一種改進的混合高斯學習自適應背景建模算法

鄧利平，李明東，鄒海洋

(西華師范大學 計算機學院，四川 南充 637009)

?

一種改進的混合高斯學習自適應背景建模算法

鄧利平，李明東，鄒海洋

(西華師范大學 計算機學院，四川 南充 637009)

針對混合高斯學習模型計算復雜度高，實時響應系統應用困難等問題，提出了一種改進的背景建模算法，首先利用幀差法進行預處理，選擇出幀間變化區(qū)域，然后對變化區(qū)應用混合高斯學習模型進行采樣計算，完成視頻背景建模。由于混合高斯學習模型融合了增量最大期望分類學習方法，自動選擇學習率參數具有更好的收斂速度和背景估計精度；同時通過幀差法預處理降低了算法的計算量。實驗表明，該算法在保證收斂穩(wěn)定性和背景建模精度的情況下，提高了背景分割的響應速度。

背景建模；混合高斯學習；視頻檢測；幀差法

0 引 言

從視頻序列中分離出視頻背景和運動目標是一個基礎而又關鍵的任務，在智能視頻監(jiān)控、運動分析、行為理解、機器人視覺等領域應用廣泛。雖然已有很多文獻提到了背景建模，但遠還沒有完全解決復雜環(huán)境中視頻背景的分割問題。這主要是由于在實際生產環(huán)境中，引起背景變化的原因非常復雜,包括建筑物倒影、天氣改變或開關光源引起的光照變化；風吹動攝像機、樹枝或水波引起的背景擾動；將物體帶入或帶出背景等[1]。因此需要對背景圖像實時更新，以適應外部環(huán)境變化的改變。

針對文獻[8]混合高斯學習模型存在計算量大、光照突變敏感等問題，將幀差法與混合高斯學習模型融合，首先利用幀差法進行預處理，選擇出幀間變化區(qū)域，并判斷這種變化是全局性的還是局部性的；全局則對應光照突變，應對整個幀進行混合高斯采樣學習，并增大學習率加快收斂速度；對局部變化則僅對變化區(qū)應用混合高斯學習模型進行采樣計算，完成視頻背景建模。最后，比較本文算法與文獻[8]算法在真實視頻數據中的背景檢測性能。

1 混合高斯學習模型

理解不同混合高斯模型最好的方式是使用學習率進度遞歸濾波公式：

θ(t)=(1-η(t))θ(t-1)+η(t)△(x(t);θ(t-1))，

(1)

其中θ(t)是t時刻通過局部變化采樣的更新，為像素點在一個高斯分布下的加權灰度均值,η(t)為學習率。在常見的改進混合高斯模型中，η(t)值有兩種選擇方法。①η(t)=1/t，在這種情況下，學習率與時間成反比，允許算法在程序初始階段快速收斂到預期值，是一種觀測窗口無限大的固定分布最優(yōu)估計，后期對背景變化的學習效率降低，收斂速度變慢。②η(t)=α,其中α是一個小的常數，這種參數估計反映了窗口大小為L=1/α的最近觀測值的指數衰減。該方法實現參數收斂的時間與窗口大小成比例，初始階段和突變恢復的收斂時間較長?；旌细咚箤W習與傳統方法最主要的不同就是對η(t)參數的計算，引入參數ck對gk(第k個高斯分布)的有效觀測數目計數，并計算出自適應背景變化的η(t)值，這是一個增量學習過程。當高斯分布重置或死亡的時候，ck設值為1。

混合高斯模型的基本思想是把每一個像素點所呈現的特征用K個高斯分布狀態(tài)來描述，K取值越大，包含特征越多，精度上升伴隨計算量增大，一般K取3—5之間。下面簡述混合高斯學習模型[8]的基本過程。

1.1 高斯分布匹配

如果xt為t時刻的觀測值，在視頻監(jiān)控系統中表示當前幀的一個像素，那么該觀測點像素值在時間分布上的背景概率估計函數可表示為：

(2)

(3)

1.2 混合高斯學習模型更新機制

(4)

ifwinner-take-allthen

(5)

endif

1.3 背景建模公式

按照高斯分布的優(yōu)先級ρk由大到小排序，其中ρk=wk/δk。取前m個高斯分量聯機生成背景，公式如下：

(6)

其中閾值T為常數。T取較大值表示多高斯模型，T取較小值退化為單高斯模型。使用前m個高斯分布的均值加權和作為背景模型。

2 幀間差分融合機制

幀間差分能夠檢測出相鄰兩幀之間發(fā)生變化的區(qū)域。變化區(qū)域可以分為背景顯露區(qū)和運動覆蓋區(qū)，背景顯露區(qū)是物體移動之后顯露出來的背景，運動覆蓋區(qū)是移動物體所覆蓋的區(qū)域[3]。如果xt與xt-1是視頻序列中的連續(xù)兩幀，則兩幀圖像的像素變化區(qū)Xc和靜止區(qū)Xbg，可以使用下面的判定規(guī)則：

(7)

3 實驗結果

為了驗證本文算法的優(yōu)點，分別對文獻[5，8]及本文描述算法編碼實現，并對運行結果進行對比分析。實驗數據包括[12，13]的標準數據集。實驗環(huán)境為：Windows XP系統，CPU 2.93GHz，1.87G內存，MATLAB 7.0，視頻分辨率為320×240。

從圖2中可以看出，標準混合高斯模型提取的背景噪點較多，效果較差。混合高斯學習方法獲取到的圖片更加平滑自然，效果較好。在圖2(a)、(b)、(c)三個視頻序列中，任意時間都有汽車或人物移動，不存在某個時刻背景完全靜止，算法仍然提取到了視頻的背景圖像。(d)視頻序列中，包含背景變化，如柜門的開關和座椅位置變化，中間穿插多個人物的連續(xù)移動，混合高斯學習方法很好地適應這種背景變化，能夠迅速從變化中恢復收斂到新的背景圖像。上述實驗表明，混合高斯學習理論能夠有效解決視頻背景的建模問題。

4 結 論

在視頻監(jiān)控應用中，背景建模與視頻運動目標檢測密切相關。本文提出了一種改進的背景建模方案，該方法將幀差法與混合高斯學習相融合，首先使用幀差法對視頻做預處理，判斷視頻變化區(qū)的大小，當變化比率小于閾值時，僅對變化區(qū)計算高斯分布參數。實驗表明閾值取0.3時，能夠保持背景收斂精度的同時顯著減少算法的計算量。由于混合高斯學習模型使用EM算法訓練學習率參數值，使其自適應背景的改變，獲得了良好的背景提取效果。實驗結果證明，該方法能迅速響應背景變化，準確生成反應場景信息的背景圖像。

[1] 代科學,李國輝,涂 丹,等.監(jiān)控視頻運動目標檢測減背景技術的研究現狀和展望[J].中國圖像圖形學報,2006,11(7):919-927.

[2] 周 密,宋占杰.基于稀疏與低秩矩陣分解的視頻背景建模[J].計算機應用研究，2015,32(10):3175-3178.

[3] 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背景模型[J].中國圖像圖形學報,2008,13(4):729-734.

[4] HARITAOGLU I,DAVIS LARRY S,HARWOOD D.W4:A real time system for detecting and tracking people[C]//IEEE Computer Society Conference on Computer Vision and Pattern Recognition,April 14-16,1998,Nara,Japan:IEEE CS Press,1998:877-892.

[5] STAUFFER C,GRIMSON W E L.Adaptive background mixture models for real-time tracking[C]//Proc.Conf.Computer Vision and Pattern Recognition,June 23-25,1999,Fort Collins,Colorado: IEEE CS Press,1999,2:246-252.

[6] FRIEDMAN N,RUSSELL S.Image segmentation in video sequences:a probabilistic approach[C]//Proc.13th Conf. Uncertainty in Artificial Intelligence,August 1-3,1997,Providence,RI.New York:ACM,1997:175-181.

[7] SATO M A,ISHII S.Online EM algorithm for the normalized gaussian network[J].Neural Computation,1999,12:407-432.

[8] LEE DAR-SHYANG.Effective gaussian mixture learning for video background subtraction[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2005,27(5):827-832.

[9] 夏海英,何利平,黃思奇.基于時空分布的混合高斯背景建模改進方法[J].計算機應用研究,2014,32(5): 1546-1548,1553.

[10] ZORAN ZIVKOVIC.Improved Adaptive Gaussian Mixture Model for Background Subtraction[C]// Proceedings of the 17th International Conference on Pattern Recognition,August 23-26,2004,Cambridge,UK:IEEE CS Press,2004,2:28-31.

[11] 王永忠,梁 彥,潘 泉,等.基于自適應混合高斯模型的時空背景建模[J].自動化學報,2009,35(4):371-378.

[12] GOYETTE N,JODOIN P M,PORIKLI F,etc.IEEE CVPR 2012 Workshops on Change Detection[DB/OL].(2012-11-25) [2015-11-20].http://www.changedetection.net/.

[13] University of California,San Diego.Shadow Detection[DB/OL].(2000-09-30)[2015-11-20].http://cvrr.ucsd.edu/aton/shadow/.

An Improved Adaptive Background Modeling Algorithm Based on Gaussian Mixture Learning

DENG Liping,LI Mingdong,ZOU Haiyang

(College of Computer Science,China West Normal University,Nanchong Sichuan 637009,China)

For the high computational complexity of Gaussian Mixture Learning,hard application problems of real-time response system and other issues,this paper presents an improved scheme for modeling video background.In the completion of the video background modeling process,firstly the inter-changing area is selected according to the frame difference method,and then the sampling calculation based on Gaussian Mixture Learning is applied to this selected area.Since the Gaussian mixture model combining improved Expectation Maximization classification learning methods,automatically parameter learning rate has a better convergence speed and estimation accuracy,and also the algorithm computation is reduced.The experimental result shows that the algorithm raises the response speed for background segmentation,without reducing the convergence stability and modeling accuracy.

background modeling;Gaussian mixture learning;video detection;frame difference

1673-5072(2016)03-0349-05

2015-11-24 基金項目：四川省教育廳一般項目(14ZB0141) 作者簡介：鄧利平(1983—)，男，四川廣安人，講師，主要從事圖像處理研究。 通訊作者：鄧利平，E-mail:94076511@qq.com

TP391.4

A

10.16246/j.issn.1673-5072.2016.03.021