基于雙背景模型的鬼影抑制方法研究

閆　碩　陳科山

(北京交通大學機械與電子控制工程學院　北京 100080)

?

基于雙背景模型的鬼影抑制方法研究

閆碩陳科山

(北京交通大學機械與電子控制工程學院北京 100080)

摘要針對雙背景模型下的鬼影檢測及抑制問題，提出預處理操作、基于區(qū)域生長的鬼影檢測方法和背景更新抑制鬼影。首先預處理，為了抑制第一幀出現的鬼影，同時建立準確的背景；其次，利用鬼影在當前幀和背景幀的區(qū)域生長大小不一致來檢測鬼影；最后針對包含鬼影目標的背景圖像進行背景更新，快速還原背景，抑制鬼影再現。實驗結果證明，該方法適應環(huán)境能力強，能準確檢測出鬼影，并且背景更新效果好，能快速抑制鬼影。

關鍵詞鬼影檢測區(qū)域生長背景更新

0引言

智能視頻監(jiān)控系統(tǒng)的安防領域中，目標檢測扮演了一個非常重要的角色?；诒尘安罘╗1-3]的運動目標檢測過程中，處于背景中的物體突然離開(如停駛車輛的突然離開)，背景未能及時更新，也會被檢測為運動目標，本文將在這種情況下被檢測為運動目標的像素點成為鬼影。根據上述信息可知，基于背景差分法的運動目標檢測得到的前景目標中不僅包含運動目標，也會包含鬼影，針對這個問題，就需對鬼影進行檢測抑制，避免對運動目標的誤檢測行為。

目前，已有的鬼影檢測方法主要有以下幾種：文獻[4]中提出了利用三幀差預處理法來抑制鬼影出現并更新背景圖像。幀間差分法好處是不會產生鬼影，只需對背景圖像進行更新，但是此預處理方法中的背景更新是針對一個背景模型，通過獲得運動目標的位置，填充背景圖像中此位置的像素信息更新背景?；趲罘ǖ倪\動目標檢測得到的是目標輪廓，且輪廓效果不是很好，尤其是當目標輪廓較復雜時，更不利于后期的填充工作。文獻[5]提出了基于顏色特征的檢測方法，通過比較背景圖像和當前幀的鬼影區(qū)域的顏色直方圖相似性來檢測鬼影，該方法比較簡單，要求背景和靜態(tài)物體的顏色都比較純粹，適用范圍小。文獻[6]提出了基于輪廓特征的檢測方法，對當前幀和背景幀區(qū)域進行輪廓形狀匹配來檢測鬼影，該方法不適應背景輪廓復雜的場景，易誤檢。

圖1　算法流程圖

另外，上述文獻主要是針對單個背景模型的鬼影檢測，且未區(qū)別對待視頻第一幀時物體移動產生的鬼影和視頻中間出現的鬼影，當環(huán)境較復雜時，如視頻開始時，突然移動的物體較多，且會與其他目標之前的位置重疊，這兩種鬼影抑制方法效率低。本文主要研究雙背景模型下的鬼影檢測及抑制，針對視頻開始出現的鬼影，主要是通過背景初始化來抑制鬼影出現；對視頻中間出現的鬼影提出了一種基于雙背景模型的鬼影抑制法，主要是根據鬼影和遺留物在快慢背景模型得到的前景像素上表現一致，因此提出基于區(qū)域生長的方法對鬼影和遺留物進行分類，不僅能準確檢測到鬼影，且可處理遮擋情況。同時對背景及時更新消除背景圖像中的假目標，避免持續(xù)檢測到鬼影。具體算法流程見圖1所示，并對這兩種基于顏色特征分類方法進行對比分析，基于區(qū)域生長的方法檢測準確率更高。

1預處理

本文主要是研究固定攝像機的視頻監(jiān)控，一般情況下是直接采用第一幀作為背景，但是這種方法不僅受光照變化的影響，且當第一幀有大量運動物體存在時，會產生鬼影，且鬼影檢測及消除的難度較大，因此不能用于復雜環(huán)境及光照變化的環(huán)境。圖2為直接采用第一幀作為背景進行運動目標檢測的結果，其中(a)為當前幀圖像，(b)為以第一幀作為背景圖像，(c)為運動目標檢測得到的前景圖像，其中灰色橢圓框標示運動目標，灰色矩形框標示鬼影?？梢姰斠曨l第一幀有物體運動，會產生鬼影。

為了盡量減少由于第一幀而產生的鬼影對運動目標的檢測的影響，本文提出預處理操作——背景初始化，能有效抑制鬼影并建立背景圖像。背景初始化的主要步驟如下：

1) 以第一幀作為背景圖像建立混合高斯模型。

2) 設置較大的學習率α及訓練樣本數N，根據混合高斯背景更新對前N幀進行快速背景更新，得到背景圖像。

圖2　第一幀鬼影檢測結果圖

本文預處理是以犧牲前N幀來構造一個較逼真的背景圖像，避免了視頻第一幀出現鬼影現象，也為后續(xù)目標檢測及鬼影檢測提供了更精確的背景圖像，提高運動目標檢測準確率。

2雙背景目標檢測

2.1混合高斯背景建模

采用背景減除法來獲得運動目標，其中背景模型的建立采用由Stauffer和Grimson提出的混合高斯建模方法。某一時刻t的像素點X的概率可根據下式求得：

(1)

其中，K為高斯分布的個數；W(i,t)為第i個高斯模型的權重值；μ(i,t)為第i個高斯模型的均值；σ(i,t)為第i個高斯模型的方差；η為為第i個高斯模型的概率分布函數，可表示為下式：

(2)

其中，n為像素點的色度維數。

建立好模型后，對相關參數進行初始化，主要的參數是W、μ、σ。下面進行重要的一步更新背景模型。背景模型的更新主要是更新各個高斯函數的參數和各高斯分布的權重值，并按照權重值各高斯分布進行重新排序。當新的一幀圖像到來時，就要將當前幀的各個像素值與已建立的K個高斯分布分別進行匹配，公式如下：

(I(x,y,t)-μk(x,y,t-1))2

(3)

如果像素點滿足此公式則該像素點與第k個高斯模型匹配，否則則不屬于高斯模型，這就相當于出現了野點(即必為前景點)。分別對這兩種情況進行參數更新。

對于匹配的情況，需根據下面的公式進行前景點各背景點的判定，公式如下：

(4)

2.2像素點分類

本文主要是研究基于雙周期背景模型[7-9]的鬼影檢測及抑制方法，因此采用雙周期混合高斯背景建模檢測運動目標，其中雙周期背景建模主要是指一個快速更新的高斯背景模型和一個慢速更新的高斯背景模型。分別得到快速更新高斯模型的前景模板FL和慢速更新高斯模型的前景模板FS，再根據表1所示，將兩個前景模板像素點進行分類，做與操作，得到靜態(tài)前景模板，其中靜態(tài)前景模板中包括運動后滯留的物體(即遺留物)和鬼影。因此后續(xù)研究只需對遺留物和鬼影分類即可檢測到鬼影。

表1　根據FL和FS判斷某像素類型

3鬼影檢測

3.1基于區(qū)域生長的分類檢測

鬼影來源與最初的背景，最后與背景分離而導致的；而遺留物則因運動目標滯留而融入背景，最終成為背景的一部分?；谏鲜隹紤]，在獲取了靜態(tài)前景模板的基礎上，若以靜態(tài)前景模板為基礎，分別在當前幀和背景幀進行模板收縮后的再生長，模板在不同層的再生程度愈大，就意味著靜態(tài)前景區(qū)與該層的相容程度愈大。所以，根據此相容程度構建鬼影檢測準則：如果某靜態(tài)前景區(qū)域與背景圖像的相容程度大于它與當前幀的相容程度，則將該靜態(tài)前景物決策為滯留目標；反之，如果其與背景圖像上的相容程度小于它和當前幀的相容程度，則將此靜態(tài)前景物體決策為移走目標。

本文根據區(qū)域生長算法，針對雙背景模型的特性，長周期背景模型更新速率慢，短周期背景更新速率快，鬼影在長周期背景圖像和短周期背景圖像的區(qū)域生長大小不同，來檢測鬼影，見圖3，具體思路如下：

(1) 基于腐蝕運算的前景模板收縮。使各區(qū)域目標邊界向內收縮，同時可以去掉尺寸小于結構算子的小型目標。

(2) 區(qū)域生長。選取暫時靜止區(qū)域為種子點，設定生長準則，不斷判斷8鄰域的像素點是否滿足生長準則，不滿足則停止生長。

(3) 鬼影檢測判決。根據靜止區(qū)域在長周期背景圖像和短周期背景圖像中的區(qū)域生長大小來判定鬼影和遺留物。如果此暫時靜止區(qū)域在長周期背景圖像中再生長的區(qū)域小于此區(qū)域在短周期背景圖像中再生長部分，則判定此靜態(tài)前景區(qū)域為鬼影；反之，則此靜態(tài)前景區(qū)域為遺留物。

圖3　基于區(qū)域生長的鬼影檢測流程圖

圖4為區(qū)域生長方法分類的具體過程示意圖。(a)和(b)分別為第2143幀物體被移動圖像和當前幀，(c)是長周期背景圖像，(d)是短周期背景圖像，(e)是獲得的暫時靜止區(qū)域二值圖，(f)和(g)分別是對(e)在長周期背景圖像和短周期背景圖像進行區(qū)域生長后的效果二值圖。我們可以清楚的從圖3中看到(f)的區(qū)域面積明顯小于(g)中的區(qū)域面積，因此判定區(qū)域為鬼影。反之，則為遺留物。

圖4　區(qū)域生長方法分類例子

3.2鬼影背景更新

慢速更新的混合高斯背景學習率低(即長周期背景模型)，以至于突然離開的物體不能及時更新，造成鬼影會被持續(xù)檢測到，從而影響整個監(jiān)控系統(tǒng)的處理效率，且當有新目標經過未更新區(qū)域時將無法檢測到目標。因此，檢測到鬼影要及時更新背景圖像，進行鬼影抑制。本文采用中值濾波背景更新法，主要步驟如下：

1) 建立一個緩沖器存放連續(xù)K幀視頻圖像。

2) 對緩沖器中圖像的每個像素點顏色值按從大到小排序，取每一個像素點在緩沖器中的中值。

3) 鬼影區(qū)域用得到的像素中值填充，對于非鬼影區(qū)域則根據背景更新公式漸變更新。更新公式如下：

Bt(x,y)=(1-α)Bt-1(x,y)+αM(x,y)

(5)

當檢測到鬼影時，用存儲的連續(xù)樣本圖像快速填充鬼影區(qū)域；對于非鬼影區(qū)域，中值濾波更新方法實現背景更新。

4實驗結果與分析

4.1實驗結果

根據本文算法，在VS2010編程環(huán)境下，內存為2 GB，主頻為2.0 GHz的PC機上，對PETS2007數據集和采集的實驗監(jiān)控視頻做測試。圖5采用PETS2007中的視頻，視頻中由于作為背景的包裹被移動后，背景的未及時更新會持續(xù)檢測到鬼影,使用本文方法檢測鬼影及背景更新結果，其中(a)為長周期背景圖像，黑色包裹在背景中，包裹移動后由于未及時更新則為錯誤的背景，(b)為短周期背景圖像，(c)為第2143幀，黑色包裹被移動，(d)是根據本文鬼影檢測算法，在第2351幀檢測到的鬼影(黑色方框內的區(qū)域)，(e)采用本文提出的背景更新法得到的正確長周期背景圖像。實驗2是室內監(jiān)控視頻，同實驗1對作為背景的包裹移動產生的鬼影做檢測和抑制，結果見圖6所示。

圖5　實驗1結果圖

圖6　實驗2結果圖

4.2對比分析

本文研究了文獻[4]基于三幀差法的鬼影抑制方法，該方法處理速度快，但得到的運動目標輪廓效果不好，且當運動物體輪廓復雜時，得到目標輪廓不是封閉的，背景填充效果不好，不利于背景更新，因此背景更新后的效果并不好。圖7為兩種方法的更新效果對比，視頻是一名男子突然走動，導致出現鬼影，(a)是初始幀，(b)是三幀差法得到的運動目標輪廓，可見輪廓沒閉合，且部分輪廓沒檢測到，背景無法填充，(c)是三幀差法更新后的背景圖，其中黑色方框內為更新部分，其他部分無法更新，(d)是本文預處理后得到的背景圖，可見更新效果好。

圖7　三幀差法效果圖

本文也研究了文獻[5]基于顏色直方圖相似性鬼影檢測方法，該方法主要是通過比較背景圖像和當前幀的鬼影區(qū)域的顏色直方圖相似性來檢測鬼影。圖8中采集的視頻光照環(huán)境較暗且包裹顏色也較暗，情況較復雜不易檢測，分別采用文獻[5]方法與本文算法進行對比分析，基于顏色直方圖相似性的方法，得到的直方圖相似度僅為0.578，漏檢，標記為白色，而本文算法則可以準確地檢測出鬼影，標記為黑色，如圖8所示。由此可見，基于顏色直方圖相似性方法鬼影受環(huán)境影響較大，檢測準確率不高。

圖8　直方圖相似性法與本文方法鬼影檢測結果對比圖

文獻[6]為基于輪廓匹配的鬼影檢測法，在簡單場景中，檢測效果較好，但在背景輪廓也較復雜的場景下會誤檢。如圖9所示，輪廓較復雜的場景，其中(a)為初始背景幀，(b)是第517幀將包裹拿走，(c)為基于輪廓匹配方法檢測結果，輪廓匹配相似度小于設定閾值，產生誤檢，(d)為本文方法檢測結果。

圖9　輪廓匹配法與本文方法檢測結果對比圖

同時，基于顏色相似性方法和基于輪廓匹配的方法，不能處理遮擋情況，但本文方法可不受遮擋影響。如圖10所示，(a)為單背景模型采用的背景圖像，也為雙背景模型中的短周期背景圖像，(b)為第2143幀物體被移走，第2673幀人遮擋了移動物體位置，(c)和(d)表明基于顏色直方圖法和基于輪廓匹配法都檢測錯誤，而本文方法利用長短周期背景圖像，未與當前幀匹配，因此可正確檢測，如(f)所示。

圖10　遮擋情況下三種方法的效果對比圖

5結語

從上面的分析比較中可以看出，三幀差法的背景更新效果受幀處理步長及輪廓復雜度的影響，更新效果并不好?；陬伾狈綀D相似性分類法受光照等環(huán)境影響較大，適用于背景顏色效果好的場景?；谳喞ヅ浞椒ㄊ鼙尘靶畔⒂绊戄^大，適用于背景輪廓較簡單的場景。且兩種方法均不能處理遮擋問題。而本文提出的基于區(qū)域生長的分類方法針對雙背景模型鬼影檢測，檢測準確率高，環(huán)境適應性強，能處理遮擋問題，背景更新效果好。

參考文獻

[1] Avidan S.Support vector tracking[J].IEEE Trans on Pattern Analysis and Machine Intelligence,2004,26(8):1064-1072.

[2] Learnedmiller E G,Sevillalara L.Distribution fields for tracking[C]//Proc of IEEE Conference on Computer Vision and Pattern Recognition,2012:1910-1917.

[3] Oron S,Barhillel A,Levi D,et al.Locally orderless tracking[C]//Proc of IEEE Conference on Computer Vision and Pattern Recognition,2012:1940-1947.

[4] 胡小冉,孫涵.一種新的基于ViBe的運動目標檢測方法[J].計算機科學,2014,41(2):149-151.

[5] 李曉娟,李佳田,何育楓.目標相似度量的鬼影抑制方法[J].計算機應用研究,2014,31(3):926-928.

[6] 王偉嘉,劉輝,莎莉,等.滯留與偷竊物體實時檢測與分類算法[J].計算機應用,2007,27(10):2591-2594.

[7] Stauffer C,Grimson W E L.Adaptive background mixture models for real-time tracking[C]//Proceedings of IEEE Conference on Computer Vision and Pattern Recognition.IEEE Computer Society,1999:246-252.

[8] Tian Y L,Lu M,Hampspur A.Robust and Efficient Foreground Analysis for Real-time Video Surveillance[C]//Proceedings of the 2005 IEEE Computer Society Conference on Computer Vision and Pattern Recognition.CVPR 2005,2005:1182-1187.

[9] Li X,Zhang C,Zhang D.Abandoned objects detection using double illumination invariant foreground masks[C]//20thinternational Conference on Pattern Recognition,2010:241-250.

GHOSTING SUPPRESSION METHOD BASED ON DUAL BACKGROUND MODEL

Yan ShuoChen Keshan

(SchoolofMechanical,ElectronicandControlEngineering,BeijingJiaotongUniversity,Beijing100080,China)

AbstractAiming at the problem of ghosting detection and suppression under dual background model, we propose following methods: preprocessing, ghosting detection based on regional growing and ghosting suppression based on background update. Preprocessing is our first step so that we can restrain the ghosting occurring in first frame and build an accurate background. Then, we detect the ghosting by using different sizes of regional growing of the ghosting in current frame and in background frame. Finally, we update the background for the background image containing the ghosting object, and rapidly restore the background to restrain the recurrence of it. Results of experiment show that these methods can accurately detect ghosting with good effect of background update, and can fast suppress ghosting.

KeywordsGhosting detectionRegional growingBackground update

收稿日期：2014-12-03。閆碩，碩士，主研領域：目標檢測，目標識別。陳科山，教授。

中圖分類號TP391.41

文獻標識碼A

DOI:10.3969/j.issn.1000-386x.2016.05.040