一種改進(jìn)的背景提取與目標(biāo)檢測(cè)方法研究

王丹 劉懷 陳宏田

【摘要】目標(biāo)檢測(cè)背景差分法是相對(duì)而言較為常用的方法，但是在背景差分法中，背景模型的建立成了至關(guān)重要的一個(gè)步驟，針對(duì)傳統(tǒng)的混合高斯模型面臨的計(jì)算量大、環(huán)境尤其是光照突變和對(duì)場(chǎng)景構(gòu)成改變的問(wèn)題，本文首先提出了一種簡(jiǎn)化了的混合高斯模型，可以減少運(yùn)算量[1-3];其次通過(guò)區(qū)分是否發(fā)生光照突變從而選擇不同的背景更新速率。簡(jiǎn)單、有效地解決了背景建模、實(shí)時(shí)更新模型參數(shù)以及光照變化和場(chǎng)景構(gòu)成變化的問(wèn)題。

【關(guān)鍵詞】改進(jìn)混合高斯模型;背景差分;運(yùn)動(dòng)目標(biāo)檢測(cè)

Abstract：target detection background difference method is relatively commonly used method， but in the background difference method， background model has become one of the most important step， in view of the traditional gaussian mixture model face a large amount of calculation， the environment， especially the illumination mutations and a change to the scene， this paper puts forward an adaptive gaussian mixture model number choice， secondly by distinguishing light mutations and choose a different background update rate. Effectively solve the background modeling， real-time update model parameters and the change of illumination and scene change.

Keywords：Improving Mixture Gaussion medel;Background subtraction;Moving object detection

1.引言

對(duì)于運(yùn)動(dòng)目標(biāo)的檢測(cè)，在現(xiàn)代化的各個(gè)領(lǐng)域都占有者重要地位，也是人們研究的熱點(diǎn)?；诒尘澳Ｐ徒⒌哪繕?biāo)檢測(cè)方法通常有均值法、中值法、單高斯分布背景模型、混合高斯分布背景模型等，混合高斯模型是最為重要的一種背景建模方法。它是利用多個(gè)高斯分布函數(shù)進(jìn)行背景模型的建立，通過(guò)與對(duì)應(yīng)像素匹配，不斷修改多個(gè)高斯分布的組成及權(quán)重，因此對(duì)場(chǎng)景具有一定的適應(yīng)能力，但是該方法仍然存在很多弊端：1）在光照突變或者樹葉大面積擺動(dòng)的情況下，像素值會(huì)在短時(shí)間之內(nèi)大面積的發(fā)生突變，很容易會(huì)被檢測(cè)成為目標(biāo)，這就存在一定的虛假性;2）目標(biāo)長(zhǎng)時(shí)間停止再運(yùn)動(dòng)時(shí)，被目標(biāo)遮擋的部分容易被誤判斷為前景目標(biāo);3）目標(biāo)運(yùn)動(dòng)緩慢或者做短暫停留時(shí)，很容易將目標(biāo)判斷為背景。

2.混合高斯模型

在混合高斯模型中，把圖像中的每個(gè)像素都建立K個(gè)高斯函數(shù)模型（K=3～5），高斯分布表示所構(gòu)成的模型&其函數(shù)表達(dá)式為：

高斯混合模型的背景提取和更新應(yīng)包含以下三個(gè)部分：背景模型的初始化、參數(shù)更新、背景模型提取。

2.1 背景模型參數(shù)初始化

要對(duì)K個(gè)混合高斯分布的均值、標(biāo)準(zhǔn)差、權(quán)重系數(shù)初始化[4]：

⑴K個(gè)混合高斯分布的均值為第一幀視頻所對(duì)應(yīng)像素的像素值;

⑵K個(gè)混合高斯分布的標(biāo)準(zhǔn)差去一個(gè)相對(duì)較大的值;

⑶K個(gè)混合高斯分布的權(quán)重相等（一般為一）。

2.2 背景模型的參數(shù)更新

在完成對(duì)每個(gè)像素所對(duì)應(yīng)的K個(gè)混合高斯分布初始化后，需要對(duì)下一幀圖像里的每個(gè)像素與K個(gè)高斯模型進(jìn)行逐一高斯匹配，如果滿足式（1），則證明該像素與第i個(gè)高斯分布相匹配，匹配的為背景點(diǎn)，不匹配的為前景點(diǎn)。

（1）

對(duì)已經(jīng)匹配成功的高斯分布按照式（2）進(jìn)行參數(shù)更新：

（2）

匹配時(shí)取1，不匹配時(shí)取0。

2.3 背景模型的提取

每個(gè)像素點(diǎn)的多個(gè)高斯分布的優(yōu)先級(jí)按照的值從大到小遞減排列，在選取背景模型的時(shí)候從第一個(gè)優(yōu)先級(jí)最高的模型開始，選取B個(gè)高斯分布作為背景模型[5]：

其中：-0.7～0.8。

3.改進(jìn)的混合高斯模型

3.1 混合高斯模型個(gè)數(shù)的簡(jiǎn)化[6]

耗時(shí)較長(zhǎng)是混合高斯模型較為突出的缺點(diǎn)，因?yàn)樵摻７椒ㄐ枰獙?duì)每個(gè)像素點(diǎn)建立多個(gè)（一般情況為3～5）高斯模型，大大增加了運(yùn)算時(shí)間和運(yùn)算的復(fù)雜度，有些不太復(fù)雜的場(chǎng)景下，很少的高斯分布就能準(zhǔn)備的描述出背景模型，因此需要對(duì)高斯混合模型的個(gè)數(shù)采取減少的策略。

3.2 算法流程

（1）參數(shù)初始化：在描述的算法中首先規(guī)定，每個(gè)像素所對(duì)應(yīng)的高斯分布模型的最大個(gè)數(shù)不超過(guò)3個(gè)，在視頻的第一幀，對(duì)每個(gè)像素設(shè)置的高斯分布個(gè)數(shù)都為1個(gè)，高斯分布的均值為該點(diǎn)的像素值，方差選取一個(gè)較大的數(shù)，權(quán)重可設(shè)為1。

（2）通過(guò)匹配適當(dāng)增加高斯分布的數(shù)量：用已有的高斯分布進(jìn)行像素匹配，如果出現(xiàn)現(xiàn)有的高斯分布中沒(méi)有出現(xiàn)能與當(dāng)前像素匹配的情況，那么首先要判斷現(xiàn)有的高斯分布個(gè)數(shù)是否超出了規(guī)定的最大限額（3個(gè)），如果沒(méi)有超過(guò)，那么需要添加，如果已經(jīng)到達(dá)了個(gè)數(shù)的上線，那么需要用新增的高斯分布去替代分布中權(quán)重最輕的那個(gè)高斯分布。

（3）對(duì)不必要的高斯分布予以刪除：在多個(gè)高斯分布中，優(yōu)先級(jí)和權(quán)重比較靠前的更能接近背景模型，而權(quán)重較低的高斯分布則更接近于前景，所以可以設(shè)定一個(gè)權(quán)重的下線，當(dāng)初下現(xiàn)時(shí)，可以判斷出該高斯分布是不必要的，為計(jì)算方便，可以刪除該高斯分布。

圖1 均值法背景下檢測(cè)出的目標(biāo)

圖2 均值法背景下光照改變時(shí)提取的目標(biāo)

圖3 本文方法下提取的目標(biāo)

4.改進(jìn)的背景更新算法

對(duì)于室外采集到的視頻，難免會(huì)受到光照和大風(fēng)等不可抗因素的影響，尤其是光照量的突變，視頻拍攝過(guò)程中光照突變會(huì)造成大片的虛擬目標(biāo)被判斷出來(lái)，嚴(yán)重影響了目標(biāo)檢測(cè)的準(zhǔn)確度，在本文中如遇到光照突變的情況，可以通過(guò)以下方案進(jìn)行改進(jìn)：（1）改變背景的更新速率，加快背景模型的更新;（2）將檢測(cè)到的發(fā)生光照變化的第一幀設(shè)置為初始幀，重新建立一個(gè)背景模型。

圖4 本文方法下光照發(fā)生變化時(shí)提取的目標(biāo)

出于對(duì)算法優(yōu)化的綜合考量，第一種方法更加便捷有效，要判斷光照突變的情況，可以設(shè)置一個(gè)測(cè)評(píng)參數(shù)φ，其中，通過(guò)設(shè)定一

個(gè)閾值（取=0.6），參照式（1）來(lái)實(shí)現(xiàn)環(huán)境的判斷，從而選擇背景模型的更新速率[7]。

（1）

其中：表示當(dāng)前幀和背景模型相減后所得到的前景像素的個(gè)數(shù);表示整個(gè)圖像的像素個(gè)數(shù)，若滿足上式，則表明視頻中發(fā)生了光照突變，此時(shí)可以將背景模型的更新速率適當(dāng)增大，使變化后的像素值盡快成為新的背景;若不滿足上式，則表明視頻中未發(fā)生光照突變的情況，則采用原先的更新速率。

5.仿真結(jié)果與分析（見(jiàn)圖1-圖4）

6.結(jié)束語(yǔ)

本文為了克服傳統(tǒng)的高斯混合模型建模時(shí)存在的光照突變、計(jì)算耗時(shí)較長(zhǎng)以及場(chǎng)景構(gòu)成改變更新難的缺點(diǎn)，提出了一種改進(jìn)了的背景建模與目標(biāo)檢測(cè)方法。通過(guò)實(shí)驗(yàn)結(jié)果的對(duì)比可以看出，基本上該方法是可以克服以上所述的缺點(diǎn)的，證明了本文中方法的實(shí)際可行性。

參考文獻(xiàn)

[1]劉亞，艾海舟，徐光佑.一種基于背景模型的運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤算法[J].信息與控制，2002，31（4）：315-318.

[2]鐘珞，劉劍.基于混合高斯和均值濾波法的運(yùn)動(dòng)檢測(cè)方法[J].武漢理工大學(xué)學(xué)報(bào)： 信息與管理工程版， 2010，32（ 5） ：691-693.

[3]劉懷，黃建新.彩色圖像的矢量閾值自適應(yīng)分割算法[J].南京師范大學(xué)學(xué)報(bào)：工程技術(shù)版，2006，6（2）：18-22.

[4]王小平，張麗杰，常佶.基于單高斯背景模型運(yùn)動(dòng)目標(biāo)檢測(cè)方法的改進(jìn)[J].計(jì)算機(jī)工程應(yīng)用，2009，45（21）：118-120.

[5]黃鑫娟，周潔敏，劉伯揚(yáng).自適應(yīng)混合高斯背景模型的運(yùn)動(dòng)目標(biāo)檢測(cè)[J].計(jì)算機(jī)應(yīng)用，2010，30（1）：71-74.

[6]王麗娟.基于OPENCV與混合高斯建模的運(yùn)動(dòng)目標(biāo)檢測(cè)[J].電子測(cè)試，2009（9）：87-90.

[7]李明之，馬志強(qiáng)，單勇，張曉燕.復(fù)雜條件下高斯混合模型的自適應(yīng)背景更新[J].計(jì)算機(jī)應(yīng)用，2011，30（7）.

作者簡(jiǎn)介：王丹（1991—），女，南京師范大學(xué)電氣與自動(dòng)化工程學(xué)院碩士研究生在讀，主要研究方向：圖像處理，目標(biāo)跟蹤與檢測(cè)。