基于視頻的目標檢測技術是計算機視覺的主要研究方向之一，它是智能監控、移動機器人視覺導航、武器引導、全景戰車等應用的基礎和關鍵技術，具有十分重要的研究價值[1]。
    目標檢測分為多種類型。按照攝像機是否運動可分為兩種情況：靜態背景下的運動目標檢測與跟蹤，通常指攝像機相對背景靜止的狀態，如用于交通路口的安全監控系統;動態背景下的運動目標檢測與跟蹤，通常指攝像機相對背景發生運動的狀態，如利用單攝像機進行全景監控、機載航空相機、彈載的紅外CCD攝像頭[2]。在動態背景下，由于背景和前景都是運動的，相對靜態背景要準確檢測和跟蹤目標要復雜和困難得多。
    本文主要針對復雜動態廣場背景下單攝像機對多個運動目標進行檢測的情況，在傳統方法的基礎上，提出了一套更完善、實時性和魯棒性更優的基于全局運動補償的解決方案。該方法建立了攝像機全局運動參數模型，通過背景補償將動態背景下的檢測問題轉化為在靜態背景下的檢測問題。
1 動態背景下的多目標檢測
    目前在動態背景下解決目標檢測的問題主要有兩大思路：(1)根據基于目標模板特征的方法。這種方法背景是否運動對其影響不是很大，但是在目標特征不明顯的情況下難以做到準確地提取目標;(2)基于背景補償的方法。通過全局運動估計得到的全局運動參數估算攝像機運動模型，在進行差分圖像提取目標前進行背景補償，消除全局運動帶來的影響[3]。本文采用基于全局運動補償的方法實現目標檢測。
1.1 全局運動估計
    全局運動估計是指對視頻序列中造成背景運動的攝像機運動進行估計，其目的是要從視頻序列中找出造成全局運動的攝像機運動的規律，從而將動態序列間的背景對準消除，檢測出前景目標[4]。
    圖1為本文動態背景下基于全局運動補償的運動目標檢測的流程圖。

    首先通過全局運動估計和補償將相鄰幀間背景對準，再通過幀間差分消除動態背景，最后對差分圖像進行二值化以及一系列后處理從而獲取前景運動目標。
1.1.1 常用的攝像機運動模型[5]
    如圖2所示，攝像機把三維空間點(X,Y,Z)映射到二維空間平面點(x,y)上。圖像平面與Z軸垂直，中心坐標為(0,0,f)(f表示攝像機的焦距)。

    在笛卡爾坐標系里，如果三維場景中的物體的運動為
1.1.3 遞歸最小二乘法計算全局運動參數
    為了消除匹配不精確的宏塊所得到的光流場的影響，需要對參數估計進行遞歸計算，將得到的六個參數重新計算各個宏塊的光流場，并與宏塊匹配算法得到的光流場進行比較，將光流計算誤差較大的宏塊進行剔除[6]。利用剩余的宏塊重新估計全局運動參數,如果遞歸反復，則直到(a1,a2,a3,a4,a5,a6)收斂至一個穩定的結果。
1.2 圖像剪裁、紋理提取與宏塊預判
    為了提高運動估計的魯棒性，本文采用了基于宏塊匹配的方法計算參數。把分辨率為320×240的K+1幀圖像分為20×15個宏塊，對第K幀進行匹配。分割宏塊后的圖像如圖3所示。

    為了提高運動估計的實時性，本文從以下幾個方面進行了優化。
1.2.1 圖像剪裁
    當攝像機運動時，相鄰幀的背景不重合，由圖4所示第K+1幀和第K幀圖像的位置關系，第K幀中的S1區域背景在第K+1幀中消失，而第K+1幀中出現新背景S2，由于背景運動在各個方向上都有可能發生，假設相鄰幀的運動范圍不超過L1（>L2），以圖4中所示，樣本宏塊只需在S3區域中選取，而不必全屏宏塊匹配，以縮小計算量。

1.2.2 紋理提取與宏塊預判
    運用遞歸最小二乘法估計全局運動時，光流計算不準確的宏塊不參與最終的參數估計，但在計算光流場時，卻花費了相當一部分的時間來匹配計算光流。而本文在計算光流場之前已提前剔除可能導致不準確光流估計的宏塊，因此，很大程度上降低了計算量，增加了全局運動估計的實時性。
    圖5是原圖像和canny算子紋理提取后結果。圖像紋理提取后，對每個宏塊進行預分析，通過設定閾值，剔除可能導致不準確光流估計的宏塊，只留下紋理信息量較多的宏塊參與光流估計。

    圖6為宏塊預判后的實驗結果，歸一化后閾值T取值為0.2，其分辨率為320×240,4個邊緣各去除掉10個像素后,將圖像分為20×15個宏塊,每個宏塊尺寸為15×15。
    宏塊預判后，宏塊數量得到減少，由原來的300個宏塊減少為105個，約占原來總宏塊數的35%。
1.3 宏塊匹配與九點十字搜索法
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目標圖像為模板，用目標模板與待匹配圖像的各個子區域圖像進行一定的匹配準則計算，找到和目標模板最相似的子圖像位置[7]。本文即從圖4的S3區域里找出宏塊預判后保留的宏塊與其最佳匹配塊之間的相對位移，即為該宏塊的運動向量，參與后續的全局運動估計的計算,S3即為匹配相關區域。

   衡量兩圖像塊間相似性的準則稱為匹配準則。匹配準則的好壞直接影響到搜索過程的復雜性以及運動向量估計的精確性。其中均方誤差定義準則為：
 
    MSE利用差值的平方，可以放大微小差別，本文采用的就是MSE匹配準則。
1.3.2九點十字搜索法
    在進行宏塊匹配時，利用宏塊在待匹配圖像上的搜索區域內滑動，每滑動一次就進行一次匹配計算，以找到最佳匹配。這種方法被稱為全搜索法，精確度高，但計算量大，是一個相當耗時的過程。
    近年來，出現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、對數搜索法、鉆石搜索法和一些相應的改進算法。這些快速搜索法在候選的運動矢量位置的預定子集上評測準則函數，檢測點數目會大大少于全搜索法[8]。
    本文結合三步搜索法和鉆石搜索法各自的優點提出了一種九點十字搜索法(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個檢測點,如果最小塊誤差MBD
(Minimum Block Distortion)點(MSE值最小的點)，在搜索窗口的中心則算法結束。
    (2)如果MBD點位于中心點的4個相鄰點中，移動十字小模板到上一步的MBD點，繼續搜索十字小模板中其他點，直到MBD點是十字中心的點或者十字小模板到達搜索窗口邊緣為止。如圖9(a)所示，點(0，-1)是第一步的MBD點，也是第二階段的MBD點，且位于搜索窗中心，故最終運動矢量就是(0，-1)。圖9中每個點上的數字表示不同階段搜索時的檢測點。

    (3)如果MBD點是大十字中的4點之一，搜索方法同三步搜索法類似，即將步長減半，中心點移到上一步的MBD點，重新在周圍距離步長的4個點處進行塊匹配計算并比較。重復此步驟，直到步長為1，該點所在位置即對應最優運動矢量。如圖9(b)所示，(0，4)是第一步的MBD點，然后以(0，4)為中心點進行第二步搜索，此時搜索半徑已經縮減為2像素，最后以當前MBD點(-2，4)完成第三步搜索，找到最優匹配點。
    利用預測幀的峰值信噪比PSNR來度量搜索的準確性，同時選取多個不同性質的序列圖像來檢測算法的穩定性，選取全搜索算法FS、菱形搜索算法DS,以對比九點十字算法的各項性能，其結果如表1所示。

    從表1可以看出，相對FS和DS算法，九點十字算法(E3SS)在時間上的優勢非常大,在提高了搜索速度的同時也保證了搜索精度，其精度除了比FS算法略低外，比目前流行的DS算法都有細微程度的提高。

 
    雙線性內插值法計算量大,但縮放后圖像質量高，不會出現像素值不連續的情況。
1.5 運動目標區域提取[9]
    此時得到的K的補償幀Kcomp與幀K+1的背景基本對準，對所得圖像進行非線性平滑濾波消除噪聲，然后通過進行幀間差分即可消除背景獲得前景運動區域。但圖中除了運動目標之后,還存在一些小面積的干擾區域以及一些小面積的空洞。本文先對二值化后的圖像進行區域標記，對二值圖像的每個不同的連通域進行不同的編號，通過對各個區域中像素個數的計算獲得各個區域的面積。將面積小于設定閾值的區域剔除。對得到的二值圖像先進行膨脹運算再進行腐蝕運算，從而獲得運動目標的完整輪廓和區域，最終檢測出目標。
2 實驗結果
    圖10為在原圖像上的檢測結果，從中可以看出，其中一個人體目標由于只有頭部和腿部動作比較明顯而被檢測出來，被分成了兩個目標，但是可以在跟蹤過程中通過對目標的顏色特征和運動特性的分析和處理，區別目標，并將本為同一目標的部分合成(由于跟蹤過程不是本文重點，在此處就不再鰲述)。圖11所示為最終的檢測結果。

    本文深入研究了動態背景下對多目標檢測的一種有效方法?；谌诌\動補償消除了背景運動對目標檢測的影響，在宏塊匹配時提出了九點十字搜索法增強了檢測的實時性，通過處理后的結果可以看出，整套算法是行之有效的，并且有很強的魯棒性，為后續跟蹤過程奠定了良好的基礎。
參考文獻
[1] 賈桂敏.基于物體局部信息的跟蹤算法研究[D]. 天津：天津大學精密儀器與光電子工程學院,2008.
[2] 王研.動態背景下目標跟蹤若干技術問題的研究[D].天津：天津大學精密儀器與光電子工程學院,2007.
[3] BEYMER D，MCLAUCHLAN P F，COIFMAN B，et al. A real-time computer vision system for measuring traffic parameters[C]. In Proceeding. of the IEEE Conference. on  Computer     Vision and Pattern Recognition，1997.
[4] HEUER J， KAUP A. Global motion estimation in image sequences using robust motion vector field segmentation[C]. In：Proceeding of the 7th ACM International conference on   ultimedia，Sydney，Australia，1999.
[5] 吳思.視頻運動信息分析技術研究[D].沈陽：中國科學院計算技術研究所,2005.
[6]  張竟.動態圖像序列中運動目標檢測若干技術問題的研究[D].天津：天津大學精密儀器與光電子工程學院，2007.
[7]  陳敏慎.運動目標物體實時追蹤圖像匹配法的研究[D].哈爾濱：哈爾濱工業大學,2003.
[8]  劉海華.雙十字搜索算法的快速塊匹配運動估計[J].計算機研究與發展,2006,43(9)：1666-1673.
[9]  劉文耀.光電圖像處理[M].北京：電子工業出版社,2002:122-355.