別合二為一，其準(zhǔn)確性和實(shí)時(shí)性是整個(gè)系統(tǒng)的一項(xiàng)重要能力。尤其是在復(fù)雜場(chǎng)景中，需要對(duì)多個(gè)目標(biāo)進(jìn)行實(shí)時(shí)處理時(shí)，目標(biāo)自動(dòng)提取和識(shí)別就顯得特別重要。隨著計(jì)算機(jī)技術(shù)的發(fā)展和計(jì)算機(jī)視覺(jué)原理的廣泛應(yīng)用，利用計(jì)算機(jī)圖像處理技術(shù)對(duì)目標(biāo)進(jìn)行實(shí)時(shí)跟蹤研究越來(lái)越熱門，對(duì)目標(biāo)進(jìn)行動(dòng)態(tài)實(shí)時(shí)跟蹤定位在智能化交通系統(tǒng)、智能監(jiān)控系統(tǒng)、軍事目標(biāo)檢測(cè)及醫(yī)學(xué)導(dǎo)航手術(shù)中手術(shù)器械定位等方面具有廣泛的應(yīng)用價(jià)值。

　　本文主要針對(duì)復(fù)雜動(dòng)態(tài)廣場(chǎng)背景下單攝像機(jī)對(duì)多個(gè)運(yùn)動(dòng)目標(biāo)進(jìn)行檢測(cè)的情況，在傳統(tǒng)方法的基礎(chǔ)上，提出了一套更完善、實(shí)時(shí)性和魯棒性更優(yōu)的基于全局運(yùn)動(dòng)補(bǔ)償?shù)慕鉀Q方案。該方法建立了攝像機(jī)全局運(yùn)動(dòng)參數(shù)模型，通過(guò)背景補(bǔ)償將動(dòng)態(tài)背景下的檢測(cè)問(wèn)題轉(zhuǎn)化為在靜態(tài)背景下的檢測(cè)問(wèn)題。

　　1 動(dòng)態(tài)背景下的多目標(biāo)檢測(cè)

　　目前在動(dòng)態(tài)背景下解決目標(biāo)檢測(cè)的問(wèn)題主要有兩大思路：（1）根據(jù)基于目標(biāo)模板特征的方法。這種方法背景是否運(yùn)動(dòng)對(duì)其影響不是很大，但是在目標(biāo)特征不明顯的情況下難以做到準(zhǔn)確地提取目標(biāo)；（2）基于背景補(bǔ)償?shù)姆椒?。通過(guò)全局運(yùn)動(dòng)估計(jì)得到的全局運(yùn)動(dòng)參數(shù)估算攝像機(jī)運(yùn)動(dòng)模型，在進(jìn)行差分圖像提取目標(biāo)前進(jìn)行背景補(bǔ)償，消除全局運(yùn)動(dòng)帶來(lái)的影響[3].本文采用基于全局運(yùn)動(dòng)補(bǔ)償?shù)姆椒▽?shí)現(xiàn)目標(biāo)檢測(cè)。

　　1.1 全局運(yùn)動(dòng)估計(jì)

　　全局運(yùn)動(dòng)估計(jì)是計(jì)算機(jī)視覺(jué)、視頻處理等領(lǐng)域廣泛采用的手段之一。該文提出一種直接利用壓縮視頻碼流進(jìn)行全局運(yùn)動(dòng)估計(jì)的新算法。就運(yùn)動(dòng)模型而言，采用了復(fù)雜性與準(zhǔn)確性較好均衡的六參數(shù)仿射模型。為了提高估計(jì)和計(jì)算效率。

　　圖1為本文動(dòng)態(tài)背景下基于全局運(yùn)動(dòng)補(bǔ)償?shù)倪\(yùn)動(dòng)目標(biāo)檢測(cè)的流程圖。

　　首先通過(guò)全局運(yùn)動(dòng)估計(jì)和補(bǔ)償將相鄰幀間背景對(duì)準(zhǔn)，再通過(guò)幀間差分消除動(dòng)態(tài)背景，對(duì)差分圖像進(jìn)行二值化以及一系列后處理從而獲取前景運(yùn)動(dòng)目標(biāo)。

　　1.1.1 常用的攝像機(jī)運(yùn)動(dòng)模型

　　如圖2所示，攝像機(jī)把三維空間點(diǎn)（X,Y,Z）映射到二維空間平面點(diǎn)（x,y）上。圖像平面與Z軸垂直，中心坐標(biāo)為（0,0,f）（f表示攝像機(jī)的焦距）。

    在笛卡爾坐標(biāo)系里，如果三維場(chǎng)景中的物體的運(yùn)動(dòng)為

　　1.1.3 遞歸二乘法計(jì)算全局運(yùn)動(dòng)參數(shù)

　　二乘法（又稱平方法）是一種數(shù)學(xué)優(yōu)化技術(shù)。它通過(guò)化誤差的平方和尋找數(shù)據(jù)的函數(shù)匹配。利用二乘法可以簡(jiǎn)便地求得未知的數(shù)據(jù)，并使得這些求得的數(shù)據(jù)與實(shí)際數(shù)據(jù)之間誤差的平方和為。二乘法還可用于曲線擬合。其他一些優(yōu)化問(wèn)題也可通過(guò)化能量或化熵用二乘法來(lái)表達(dá)。對(duì)給定數(shù)據(jù)點(diǎn){（Xi,Yi）}（i=0,1,…，m），在取定的函數(shù)類Φ 中，求p（x）∈Φ ,使誤差的平方和E^2，E^2=∑[p（Xi）-Yi]^2.從幾何意義上講，就是尋求與給定點(diǎn) {（Xi,Yi）}（i=0,1,…，m）的距離平方和為的曲線y=p（x）。函數(shù)p（x）稱為擬合函數(shù)或二乘解，求擬合函數(shù)p（x）的方法稱為曲線擬合的二乘法。

　　為了消除匹配不的宏塊所得到的光流場(chǎng)的影響，需要對(duì)參數(shù)估計(jì)進(jìn)行遞歸計(jì)算，將得到的六個(gè)參數(shù)重新計(jì)算各個(gè)宏塊的光流場(chǎng)，并與宏塊匹配算法得到的光流場(chǎng)進(jìn)行比較，將光流計(jì)算誤差較大的宏塊進(jìn)行剔除[6].利用剩余的宏塊重新估計(jì)全局運(yùn)動(dòng)參數(shù)，如果遞歸反復(fù)，則直到（a1,a2,a3,a4,a5,a6）收斂至一個(gè)穩(wěn)定的結(jié)果。

　　1.2 圖像剪裁、紋理提取與宏塊預(yù)判

　　為了提高運(yùn)動(dòng)估計(jì)的魯棒性，本文采用了基于宏塊匹配的方法計(jì)算參數(shù)。把分辨率為320×240的K+1幀圖像分為20×15個(gè)宏塊，對(duì)第K幀進(jìn)行匹配。分割宏塊后的圖像如圖3所示。

　　為了提高運(yùn)動(dòng)估計(jì)的實(shí)時(shí)性，本文從以下幾個(gè)方面進(jìn)行了優(yōu)化。

　　1.2.1 圖像剪裁

　　當(dāng)攝像機(jī)運(yùn)動(dòng)時(shí)，相鄰幀的背景不重合，由圖4所示第K+1幀和第K幀圖像的位置關(guān)系，第K幀中的S1區(qū)域背景在第K+1幀中消失，而第K+1幀中出現(xiàn)新背景S2,由于背景運(yùn)動(dòng)在各個(gè)方向上都有可能發(fā)生，假設(shè)相鄰幀的運(yùn)動(dòng)范圍不超過(guò)L1（>L2），以圖4中所示，樣本宏塊只需在S3區(qū)域中選取，而不必全屏宏塊匹配，以縮小計(jì)算量。

　　1.2.2 紋理提取與宏塊預(yù)判

　　運(yùn)用遞歸二乘法估計(jì)全局運(yùn)動(dòng)時(shí)，光流計(jì)算不準(zhǔn)確的宏塊不參與終的參數(shù)估計(jì)，但在計(jì)算光流場(chǎng)時(shí)，卻花費(fèi)了相當(dāng)一部分的時(shí)間來(lái)匹配計(jì)算光流。而本文在計(jì)算光流場(chǎng)之前已提前剔除可能導(dǎo)致不準(zhǔn)確光流估計(jì)的宏塊，因此，很大程度上降低了計(jì)算量，增加了全局運(yùn)動(dòng)估計(jì)的實(shí)時(shí)性。

　　圖5是原圖像和canny算子紋理提取后結(jié)果。圖像紋理提取后，對(duì)每個(gè)宏塊進(jìn)行預(yù)分析，通過(guò)設(shè)定閾值，剔除可能導(dǎo)致不準(zhǔn)確光流估計(jì)的宏塊，只留下紋理信息量較多的宏塊參與光流估計(jì)。

　　圖6為宏塊預(yù)判后的實(shí)驗(yàn)結(jié)果，歸一化后閾值T取值為0.2,其分辨率為320×240,4個(gè)邊緣各去除掉10個(gè)像素后，將圖像分為20×15個(gè)宏塊，每個(gè)宏塊尺寸為15×15.

　　宏塊預(yù)判后，宏塊數(shù)量得到減少，由原來(lái)的300個(gè)宏塊減少為105個(gè)，約占原來(lái)總宏塊數(shù)的35%.

　　1.3 宏塊匹配與九點(diǎn)十字搜索法

　　1.3.1 宏塊匹配

　　宏塊模板匹配法原理圖如圖7所示。宏塊模板匹配法以一個(gè)目標(biāo)圖像為模板，用目標(biāo)模板與待匹配圖像的各個(gè)子區(qū)域圖像進(jìn)行一定的匹配準(zhǔn)則計(jì)算，找到和目標(biāo)模板相似的子圖像位置[7].本文即從圖4的S3區(qū)域里找出宏塊預(yù)判后保留的宏塊與其匹配塊之間的相對(duì)位移，即為該宏塊的運(yùn)動(dòng)向量，參與后續(xù)的全局運(yùn)動(dòng)估計(jì)的計(jì)算，S3即為匹配相關(guān)區(qū)域。

   衡量?jī)蓤D像塊間相似性的準(zhǔn)則稱為匹配準(zhǔn)則。匹配準(zhǔn)則的好壞直接影響到搜索過(guò)程的復(fù)雜性以及運(yùn)動(dòng)向量估計(jì)的性。其中均方誤差定義準(zhǔn)則為：

　　MSE利用差值的平方，可以放大微小差別，本文采用的就是MSE匹配準(zhǔn)則。

　　1.3.2九點(diǎn)十字搜索法

　　在進(jìn)行宏塊匹配時(shí)，利用宏塊在待匹配圖像上的搜索區(qū)域內(nèi)滑動(dòng)，每滑動(dòng)就進(jìn)行匹配計(jì)算，以找到匹配。這種方法被稱為全搜索法，度高，但計(jì)算量大，是一個(gè)相當(dāng)耗時(shí)的過(guò)程。

　　近年來(lái)，出現(xiàn)了很多種快速的搜索算法代替全搜索法，比較常用的有：三步搜索法、對(duì)數(shù)搜索法、鉆石搜索法和一些相應(yīng)的改進(jìn)算法。這些快速搜索法在候選的運(yùn)動(dòng)矢量位置的預(yù)定子集上評(píng)測(cè)準(zhǔn)則函數(shù)，檢測(cè)點(diǎn)數(shù)目會(huì)大大少于全搜索法[8].

　　本文結(jié)合三步搜索法和鉆石搜索法各自的優(yōu)點(diǎn)提出了一種九點(diǎn)十字搜索法（E3SS），如圖8所示。搜索窗寬度為5,即搜索范圍是（i±5,j±5）。

　　（1）搜索模板上的9個(gè)檢測(cè)點(diǎn)，如果塊誤差MBD

　　（Minimum Block Distortion）點(diǎn)（MSE值的點(diǎn)），在搜索窗口的中心則算法結(jié)束。

　?。?）如果MBD點(diǎn)位于中心點(diǎn)的4個(gè)相鄰點(diǎn)中，移動(dòng)十字小模板到上一步的MBD點(diǎn)，繼續(xù)搜索十字小模板中其他點(diǎn)，直到MBD點(diǎn)是十字中心的點(diǎn)或者十字小模板到達(dá)搜索窗口邊緣為止。如圖9（a）所示，點(diǎn)（0,-1）是步的MBD點(diǎn)，也是第二階段的MBD點(diǎn)，且位于搜索窗中心，故終運(yùn)動(dòng)矢量就是（0,-1）。圖9中每個(gè)點(diǎn)上的數(shù)字表示不同階段搜索時(shí)的檢測(cè)點(diǎn)。

　?。?）如果MBD點(diǎn)是大十字中的4點(diǎn)之一，搜索方法同三步搜索法類似，即將步長(zhǎng)減半，中心點(diǎn)移到上一步的MBD點(diǎn)，重新在周圍距離步長(zhǎng)的4個(gè)點(diǎn)處進(jìn)行塊匹配計(jì)算并比較。重復(fù)此步驟，直到步長(zhǎng)為1,該點(diǎn)所在位置即對(duì)應(yīng)運(yùn)動(dòng)矢量。如圖9（b）所示，（0,4）是步的MBD點(diǎn)，然后以（0,4）為中心點(diǎn)進(jìn)行第二步搜索，此時(shí)搜索半徑已經(jīng)縮減為2像素，以當(dāng)前MBD點(diǎn)（-2,4）完成第三步搜索，找到匹配點(diǎn)。

　　利用預(yù)測(cè)幀的峰值信噪比PSNR來(lái)度量搜索的準(zhǔn)確性，同時(shí)選取多個(gè)不同性質(zhì)的序列圖像來(lái)檢測(cè)算法的穩(wěn)定性，選取全搜索算法FS、菱形搜索算法DS,以對(duì)比九點(diǎn)十字算法的各項(xiàng)性能，其結(jié)果如表1所示。

    從表1可以看出，相對(duì)FS和DS算法，九點(diǎn)十字算法(E3SS)在時(shí)間上的優(yōu)勢(shì)非常大,在提高了搜索速度的同時(shí)也保證了搜索，其除了比FS算法略低外，比目前流行的DS算法都有細(xì)微程度的提高。

　　雙線性內(nèi)插值法計(jì)算量大，但縮放后圖像質(zhì)量高，不會(huì)出現(xiàn)像素值不連續(xù)的情況。

　　1.5 運(yùn)動(dòng)目標(biāo)區(qū)域提取

　　此時(shí)得到的K的補(bǔ)償幀Kcomp與幀K+1的背景基本對(duì)準(zhǔn)，對(duì)所得圖像進(jìn)行非線性平滑濾波消除噪聲，然后通過(guò)進(jìn)行幀間差分即可消除背景獲得前景運(yùn)動(dòng)區(qū)域。但圖中除了運(yùn)動(dòng)目標(biāo)之后，還存在一些小面積的干擾區(qū)域以及一些小面積的空洞。本文先對(duì)二值化后的圖像進(jìn)行區(qū)域標(biāo)記，對(duì)二值圖像的每個(gè)不同的連通域進(jìn)行不同的編號(hào)，通過(guò)對(duì)各個(gè)區(qū)域中像素個(gè)數(shù)的計(jì)算獲得各個(gè)區(qū)域的面積。將面積小于設(shè)定閾值的區(qū)域剔除。對(duì)得到的二值圖像先進(jìn)行膨脹運(yùn)算再進(jìn)行腐蝕運(yùn)算，從而獲得運(yùn)動(dòng)目標(biāo)的完整輪廓和區(qū)域，終檢測(cè)出目標(biāo)。

　　2 實(shí)驗(yàn)結(jié)果

　　圖10為在原圖像上的檢測(cè)結(jié)果，從中可以看出，其中一個(gè)人體目標(biāo)由于只有頭部和腿部動(dòng)作比較明顯而被檢測(cè)出來(lái)，被分成了兩個(gè)目標(biāo)，但是可以在跟蹤過(guò)程中通過(guò)對(duì)目標(biāo)的顏色特征和運(yùn)動(dòng)特性的分析和處理，區(qū)別目標(biāo)，并將本為同一目標(biāo)的部分合成（由于跟蹤過(guò)程不是本文重點(diǎn)，在此處就不再鰲述）。圖11所示為終的檢測(cè)結(jié)果。

　　本文深入研究了動(dòng)態(tài)背景下對(duì)多目標(biāo)檢測(cè)的一種有效方法。基于全局運(yùn)動(dòng)補(bǔ)償消除了背景運(yùn)動(dòng)對(duì)目標(biāo)檢測(cè)的影響，在宏塊匹配時(shí)提出了九點(diǎn)十字搜索法增強(qiáng)了檢測(cè)的實(shí)時(shí)性，通過(guò)處理后的結(jié)果可以看出，整套算法是行之有效的，并且有很強(qiáng)的魯棒性，為后續(xù)跟蹤過(guò)程奠定了良好的基礎(chǔ)。