基于帧间差分法和不变矩特征的运动目标检测与识别

基于帧间差分法和不变矩特征的运动目标检测与识别运动目标的检测与识别技术是视频监视系统的一项核心技术。

目前对运动目标的检测方法主要有三种：光流法、相邻帧差法和背景图像差分法。

光流法计算量大、易受噪声影响，不利于实时处理；背景图像差分法受到光线与天气等因素影响时，需动态确定阈值，也难以满足实时处理的要求。

目标的移动，使得每一个采样点采集的图像是变化的，并且图像的背景、亮度、目标和背景的色差都在发生变化，如何从变化的图像中快速而准确地找到目标是急需解决的问题。

本文将研究如何从变化的图像中迅速地搜索到目标，并对它进行识别。

１运动目标检测方法这里基于帧间差分的方法进行运动目标的检测，通过灰度化、差分、区域标记等步骤，实现运动目标的检测。

１．１图像预处理首先把图像中３×３的像素点集定义为一个像素片或一个窗口，除去边缘两行和两列的像素点，每个像素点都对应９个像素片，计算每个像素片的平均灰度值μ：μｎ＝１９３ｘ＝１!３ｙ＝１!ｐ（ｘ，ｙ）（１）并且计算：σ２ｎ＝１９３ｘ＝１!３ｙ＝１!（ｐ（ｘ，ｙ）－μｎ）２（２）其中ｐ（ｘ，ｙ）表示像素点的灰度值，ｎ是像素片编号。

比较每个像素片的方差σ２ｎ，找出最小值，即找出灰度变化最小的区域，即为这个区域的值，通过这样的处理，可以减少图像的噪声，图像信息无重大丢失。

１．２运动信号产生系统下面所叙述的运动信号产生系统是建立在ｔ检测法基础之上的，通过检测每个窗口的灰度值有无重大变化从而发现运动区域。

首先计算：Ｓ２＝（（ｎ１－１）×σ２ｒｅｆ＋（ｎ２－１）×σ２ｉ）ｎ１＋ｎ２－２（３）式中，ｎ１、ｎ２表示一个窗口的像素点总数，这里ｎ１＝ｎ２＝９。

σ２ｒｅｆ表示前一帧图像像素片的方差。

定义：ｔ＝（μｎ－μｒｅｆ）Ｓ（１／ｎ１＋１／ｎ２）"（４）μｒｅｆ表示前一帧图像像素片的平均灰度值。

把上分位点α设置为０．０２５，然后我们可以从ｔ分布表中估计一个测量标准Ｔ，Ｔ＝２．１１９９。

如此我们就可把图像分成两部分：ｆ（ｘ，ｙ）＝１；ｔ≥Ｔ０；其$它（５）经过上述处理，ｆ（ｘ，ｙ）为１表示的区域是运动的，最终这些区域被分离开来，从而完成运动目标的检测任务。

１．３运动目标的检测实验下面对运动的人体目标进行检测和提取实验，图１（ａ）是一帧图像，直立的是人；图１（ｂ）是人运动后某帧图像；图１（ｃ）为检测运动物体的一帧图像；图１（ｄ）是提取出的运动物体。

２不变矩特征提取方法在模式识别应用领域中，图像的形状特征是特征提取的重要对象，矩特征是其中广泛应用的形状特征之一。

１９６２年由ＨｕＭ．Ｋ．首次提出了图像识别的不变矩理论，并证明了有关矩的平移不变性、比例不变性和旋转不变性。

目前，矩特征已广泛应用于目标识别、景物匹配、形状分析、图像分析以及字符识别等许多方面。

２．１图像模式识别中的特征选取特征提取是对模式所包含的输入信息进行处理和分析，将不易受随机因素干扰的信息作为该模式的特征提取出来。

特征刘艳丽（安徽建筑工业学院１０系，安徽合肥２３０６０１）陈昊余炎峰（合肥工业大学电气与自动化工程学院，安徽合肥２３０００９）ＭｏｖｉｎｇＯｂｊｅｃｔＤｅｔｅｃｔｉｏｎａｎｄＲｅｃｏｇｎｉｔｉｏｎＭｅｔｈｏｄＢａｓｅｄｏｎＩｎｔｅｒ－ｆｒａｍｅＤｉｆｆｅｒｅｎｃｅＡｌｇｏｒｉｔｈｍａｎｄＭｏｍｅｎｔＩｎｖａｒｉａｎｔｓ摘要针对视频监视的复杂背景，提出了一种基于帧间差分法和不变矩特征的运动目标检测与识别方法。

在运动目标检测算法中，首先对定义的像素区域进行数据分析，然后通过帧间的数据差异产生运动信号，捕捉到场景中的运动目标。

在目标识别方法中，首先提取运动目标区域的不变矩特征，并对其矢量进行标准化，然后利用遗传小波神经网络作为模式识别器，实现运动目标的自动识别。

为验证该方法及网络模型的泛化能力，在Ｍａｔａｌｂ７．０中对模型进行了仿真。

关键词：运动目标检测与识别，不变矩矢量标准化，模式识别，遗传小波神经网络ＡｂｓｔｒａｃｔＴｈｉｓｐａｐｅｒｆｏｃｕｓｅｓｏｎｅｘｔｒａｃｔｉｏｎａｎｄｒｅｃｏｇｎｉｔｉｏｎｏｆｍｏｖｉｎｇｏｂｊｅｃｔｓｉｎｖｉｄｅｏｓｅｑｕｅｎｃｅｓｆｏｒｉｎｔｅｌｌｉｇｅｎｔｏｕｔｄｏｏｒｖｉｄｅｏｍｏｎｉｔｏｒｉｎｇｓｙｓｔｅｍｓｂａｓｅｄｏｎｉｎｔｅｒ－ｆｒａｍｅｄｉｆｆｅｒｅｎｃｅａｎｄｍｏｍｅｎｔｉｎｖａｒｉａｎｔ．Ｆｉｒｓｔｌｙｓｔａｔｉｓｔｉｃａｌａｎａｌｙｓｉｓｉｓｐｅｒｆｏｒｍｅｄｏｎｓｍａｌｌａｒｅａｓ（ｔｉｌｅｓ）ｏｆｔｈｅｏｒｉｇｉｎａｌｉｍａｇｅａｎｄｉｎｔｅｒ－ｆｒａｍｅｓｔａｔｉｓｔｉｃａｌｄｉｆｆｅｒｅｎｃｅｓｐｒｏｖｉｄｅｍｏｔｉｏｎｃｕｅｓｉｎｔｏｔｈｅｏｒｉｇｉｎａｌｉｍａｇｅｔｈａｔｄｅｆｉｎｅｒｅｇｉｏｎｓｏｆｉｎｔｅｒｅｓｔ．Ｔｈｅｎｅｘｔｒａｃｔｓｈａｐｅｉｎｖａｒｉａｎｔｍｏｍｅｎｔｃｈａｒａｃｔｅｒｉｓｔｉｃｓｏｆｍｏｖｉｎｇｏｂｊｅｃｔｓｒｅｇｉｏｎａｎｄｓｔａｎｄａｒｄｉｚｅｉｎ－ｖａｒｉａｎｔｍｏｍｅｎｔｖｅｃｔｏｒｓｉｎｏｒｄｅｒｔｏｒｅｃｏｇｎｉｚｅｏｂｊｅｃｔｓ．Ｆｉｎａｌｌｙ，ａＧＡｂａｓｅｄｎｅｕｒａｌｎｅｔｗｏｒｋｉｓｕｓｅｄｔｏｒｅｃｏｇｎｉｚｅｔｈｅｍｏｖｉｎｇｏｂｊｅｃｔｓ．Ｔｏｔｅｓｔｔｈｉｓｍｅｔｈｏｄａｎｄｔｈｅｇｅｎｅｒａｌｉｚａｔｉｏｎｃａｐａｂｉｌｉｔｙｏｆｔｈｅｎｅｔｗｏｒｋｍｏｄｅｌ，ｏｕｒｍｏｄｅｌｗａｓｓｉｍｕｌａｔｅｄｉｎＭａｔａｌｂ７．０．Ｋｅｙｗｏｒｄｓ：ｍｏｖｉｎｇｏｂｊｅｃｔｄｅｔｅｃｔｉｏｎａｎｄｒｅｃｏｇｎｉｔｉｏｎ，ｉｎｖａｒｉａｎｔｍｏｍｅｎｔｖｅｃｔｏｒｓｔａｎｄａｒｄｉｚａｔｉｏｎ，ｐａｔｔｅｒｎｒｅｃｏｇｎｉｔｉｏｎ，ｇｅｎｅｔｉｃｗａｖｅｌｅｔｍｅｕｒａｌｎｅｔｗｏｒｋ基于帧间差分法和不变矩特征的运动目标检测与识别３４《工业控制计算机》２００８年２１卷第７期提取过程是去除冗余信息的过程，具有提高识别精度、减少运算量和提高运算速度的作用。

良好的特征应具有可区分性、稳定性、独立性以及数目小。

矩是一种非常重要的表示目标总体形状的特征量。

二维图形的几个关键特征均直接与矩有关，如图像的大小、形心和旋转情况等等。

不变矩是指物体图像经过平移、旋转以及比例变换仍保持不变的矩特征量，不变矩由于概念清晰，识别率稳定，对具有旋转和缩放变化的目标有良好的不变性及抗干扰性，能有效地反映图像的本质特征。

因此，本文的识别模型将捕捉到的图像的不变矩作为识别特征。

２．２不变矩特征提取设一幅Ｍ×Ｎ二维离散图像ｆ（ｘ，ｙ），ｆ（ｘ，ｙ）表示（ｘ，ｙ）处的灰度等级，其（ｐ＋ｑ）阶几何矩ｍｐｑ和中心矩μｐｑ定义为：ｍｐｑ＝ｘ!ｙ!ｘｐｙｑｆ（ｘ，ｙ）（６）μｐｑ＝ｘ!ｙ!（ｘ－ｘ０）ｐ（ｙ－ｙ０）ｑｆ（ｘ，ｙ）（７）其中，ｘ０＝ｍ１０／ｍ００，ｙ０＝ｍ０１／ｍ００，ｐ、ｑ分别为常数。

对于二维图像，ｘ０表示图像灰度在水平方向上的灰度重心；ｙ０表示图像灰度在垂直方向上的灰度重心。

中心矩特征具有平移及旋转不变性。

归一化的中心矩为：ηｐｑ＝μｐｑ／μｒ００（８）其中，ｒ＝（ｐ＋ｑ＋２）／２，ｐ＋ｑ＝２，３，…。

利用归一化中心矩可导出７个不变矩#１～#７。

不变矩特征提取在不变矩的实际计算过程中，不同图像的不变矩数值分布范围非常大。

为调整其取值范围，对７个不变矩取对数修正为ｘｉ＝｜ｇ｜#ｉ‖，ｉ＝１，２，…，７。

其中，所进行的修正变换应综合考虑不变矩特征的大小及后续神经网络的结构特点。

２．３不变矩矢量标准化不变矩矢量标准化的目的是提高神经网络的计算效率和收敛率。

不变矩特征提取后得到７个不变矩，将这７个不变矩排成一列，构成一维列矢量。

一般情况下，对于灰度图像，不变矩特征取值较大。

如果直接将该矢量输人神经网络进行训练，势必影响神经网络的计算效率和收敛率。

因此，在将该矢量输人神经网络之前，先进行不变矩矢量标准化。

设ｘｍａｘ和ｘｍｉｎ为不变矩输入矢量Ｘ中的最大值和最小值，则不变矩矢量标准化过程可描述为Ｙ＝（Ｘ－ｘｍｉｎ）／（ｘｍａｘ－ｘｍｉｎ），不变矩矢量标准化实质上是对输入矢量实行线性映射，将不变矩输入矢量中的特征转换到［０，１］之间，以便于后续神经网络权值与阈值的调节和运算。

３基于遗传小波神经网络的目标识别对于视频监视系统而言，能够非法侵入监视场景的目标主要是人、车辆和宠物，因此本文主要对这三种运动目标的识别进行研究。

首先按以上方法提取入侵目标区域的７个不变矩特征，再利用基于遗传算法的小波神经网络对目标进行识别。

小波神经网络是以小波函数为基底的一种ＲＢＦ网络，具有良好的函数逼近能力和模式分类能力，具有结构简单、精度高、收敛速度快等优点。

该神经网络的结构设计为３层：输入层含有７个神经元，对应于７个不变矩特征；隐含层激活函数采用Ｍｏｒｌｅｔ小波函数ψ（ｘ）；输出层含有３个神经元，对应于３个识别目标，激活函数采用Ｓｉｇｍｏｉｄ函数σ（ｘ），如图２所示。

图２遗传小波神经网络模型设网络输入Ｘ＝［ｘ１，ｘ２，…，ｘ６，ｘ７］Ｔ，网络输出Ｙ＝［ｙ１，ｙ２，ｙ３］Ｔ，则有：ｙｋ＝σ（ｍｉ＝１!ωｋ，ｉψｉ（７ｊ＝１!Ｕｊ，ｉｘｊ））（ｋ＝１，２，３）（９）ψ（ｘ）＝ｃｏｓ（１．７５×ｘ－ｂｉａｉ）×ｅｘｐ（－０．５×（ｘ－ｂｉａｉ）２）（１０）σ（ｘ）＝（１＋ｅｘｐ（－Ｔｘ））－１（１１）其中Ｕｊ，ｉ、ωｋ，ｉ为权重因子，ａｉ、ｂｉ分别为伸缩因子和平移因子，ｍ隐含层神经元个数，Ｔ为调节常数，取Ｔ＝１００。

传统神经网络训练常采用ＢＰ算法，但存在陷入局部极小值、收敛速度慢和引起震荡等缺点。

而遗传算法具有很强的全局寻优能力，这里采用遗传算法对神经网络进行训练。

训练时涉及以下关键问题：１）染色体编码。

染色体编码采用浮点型编码。

每个染色体包括权重因子，伸缩因子和平移因子。

２）适应度函数。

对任一个体，其目标函数定为神经网络输出值的均方误差：ν＝１ｍｎｍｉ＝１!ｎｊ＝１!（ｙｉ，ｊ＝ｙｐｉ，ｊ）２（１２）式中，ｍ为训练样本数目，ｎ为神经网络输出层神经元个数，ｙｉ，ｊ、ｙｐｉ，ｊ分别为第ｉ个样本的输出层第ｊ个神经元的实际输出和期望输出，再经过如下的指数变换即得到适应度函数：ｆν＝ｅｘｐ（－ν）（１３）３）遗传操作。

取群体规模为５０，交叉概率为０．６，变异概率为０．１。

４实验及仿真结果对于图１（ｄ），利用二阶和三阶归一化中心矩可导出图像的７个不变矩，这７个不变矩便是进行模式识别的特征矩。

下面是具体计算步骤：Ｓｔｅｐ１：令ｐ、ｑ分别为０、１、２，根据式６求出其（ｐ＋ｑ）阶几何矩ｍ１０，ｍ０１，ｍ１１，ｍ２０，ｍ０２，ｍ３０，ｍ０３，ｍ１２，ｍ２１。

同时求得ｘ０＝ｍ１０／ｍ００，ｙ０＝ｍ０１／ｍ００。