Метод обнаружения движущихся объектов на основе адаптивного метода фильтрации и применения теоремы Байеса для оценки изменений
Автор: Червяков Николай Иванович, Тупикин Александр Александрович
Журнал: Инфокоммуникационные технологии @ikt-psuti
Рубрика: Технологии компьютерных систем и сетей
Статья в выпуске: 4 т.13, 2015 года.
Бесплатный доступ
Рассматривается новый метод обнаружения движущихся объектов в видеонаблюдении, который сочетает в себе адаптивный метод фильтрации с алгоритмом обнаружения изменений с применением теоремы Байеса. Сначала адаптивный алгоритм обнаруживает края движущихся объектов, затем, алгоритм с использованием теоремы Байеса корректирует их форму. Рассматриваемый способ имеет значительную устойчивость к шуму, тени, изменению освещенности, и повторных движений в фоновом режиме по сравнению с другими алгоритмами. В данном алгоритме обнаружение движения выполняется в адаптивной схеме, и предварительная информация о переднем и заднем планах не требуется. В ходе работы показано, что предложенный алгоритм вычислительно эффективен и подходит для работы с интернет видеонаблюдением и подобными приложениями.
Обнаружение, видеоинформация, теорема байеса, адаптивный фильтр
Короткий адрес: https://sciup.org/140191789
IDR: 140191789 | DOI: 10.18469/ikt.2015.13.4.07
Текст научной статьи Метод обнаружения движущихся объектов на основе адаптивного метода фильтрации и применения теоремы Байеса для оценки изменений
В наше время, широко используются системы видеонаблюдения. Например, во многих приложениях, таких как мониторинг дорожного трафика, для обнаружения необычной активности в человеческой деятельности, подсчет количества объектов, и многое другое. Наиболее типичная схема системы видеонаблюдения включает в себя три следующие части.
-
1. Движущийся объект обнаружения.
-
2. Слежение за объектом.
-
3. Анализ его движения
Обнаружение областей, соответствующих подвижным объектам, является первым шагом обработки, поскольку остальные стадии обработки применяются уже локально к областям дви- жущихся объектов. Это говорит об актуальности выявления движущихся объектов из потока видеоинформации для систем наблюдения.
Существует множество алгоритмов обнаружения движения в потоке видеоинформации. Самые простые используют операцию пороговой разности интенсивности, например, соседних видеокадров или текущих и фоновых. Чаще всего результат работы этих алгоритмов не подходит для дальнейшего анализа. Чтобы повысить производительность, другие алгоритмы используют вероятностные модели и статистические тесты, которые используются для моделирования и извлечения фона. Их эффективность в значительной степени зависит от выбора порога. Более высокая производительность может быть получена путем модификации адаптирующегося порогового значения. Существует несколько методов пороговой адаптации. Наиболее успешными являются те, которые используют разности кадров и моделирование изменения меток в случайном марковском поле в байесовских рамках.
Были разработаны методы обнаружения на основе оценки апостериорного максимума (MAP) [1-3], которые используют сеть Маркова как априорные модели. MAP способствовала повышению производительности алгоритмов обнаружения изменений. Однако возросла их вычислительная сложность.
В данной работе предлагается метод обнаружения, в котором используется алгоритм активного шумоподавления (ANC) с локальной оценкой MAP. Активное шумоподавление в основном является альтернативой оценки исходных сигналов, испорченных шумами и помехами. В контексте обработки сигналов и изображений ANC обычно используется для удаления шума. В статье ANC используется для обнаружения движущихся объектов путем устранения шума, повторных движений фона, изменения освещения и теней. А оценки MAP оказываются в участках, соответствующих движущимся объектам, более компактными и гладкими, что делает вычислительную сложность метода ANC-MAP меньше, оставаясь при этом надежным и эффективным [4-5].
Алгоритм обнаружения, основанный на теореме Байеса
Цель метода обнаружения движения заключается в разделении каждого кадра в движении на сегменты. Это реализуется через генерирование маски Q, состоящей из двоичных меток для каждого пикселя M на сетке изображения. Метки принимают значение «u» (без изменений) или «c» (изменено). Для определения метки пикселя i сначала рассматриваются разности серого уровня между двумя последова тельными кадрами, а затем находятся маски изменений, которые максимизируют MAP оценку . Если предположить, что значения условно независимы и метки известны для всех элементов изображения, кроме i, оценка сводится к определению (u или с). В зависи мости от выбора будет две возможные маски изменения из В соответствии с теоре мой Байеса можно сделать вывод [5]:
и
3*№ m
с где t представляет собой пороговое значение для решения.
Чтобы сделать обнаружение более надежным, решение должно быть принято на основании разницы серого уровня на пиксель i и его соседних пикселей. Предположим нулевым гауссово распределение для разности значений и применим неравенство (1) к пикселям вокруг пикселя i , решающее правило может быть получено следующим образом [5]:
и
(2) ° и теи;
С где представляет собой шумовое стандартное отклонение различий серого уровня в неподвижных местах, предположительно постоянных в пространстве, является суммой квадратов разностей в рамках небольшого скользящего окна
, имея центр в i , T является адаптивным порогом, полученным из моделирования априорного знания по MRF. Этот адаптивный порог зависит от значений меток в окрестности пикселя, то есть уменьшается внутри измененных областей и увеличивается за пределами. Т определяется следующим образом [6]:
где выступает в качестве постоянной порога, B является положительно оцененным потенциалом, – количество измененных пикселей в окрестности 3×3 каждого пикселя. Чем выше число измененных пикселей, найденных в этом районе, тем ниже порог.
Рис. 1 показывает общую схему базового алгоритма обнаружения изменения. Выбираются два кадра, с помощью последовательного пиксельного сравнения выбирается окно, где происходит движение объекта, затем рассматривается массив пикселей движения. Обрабатывая их с помощью формулы (2), мы уточняем края движущегося изображения.
Несмотря на то что метод хорошо работает, внутренние части объекта не будут обнаружены в случае большой формы или медленных объектов. Кроме того, имеются значительные трудности с изменением условий освещения, в результате чего на практике каждое изменение рассматривается как событие движения.

Рис. 1. Общая блок-схема алгоритма Байеса обнаружения изменений.
тивного фильтра. Адаптивный фильтр непрерывно корректирует свои коэффициенты, чтобы свести к минимуму сигнал ошибки [7].

Рис. 2. Общая блок-схема АНК метода
Адаптивный фильтр может эффективно работать в неизвестных условиях и может отслеживать входной сигнал с изменяющимися во времени характеристиками. Существует несколько алгоритмов для того, чтобы настроить коэффициенты, такие как метод наименьших квадратов (LMS) или рекурсивный метод наименьших квадратов (RLS). В данной статье используется алгоритм LMS. Его выбор основан на простоте и быстрой сходимости. Этот алгоритм минимизирует сигнал ошибки Де2]. Алгоритм LMS приводит к рекуррентным соотношениям следующим образом [8]:
Активное подавление шума
Активное подавление шума – это метод оценки сигнала на добавленный шум или помехи. Хотя ANC основано на использовании только адаптивного фильтра, оно будет полезно в предлагаемом алгоритме. Согласно рис. 2 оно включает два входа: первичный d^ и опорный NXW- Первый представляет основной сигнал ф?] на фоне шума 7V0(/z). Опорный вход NyW представляет фильтрованную форму основного шума W В ANC опорный сигнал адаптивно фильтруют и вычитают из первичного, чтобы получить исходный сигнал (удаление шума). Выход будет сигнал ошибки (разница между d\n\, у [л]), который используется с помощью обратной связи для регулировки адап- w^n +1) = w(n) + ц e(zz) x(zz), (4)
где N – номер итерации; w – вектор коэффициентов адаптивного фильтра; Х – входной вектор; μ – положительная скалярная, называется размер шага.
Предлагаемый алгоритмдля обнаружения движения
В приложениях видеонаблюдения все чаще используются камеры с автоматическим изменением положения, масштаба и фокусировки. Это делает алгоритмы обнаружения, берущие за основу статический фон, не пригодными для таких систем. Основное отличие алгоритма от аналогов в предобработке изображения, для по-

Рис. 3. Схема работы разработанного алгоритма
лучения статического фона, и подборе функции вероятности в совокупности с марковскими процессами таким образом, чтобы пиксели переднего плана были наиболее вероятными, что делает алгоритм адаптируемым к подвижной системе видеонаблюдения.
Исходя из вышеописанного предлагается следующий алгоритм.
-
1. Анализ видеоряда для определения фона.
-
2. Выборка подходящих кадров изображения, кадр с объектом и кадр со статическим фоном.
-
3. К этим кадрам применяется алгоритм ANC для обнаружения краев движущихся объектов.
-
4. Применяется алгоритм обнаружения, основанный на теореме Байеса, с использованием скрытых марковских полей для классификации внутренней области движущегося объекта.
С кадра удаляется фон или выделяется движущееся изображение.

Рис. 4. Результат работы алгоритма
Результаты работы алгоритма представлены на рис. 4. Использовались разные ситуации, с разной степенью освещения и разным качеством изображения, несмотря на это алгоритм показывает стабильный результат работы благодаря адаптивному фильтру и выбору вероятностной функции, подходящей к конкретной ситуации.
Выводы
Разработан новый алгоритм для обнаружения движущихся объектов с использованием адаптивного подавления шума, основное отличие которого использование адаптивного фильтра. Это означает, что не требуется настройка системы видеонаблюдения под конкретные условия, эту роль выполняет фильтр.
Предлагаемый алгоритм обнаружения интегрирован с марковскими скрытыми полями для повышения производительности. Алгоритм отделяет фоновые пиксели на кадрах с движущимся объектом и удаляет фон. То, что осталось на выходе, будет приближение движущихся областей. Затем форма движущихся объектов улучшается с помощью алгоритма основанного на теореме Байеса.
Алгоритм очень эффективен в устранении шума, теней, изменения освещения и повторных движений фона. Высокую точность предложенного метода показали эксперименты в различных средах, а это очень значительный параметр для систем видеонаблюдения. Многообещающие результаты обнаружения и простота алгоритма делают предлагаемый способ подходящим для практической реализации в режиме реального времени.
Список литературы Метод обнаружения движущихся объектов на основе адаптивного метода фильтрации и применения теоремы Байеса для оценки изменений
- Migdal J., Grimson E.L. Background subtraction using Markov thresholds//IEEE Workshop Motion Video Computing 2, 2005. -P. 58-65 DOI: 10.1109/ACVMOT.2005.33
- Sheikh Y., Shah M. Bayesian mod//IEEE Trans. Pattern Anal. Mach. Intell. 27(11), 2005. -P. 1778-1792 DOI: 10.1109/TPAMI.2005.213
- Yu S.Y., Wang F., Xue Y.F., Yang J. Bayesian moving object detection in dynamic scenes using an adaptive foreground model//J. Zhejiang Univ. (Sci.) 10(12), 2009. -P. 1750-1758 DOI: 10.1631/jzus.A0820743
- McHugh J.M., Konrad J., Saligrama V., Jodoin, P. Foreground-adaptive background subtraction//IEEE Signal. Process Lett. 16, 2009. -P. 390-393 DOI: 10.1109/LSP.2009.2016447
- Aach T., Kaup A. Bayesian algorithms for adaptive change detection in image sequences using Markov random fields//Signal Process Image Comm. 7(2), 1995. -P. 147-160 DOI: 10.1016/0923-5965(95)00003-F
- Aach T., Kaup A., Mester R. Statistical model-based change detection in moving video//Signal Process. 31, 1993. -P. 165-180 DOI: 10.1016/0165-1684(93)90063-G
- Singh A. Adaptive noise cancellation//Undergraduate B.E. project report Netaji Subhas Institute of Technology, 2001. -P. 50-61.
- Ramadan Z. Error vector normalized adaptive algorithm applied to adaptive noise canceller and system identification//J. Eng. Appl. Sci. 3(4), 2010. -Р. 710-717 DOI: 10.3844/ajeassp.2010.710.717