基于改進(jìn)型混合高斯模型的運(yùn)動(dòng)目標(biāo)檢測(cè)

孫 旭，吳志紅，呂學(xué)斌，陳志飛

（1.四川大學(xué) 計(jì)算機(jī)學(xué)院，四川 成都610064；2.視覺(jué)合成圖形圖像技術(shù)國(guó)防重點(diǎn)學(xué)科實(shí)驗(yàn)室，四川 成都610064）

0 引 言

目前，視頻序列中檢測(cè)運(yùn)動(dòng)目標(biāo)有多種方法，例如，幀差法，背景差法等。文獻(xiàn) ［1，2］對(duì)幀差法，背景差法作了詳細(xì)的闡述，其中，背景差法運(yùn)用最為廣泛，如何建立好的背景是背景差法成敗的關(guān)鍵。對(duì)于環(huán)境隨著時(shí)間變化的場(chǎng)景，用靜態(tài)的背景并不能滿足需求，因此提出用高斯建模的方法來(lái)實(shí)時(shí)更新背景模型。對(duì)于復(fù)雜的圖像，尤其是復(fù)雜場(chǎng)景的運(yùn)動(dòng)圖像或醫(yī)學(xué)圖像，每個(gè)像素的像素值變化一般是多峰的。因此可以將這種多峰特性看作是多個(gè)高斯分布的疊加，文獻(xiàn) ［3－5］提出了利用混合高斯模型（GMM）來(lái)建立背景模型，文獻(xiàn) ［6，7］對(duì)混合高斯建模方法做了詳細(xì)的分析，文獻(xiàn) ［8，9］對(duì)此方法在智能交通系統(tǒng)中的應(yīng)用做了詳細(xì)介紹。

但是傳統(tǒng)混合高斯模型也有它的缺點(diǎn)，例如，更新背景噪聲較大，參數(shù)更新運(yùn)算量大，實(shí)時(shí)性不夠，文獻(xiàn) ［10］就是將參數(shù)更新率設(shè)定為固定值，從而增強(qiáng)了該算法的實(shí)時(shí)性。本文在傳統(tǒng)混合高斯模型的基礎(chǔ)上，對(duì)模型匹配和參數(shù)更新兩方面做了改進(jìn)，不僅提高了混合高斯模型的檢測(cè)效果，抑制了由于檢測(cè)不準(zhǔn)確帶來(lái)的噪聲，而且提高了實(shí)時(shí)性，滿足了對(duì)檢測(cè)實(shí)時(shí)性的要求。

1 混合高斯模型

一般按照運(yùn)動(dòng)特性，可以將一幅圖像分為運(yùn)動(dòng)前景和背景兩部分，運(yùn)動(dòng)前景指圖像上發(fā)生運(yùn)動(dòng)的部分，背景則為不變的部分。單分布高斯背景模型認(rèn)為，對(duì)一個(gè)圖像背景部分的像素，其像素值應(yīng)該滿足高斯分布，即在背景圖像B 中，像素I x，（ ）y 點(diǎn)的像素值滿足

因此對(duì)視頻圖像中的每個(gè)像素點(diǎn)建立高斯分布模型，判斷當(dāng)前圖像幀中的每個(gè)像素點(diǎn)是否為背景點(diǎn)，進(jìn)而來(lái)區(qū)分背景與前景，從而可以對(duì)圖像中運(yùn)動(dòng)像素進(jìn)行檢測(cè)。

上述方法是假設(shè)該像素點(diǎn)符合一個(gè)高斯分布，即單高斯模型。單高斯模型方法在處理具有單個(gè)影響因素，如只有光照變化影響時(shí)，可以達(dá)比較滿意的效果。但是對(duì)于一些復(fù)雜的圖像，如包含光照變化，樹(shù)葉的抖動(dòng)等因素時(shí)，更新的前景往往含有大量噪聲。對(duì)這些復(fù)雜場(chǎng)景圖片的統(tǒng)計(jì)特性進(jìn)行研究可以發(fā)現(xiàn)，其圖像某一像素點(diǎn)在一段時(shí)間范圍內(nèi)的像素值具有 “多峰”的特性，即可看作為多個(gè)高斯分布的疊加。由此可以考慮采用多個(gè)高斯模型自適應(yīng)的線性組合來(lái)建立背景模型，即用混合高斯模型 （GMM）來(lái)建立背景。

混合高斯建模的思想為：對(duì)每一個(gè)像素點(diǎn)，定義K 個(gè)狀態(tài)的高斯函數(shù)來(lái)表示它，然后用當(dāng)前像素值來(lái)匹配每個(gè)高斯模型，若匹配則說(shuō)明該像素為背景的一部分，進(jìn)而可以用該點(diǎn)來(lái)跟新背景，不匹配的點(diǎn)則屬于前景的一部分，可以采用以下方法來(lái)判定當(dāng)前像素是否與第i 高斯模型匹配

其中：T（i，t）＝λσ（i，t），λ一般可取2.5。

在混合高斯模型中，可能有一個(gè)或者多個(gè)高斯分布通過(guò)上述方法判定為匹配，及判定該像素點(diǎn)可能為背景點(diǎn)，此時(shí)需要更新當(dāng)前高斯分布對(duì)應(yīng)的權(quán)值

式中：β——高斯模型的權(quán)值更新率，其大小影響背景的更新速度。

在更新了高斯模型的權(quán)值后，相應(yīng)的要更新當(dāng)前匹配的高斯分布的期望μ和方差σ2，其更新方法如下所示

其中

若當(dāng)前的像素值I x，（ ）y 找不到一個(gè)與之匹配的高斯分布，則可以認(rèn)為在K 個(gè)高斯模型的集合中出現(xiàn)了新的高斯分布，此時(shí)，用新的高斯分布代替當(dāng)前權(quán)重最小的高斯分布，并用當(dāng)前像素值初始化μ，用一個(gè)較大值初始化σ2，并用一個(gè)較小值初始化。而對(duì)于其它的高斯模型的權(quán)值采用下面公式更新

由上述過(guò)程可以發(fā)現(xiàn)，與當(dāng)前像素匹配的高斯分布權(quán)重增加了，而不匹配的高斯分布的權(quán)重則降低了。然后對(duì)權(quán)值進(jìn)行歸一化處理

式中：T——背景選取的閾值，簡(jiǎn)單背景可以設(shè)置較小的T值，復(fù)雜背景可以設(shè)置較大的T 值，一般T 的取值為0.7。

如果在閾值T 范圍內(nèi)，沒(méi)有一個(gè)高斯分布與當(dāng)前像素匹配，則認(rèn)為該點(diǎn)是前景點(diǎn)，反之該點(diǎn)為背景點(diǎn)。

2 改進(jìn)型混合高斯建模

2.1 匹配方法改進(jìn)

在上述傳統(tǒng)混合高斯模型匹配過(guò)程中，將當(dāng)前像素與期望值做差，并判斷此差值的絕對(duì)值是否大于某一閾值來(lái)進(jìn)行匹配判斷。通過(guò)實(shí)驗(yàn)發(fā)現(xiàn)，此方法在復(fù)雜環(huán)境和多運(yùn)動(dòng)目標(biāo)的情況下，很多像素點(diǎn)出現(xiàn)了誤匹配，即有可能將運(yùn)動(dòng)像素判斷為背景像素，這樣就會(huì)使背景中出現(xiàn)大量噪聲，影響檢測(cè)效果。

不同于傳統(tǒng)的歐氏距離匹配方法，對(duì)于協(xié)方差不為零的情況，可以由馬氏距離計(jì)算兩個(gè)圖像像素集的相似度，進(jìn)行匹配運(yùn)算。由于馬氏距離與協(xié)方差有關(guān)，所以它與歐式距離不同的是它考慮到每個(gè)分量的協(xié)方差。

在樣本空間G 中，定義其維度為k，均值為μ，協(xié)方差矩陣為Σ，則根據(jù)馬氏距離的定義可知

當(dāng)k＝1時(shí)

將上述公式變形即可得到

通過(guò)上述分析，于是提出了一種改進(jìn)型的匹配方法。如果當(dāng)前像素值小于該點(diǎn)與樣本點(diǎn)的馬氏距離時(shí)，則認(rèn)為該像素點(diǎn)與其對(duì)應(yīng)的高斯分布相匹配，反之不匹配，該匹配方法如下所示

由式 （12）可知道閾值T ＝λ2σ2，λ則取值一般為2.5。

采用計(jì)算馬氏距離來(lái)判斷是否匹配，可以更好的提高匹配的效果，減少像素的誤匹配，更新出更為干凈的背景，下面是在三通道RGB圖像下，此方法的算法描述。

算法一：

2.2 參數(shù)更新改進(jìn)

在更新高斯模型集合中每個(gè)高斯分布的權(quán)值時(shí)，部分文獻(xiàn)［10］為了提高算法的實(shí)時(shí)性，均引進(jìn)了固定的權(quán)值更新率β。

通過(guò)大量實(shí)驗(yàn)可以發(fā)現(xiàn)，在開(kāi)始階段，當(dāng)前環(huán)境與初始高斯分布并不符，于是需要快速的更新背景，即需要較大的參數(shù)更新率β。在隨著對(duì)當(dāng)前環(huán)境的學(xué)習(xí)，當(dāng)前模型與當(dāng)前環(huán)境慢慢相符，此時(shí)則需要放慢更新速率，只對(duì)當(dāng)前環(huán)境變化做出微弱的調(diào)整。根據(jù)上述分析，本文提出了一種自動(dòng)更新權(quán)值更新率β的方法。

首先，要引入了當(dāng)前匹配和的概念，即當(dāng)前某像素對(duì)應(yīng)的高斯模型集合中，每個(gè)高斯分布被匹配的次數(shù)可以用cur＿match 表示，而這一高斯模型集合中的所有cur＿match之和可以用cur＿match＿sum 表示，此時(shí)cur＿match＿sum 則為當(dāng)前匹配和，及當(dāng)前像素的高斯模型集合中所有分布被匹配的次數(shù)之和。

在對(duì)每個(gè)高斯分布進(jìn)行匹配時(shí)，采用以下方法記錄cur＿match 與cur＿match＿sum 的值

當(dāng)高斯模型集合中每個(gè)高斯分布被更新時(shí)，完成了上述的記錄，此時(shí)可以動(dòng)態(tài)更新權(quán)值跟新率β的值

同時(shí)在更新每個(gè)高斯分布時(shí)的參數(shù)學(xué)習(xí)率α?xí)r，也可以用當(dāng)前第i（0＜i≤K ）個(gè)高斯分布被匹配的次數(shù)cur＿match 來(lái)計(jì)算參數(shù)學(xué)習(xí)率α，這樣可以使α更加快速的更新，從而提高了檢測(cè)的實(shí)時(shí)性。

下面即為參數(shù)學(xué)習(xí)率α的更新方法

此方法通過(guò)對(duì)匹配數(shù)的累加，動(dòng)態(tài)的修改參數(shù)更新率β和參數(shù)學(xué)習(xí)率α，不僅對(duì)背景更新速率進(jìn)行了動(dòng)態(tài)的調(diào)整，而且增加了算法的實(shí)時(shí)性，其算法描述如下：

算法二：

2.3 算法流程

本文提出的改進(jìn)型GMM 首先將輸入像素按照2.1 提出的方法判斷是否滿足匹配條件，若滿足匹配條件則按照2.2的參數(shù)更新方法進(jìn)行參數(shù)更新，若不滿足匹配條件，則按照傳統(tǒng)GMM 方法更新權(quán)值。最后，獲取前景像素，得到前景運(yùn)動(dòng)目標(biāo)。

算法流程圖如圖1所示。

3 實(shí)驗(yàn)結(jié)果與分析

實(shí)驗(yàn)參數(shù)及耗時(shí)統(tǒng)計(jì)見(jiàn)表1。

圖1 改進(jìn)型混合高斯模型算法流程

表1 實(shí)驗(yàn)參數(shù)及耗時(shí)統(tǒng)計(jì)

本實(shí)驗(yàn)在雙核2.3G處理器，Windows XP操作系統(tǒng)下，用大小為400＊300，幀率為25的圖像序列進(jìn)行測(cè)試。實(shí)驗(yàn)中高斯分布數(shù)K值越大，背景建模越精確，但是會(huì)使運(yùn)算量增加，影響實(shí)時(shí)檢測(cè)效果，本文均將K 值取為3，其中在匹配算法中將λ取值為2.5，背景選取閾值T 取值為0.7，權(quán)值更新率β在傳統(tǒng)GMM 中取值為0.25。最后，實(shí)驗(yàn)結(jié)果對(duì)前景圖均進(jìn)行了3＊3模板的平滑濾波去噪，再用3＊3的模板進(jìn)行了膨脹處理［11］，方便用肉眼觀察前景運(yùn)動(dòng)目標(biāo)。

圖2至圖5為不同場(chǎng)景下的效果圖，圖中選取了兩個(gè)不同的場(chǎng)景，場(chǎng)景1環(huán)境相對(duì)簡(jiǎn)單，傳統(tǒng)GMM 方法和改進(jìn)型GMM 都能達(dá)到滿意的效果，背景圖像更新都很干凈，前景幾乎沒(méi)有噪聲點(diǎn)。場(chǎng)景2環(huán)境相對(duì)復(fù)雜，不僅有光線的變化，而且有樹(shù)枝抖動(dòng)，路面反光等影響因素，不難發(fā)現(xiàn)，在更新的背景中，傳統(tǒng)GMM 更新的背景出現(xiàn)了很多模糊區(qū)域，在運(yùn)動(dòng)密集區(qū)域尤為顯著，而且其前景圖也有大量的噪聲，改進(jìn)型GMM 則明顯優(yōu)于傳統(tǒng)GMM。

圖2 場(chǎng)景1傳統(tǒng)混合高斯模型

圖3 場(chǎng)景1改進(jìn)型混合高斯模型

圖4 場(chǎng)景2傳統(tǒng)混合高斯模型

圖5 場(chǎng)景2改進(jìn)型混合高斯模型

4 結(jié)束語(yǔ)

本文在傳統(tǒng)的混合高斯背景建?；A(chǔ)上，針對(duì)傳統(tǒng)混合高斯建模方法不足進(jìn)行了改進(jìn)。通過(guò)實(shí)驗(yàn)發(fā)現(xiàn)，改進(jìn)后GMM 方法，在復(fù)雜場(chǎng)景中檢測(cè)運(yùn)動(dòng)目標(biāo)時(shí)，有效抑制了匹配不準(zhǔn)確產(chǎn)生的誤檢測(cè)像素（噪聲），通過(guò)匹配數(shù)更新模型參數(shù)，更新速度顯著提高，滿足一般視頻序列的實(shí)時(shí)性要求。

本文提出檢測(cè)方法在檢測(cè)目標(biāo)時(shí)，由于部分前景像素的像素值接近背景像素的像素值，因此前景部分出現(xiàn)了斷裂和缺失，影響運(yùn)動(dòng)物體的形狀判斷，該問(wèn)題在未來(lái)的研究中有待解決。

［1］ZHANG Xiaona，HE Ren.Moving vehicle detection method based on Gaussian mixture model of spatial information ［J］.Journal of Jiangsu University，2011，32 （4）：385－388 （in Chinese）.［張曉娜，何仁.基于空間信息高斯混合模型的運(yùn)動(dòng)車輛檢測(cè) ［J］.江蘇大學(xué)學(xué)報(bào)，2011，32 （4）：385－388.］

［2］LI Nai’an，OUYANG Ning.Design and implement real－time object detection and tracking system ［J］.Laser ＆Infrared，2008，38 （1）：88－91 （in Chinese）.［李乃安，歐陽(yáng)寧.實(shí)時(shí)目標(biāo)檢測(cè)與跟蹤系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn) ［J］.激光紅外，2008，38（1）：88－91.］

［3］Wang Yang.Real－time moving vehicle detection with cast shadow removal in video based on conditional random field ［J］.IEEE Transactions on Circuits and Systems for Video Technology，2009，19 （3）：437－441.

［4］ZHANG Chao，WU Xiaopei.A mving object detection algorithm based on improved GMM and short－term stability measure［J］.Journal of Electronics ＆Information Technology，2012，34 （10）：1402－1406 （in Chinese）.［張超，吳小培.基于改進(jìn)型高斯混合建模和短時(shí)穩(wěn)定度的運(yùn)動(dòng)目標(biāo)檢測(cè)算法 ［J］.電子信息學(xué)報(bào)，2012，34 （10）：1402－1406.］

［5］Quast K，Kaup A.Real－time moving object detection in video sequences using spatio－temporal adaptive Gaussian mixture models［C］／／Angers，F(xiàn)rance：Proceedings of the International Conference on Computer Vision Theory and Applications，2010：413－418.

［6］Fakharian A，Hosseini S，Gustafsson T.Hybrid object detection using improved Gaussian mixture model［C］／／Korea：International Conference on Control，Automation and Systems，2011：1475－1479.

［7］Hu Weiming，Tan Tieniu，Wang Liang，et al.A survey on visual surveillance of object motion and behaviors ［J］.IEEE Transactions on Systems， Man and Cybernetics，Part C，2004，34 （3）：334－352.

［8］Martel－Brisson N，Zaccarn A.Moving cast shadow detection from a Gaussian mixture shadow model［C］／／IEEE Computer Society Conference，2005.

［9］Power PW，Schoonees JA.Understanding background mixture models for foreground segmentation ［C］／／Auckland，New Zealand：Proceedings of Image and Vison Computing，2002：267－271.

［10］Wang H，Suter D.A re－evaluation of mixture－of－Gaussian background modeling ［C］／／Pennsylvania，USA：IEEE International Conference on Acoustics，Speech，and Signal Processing，2005：1017－1020.

［11］Rafael C Gonzalez.Digital image processing ［M］.Beijing：Publishing House of Eletronics Industry，2007：8.