鄧?yán)?，李明東，鄒海洋

(西華師范大學(xué) 計算機(jī)學(xué)院，四川 南充 637009)

?

一種改進(jìn)的混合高斯學(xué)習(xí)自適應(yīng)背景建模算法

鄧?yán)?，李明東，鄒海洋

(西華師范大學(xué) 計算機(jī)學(xué)院，四川 南充 637009)

針對混合高斯學(xué)習(xí)模型計算復(fù)雜度高，實時響應(yīng)系統(tǒng)應(yīng)用困難等問題，提出了一種改進(jìn)的背景建模算法，首先利用幀差法進(jìn)行預(yù)處理，選擇出幀間變化區(qū)域，然后對變化區(qū)應(yīng)用混合高斯學(xué)習(xí)模型進(jìn)行采樣計算，完成視頻背景建模。由于混合高斯學(xué)習(xí)模型融合了增量最大期望分類學(xué)習(xí)方法，自動選擇學(xué)習(xí)率參數(shù)具有更好的收斂速度和背景估計精度；同時通過幀差法預(yù)處理降低了算法的計算量。實驗表明，該算法在保證收斂穩(wěn)定性和背景建模精度的情況下，提高了背景分割的響應(yīng)速度。

背景建模；混合高斯學(xué)習(xí)；視頻檢測；幀差法

0 引 言

從視頻序列中分離出視頻背景和運(yùn)動目標(biāo)是一個基礎(chǔ)而又關(guān)鍵的任務(wù)，在智能視頻監(jiān)控、運(yùn)動分析、行為理解、機(jī)器人視覺等領(lǐng)域應(yīng)用廣泛。雖然已有很多文獻(xiàn)提到了背景建模，但遠(yuǎn)還沒有完全解決復(fù)雜環(huán)境中視頻背景的分割問題。這主要是由于在實際生產(chǎn)環(huán)境中，引起背景變化的原因非常復(fù)雜,包括建筑物倒影、天氣改變或開關(guān)光源引起的光照變化；風(fēng)吹動攝像機(jī)、樹枝或水波引起的背景擾動；將物體帶入或帶出背景等[1]。因此需要對背景圖像實時更新，以適應(yīng)外部環(huán)境變化的改變。

針對文獻(xiàn)[8]混合高斯學(xué)習(xí)模型存在計算量大、光照突變敏感等問題，將幀差法與混合高斯學(xué)習(xí)模型融合，首先利用幀差法進(jìn)行預(yù)處理，選擇出幀間變化區(qū)域，并判斷這種變化是全局性的還是局部性的；全局則對應(yīng)光照突變，應(yīng)對整個幀進(jìn)行混合高斯采樣學(xué)習(xí)，并增大學(xué)習(xí)率加快收斂速度；對局部變化則僅對變化區(qū)應(yīng)用混合高斯學(xué)習(xí)模型進(jìn)行采樣計算，完成視頻背景建模。最后，比較本文算法與文獻(xiàn)[8]算法在真實視頻數(shù)據(jù)中的背景檢測性能。

1 混合高斯學(xué)習(xí)模型

理解不同混合高斯模型最好的方式是使用學(xué)習(xí)率進(jìn)度遞歸濾波公式：

θ(t)=(1-η(t))θ(t-1)+η(t)△(x(t);θ(t-1))，

(1)

其中θ(t)是t時刻通過局部變化采樣的更新，為像素點在一個高斯分布下的加權(quán)灰度均值,η(t)為學(xué)習(xí)率。在常見的改進(jìn)混合高斯模型中，η(t)值有兩種選擇方法。①η(t)=1/t，在這種情況下，學(xué)習(xí)率與時間成反比，允許算法在程序初始階段快速收斂到預(yù)期值，是一種觀測窗口無限大的固定分布最優(yōu)估計，后期對背景變化的學(xué)習(xí)效率降低，收斂速度變慢。②η(t)=α,其中α是一個小的常數(shù)，這種參數(shù)估計反映了窗口大小為L=1/α的最近觀測值的指數(shù)衰減。該方法實現(xiàn)參數(shù)收斂的時間與窗口大小成比例，初始階段和突變恢復(fù)的收斂時間較長。混合高斯學(xué)習(xí)與傳統(tǒng)方法最主要的不同就是對η(t)參數(shù)的計算，引入?yún)?shù)ck對gk(第k個高斯分布)的有效觀測數(shù)目計數(shù)，并計算出自適應(yīng)背景變化的η(t)值，這是一個增量學(xué)習(xí)過程。當(dāng)高斯分布重置或死亡的時候，ck設(shè)值為1。

混合高斯模型的基本思想是把每一個像素點所呈現(xiàn)的特征用K個高斯分布狀態(tài)來描述，K取值越大，包含特征越多，精度上升伴隨計算量增大，一般K取3—5之間。下面簡述混合高斯學(xué)習(xí)模型[8]的基本過程。

1.1 高斯分布匹配

如果xt為t時刻的觀測值，在視頻監(jiān)控系統(tǒng)中表示當(dāng)前幀的一個像素，那么該觀測點像素值在時間分布上的背景概率估計函數(shù)可表示為：

(2)

(3)

1.2 混合高斯學(xué)習(xí)模型更新機(jī)制

(4)

ifwinner-take-allthen

(5)

endif

1.3 背景建模公式

按照高斯分布的優(yōu)先級ρk由大到小排序，其中ρk=wk/δk。取前m個高斯分量聯(lián)機(jī)生成背景，公式如下：

(6)

其中閾值T為常數(shù)。T取較大值表示多高斯模型，T取較小值退化為單高斯模型。使用前m個高斯分布的均值加權(quán)和作為背景模型。

2 幀間差分融合機(jī)制

幀間差分能夠檢測出相鄰兩幀之間發(fā)生變化的區(qū)域。變化區(qū)域可以分為背景顯露區(qū)和運(yùn)動覆蓋區(qū)，背景顯露區(qū)是物體移動之后顯露出來的背景，運(yùn)動覆蓋區(qū)是移動物體所覆蓋的區(qū)域[3]。如果xt與xt-1是視頻序列中的連續(xù)兩幀，則兩幀圖像的像素變化區(qū)Xc和靜止區(qū)Xbg，可以使用下面的判定規(guī)則：

(7)

3 實驗結(jié)果

為了驗證本文算法的優(yōu)點，分別對文獻(xiàn)[5，8]及本文描述算法編碼實現(xiàn)，并對運(yùn)行結(jié)果進(jìn)行對比分析。實驗數(shù)據(jù)包括[12，13]的標(biāo)準(zhǔn)數(shù)據(jù)集。實驗環(huán)境為：Windows XP系統(tǒng)，CPU 2.93GHz，1.87G內(nèi)存，MATLAB 7.0，視頻分辨率為320×240。

從圖2中可以看出，標(biāo)準(zhǔn)混合高斯模型提取的背景噪點較多，效果較差。混合高斯學(xué)習(xí)方法獲取到的圖片更加平滑自然，效果較好。在圖2(a)、(b)、(c)三個視頻序列中，任意時間都有汽車或人物移動，不存在某個時刻背景完全靜止，算法仍然提取到了視頻的背景圖像。(d)視頻序列中，包含背景變化，如柜門的開關(guān)和座椅位置變化，中間穿插多個人物的連續(xù)移動，混合高斯學(xué)習(xí)方法很好地適應(yīng)這種背景變化，能夠迅速從變化中恢復(fù)收斂到新的背景圖像。上述實驗表明，混合高斯學(xué)習(xí)理論能夠有效解決視頻背景的建模問題。

4 結(jié) 論

在視頻監(jiān)控應(yīng)用中，背景建模與視頻運(yùn)動目標(biāo)檢測密切相關(guān)。本文提出了一種改進(jìn)的背景建模方案，該方法將幀差法與混合高斯學(xué)習(xí)相融合，首先使用幀差法對視頻做預(yù)處理，判斷視頻變化區(qū)的大小，當(dāng)變化比率小于閾值時，僅對變化區(qū)計算高斯分布參數(shù)。實驗表明閾值取0.3時，能夠保持背景收斂精度的同時顯著減少算法的計算量。由于混合高斯學(xué)習(xí)模型使用EM算法訓(xùn)練學(xué)習(xí)率參數(shù)值，使其自適應(yīng)背景的改變，獲得了良好的背景提取效果。實驗結(jié)果證明，該方法能迅速響應(yīng)背景變化，準(zhǔn)確生成反應(yīng)場景信息的背景圖像。

[1] 代科學(xué),李國輝,涂 丹,等.監(jiān)控視頻運(yùn)動目標(biāo)檢測減背景技術(shù)的研究現(xiàn)狀和展望[J].中國圖像圖形學(xué)報,2006,11(7):919-927.

[2] 周 密,宋占杰.基于稀疏與低秩矩陣分解的視頻背景建模[J].計算機(jī)應(yīng)用研究，2015,32(10):3175-3178.

[3] 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].中國圖像圖形學(xué)報,2008,13(4):729-734.

[4] HARITAOGLU I,DAVIS LARRY S,HARWOOD D.W4:A real time system for detecting and tracking people[C]//IEEE Computer Society Conference on Computer Vision and Pattern Recognition,April 14-16,1998,Nara,Japan:IEEE CS Press,1998:877-892.

[5] STAUFFER C,GRIMSON W E L.Adaptive background mixture models for real-time tracking[C]//Proc.Conf.Computer Vision and Pattern Recognition,June 23-25,1999,Fort Collins,Colorado: IEEE CS Press,1999,2:246-252.

[6] FRIEDMAN N,RUSSELL S.Image segmentation in video sequences:a probabilistic approach[C]//Proc.13th Conf. Uncertainty in Artificial Intelligence,August 1-3,1997,Providence,RI.New York:ACM,1997:175-181.

[7] SATO M A,ISHII S.Online EM algorithm for the normalized gaussian network[J].Neural Computation,1999,12:407-432.

[8] LEE DAR-SHYANG.Effective gaussian mixture learning for video background subtraction[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2005,27(5):827-832.

[9] 夏海英,何利平,黃思奇.基于時空分布的混合高斯背景建模改進(jìn)方法[J].計算機(jī)應(yīng)用研究,2014,32(5): 1546-1548,1553.

[10] ZORAN ZIVKOVIC.Improved Adaptive Gaussian Mixture Model for Background Subtraction[C]// Proceedings of the 17th International Conference on Pattern Recognition,August 23-26,2004,Cambridge,UK:IEEE CS Press,2004,2:28-31.

[11] 王永忠,梁 彥,潘 泉,等.基于自適應(yīng)混合高斯模型的時空背景建模[J].自動化學(xué)報,2009,35(4):371-378.

[12] GOYETTE N,JODOIN P M,PORIKLI F,etc.IEEE CVPR 2012 Workshops on Change Detection[DB/OL].(2012-11-25) [2015-11-20].http://www.changedetection.net/.

[13] University of California,San Diego.Shadow Detection[DB/OL].(2000-09-30)[2015-11-20].http://cvrr.ucsd.edu/aton/shadow/.

An Improved Adaptive Background Modeling Algorithm Based on Gaussian Mixture Learning

DENG Liping,LI Mingdong,ZOU Haiyang

(College of Computer Science,China West Normal University,Nanchong Sichuan 637009,China)

For the high computational complexity of Gaussian Mixture Learning,hard application problems of real-time response system and other issues,this paper presents an improved scheme for modeling video background.In the completion of the video background modeling process,firstly the inter-changing area is selected according to the frame difference method,and then the sampling calculation based on Gaussian Mixture Learning is applied to this selected area.Since the Gaussian mixture model combining improved Expectation Maximization classification learning methods,automatically parameter learning rate has a better convergence speed and estimation accuracy,and also the algorithm computation is reduced.The experimental result shows that the algorithm raises the response speed for background segmentation,without reducing the convergence stability and modeling accuracy.

background modeling;Gaussian mixture learning;video detection;frame difference

1673-5072(2016)03-0349-05

2015-11-24 基金項目：四川省教育廳一般項目(14ZB0141) 作者簡介：鄧?yán)?1983—)，男，四川廣安人，講師，主要從事圖像處理研究。 通訊作者：鄧?yán)?，E-mail:94076511@qq.com

TP391.4

A

10.16246/j.issn.1673-5072.2016.03.021