摘 要：目的：针对现有运动目标检测方法在光照突变场景下存在的问题，提出一种能够快速适应光照突变场景的运动目标检测方法。方法：基于自组织神经网络背景减除方法进行改进，利用图像全局亮度变化幅度来判断当前图像是否发生光照突变，若发生则对背景模型进行光照补偿，并改变背景模型的更新策略，使算法能够快速适应光照突变场景。结论：实验证明该方法能够有效改善算法在光照突变场景下的检测效果。

关键词：光照突变；光照补偿；背景模型；目标检测

引言

在当前计算机视觉领域中，视频或图像序列中的运动目标检测是一个热点研究问题，有很重要的实际应用价值。常用的运动目标检测方法有光流法（optical flow）[1，2]、帧间差分法（frame difference）[3]和背景减除法（background subtraction）。光流法的算法复杂度较高、计算量较大；帧间差分法的计算简单快捷，但容易受限于目标的运动速度，难以得到较为完整的目标轮廓。背景减除法在一定程度上克服了以上缺点，其基本思路是把当前图像与背景模型相减，从而提取出前景目标，主要包括背景建模、前景检测以及背景更新这三个步骤。该方法不会受到运动目标速度的限制，能够利用不同的背景模型处理复杂场景，有着较为广泛的应用[4]，是实现目标跟踪、行为分析、人流统计等实际应用的基础。

虽然当前提出的背景减除方法很多[5]，但是并未对所处理图像中光照是否发生变化进行判断，在光照突变场景中的适应性较差。针对以上问题，文章在自组织神经网络背景减除方法[6]的基础上进行改进，提出了一种基于光照补偿的方法，能够快速适应光照突变场景。

1 方法

1.1 自组织神经网络

Maddalena等人[6]提出了一种基于自组织神经网络自动生成背景模型的方法（Self-Organizing Background Subtraction，SOBS），并使用改进的神经网络映射方式，使得神经网络结构更简单并且学习过程更高效。该方法使用的神经网络是由各个节点构成的一个2维的平面网格，类似于Kohonen[7]提出的SOM（Self-Organizing Maps）神经网络，该模型的网络结构如图1所示。

图1 SOBS模型网络结构示意图

该方法的基本思路如下：将背景模型中的每一个像素点（x，y）都看作由n×n个权重向量c=（c1，c2，c3，...，c■）组成，其中权重向量ci=（h，s，v），相比于原始图像，背景模型扩大了n×n倍。检测图像时，若该像素点的背景模型中存在与待检测像素点匹配的权重向量cm，则该像素点为背景点，并同时更新权重向量cm及其邻域的权重向量；若不存在匹配的权重向量，则进一步判断该像素点是否为阴影区域，若是阴影则归为背景点并且不更新权重向量，否则归为前景点。

1.2 光照补偿原理

考虑到光照突变对图像产生的影响，即相邻两帧图像的色度信息未发生较大变化，而亮度信息的变化显着，我们可以通过以下步骤对背景模型进行光照补偿。

（1）首先通过式（1）计算出相邻两帧图像It-1（x，y）和It（x，y）的全局平均亮度值Vt-1和Vt，式中n为图像中的总像素点数，It（x，y）max（R，G，B）和It（x，y）min（R，G，B）分别表示像素点（x，y）处R，G，B分量中的最大值与最小值。

（1）

（2）通过式（2）可以计算出这两帧图像间的亮度变化？驻t，当？驻t大于预先设定的阈值T时，则认为当前图像发生了光照突变；若发生光照突变，则利用像素点在相邻两帧图像的亮度变化值对背景模型进行光照补偿，即通过式（3）对该像素点的背景模型Bt（x，y）进行补偿。

？驻t=|Vt-Vt-1| （2）

（3）

（3）发生光照突变时，改变背景模型更新的策略，首先进行光照补偿，之后利用当前帧的信息对背景进行更新，如式（4）所示，其中？茁是此时的背景更新系数。

2 实验结果与讨论

文章的实验是在一个包含1546帧图像的光照突变场景数据集中进行测试，实验结果如图2所示，其中图2（a）是未发生光照突变的原始图像，图2（b）-（d）是发生光照突变后的原始图像。从图2（f）-（h）中可以看出，原始SOBS算法的检测结果中存在大面积误检区域，严重影响运动目标的检测效果，如数据集中发生光照突变的第481帧图像中并不存在运动前景目标，却检测出大量前景像素点，第632帧和第1030帧图像中的正确前景目标被误检区域所覆盖；从图2（j）-（l）中可以看出，文章改进的算法在一定程度上克服了光照突变的影响，并且没有带来太多额外的计算量，发生光照突变的第481帧图像只存在少量的误检，第632帧和第1030帧图像中的前景目标被正确检出。通过以上实验验证了文章改进算法的有效性。另外，文章的改进方法是一种通用方法，并不是针对某种特定运动目标检测算法才能进行改进，其光照补偿的思想同样能够应用到其他一些对光照突变场景适应能力较弱的算法中。

（a）数据集第385帧 （b）数据集第481帧

（c）数据集第632帧 （d）数据集第1030帧

（e）原始SOBS算法 （f）原始SOBS算法

（g）原始SOBS算法 （h）原始SOBS算法

（i）改进算法 （j）改进算法

（k）改进算法 （l）改进算法

图2 光照突变场景中原始SOBS算法与改进算法的检测结果对比图

3 结束语

文章针对原始背景减除方法在光照突变场景中存在的问题，提出了一种基于光照补偿的改进方法。首先分别计算出相邻两帧图像的全局平均亮度值；之后利用这两帧图像间的亮度变化判断当前图像是否发生光照突变，若发生则对背景模型进行光照补偿，并改变背景模型的更新策略；最后通过实验验证了文章改进算法的有效性。

参考文献

[1]J. L. Barron， D. J. Fleet， S. S. Beauchemin. Performance of optical flow techniques[J].International journal of computer vision， 1994，12（1）：43-77.

[2]杨亚东.光流法在运动目标识别领域的理论与应用[J].电子设计工程，2013，5：24-26.

[3]L. Ding， N. Gong. Moving Objects Detection Based on Improved Three Frame Difference[J].Dianshi Jishu（Video Engineering）， 2013，37（1）：151-153.

[4]T. Bouwmans， F. Porikli， B. H ferlin， et al.， Background Modeling and Foreground Detection for Video Surveillance[M].2014： CRC Press.

[5]T. Bouwmans. Traditional and recent approaches in background modeling for foreground detection： An overview[J]. Computer Science Review， 2014. 11：31-66.

[6]L. Maddalena， A. Petrosino. A self-organizing approach to background subtraction for visual surveillance applications[J]. Image Processing， IEEE Transactions on， 2008，17（7）：1168-1177.

[7]T. Kohonen. Self-organization and associative memory. Self-Organization and Associative Memory， 100 figs. XV， 312 pages. Springer-Verlag Berlin Heidelberg New York. Also Springer Series in Information Sciences， volume 8， 1988. 1.

作者简介：杨霖（1990-），男，中南大学地球科学与信息物理学院生物医学工程专业硕士研究生，主要研究领域为计算机图像处理。