国产日韩欧美一区二区三区三州_亚洲少妇熟女av_久久久久亚洲av国产精品_波多野结衣网站一区二区_亚洲欧美色片在线91_国产亚洲精品精品国产优播av_日本一区二区三区波多野结衣 _久久国产av不卡

?

一種改進(jìn)的混合高斯模型運(yùn)動(dòng)目標(biāo)檢測(cè)算法

2012-06-29 01:37:24任克強(qiáng)余啟明羅會(huì)蘭
電視技術(shù) 2012年23期
關(guān)鍵詞:高斯分布高斯背景

任克強(qiáng),余啟明,羅會(huì)蘭

(江西理工大學(xué)信息工程學(xué)院,江西 贛州 341000)

責(zé)任編輯:魏雨博

運(yùn)動(dòng)目標(biāo)檢測(cè)是計(jì)算機(jī)視覺領(lǐng)域中的一個(gè)重要內(nèi)容,其檢測(cè)效果將會(huì)對(duì)目標(biāo)跟蹤與識(shí)別造成一定的影響[1]。目前較為常用的運(yùn)動(dòng)目標(biāo)檢測(cè)方法有光流法[2]、幀間差分法[3]和背景減法[4]。目前,常見的背景建模方法有均值濾波、線性預(yù)測(cè)、W4方法、高斯模型法[5-6]及核密度估計(jì)法[7]等。

Stauffer和 Grimson[5]提出的混合高斯建模(Gaussian Mixture Model,GMM)是在戶外運(yùn)動(dòng)目標(biāo)檢測(cè)中應(yīng)用較多的背景建模方法。劉鑫等[8]將GMM與幀間差分相結(jié)合來(lái)更新高斯模型的學(xué)習(xí)速率,增強(qiáng)混合高斯模型處理運(yùn)動(dòng)干擾和多層背景的能力。馬義德等[9]提出均值與方差采用不同的學(xué)習(xí)率,其中均值更新采用自適應(yīng)的學(xué)習(xí)速率,方差的學(xué)習(xí)率取固定值的方法,以解決GMM方法中均值和方差自適應(yīng)性慢等缺點(diǎn),但對(duì)背景更新過慢造成的“拖影”問題處理并不理想。本文對(duì)GMM方法進(jìn)行了改進(jìn),將背景建模分為背景初始和背景穩(wěn)固兩個(gè)階段,分別采用不同的自適應(yīng)策略來(lái)更新學(xué)習(xí)速率,并在HSV空間進(jìn)行陰影檢測(cè)和抑制。

1 混合高斯模型

混合高斯模型使用K個(gè)高斯模型來(lái)表征圖像中各個(gè)像素點(diǎn)的特征,在獲得一幀新的圖像后,更新混合高斯模型,采用匹配的方法來(lái)判斷某像素點(diǎn)是否是背景點(diǎn)?;旌细咚鼓P瓦M(jìn)行運(yùn)動(dòng)目標(biāo)檢測(cè)主要包括以下幾個(gè)步驟:背景建模、參數(shù)更新、背景模型的生成以及運(yùn)動(dòng)目標(biāo)的提取。

1.1 背景建模

對(duì)視頻圖像中的每一個(gè)像素,用K個(gè)高斯模型表示某一像素點(diǎn)在某個(gè)時(shí)間的狀態(tài),假設(shè)Xt為t時(shí)刻的像素點(diǎn),則其概率函數(shù)為

式中:K為混合高斯模型的個(gè)數(shù),一般取3~5;wi,t為第i個(gè)高斯模型在 t時(shí)刻的權(quán)值; η(Xt,ui,t,Σi,t)為概率密度函數(shù);ui,t為 t時(shí)刻第 i個(gè)高斯模型的均值向量; Σi,t為模型的協(xié)方差矩陣,i=1,2,…,K。

1.2 參數(shù)更新

將當(dāng)前幀各點(diǎn)的像素值I(x,y)與K個(gè)高斯分布進(jìn)行匹配,若滿足式(3),則I(x,y)與高斯分布匹配,否則為不匹配。

式中:D為置信參數(shù),一般取2.5;ui,t-1為第i個(gè)高斯分布在t-1時(shí)刻的均值;σi,t-1為第i個(gè)高斯分布在t-1時(shí)刻的標(biāo)準(zhǔn)差。

1)如果匹配成功,則對(duì)與之相匹配的高斯分布的參數(shù)進(jìn)行更新

式中: α 為學(xué)習(xí)速率,取 0.005; ρ= α × η(Xt,ui,t,Σi,t) 。

2)如果匹配不成功,則建立一個(gè)新的高斯模型,同時(shí)去掉最不可能是背景模型的高斯分布。其他高斯分布均值和方差不變,但權(quán)值按式(7)更新

1.3 背景模型的生成及運(yùn)動(dòng)目標(biāo)的提取

每個(gè)像素建立混合高斯模型時(shí),只有一個(gè)或者幾個(gè)高斯分布代表背景,其他的代表前景。由于背景出現(xiàn)的時(shí)間一般較長(zhǎng),權(quán)重較大,所以高斯混合模型中代表背景的高斯分布是那些權(quán)重較大的分布。因此,選擇代表背景模型的高斯分布時(shí),先將高斯分布按w/μ的值降序排列,最有可能成為高斯背景的排列在前,然后取前B個(gè)分布作為高斯分布的背景模型

式中:T是一個(gè)全局的先驗(yàn)概率,它表示出現(xiàn)在像素范圍內(nèi)屬于背景像素的概率。

在實(shí)際應(yīng)用中,T的值需要預(yù)先設(shè)定。如果T取值過小,則背景模型就變成單模態(tài),這時(shí)僅僅使用了最有可能的單個(gè)高斯分布作為背景。隨著T取值增大,背景模型會(huì)包含更多的高斯分布,產(chǎn)生一種透明的效果,允許背景模型接受兩個(gè)或兩個(gè)以上的色彩值,但是隨著高斯分布數(shù)量的增加,計(jì)算量劇增,故T的取值不能過大,一般取0.8。

選取B個(gè)高斯模型后,將當(dāng)前幀的像素值I(x,y)與已經(jīng)選取的背景分別進(jìn)行匹配。如果I(x,y)與背景模型不匹配,則判定此像素點(diǎn)為前景點(diǎn)(即運(yùn)動(dòng)目標(biāo)),否則為背景點(diǎn)。

2 算法改進(jìn)

傳統(tǒng)混合高斯模型在初始化過程中,由于背景建模初期的數(shù)據(jù)很少,會(huì)導(dǎo)致一些非背景模型像素的權(quán)重過大,從而不能很好地反應(yīng)像素的真實(shí)分布;背景形成以后,由于學(xué)習(xí)速率較小,某些像素一旦被判為背景需要很長(zhǎng)時(shí)間才能從背景中脫離現(xiàn)來(lái);如果目標(biāo)運(yùn)動(dòng)較慢,還會(huì)出現(xiàn)“拖影”,影響運(yùn)動(dòng)目標(biāo)的檢測(cè)。因此,本文采用動(dòng)態(tài)更新學(xué)習(xí)速率的方法來(lái)生成背景模型,從而削減“拖影”,并利用HSV色彩空間中陰影的色彩和亮度比背景暗,飽和度幾乎一樣這一特性來(lái)消除陰影。

2.1 學(xué)習(xí)速率的改進(jìn)

學(xué)習(xí)速率α的選取十分重要,α取值過小,適應(yīng)環(huán)境的變化需要較長(zhǎng)時(shí)間,這樣會(huì)把某些已經(jīng)不是前景的物體誤判成運(yùn)動(dòng)目標(biāo);α取值過大,雖然適應(yīng)環(huán)境變化的能力增強(qiáng)了,但容易使目標(biāo)溶入背景。

本文將背景建模分為背景初始和背景穩(wěn)固兩個(gè)階段,分別采用不同的自適應(yīng)策略來(lái)更新學(xué)習(xí)速率。

式中:n為當(dāng)前視頻流過的幀數(shù);N為視頻的前N幀;C1,C2均為常數(shù),C1用于消除學(xué)習(xí)速率α在初始幾幀變化過快所帶來(lái)的目標(biāo)溶入背景的現(xiàn)象,C2為背景穩(wěn)固階段的最大學(xué)習(xí)速率;ΔD為當(dāng)前幀I(x,y)的前景與背景鄰近8個(gè)像素值之差;i,j均為整數(shù)。

1)背景初始階段(n<N):在視頻開始的若干幀,由于背景尚未形成,故采用較大的學(xué)習(xí)速率以加快初始背景建模的速率;隨著背景的逐漸形成,學(xué)習(xí)速率逐步減小。

2)背景穩(wěn)固階段(n≥N):形成背景以后,方差已經(jīng)收斂,其學(xué)習(xí)速率應(yīng)小于背景初始階段的學(xué)習(xí)速率,以穩(wěn)住背景。學(xué)習(xí)速率由前景和背景鄰近像素值的差動(dòng)態(tài)更新,以解決背景模型更新造成的“拖影”現(xiàn)象。其基本思想是:當(dāng)ΔD較大時(shí),說(shuō)明前景像素運(yùn)動(dòng)較快,應(yīng)適當(dāng)加大學(xué)習(xí)速率來(lái)穩(wěn)住背景;當(dāng)ΔD較小時(shí),說(shuō)明前景像素運(yùn)動(dòng)較慢,則適當(dāng)減小學(xué)習(xí)速率來(lái)穩(wěn)住背景。

高斯分布是通過對(duì)大量灰度值統(tǒng)計(jì)提出的,當(dāng)N太小時(shí),統(tǒng)計(jì)的灰度值太少,初始背景模型不能達(dá)到穩(wěn)定的高斯分布,導(dǎo)致后續(xù)背景模型很難達(dá)到穩(wěn)定的高斯分布;同時(shí),背景初始階段的學(xué)習(xí)速率應(yīng)該大于或等于背景穩(wěn)固后的最大學(xué)習(xí)速率C2,故N也不能過大。N的取值一般為120≤N≤250。

2.2 陰影的抑制

視頻序列中的運(yùn)動(dòng)陰影帶有運(yùn)動(dòng)目標(biāo)位置、形狀等信息,容易被誤判為運(yùn)動(dòng)目標(biāo),從而使得運(yùn)動(dòng)目標(biāo)變形,甚至使目標(biāo)丟失。因此,陰影抑制在運(yùn)動(dòng)目標(biāo)檢測(cè)中十分重要。與RGB色彩空間相比,HSV色彩空間更接近于人眼視覺模型,能直接反映色彩的亮度信息,從而可以更準(zhǔn)確地區(qū)別陰影和運(yùn)動(dòng)目標(biāo)[10]。

設(shè)IH(x,y) ,IS(x,y),IV(x,y) 分別為當(dāng)前像素值的H,S和V 分量;BH(x,y) ,BS(x,y) ,BV(x,y)分別為背景像素值的H,S和V分量,則滿足式(11)的像素值為陰影。

式中:ε,β,τ和λ為常數(shù),0<ε<β<1;ε的取值主要考慮陰影的強(qiáng)度,陰影較強(qiáng)時(shí),ε取較小值;β用來(lái)增強(qiáng)對(duì)噪聲的穩(wěn)健性;τ,λ用來(lái)增強(qiáng)陰影檢測(cè)的抗噪聲性能,一般選取較小的值。

3 實(shí)驗(yàn)結(jié)果與分析

為了驗(yàn)證本算法的性能,在VC++和OpenCV平臺(tái)下,對(duì)GMM方法和本文方法進(jìn)行了運(yùn)動(dòng)目標(biāo)檢測(cè)比較實(shí)驗(yàn),測(cè)試序列為 HighwayⅡ(500幀,320×240),Campus(1179幀,352×288)和 Intelligent room(300幀,320×240),實(shí)驗(yàn)參數(shù)為:K=3,T=0.8,C1=20,C2=0.005,N=180,ε =0.4,β=0.95,τ=0,λ =50。

圖1為測(cè)試序列HighwayⅡ第7幀的運(yùn)動(dòng)目標(biāo)檢測(cè)結(jié)果,主要比較兩種方法背景建模初始階段的檢測(cè)效果。由于GMM方法的學(xué)習(xí)速率為固定值,導(dǎo)致背景并未完全更新,仍有部分運(yùn)動(dòng)車輛的殘留,故會(huì)出現(xiàn)一些孤立的非運(yùn)動(dòng)目標(biāo)。本文方法為在視頻開始的若干幀采用較大的學(xué)習(xí)速率加快初始背景的建模,使得模型在初始階段能更快地適應(yīng)背景變化,從而提取的運(yùn)動(dòng)目標(biāo)更接近于真實(shí)情況。

圖1 HighwayⅡ序列的檢測(cè)結(jié)果

圖2為測(cè)試序列Campus第353幀的運(yùn)動(dòng)目標(biāo)檢測(cè)結(jié)果,主要比較兩種方法背景建模穩(wěn)固階段的檢測(cè)效果。GMM方法提取運(yùn)動(dòng)目標(biāo)時(shí),道閘被誤判為運(yùn)動(dòng)目標(biāo),但道閘在第300幀時(shí)已經(jīng)關(guān)閉,并處于靜止?fàn)顟B(tài)。其原因是GMM方法的固定學(xué)習(xí)速率不能很好地適應(yīng)場(chǎng)景的變化,一旦道閘被判定為前景,就需要較長(zhǎng)的時(shí)間從前景中消失。本文方法采用自適應(yīng)的學(xué)習(xí)速率調(diào)整策略,根據(jù)背景的變化動(dòng)態(tài)調(diào)整學(xué)習(xí)速率,從而能夠及時(shí)更新背景,準(zhǔn)確地檢測(cè)運(yùn)動(dòng)目標(biāo)。

圖2 Campus序列的檢測(cè)結(jié)果

圖3為測(cè)試序列Intelligent room第285幀的運(yùn)動(dòng)目標(biāo)檢測(cè)結(jié)果,主要比較兩種方法對(duì)緩慢運(yùn)動(dòng)目標(biāo)的檢測(cè)效果。GMM方法在背景更新過程中,沒有考慮目標(biāo)運(yùn)動(dòng)速度的快慢,當(dāng)目標(biāo)運(yùn)動(dòng)過慢時(shí),檢測(cè)結(jié)果出現(xiàn)了不合理的“拖影”。本文方法采用前景和背景鄰近像素值的差動(dòng)態(tài)更新學(xué)習(xí)速率,根據(jù)目標(biāo)運(yùn)動(dòng)的快慢自適應(yīng)地調(diào)整學(xué)習(xí)速率,較好地解決了“拖影”問題。

此外,本文方法在HSV空間進(jìn)行了陰影檢測(cè)和抑制,消除了陰影的干擾,取得了較好的效果。

圖3 Intelligent room序列的檢測(cè)結(jié)果

4 結(jié)束語(yǔ)

學(xué)習(xí)速率是基于GMM的運(yùn)動(dòng)目標(biāo)檢測(cè)算法中的一個(gè)重要參數(shù),對(duì)運(yùn)動(dòng)目標(biāo)的檢測(cè)效果有著重要的影響,自適應(yīng)的學(xué)習(xí)速率調(diào)整策略是提高運(yùn)動(dòng)目標(biāo)檢測(cè)質(zhì)量的有效途徑。本文根據(jù)背景建模不同階段的特點(diǎn),分別采用不同的自適應(yīng)調(diào)整策略動(dòng)態(tài)更新學(xué)習(xí)速率,較好地解決了傳統(tǒng)GMM方法采用固定學(xué)習(xí)速率所帶來(lái)的問題,取得了較好的運(yùn)動(dòng)目標(biāo)檢測(cè)效果。

[1]張水發(fā),丁歡,張文生.雙模型背景建模與目標(biāo)檢測(cè)研究[J].計(jì)算機(jī)研究與發(fā)展,2008,48(11):1983-1990.

[2]羅寰,王芳,陳中起,等.基于對(duì)稱差分和光流估計(jì)的紅外弱小目標(biāo)檢測(cè)[J].光學(xué)學(xué)報(bào),2010,30(6):1715-1720.

[3]王平,陳素華,董福洲.運(yùn)動(dòng)目標(biāo)檢測(cè)技術(shù)在智能監(jiān)控系統(tǒng)中的應(yīng)用[J].電視技術(shù),2007,31(10):81-83.

[4]BENEZETH Y,JODOIN P M,EMILE B,et al.Comparative study of background subtraction algorithms[J].Electronic.Imaging,2010,19(3):301-312.

[5]STAUFFER C,GRIMSON W E L.Adaptive background mixture models for real-time tracking[C]//Proc.IEEE International Conference on Computer Vision and Pattern Recognition,1999.Fort Collins:IEEE Press,1999:246-252.

[6]江登表,程小輝.基于高斯運(yùn)動(dòng)模型的車輛檢測(cè)[J].電視技術(shù),2009,33(8):103-106.

[7]孫志海,張樺,武二永,等.非參數(shù)核密度估計(jì)視頻目標(biāo)空域定位技術(shù)研究[J].光電工程,2010,37(8):12-18.

[8]劉鑫,劉輝,強(qiáng)振平,等.混合高斯模型和幀間差分相融合的自適應(yīng)背景模型[J].中國(guó)圖象圖形學(xué)報(bào),2008,13(4):729-734.

[9]馬義德,朱望飛,安世霞,等.改進(jìn)的基于高斯混合模型的運(yùn)動(dòng)目標(biāo)檢測(cè)方法[J].計(jì)算機(jī)應(yīng)用,2007,27(10):2544-2546.

[10]CUCCHIARA R.,GRANA C.,PICCARDI M,et al.Improving shadow suppression in moving object detection with HSV color information[C]//Proc.IEEE 2001 Conference on Intelligent Transportation Systems,2001.Oakland:IEEE Press,2001:334-339.

猜你喜歡
高斯分布高斯背景
小高斯的大發(fā)現(xiàn)
“新四化”背景下汽車NVH的發(fā)展趨勢(shì)
利用Box-Cox變換對(duì)移動(dòng)通信中小區(qū)級(jí)業(yè)務(wù)流量分布的研究
《論持久戰(zhàn)》的寫作背景
2種非對(duì)稱廣義高斯分布模型的構(gòu)造
天才數(shù)學(xué)家——高斯
一種基于改進(jìn)混合高斯模型的前景檢測(cè)
晚清外語(yǔ)翻譯人才培養(yǎng)的背景
有限域上高斯正規(guī)基的一個(gè)注記
一種改進(jìn)的混合高斯模型背景估計(jì)方法*
嵊州市| 镇雄县| 宽城| 墨玉县| 德格县| 云梦县| 三都| 阳东县| 启东市| 东丽区| 永丰县| 巴南区| 八宿县| 盐山县| 盐城市| 栖霞市| 德格县| 云梦县| 建瓯市| 南康市| 青岛市| 阿鲁科尔沁旗| 如皋市| 山西省| 小金县| 沾化县| 丹东市| 田林县| 吉林市| 湛江市| 页游| 七台河市| 邛崃市| 汾西县| 始兴县| 秀山| 屯留县| 黑龙江省| 兴隆县| 固原市| 宝鸡市|