庾鵬，王旭，仝天樂，王秀超

　　（貴州大學 計算機科學與技術學院，貴州 貴陽 550000）

　　摘要：提出了一種基于GrabCut算法和四幀差分法相結合的運動目標檢測和提取算法。首先，利用四幀差分法對視頻中連續的四幀圖像進行二次差分；然后，對差分后的圖像分別做水平投影和垂直投影，計算運動目標區域；最后，使用GrabCut算法分割目標區域得到完整的運動目標。實驗結果證明，該方法既能精確和完整地檢測出運動目標，又能有效地去除空洞、拉伸等現象。

　　關鍵詞：四幀差分；GrabCut分割；目標檢測

0引言

　　目前隨著科技的不斷發展，智能化視頻監控在各個領域得到了廣泛的應用，例如智能交通監控、安全防范系統、值崗檢測系統等。無論應用在何種領域，對視頻中移動物體的研究和分析才有價值，目標的完整提取是各種后期處理和應用的基礎，所以對移動目標的檢測與完整提取也就成為了視頻處理研究中的一個熱門問題。近些年來很多學者已經對這方面問題進行了研究，也提出了很多移動目標檢測與提取的方法，主要有光流分析法［1］、幀間差分法和背景差分法［2］3種。

　　背景差分法是將視頻圖像與背景圖像做差分，取差分值較大的區域為移動目標，然而難以得到合適的背景圖像，而且易受外界干擾。幀間差分法與背景差分法類似，幀間差分法是對視頻中連續幀做差分，具有計算效率高、實時性好等特點，但是容易出現重疊、空洞、拉伸等問題。光流分析法檢測效果比前兩種好，但是計算復雜，不能達到實時性。3種方法都很難取得完整的目標，GrabCut［3］算法綜合了圖像的紋理信息和邊界信息對圖像進行分割，只需要少量的交互操作就可以達到高精度的分割。根據上述問題，結合幀間差分法和GrabCut算法的各自優點，提出了以四幀差分法計算和框定運動目標區域，GrabCut算法在框定區域內精確分割目標的方法。

1基于GrabCut算法和四幀差分法的運動目標檢測與提取

　　1.1預處理

　　在使用本文提出的算法前，對每一幀圖像進行預處理十分必要，它可以提高算法在實際應用中的效率。圖像平滑可以有效減少圖像中的噪聲，改善圖像的質量，有利于對目標的提取［4］。直方圖均衡化是圖像空域增強的一種經典方法，可以改善圖像灰度分布，增強圖像的整體對比度，方法簡單、高效［5］。本文實驗使用的預處理是高斯濾波和直方圖均衡。

　　1.2四幀差分法快速檢測目標區域

　　（1)四幀差分

　　提取視頻圖像中連續的四幀，經過預處理后為f1(x,y)、f2(x,y)、f3(x,y)、f4(x,y)，計算f1(x,y)與f3(x,y)以及f2(x,y)與f4(x,y)的差值圖像，差分結果為g1(x,y)與g2(x,y)，計算方法如式（1）、（2）所示。g1(x,y)與g2(x,y)中已經包含運動目標的信息，對其進行“與”運算［6］，得到結果為H(x,y)。H(x,y)定義如式（3）。

　　g1(x,y)=|f3(x,y)－f1(x,y)|（1）

　　g2(x,y)=|f4(x,y)－f2(x,y)|（2）

　　H(x,y)=|g1(x,y)g2(x,y)|（3）

　　（2)運動目標域框定

　　在經過兩次差分處理之后，靜止的背景基本被去除，但由于外界環境變化復雜，光線不斷變化，使得沒有移動的物體在水平投影和垂直投影并不為0，因此要使用一個閾值T,分割去除因為光線變化而造成靜止物體移動假象的部分。

　　首先對H(x,y)水平投影得到Hx(x,y)，如式（5），然后使用閾值Tm（式（6））對Hx(x,y)閾值分割，數值大于Tm的保持不變，小于Tm的為0，根據閾值分割后的圖像可以得到運動物體水平方向的范圍（x1，x2）。在垂直方向沒有必要全部投影，只需要對水平檢測范圍（x1，x2）之間進行垂直投影，得到Hy(x,y)，如式（4），同樣進行閾值分割但閾值為Tn（式（7）），根據閾值分割后的圖像可以得到運動物體垂直方向的范圍（y1，y2）。從而得到運動物體的區域（x1，x2，y1，y2）。

　　Hy(x,y)=∑x2x=x1H(x,y)（m為圖像總列數，n為圖像總行數。y=1,2,3，...，n）（4）

　　Hx(x,y)=∑ny=1H(x,y)（n為圖像總行數，m為圖像總列數。x=1,2,3，...，m）（5）

　　Tm=∑mx=1Hx(x,y)/m（6）

　　Tn=∑ny=1Hy(x,y)/n（7）

　　1.3GrabCut圖像分割法

　　近年來許多學者提出基于圖論的圖像分割，GrabCut［7］算法就是基于圖論的一種優秀分割方法。GrabCut算法利用圖像中紋理（顏色）信息和邊界（反差）信息，只需要少量的用戶交互操作，就可以有效地從復雜的背景中分割出前景目標圖像。該算法用戶只需要提供背景區域的像素及框選目標，方框外的像素全部為背景，即可對GMM進行建模和完成良好的分割。通過使用四幀差分法快速框定目標區域，然后使用GrabCut算法分割，快速取得完整的運動目標。

　　從整個圖像的Gibbs能量可以得到［3］：E(α,k,θ,z)=U(α,k,θ,z)+V(α,z)，第一項為數據項（t-link的權值），第二項為平滑項（nlink的權值），最終目標經過不斷地迭代計算出最小的能量函數。總共有兩個高斯混合模型（背景和前景），每個高斯混合模型有K個分量，每個分量包含3個參數要估計，即權重π、均值u、協方差Σ。

　　計算數據項：U(α,k,θ,z)=∑nD(αn,kn,θ,zn)，參數α={α1....αn}，αn=0或1。若αn為0，像素點為背景；若αn為1，則像素點為前景。參數K是一個向量，K={k1,k2....kn}，每個kn屬于集合{1,2,....k}，對應著k個高斯分量［8］。參數θ為圖像的背景與前景的灰度直方圖。參數z為圖像的灰度數組，z={z1....zn}，zn是第n個像素的灰度值。

　　GrabCut算法流程描述［9］：（1）、（2）為初始化步驟，（3）~（6）為迭代最小化步驟。

　　（1）用戶框定目標區域，方框外的全部像素為背景像素TB，方框內的全部像素作為“可能目標”TU。對TB內的每一個像素初始化標簽αn=0，對TU內的每一個像素初始化標簽αn=1。

　　（2）通過kmeas算法初始化背景和前景中每一個像素高斯混合模型分量。

　　（3）對每一個像素分配GMM中的高斯分量：kn=argminknDn(αn,kn,θ,zn)。

　　（4）對于圖像數據Z,學習優化GMM參數：θ=argminθU(α,k,θ,z)。

　　（5）分析Gibbs能量項，建立一個圖，通過最大流最小切割定理算法進行分割。

　　min{αn:n∈TU}minkE(α,k,θ,z)

　　（6）重復步驟（3）~步驟（5），直到收斂［10］。

2實驗結果

　　圖1經過灰度化之后的圖像本實驗硬件運行環境為：Intel(R) Core(TM)2 Quad 2.33 GHz CUP和4.00 GB內存，軟件運行環境為：Windows 7、Microsoft Visual Studio 2005、opencv1.0。視頻中每一幀大小為576×704，每秒處理20幀，基本可以滿足視頻監控中的實時性。圖1為視頻中取出的第100幀、101幀、102幀、103幀經過灰度化之后的圖像。

　　圖2為使用四幀差分法得到的實驗結果。

　　圖3中圖（a)對實驗結果進行垂直投影，計算出圖像像素平均值為Tn=8.720 2，圖（b）為經過閾值Tn過濾后的結果，通過計算其中一個運動物體區域的橫坐標是（335,420），圖（c）為截取原圖中橫坐標在（335,420）之間的實驗結果，圖（d)為（c)做水平投影，計算出像素平均圖2實驗結果值為Tm=11.658 0。圖（e）為經過閾值Tm過濾后的結果，并且計算出運動物體區域的縱坐標為（330,420），圖（f)為最終切割結果。

　　圖4（a）中的方框為經過投影之后計算出的運動物體的區域，（b）是通過GrabCut算法切割以后提取到的完整運動目標，實驗發現雖然目標有一部分區域與背景相似， 但GrabCut算法仍能完整地將其分割出來。

3結論

　　本文融合四幀差分法與GrabCut算法對運動目標進行檢查與提取，首先利用高速濾波和直方圖均衡化對每一幀圖像進行預處理，然后通過四幀差分法和投影法得到運動目標區域，最后通過GrabCut算法分割提取完整目標。實驗結果表明，本文所提出的算法可以快速、精準、完整地檢測出運動目標，而且適用性廣泛。

參考文獻

　　［1］ 袁國武,陳志強,龔健,等. 一種結合光流法與三幀差分法的運動目標檢測算法［J］. 小型微型計算機系統,2013,34（3）:668671.

　　［2］ 杜晶晶. 智能視頻監控中運動目標檢測與跟蹤算法研究［D］.成都：西南交通大學,2009.

　　［3］ 周勝安. 一種基于前景物形態的GrabCut改進算法［J］. 電腦知識與技術,2010,6（33）:95179519.

　　［4］ 袁國武. 智能視頻監控中的運動目標檢測和跟蹤算法研究［D］.昆明：云南大學,2012.

　　［5］ 彭艷芳. 視頻運動目標檢測與跟蹤算法研究［D］.武漢：武漢理工大學,2010.

　　［6］ 張鵬,李思岑,楊燕翔. 融合邊緣檢測的四幀差分運動目標檢測［J］. 電子技術與軟件工程,2014（20）:106107.

　　［7］ 王鈞銘,高立鑫,趙力，等. GrabCut彩色圖像分割算法的研究［J］. 電視技術,2008,32（6）:1517.