三幀差結(jié)合改進高斯建模的運動目標(biāo)檢測算法

魏 瑋，吳 琪

（河北工業(yè)大學(xué) 計算機科學(xué)與軟件學(xué)院，天津300401）

0 引 言

對序列圖像的運動分析是當(dāng)今計算機視覺領(lǐng)域的一個重要的研究方向，視頻中運動目標(biāo)的檢測作為運動目標(biāo)跟蹤、特征提取、運動目標(biāo)分類等后續(xù)操作的前提具有非常重要的研究價值，運動目標(biāo)檢測是智能視頻監(jiān)控以及機器視覺的基礎(chǔ)，其檢測效果的好壞對于后續(xù)處理的影響直接相關(guān)。

常用的運動目標(biāo)檢測方法主要有：背景減除法［1］、幀差法［2］以及光流法［3］。光流法的運算過程復(fù)雜，實時性比較差，經(jīng)常應(yīng)用在攝像機運動的情況，我們這里不予考慮。幀差法是利用兩幀圖像灰度值之間的差來進行運動目標(biāo)檢測，但是其對于光線變化較為敏感并且會在目標(biāo)區(qū)域產(chǎn)生“空洞”現(xiàn)象。背景減除法是利用當(dāng)前圖像與背景圖像的差來檢測運動目標(biāo)。但是想要獲得理想的背景是不容易的，比較常用的是C.stauffer等提出的混合高斯模型［4，5］來建立背景模型，能較好的適應(yīng)光線的變化，但是不能適應(yīng)光線突變等情況，并且運動目標(biāo)速度較慢或者出現(xiàn)短暫停滯的時候會對背景模型進行干擾，張燕平等提出的應(yīng)用改進混合高斯模型的運動目標(biāo)檢測［6］可以根據(jù)場景中運動還是靜止選擇整幀更新或是只更新背景，其僅對運動目標(biāo)的靜止與否進行檢測，并沒有考慮不同部分的更新率對于高斯背景建模的影響。王永忠等［7］提出了自適應(yīng)高斯模型數(shù)目的方法同像素點的空間位置相結(jié)合來改進混合高斯模型，但并沒有考慮自適應(yīng)學(xué)習(xí)率。鑒于每一種方法都存在一定的局限性，多模型相融合［8，9］的方法得到進一步的研究，這些算法雖然在一定程度上提高了檢測的準(zhǔn)確性，但仍然受到特定條件的限制，運動目標(biāo)檢測仍然是研究的熱點以及難點。實際上，在背景模型的更新中，對于視頻中圖像的不同部分，背景模型的更新率對于高斯混合模型的貢獻是不同的，本文通過動態(tài)的自適應(yīng)的學(xué)習(xí)率建立高斯混合模型，并且給予高斯混合模型更快速的更新策略，結(jié)合三幀差法幀法能夠更好的解決 “鬼影”以及陰影現(xiàn)象，以及在光線或者環(huán)境突變的情況下更快速的進行混合高斯建模。

1 高斯混合背景模型

1.1 簡 介

高斯背景建模是由C.stauffer等提出的，背景不一定是沒有運動的區(qū)域，樹葉飄動以及水紋蕩漾也應(yīng)該看作背景。高斯背景建模［4］的方式是分別為背景圖像中的每一個像素點建立模型，并且隨著時間的增加更新模型參數(shù)，通過判斷運動目標(biāo)的像素分布是否符合背景模型來檢測運動目標(biāo)。

1.2 高斯混合模型的建立

（1）和式（2）表示混合高斯模型

k個高斯背景的分布按照ωi，t／σi，t（i＝1，2，…k）的大小從高到低進行排列。ωi，t是權(quán)值，我們可以理解為某個高斯分布出現(xiàn)的概率的大小。

我們可以根據(jù)權(quán)值ωi，t和閾值T∈（0，1）來確定描述背景的高斯分布，通過式（3）選擇前n個高斯分布來描述背景。其余的高斯分布，我們即認(rèn)為其是描述前景的

1.3 混合高斯模型的更新以及背景匹配

對于不匹配的k－1個高斯分布，僅根據(jù)式（8）更新他們的權(quán)重

式中：ρ——權(quán)值更新率，α——學(xué)習(xí)速率。

該模型有一個十分重要的參數(shù)，即學(xué)習(xí)速率α。

2 改進的混合高斯模型

2.1 自適應(yīng)學(xué)習(xí)速率混合高斯模型

通過仔細(xì)研究發(fā)現(xiàn)，視頻中的正在運動區(qū)域并不需要進行更新，而已經(jīng)運動的區(qū)域需要以較快的速度進行更新，背景區(qū)域的更新速率可以適當(dāng)慢點，并且能夠適應(yīng)光照突變等情況。

對視頻圖像進行運動目標(biāo)檢測，得到連續(xù)兩幀的運動目標(biāo)區(qū)域，將這兩幀圖像進行差分得到屬于上一幀的已經(jīng)運動區(qū)域以及屬于當(dāng)前幀的正在運動區(qū)域。分割結(jié)果如圖1所示。

圖1 分割結(jié)果

2.2 快速高斯混合模型更新策略

在高斯混合背景建模提取前景的過程中，大部分的背景是固定不變的，這部分長時間固定不變的背景匹配的模型幾乎不發(fā)生變化。因此，背景中固定不變的像素對應(yīng)的模型不需要每幀都進行高斯混合模型的更新。

對于連續(xù)TH 幀被判斷為背景的像素點，并且其權(quán)重大于ωT時，在接下來的T 幀中不對模型參數(shù)進行更新。對于前景像素點，他的參數(shù)更新與自適應(yīng)高斯混合模型的更新一致。

針對第一幀視頻即在背景中，混合高斯建模提取背景的結(jié)果如圖2所示，自適應(yīng)學(xué)習(xí)速率高斯建模提取背景的結(jié)果如圖3所示。

圖2 混合高斯建模的背景結(jié)果

圖3 自適應(yīng)學(xué)習(xí)率的高斯混合建模的背景結(jié)果

3 自適應(yīng)高斯混合模型結(jié)合三幀差法

3.1 三幀差法

幀差法提取前景是通過計算相鄰兩幀圖像之間的差值來得到運動區(qū)域，由于差分只保留相對變化的信息，所以會有重影現(xiàn)象的出現(xiàn)以及空洞現(xiàn)象。三幀差法［10］是在幀差法的基礎(chǔ)上進行的改進，將相鄰三幀圖像首先進行兩兩差分，再將差分的結(jié)果相與，能夠較好的檢測出實際運動目標(biāo)的輪廓。算法如下：

（1）從圖像序列中讀取三幀圖像Ik－1，Ik，Ik＋1，分別按式（10）將連續(xù)兩幀圖像兩兩差分得到B（k，k－1），B（k＋1，k）。設(shè)定閾值T 將差值圖像二值化，提取運動目標(biāo)區(qū)域

（2）將差分的結(jié)果按式（11）進行邏輯 “與”運算提取B（k＋1，k），B（k，k－1）的交集，得到運動目標(biāo)Bk

3.2 自適應(yīng)混合高斯模型結(jié)合三幀差法

通過三幀差法和邊緣提取得到運動物體準(zhǔn)確的邊緣輪廓，對此輪廓進行填充，得到一個前景圖像，將此前景圖像與自適應(yīng)混合高斯模型提取的前景圖像進行邏輯 “與”操作。得到最終的前景圖像。程序框圖如圖4所示。

圖4 改進混合高斯建模結(jié)合三幀差法程序框架

4 實驗結(jié)果

本文以vc＋＋6.0 與opencv 1.0 為軟件開發(fā)工具，在計算機上對人體運動視頻進行運動目標(biāo)檢測，處理速度為每秒24幀，分辨率為320×240。在人體運動視頻第一幀，運動目標(biāo)已經(jīng)在視頻中，運動目標(biāo)走出視頻后再次反向走入視頻。對運動目標(biāo)進行前景檢測，實驗結(jié)果如圖5所示。

圖5 實驗結(jié)果

通過實驗表明，對于第一幀運動目標(biāo)即在視頻中的情況，當(dāng)運動目標(biāo)再一次進入到第一幀運動目標(biāo)的區(qū)域時。如果通過混合高斯建模生成背景，背景圖像中第一幀區(qū)域形成的 “鬼影”清晰可見，如圖5（c）所示。并且對前景圖像造成了很大的干擾，如圖5（d）所示。圖5（e）為本文算法建立的背景，更好的適應(yīng)光照的變化以及有效的解決了“鬼影”現(xiàn)象。觀察本文算法提取的運動目標(biāo)前景，如圖5（f）所示，在受運動目標(biāo)干擾（即第一幀圖像）的區(qū)域本文算法得到了很好的前景效果，并且有效的處理了陰影。

5 結(jié)束語

本文針對混合高斯模型的學(xué)習(xí)速率進行了改進，將視頻各個部分的學(xué)習(xí)速率進行了劃分，并對視頻背景區(qū)域的學(xué)習(xí)速率進行了動態(tài)處理。給予更快速的高斯混合模型更新策略。實驗結(jié)果表明：該算法具有較快的建模速度，能夠快速的適應(yīng)實時的背景變化，并且有效的處理了 “鬼影”以及消除了陰影的現(xiàn)象。

［1］LI Ning，HUANG Shan，ZHANG Xianzhen，et al.Human motion detection based on background difference ［J］.Microcomputer Information，2009，25 （3）：257－259 （in Chinese）.［李寧，黃山，張先震，等.基于背景差分的人體運動檢測［J］.微計算機信息，2009，25 （3）：257－259.］

［2］XUE Lixia，LUO Yanli，WANG Zuocheng.Detection algorithm of adaptive moving objects based on frame difference method ［J］.Application Research of Computers，2011，28（4）：1551－1559 （in Chinese）.［薛麗霞，羅艷麗，王佐成.基于幀間差分的自適應(yīng)運動目標(biāo)檢測方法 ［J］.計算機應(yīng)用研究，2011，28 （4）：1551－1559.］

［3］GAO Ping，SUN Xiangju，WANG Wei.Moving object detection based on Kirsch operator combined with optical flow［C］／／Proceedings of IEEE Conference on Image Analysis and Signal，IEEE，2010：622－624.

［4］JIAO Bo，LI Guohui，TU Dan，et al.A fast convergent Gaussian mixture model for moving object detection ［J］.Journal of Image and Graphics，2008，13 （11）：2139－2143 （in Chinese）.［焦波，李國輝，涂丹，等.一種用于運動目標(biāo)檢測的快速收斂混合高斯模型 ［J］.中國圖形圖像學(xué)報，2008，13 （11）：2139－2143.］

［5］LIU Jing，WANG Ling.Improved algorithm of Gaussian mixture model for background subtraction ［J］.Computer Engineering and Applications，2010，46 （13）：168－170 （in Chinese）. ［劉靜，王玲.混合高斯模型背景法的一種改進算法［J］.計算機工程與應(yīng)用，2010，46 （13）：168－170.］

［6］ZHANG Yanping，BAI Yunqiu，ZHAO Yong，et al.Moving objcet detection based on improved Gaussian mixture models［J］.Computer Engineering and Applications，2010，46 （34）：155－157 （in Chinese）.［張燕平，白云球，趙勇，等.應(yīng)用改進混合高斯模型的運動目標(biāo)檢測 ［J］.計算機工程與應(yīng)用，2010，46 （34）：155－157.］

［7］WANG Yongzhong，LIANG Yan，PAN Quan，et al.Spatiotemporal background modeling based on adaptive mixture of Gaussian ［J］.ACTA Automatica Sinica，2009，35 （4）：371－378 （in Chinese）.［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.］

［8］LIU Xin，LIU Hui，QIANG Zhenping，et al.Adaptive background modeling based on mixture Gaussian model and frame subtraction ［J］.Journal of Image and Graphics，2008，13（4）：729－734 （in Chinese）.［劉鑫，劉輝，強振平，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］.中國圖象圖形學(xué)報，2008，13 （4）：729－734.］

［9］Jin Min，Shi Lei.Research of moving targets detection and identification ［C］／／Proceedings of ICICTA 2009，2009：332－335.

［10］LV Guoliang，ZHAO Shuguang，ZHAO Jun.Novel method of moving object detection based on three frame differencing and connectivity checking［J］.Chinese Journal of Liquid Crystals and Displays，2007，22 （1）：87－93（in Chinese）.［呂國亮，趙曙光，趙俊.基于三幀差分和連通性檢驗的圖像運動目標(biāo)檢測新方法［J］.液晶與顯示，2007，22 （1）：87－93.］