任世卿++王思思++陶傳會(huì)

摘要：混合高斯模型是運(yùn)動(dòng)目標(biāo)檢測(cè)技術(shù)中應(yīng)用非常廣泛的背景建模方法。為了克服混合高斯模型不能適應(yīng)背景光照突變，且計(jì)算量龐大的問(wèn)題，提出了三種改進(jìn)方法。首先，對(duì)檢測(cè)的視頻幀做光照補(bǔ)償處理，可以大大降低光照突變對(duì)檢測(cè)效果的影響；其次，在不影響檢測(cè)效果的情況下，采用隔像素建模形式，可以減少模型的計(jì)算量；最后，在背景建模過(guò)程中把所有模型按權(quán)重比例相加，實(shí)驗(yàn)結(jié)果表明，此方法不僅減少計(jì)算量，還能提高檢測(cè)的效果。

關(guān)鍵詞：混合高斯模型；光照補(bǔ)償；隔像素建模；多模型模擬背景

中圖分類(lèi)號(hào)：TP3 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（2015）17-0215-03

1 概述

隨著智能化監(jiān)控系統(tǒng)在各工業(yè)、農(nóng)業(yè)、服務(wù)業(yè)等領(lǐng)域的廣泛應(yīng)用，實(shí)時(shí)視頻監(jiān)控系統(tǒng)越來(lái)越受到歡迎，作為關(guān)鍵技術(shù)的運(yùn)動(dòng)目標(biāo)檢測(cè)方法越來(lái)越重要。運(yùn)動(dòng)目標(biāo)檢測(cè)需要從視頻序列中分離出背景信息，檢測(cè)出相對(duì)運(yùn)動(dòng)的前景信息，為運(yùn)動(dòng)目標(biāo)的識(shí)別和分析打下基礎(chǔ)[1]。

目前運(yùn)動(dòng)目標(biāo)檢測(cè)的方法大致分為三類(lèi)：光流法、幀間差分法和背景差分法[2][3]。光流法是由Horn和Schunck提出的，該算法創(chuàng)造性的引入光流約束方程，根據(jù)圖像像素中包含的灰度信息計(jì)算場(chǎng)景的運(yùn)動(dòng)矢量場(chǎng)，對(duì)比運(yùn)動(dòng)目標(biāo)與背景的運(yùn)動(dòng)矢量差異區(qū)分前景與背景。但因?yàn)橛?jì)算量大，實(shí)時(shí)性差使其尚未得到廣泛的應(yīng)用。幀差法最大的優(yōu)點(diǎn)是算法簡(jiǎn)單且速度快，直接對(duì)視頻幀做差分，實(shí)時(shí)性強(qiáng)，但是算法對(duì)運(yùn)動(dòng)緩慢或靜止在場(chǎng)景中的目標(biāo)提取容易出現(xiàn)空洞甚至逐漸丟失。背景差分法是運(yùn)動(dòng)目標(biāo)檢測(cè)中應(yīng)用最廣泛的技術(shù)。Stauffer 和Grimson兩人提出的應(yīng)用混合高斯模型建立背景的技術(shù)得到廣泛認(rèn)可[4-5]。它能魯棒地克服光照緩慢變化、樹(shù)枝輕微搖動(dòng)等情況。但是當(dāng)背景中光照突變時(shí)卻很難檢測(cè)前景目標(biāo)，且算法計(jì)算量大，實(shí)時(shí)性較差[6][7]。

本文提出提出了一個(gè)簡(jiǎn)單有效的隔像素建模模型，理論上可以減少混合高斯模型的計(jì)算量；將匹配后的所有模型按照其權(quán)值比例相加建立背景模型，省去了原算法中對(duì)多個(gè)模型進(jìn)行排序的復(fù)雜計(jì)算，不僅可以降低模型的計(jì)算量，又提高了混合高斯模型的檢測(cè)效果；通過(guò)與當(dāng)前幀有關(guān)聯(lián)的若干視頻序列進(jìn)行平均，然后與檢測(cè)幀進(jìn)行擬合，達(dá)到消除光照突變的目的。

2 混合高斯模型原理

在圖像序列中，假定某像素點(diǎn)的值依次為[{X1，X2，X3...Xt}]，則當(dāng)前幀該像素值的概率為：

[P（Xt）=Σi=1Kωi，tη（Xt，μi，t，Σi，t）]

其中，[Κ]是用于擬合的高斯模型的個(gè)數(shù)，一般為5個(gè)；[ω]是[t]時(shí)刻第[i]個(gè)高斯模型的權(quán)值，必須滿足[i=1kωi，t=1]；[η（Xt，μi，t，Σi，t）]表示[t]時(shí)刻第[i]個(gè)高斯模型，定義如下：

[ηΧt，μi，t，Σi，t=1（2π）n2Σi，t12e-12（Xt-μi，t）TΣ-1it（Xt-μit）]

其中[n]表示像素的維數(shù)，[μ]表示高斯分布的均值，[Σ]表示高斯分布的協(xié)方差矩陣，[i]=1，2…[K]。

如果像素點(diǎn)滿足[|Xt-μi，t-1|≤2.5*σi，t-1]，則此像素點(diǎn)是匹配點(diǎn)，可以進(jìn)行如下參數(shù)更新：

[ωi，t=（1-α）?ωi，t-1+α]

[μi，t=（1-ρ）?μi，t-1+ρ?Xt]

[σ2i，t=（1-ρ）σ2i，t+ρ（Xt-μi，t-1）（Xt-μi，t-1）T]

如果像素點(diǎn)不滿足[|Xt-μi，t-1|≤2.5*σi，t-1]，則參數(shù)變化如下：

[ωi，t=（1-α）?ωi，t-1]

此方法確保了匹配點(diǎn)的權(quán)值增大，不匹配點(diǎn)權(quán)值變小。根據(jù)[ωσ]大小對(duì)模型進(jìn)行排序，選取其中的若干模型作為背景模型。

3 算法的改進(jìn)

3.1 隔像素建模

針對(duì)混合高斯模型計(jì)算量大的難題，本文提出了一種間隔像素建模的方法，即當(dāng)檢測(cè)出第[（i，j）]個(gè)像素為背景或前景時(shí)，則可認(rèn)為第[（i+1，j）]、[（i，j+1）]、[（i+1，j+1）]也為背景或前景像素點(diǎn)。此方法的原理相當(dāng)于先將圖像壓縮，通過(guò)混合高斯模型進(jìn)行運(yùn)動(dòng)目標(biāo)檢測(cè)后再將檢測(cè)后的圖像復(fù)原。這樣在理論上可以減少混合高斯模型百分之七十左右的計(jì)算量。

3.2 多模型模擬背景

原混合高斯模型在一個(gè)像素匹配結(jié)束后，會(huì)通過(guò)[ωσ]值的大小對(duì)混合模型進(jìn)行重新排列。然后設(shè)定閾值，將模型的權(quán)值依次相加，當(dāng)累加值最接近所設(shè)閾值時(shí)結(jié)束，舍棄后面的模型。并將最終的若干模型擬合成背景模型，完成最后的背景建模過(guò)程。這種方法存在兩點(diǎn)不足：首先，對(duì)[ωσ]的比值進(jìn)行排序，然后設(shè)定閾值選取前面若干模型過(guò)程的計(jì)算量是很大的，這也是原模型計(jì)算量過(guò)大的一個(gè)原因。其次，選取排序靠前的模型而舍棄靠后的模型雖然會(huì)減少噪聲點(diǎn)，但理論上也有可能舍棄的是真背景，從而使背景建模不準(zhǔn)確，甚至出現(xiàn)更多噪聲點(diǎn)。

文章認(rèn)為混合高斯模型建模過(guò)程中的所有模型都有可能是背景模型，而噪聲點(diǎn)可能在匹配時(shí)已被舍棄。所以將匹配后的所有模型都按照其權(quán)值比例相加建立背景模型。這樣不僅可以降低模型的計(jì)算量，又提高了混合高斯模型的檢測(cè)效果。

3.3 光線補(bǔ)償

當(dāng)背景中的光線發(fā)生緩慢變化的情況下，混合高斯模型可以通過(guò)不斷地自我更新抵消掉背景中的光線變化，不會(huì)影響前景中運(yùn)動(dòng)目標(biāo)的檢測(cè)。如果背景中的光線發(fā)生劇烈變化時(shí)，混合高斯模型就會(huì)將這種變化檢測(cè)成運(yùn)動(dòng)目標(biāo)，出現(xiàn)錯(cuò)誤檢測(cè)的現(xiàn)象。為了解決這個(gè)問(wèn)題，在高斯模型檢測(cè)之前進(jìn)行光線補(bǔ)償。

先選取當(dāng)前幀前后的nframes幀，將每幀中像素點(diǎn)的值累加后的平均值作為光線補(bǔ)償值，公式表示如下：

[Ρ（i，j）=n=1nframesframe（i，j）/nframes]

然后將當(dāng)前幀的像素和光線補(bǔ)償值相加再求平均，公式為：

[frame（i，j）=（frame（i，j）+Ρ（i，j））/2]

通過(guò)光線補(bǔ)償操作，減少了光線突然變化對(duì)混合高斯模型檢測(cè)結(jié)果的影響，減少了檢測(cè)結(jié)果的噪聲點(diǎn)。

4 仿真實(shí)驗(yàn)結(jié)果與分析

本文中視頻數(shù)據(jù)為校園運(yùn)動(dòng)車(chē)輛與行人，每幀圖像寬度為640像素，高度為480像素。計(jì)算機(jī)的配置為酷睿i5，主頻為3.10GHz，內(nèi)存為4G，仿真軟件為matlab R2010b，利用高斯算法建立的模型為5個(gè)。

4.1 隔像素建模

實(shí)驗(yàn)1用校園運(yùn)動(dòng)車(chē)輛視頻第82幀對(duì)高斯混合模型與隔像素模型進(jìn)行比較，結(jié)果如下：

隔幀混合高斯建模檢測(cè)圖

以上數(shù)據(jù)證明隔像素建模模型與高斯模型相比較，效率有了很大的提高。前景目標(biāo)沒(méi)有影響，且噪聲點(diǎn)有所減少，但增大了原有的噪聲點(diǎn)形狀。

4.2 多模型模擬背景

實(shí)驗(yàn)2用person視頻第164幀對(duì)混合高斯模型與改進(jìn)方法比較，結(jié)果如下：

改進(jìn)混合高斯檢測(cè)圖

從實(shí)驗(yàn)數(shù)據(jù)看出，無(wú)需舍棄權(quán)值較小的模型，通過(guò)多模型共同模擬背景，不但減少了混合高斯模型的計(jì)算量，還提高了目標(biāo)檢測(cè)的效果。

4.3 光照補(bǔ)償

實(shí)驗(yàn)視頻為校園內(nèi)行駛車(chē)輛的視頻，在82—89幀時(shí)天空中的光線發(fā)生較大地改變，所以選取之后的若干幀進(jìn)行運(yùn)動(dòng)目標(biāo)檢測(cè)。

光照處理后混合高斯檢測(cè)結(jié)果

從檢測(cè)結(jié)果可以看出，在混合高斯算法檢測(cè)運(yùn)動(dòng)目標(biāo)之前對(duì)視頻序列中的光線進(jìn)行補(bǔ)償，可以有效地抑制由于光線變化導(dǎo)致的運(yùn)動(dòng)目標(biāo)拖尾現(xiàn)象和噪聲點(diǎn)增多現(xiàn)象。

5 結(jié)論

混合高斯模型不能滿足實(shí)時(shí)性要求很高的系統(tǒng)，針對(duì)這一問(wèn)題提出了一個(gè)簡(jiǎn)單有效的隔像素建模模型，理論上可以減少混合高斯模型70%的計(jì)算量；混合高斯模型建模過(guò)程中的所有模型都有可能是背景模型，而噪聲點(diǎn)可能在匹配時(shí)已被舍棄，所以將匹配后的所有模型都按照其權(quán)值比例相加建立背景模型，完全省去了原算法中對(duì)多個(gè)模型進(jìn)行排序的復(fù)雜計(jì)算，不僅可以降低模型的計(jì)算量，又提高了混合高斯模型的檢測(cè)效果；通過(guò)與當(dāng)前幀有關(guān)聯(lián)的若干視頻序列進(jìn)行平均，然后與檢測(cè)幀進(jìn)行擬合，達(dá)到消除光照突變的目的，實(shí)驗(yàn)證明本文提出的光照補(bǔ)償模型對(duì)混合高斯模型的檢測(cè)效率有很大程度的提高。

參考文獻(xiàn)：

[1] 許志良， 周智恒， 彭革新. 關(guān)于運(yùn)動(dòng)目標(biāo)檢測(cè)的發(fā)展現(xiàn)狀研究[J]. 移動(dòng)通信， 2008.

[2] 鄧輝斌. 基于隔幀差分區(qū)域光流法的運(yùn)動(dòng)目標(biāo)檢測(cè)[J]. 光電技術(shù)應(yīng)用， 2009.

[3] 張燕平， 白云球. 用改進(jìn)混合高斯模型的運(yùn)動(dòng)目標(biāo)檢測(cè)[J]. 計(jì)算機(jī)工程與應(yīng)用， 2010.

[4] Grimson W. Adaptive background mixture models for real time tracking Proceedings of IEEE International Conference on Computer Vision and Pattern Recognition， 1999.

[5] Stauffer C，Grimson W E L.Learning patterns of activity using real-time tracking. IEEE Transactions on Pattern Analysis & Machine Intelligence， 2000.

[6] 李加佳， 彭啟民. 適應(yīng)光照突變的運(yùn)動(dòng)目標(biāo)檢測(cè)算法[J]. 計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào)， 2012.

[7] 楊文濤， 鄭國(guó)柱. 基于高斯混合模型的光照自適應(yīng)背景減法[J]. 湖北大學(xué)學(xué)報(bào)， 2012.