基于选煤厂背景的运动人体检测与分割
颜浩，李明，王洪栋**
作者简介：颜浩，（1985-），男，硕士，机器视觉，图像处理
通信联系人：李明，（1962-），男，博导，模式识别与智能系统，电力电子与电力传动. E-mail: xzmingli@126.com
（中国矿业大学信息与电气工程学院，江苏 徐州 221008）
5 摘要： 近年来，越来越多的选煤厂引入智能监控系统，而运动人体检测与分割其中一个重
要环节。本文分析了选煤厂环境特点，使用背景减除法找出运动目标区域。考虑到光线、遮
挡等环境因素的影响，本文进一步使用GMM 进行背景建模，提高了检测的精度。检测出运动
目标后，本文结合数字图像处理相关理论和人体的几何特征，将人体目标识别和分割出来。
最后利用vc++和opencv 编程软件将本论文方法进行了实验，取得了理想的效果。
10 关键词：选煤厂；运动检测；人体识别；混合高斯模型
 0 引言
在一些智能监控场合，运动人体目标检测与分割是很重要的一个环节[1]。一般分成两步，
首先进行运动目标检测，然后对检测出的运动目标进行甄别，进一步检测出运动人体目标并
30 进行目标分割。如何准确地检测出运动的目标区域是重要的前提。运动目标检测主要方法有：
背景减除法，光流法、帧间差分法。每种运动检测方法都有一定的优点和局限，但在特定的
场合选择适合的检测方法尤为重要。
因为本文的应用的场合是选煤厂，属于室内环境，背景比较固定，故本文选择背景减除
法进行运动目标区域的检测，为了提高检测的精度，采用GMM 进行背景建模。降低了光线、
35 遮挡等环境因素的影响。由于检测出来的运动目标不一定是人体，可能为机器，车辆等，最
后，需要对检测出的运动目标进行进一步甄别，以确定人体的目标。由于人体的目标几何特
征过于明显，即人体的区域近似一个狭长的矩形，所以可以设定一个阈值确定哪个运动目标
是人体。经过上面的步骤就能够准确检测出人体运动目标。
1 基于背景减除法的运动分割算法
40 背景减除法是一种较为普遍的运动分割算法，该方法是利用当前图像与背景图像进行比
较，用阈值T 判断两幅图像中变化的较大像素点，若差值大于T 则认为是前景点，即目标；
 反之，认为是背景点，从而分割出目标物体。设f(x,y,t)为t 时刻视频图像(x, y) 点处的
像素值，b(x,y)为背景图像中(x, y) 点处的像素值，则背景减除法可以用下式表示：
 45 背景减除法一般要求视频中场景是静态的，且比较稳定，可事先摄制不含任何运动目标
的场景图像作为参考背景图像。该方法算法简单，实时性较好，并且一般能够提取较完整的
目标图像。但是该方法对场景动态变化较为敏感，实际应用中，由于光照、场景中物体随风
的轻微抖动等影响，背景难免会出现些变化。因此背景减除法需要找到一种自适应的背景更
新方法，能够随着时间的推移，不断的更新背景图像。最简单的背景更新法是时间平均图像
50 法，该方法能有效滤除光线变化等干扰，但当运动目标运动比较慢时，容易检测失败；
Karmann[2]等人采用基于卡尔曼滤波的自适应背景模型以适应光照的时间变化，取得较好检
测效果；Elgammal[3]通过估计观察像素强度的概率建立无参数自适应背景模型；Stauffer 与
Grimson[4]利用GMM 对背景进行建模，并在线估计更新模型，能可靠的处理背景光照变化
及混乱轻微抖动等干扰。
55 2 GMM 的基本原理
本论文假设图像的每一个像素点的所有历史值可以用K 个高斯函数来近似，在t 时刻的
像素t X 的概率分布为：
 其中K 表示GMM 个数，通常为3~5[5]； i,t ω
表示GMM 中第i 个模型在t 时刻的权重，
且满足：
 60 ；η 表示t 时刻第i 个模型的高斯概率分布，其表达式为：
 其中i,t μ
为第i 个高斯模型在时刻t 的均值向量； i,t Σ
表示模型的协方差矩阵。在本论文
中协方差矩阵为：
2
i,t i,t Σ =σ I
(2-3)
通过式(2-1)(2-2)(2-3)，可以建立GMM，在实际应用中，需要对μ 65 、σ 、 ω 的值进行
一定的修正，就可以实现GMM 背景建模[6]。
3 基于选煤厂背景的运动人体检测与分割
由于检测出来的运动目标不一定是人体，可能为机器，车辆等，最后，需要对检测出的
运动目标进行进一步甄别，以确定人体的目标。具体的步骤如下：
70 首先提取所有已检测出的运动目标的外轮廓；然后计算目标的外轮廓所在的最小矩形
框。为进一步消除干扰，此时需要计算所得到的检测目标区域面积，面积小于某一阈值的区
域当做噪声消去[7]。接着计算所有目标矩形框的高度和宽度的比值，如果连续几帧图像中的
某一个运动目标外轮廓矩形框的高度和宽度比值都超过一个设定的阈值，则将该运动目标归
 结为人体目标，根据经验，该阈值一般为1.4 −1.7 。这种方法的优点是检测快速，且不受人
75 体角度影响，检测准确性较高。
具体运动人体分割时，需要对每帧图像进行图像预处理，首先将原彩色图像复制出一份，
并对其灰度化处理，对该灰度图像进行混合高斯背景建模运算速度较快[8]。接着对灰度图像
进行高斯滤波，去除常见的高斯噪声，同时平滑图像，有利于运动分割。对视频图像采用高
斯混合模型背景建模分割后，得到的前景图像一般比较毛糙，并且有一定的噪声干扰，此时
80 需要对分割后的前景图像进行形态学滤波，消除干扰，同时增加分割区域连通性。对于目标
区域的提取，本文通过检测分割目标区域的边界来获取目标区域的轮廓信息，相比常用的基
于区域的分割方法，该方法速度比较快。最后通过分割区域的高宽特性，来判断该区域是人
体还是非人体。
综上，人体运动检测与分割实现步骤的流程图如图3-1 所示：
85
图3-1 运动人体分割流程图
Figure 3-1 Flowchart of moving human segmentation
4 实验与分析
90 本文的实验中视频图像取自国内选煤厂的视频监控中心，帧图像大小为352×288 像素，
帧速率为25 帧/秒。视频图像通过安装在选煤厂各个车间的CCD 摄像机进行现场视频采集，
然后经过视频传输线将视频传入集控室，并通过图像采集卡将其变为数字信号存储于计算机
中。
（1）图像灰度化处理
95 为了便于图像预处理以及提高GMM 建立与更新的速度，需要将原始彩色图像复制出一
灰度图像进行运动检测与分割。本课题从摄像机获得的彩色图像，使用的是RGB 颜色模型，
RGB 图像灰度化公式为：
Y=0.2290×R+0.5870×G+0.1140×B (4-1)
将彩色图像中的每个像素点R、G、B 代入上式，计算出其灰度图像所对应的灰度值，
100 如图4-1 显示了一幅选煤厂原煤车间门口的视频图像，及其灰度化后的效果图。
 图4-1 图像灰度化效果图
Figure 4-1 Result of image gray-scale processing
105
（2）图像去噪
考虑到选煤厂现场环境及视频处理实时性要求，本文采用高斯滤波器进行图像平滑处
理。高斯滤波是一种线性滤波器，适用于消除高斯噪声，并对其它噪声也有一定抑制作用。
高斯滤波的具体操作是：使用一个模板扫描图像中的每一个像素，用模板确定的领域内像素
110 的加权平均灰度值去代替模板中心像素点的值。常用的模板为3×3 或5×5 大小，但模板越
大对图像边缘模糊化越严重，本文选用3×3 模板对视频图像进行滤波。在实验中，对人工
加入高斯白噪声的视频图像进行3×3 模板高斯滤波，滤波效果如图4-2 所示，可以看出滤
波效果较好。
115
a．人工加入高斯白噪声 b．3*3高斯滤波
图4-2 高斯滤波效果图
Figure 4-2 Result of Gaussian filter
120 （3）基于GMM 的运动检测
本实验视频背景如图4-3 所示，通过基于GMM 的运动检测，可得到如下图4-3 所示的
检测效果。
 图4-3 运动检测效果图
Figure 4-3 Result 125 of motion detection
由实验效果可以看到，检测效果比较好，但还存在一些由于树晃动而产生的噪声干扰，
同时检测图像还存在毛糙的边缘，需要对其进行滤波去噪。
（4）形态学滤波
130 为消除运动分割后存在的噪声，同时为增加分割区域的连通性，对图像进行形态学滤波
处理。形态学滤波一般分为两步，腐蚀和膨胀。本文采用两次腐蚀和两次膨胀操作，操作步
骤是先对二值图像进行腐蚀，然后进行两次膨胀，最后再进行一次腐蚀[9]。经过上述步骤，
得到的图像如下图4-4 所示：
135 图4-4 形态学滤波效果图
Figure 4-4 Result of morphological filter
（4）轮廓分割
得到运动检测出来的图像后，本文采用基于轮廓的图像分割的方法，获取运动区域的轮
140 廓，该方法相比常用的区域生长算法有较快的分割速度。轮廓分割效果如图4-5 所示：
 图4-5 轮廓分割结果
Figure 4-5Result of contour segmentation
145 （4）人体分割与标记
在运动分割图像中可以看到运动目标包含人和运煤的车辆，此时可以通过分析分割区域
的长宽比，本文将高宽比的阈值设置为1.5，大于该阈值认为是运动人体，小于该阈值则为
非人体，人体用红色方框标记出来，非人体用蓝色标记。人体分割效果如图4-6 所示，可以
看出实验结果可以将人和车辆分开，但无法分割出开车的人，这一点需要进一步改进。
150
图4-6 人体分割与标记
Figure 4-6 Segmentation and marking of moving human
5 结论
155 本论文根据本课题的研究环境，选择背景减除法用于选煤厂环境下的运动目标检测。为
了减小选煤厂环境下光线和快速运动的机器的干扰，采用GMM对背景建模，介绍了混合高
斯背景建模的原理程。通过基于GMM 的背景减除法在得到运动目标区域后，然后根据人体
的形状特征用矩形框图对人体区域进一步分割和标记。本文通过实验详细介绍了运动人体分
割步骤，并对选煤厂多个场景视频进行人体运动检测，最终表明本文运动人体分割算法简单
160 快速可行。