基于彩色背景建模的前景檢測

孫海軍，嵇亮亮，王 耿

（中國電子科技集團(tuán)公司第二十八研究所，江蘇南京 210007）

0 引言

對序列圖像的運(yùn)動(dòng)分析是當(dāng)前計(jì)算機(jī)視覺領(lǐng)域的一個(gè)重要研究方向，其研究內(nèi)容相當(dāng)豐富，在高級人機(jī)交互、智能監(jiān)控、交通監(jiān)測等方面具有廣泛的應(yīng)用前景。其中一個(gè)重要課題就是基于視頻的運(yùn)動(dòng)目標(biāo)檢測，判斷視頻序列中是否存在運(yùn)動(dòng)目標(biāo)，并確定運(yùn)動(dòng)目標(biāo)的位置、形狀等特征。目前主要的運(yùn)動(dòng)檢測方法有差分法［1］、光流法［2，3］和背景減除方法［4］。不同方法存在著各自的優(yōu)缺點(diǎn)，對于背景減除法而言，最主要的難點(diǎn)在于尋找理想的背景模型以及后續(xù)背景模型的更新［5］。本文通過對像素統(tǒng)計(jì)分析，建立彩色背景及振幅模型的方法來實(shí)現(xiàn)前景檢測，并持續(xù)更新模型。

1 算法整體框架

本文的算法框圖如圖1 所示。

依圖1 所示，首先對圖像進(jìn)行圖像預(yù)處理，然后初始化背景模型，當(dāng)初始模型完成后，進(jìn)行提取前景。在提取前景的過程中，不斷對模型進(jìn)行更新。

2 彩色背景建模

2.1 圖像預(yù)處理

由于原始圖像中往往存在噪聲，所以直接求差分受到的影響比較大。因此，在進(jìn)行背景減除之前，必須先對圖像進(jìn)行濾波處理。本文采用中值濾波的方法，對圖像進(jìn)行平滑處理，剔除了部分噪聲。

2.2 背景模型

對于視頻圖像的某一像素點(diǎn)進(jìn)行統(tǒng)計(jì)，可以發(fā)現(xiàn)在大部分的時(shí)間段內(nèi)，該像素點(diǎn)RGB 各通道的亮度值多為背景點(diǎn)的值，變化幅度很小，只有在有前景運(yùn)動(dòng)目標(biāo)通過時(shí)，它的值才會發(fā)生較大變化，如圖2 所示，列出了R 通道的值變化。

圖1 算法框圖

從圖2 中可以發(fā)現(xiàn)，當(dāng)有行人目標(biāo)通過時(shí)，在第15 幀亮度值開始下降，當(dāng)?shù)?5 幀目標(biāo)進(jìn)入該點(diǎn)時(shí)已經(jīng)發(fā)生了很大的亮度值變化，直到第50 幀目標(biāo)離開時(shí)，亮度值恢復(fù)。而當(dāng)沒有運(yùn)動(dòng)目標(biāo)通過時(shí)，背景的亮度值維持在180 左右的很小范圍內(nèi)。

本文在求取初始背景模型時(shí)，采用對100 幀圖像求取各通道的平均值，得到初始的背景，公式如下：其中，In為第n 幀圖像，bg 為背景圖像。

圖2 運(yùn)動(dòng)前景分析圖

這里要求視頻的初始100 幀最好是以背景居多的時(shí)段，如果是前景目標(biāo)較多，則會影響初始的前景檢測，但通過背景更新，之后仍然可以得到正確背景。

2.3 背景像素振幅值模型

從之前的分析，已經(jīng)知道背景值是在一定的區(qū)間范圍內(nèi)變化的。在得到初始彩色背景模型后，我們已經(jīng)知道每一個(gè)像素點(diǎn)的基準(zhǔn)值（即背景值）。那么之后的圖像與背景差分，如果差值落在振幅范圍之內(nèi)的，可以認(rèn)為是背景，振幅之外則認(rèn)為是前景。

不難發(fā)現(xiàn)，其實(shí)像素點(diǎn)的亮度值服從高斯分布的，本論文提出的背景模型是基于像素的，每一個(gè)像素點(diǎn)的亮度值都可以看作是一個(gè)獨(dú)立的隨機(jī)過程，在較長的時(shí)間段內(nèi)，背景的像素點(diǎn)的顏色值穩(wěn)定分布在一個(gè)確定值的領(lǐng)域內(nèi)。這也是本文算法的理論依據(jù)及基礎(chǔ)。對于高斯分布模型，利用圖像序列在得到均值之外，還可以估計(jì)出方差，這樣就可以描述該高斯分布。這里除了假設(shè)每個(gè)像素點(diǎn)是獨(dú)立之外，為了計(jì)算方便還假設(shè)每個(gè)像素點(diǎn)的顏色分量都是獨(dú)立分布，服從一維高斯分布［6］。

在云計(jì)算層，使用Rest代理對智能傳感設(shè)備和數(shù)據(jù)存儲平臺的時(shí)間響應(yīng)并進(jìn)行標(biāo)記屬于快消息還是慢消息；業(yè)務(wù)引擎在收到業(yè)務(wù)后，對業(yè)務(wù)進(jìn)行過濾，通過業(yè)務(wù)處理時(shí)長與隊(duì)列處理基準(zhǔn)時(shí)長的比較結(jié)果動(dòng)態(tài)調(diào)整隊(duì)列映射配置表，隨后將處理結(jié)果轉(zhuǎn)發(fā)給智控引擎；智控引擎根據(jù)應(yīng)用層的需要進(jìn)行智能調(diào)控，并將相關(guān)的調(diào)控信息發(fā)送給推送引擎；推送引擎通過智能數(shù)據(jù)管理平臺(Smart Data Management Platform, SDMP)引擎將指令發(fā)送給相應(yīng)的智能終端，從而對用電設(shè)備發(fā)起控制。

所以本論文除了一般的初始背景圖像建模外，還對每個(gè)像素點(diǎn)的振幅值進(jìn)行建模。公式如下：

其中，In為第n 幀圖像，bg 為背景圖像，S 為背景振幅值，皆為與圖像有相同大小的三通道矩陣。

本論文在初始背景建立后，繼續(xù)利用100 幀圖像對背景振幅值進(jìn)行建模。即經(jīng)過共200 幀的初始化階段，就完成了自動(dòng)彩色背景建模的工作。

3 前景提取

在背景建模初始化之后，就進(jìn)入檢測階段，在已經(jīng)獲得了彩色背景圖像的基礎(chǔ)上，利用背景減除法的方法可以很容易得到前景圖像。比較當(dāng)前圖像和背景圖像中對應(yīng)像素點(diǎn)的差異，如果某一通道的差值大于背景振幅閾值，則可以判定該像素點(diǎn)為前景。

對于輸入的視頻圖像I 與背景圖像bgImg 和背景振幅值sgm 進(jìn)行比較，判斷背景與前景區(qū)域：

其中，I（x，y，i）為輸入圖像在坐標(biāo)（x，y）處i 通道的值，bg（x，y，i）和S（x，y，i）分別代表背景圖像和背景振幅在坐標(biāo)（x，y）處i 通道的值，C 代表調(diào)整參數(shù)，為常數(shù)，這是一個(gè)經(jīng)驗(yàn)調(diào)整值，可根據(jù)具體場景調(diào)節(jié)背景振幅閾值。

若根據(jù)上述公式計(jì)算得到的圖像點(diǎn)（x，y）處三通道的差值都小于0，則表示輸入的當(dāng)前圖像在（x，y）處為背景圖像，否則判定為前景圖像。

4 模型更新

在一般的監(jiān)控場景中，光線會隨著時(shí)間或其他原因變化從而引起圖像全局或者局部亮度的變化。而且場景中也可能存在進(jìn)入固定物體或者原有物體的移出，對于這部分區(qū)域，應(yīng)該在一段時(shí)間之后，能夠正確更新得到正確的背景。所以背景模型必須要具有自適應(yīng)性，需要實(shí)時(shí)地對背景模型進(jìn)行更新。

為了滿足系統(tǒng)的實(shí)時(shí)性要求，采用計(jì)算簡單的移動(dòng)均值的方法來更新比較適合。但一般的移動(dòng)均值法，無論前景還是背景，都按照同一策略統(tǒng)一計(jì)算。這樣將前景和背景以同樣的權(quán)值更新，勢必會對新的背景圖像產(chǎn)生影響，造成錯(cuò)誤的背景模型，對后面的檢測過程也會有影響。因此，本文采用改進(jìn)的移動(dòng)均值法對背景圖像和背景振幅進(jìn)行更新，根據(jù)前景提取的結(jié)果，對前景和背景采用不同的更新策略，具體如下：

其中，I 為當(dāng)前幀圖像，bg 為背景圖像，fg 為前景二值圖像，B 和F 分別為背景更新率和前景更新率，都為常數(shù)，F(xiàn) 取值大于B。

同樣地，對于背景振幅值，也需要對其進(jìn)行更新。首先計(jì)算當(dāng)前幀圖像的振幅值，然后和背景更新一樣的更新策略進(jìn)行更新，公式如下：

其中，S′為當(dāng)前圖像與背景圖像比較得到的當(dāng)前振幅值，S 為圖像的背景振幅值。

5 結(jié)果分析

圖3 所示的是運(yùn)用本論文的背景建模算法進(jìn)行背景提取的結(jié)果。3 個(gè)時(shí)刻點(diǎn)的光線隨著時(shí)間的遷移逐漸變暗，背景提取結(jié)果十分良好，并且能夠適應(yīng)環(huán)境變化。

圖4 所示的是不同場景下前景提取結(jié)果的示意圖，結(jié)果表明在基于本文背景建模和前景判斷算法，能夠較好的提取運(yùn)動(dòng)目標(biāo)。

6 總結(jié)

本章提出了一種基于背景建模減除法前景檢測算法。在對現(xiàn)有的背景建模方法分析之后，本文提出的一種準(zhǔn)確、快速、適應(yīng)能力強(qiáng)的背景建模方法，主要包括背景建模、背景振幅建模、前景提取以及背景與背景振幅更新。實(shí)驗(yàn)分析表明，本文的前景檢測算法具有較好的準(zhǔn)確性與魯棒性。

圖3 背景提取結(jié)果示意圖

圖4 前景提取結(jié)果示意圖

［1］Lipton A J，F(xiàn)ujiyoshi H，Patil R S.Moving target classification and tracking from real-time video［C］.Fourth IEEE Workshop on Applications of Computer Vision，1998.

［2］Horn B K P，Schunck B G.Determining optical flow［J］.Artificial intelligence，1981（1）.

［3］Tekalp A M，Tekalp A M.Digital video processing［M］.Upper Saddle river，NJ：Prentice Hall PTR，1995：126-132.

［4］Kornprobst P，Deriche R，Aubert G.Image sequence analysis via partial differential equations [J].Journal of Mathematical Imaging and Vision，1999（1）.

［5］Collins R T，Lipton A，Kanade T，et al.A system for video surveillance and monitor ing［M］.Carnegie Mellon University，the Robotics Institute，2000.

［6］Huwer S，Niemann H.Adaptive change detection for real-time surveillance applications［C］.Third IEEE International Workshop on Visual Surveillance，2000.

［7］柴進(jìn).視頻監(jiān)控中的人數(shù)統(tǒng)計(jì)和人群密度分析［D］.西安：西安電子科技大學(xué)，2011.

［8］李立仁，李少軍，劉忠領(lǐng).智能視頻監(jiān)控技術(shù)綜述［J］.中國安防，2009（10）.