實時背景下的遺撒物體檢測研究

化 莉,沈建新

(1.淮陰工學院計算機工程學院,江蘇淮安 223003;2.南京航空航天大學機電學院,江蘇南京 210016)

0 引 言

遺撒物體有可能是顧客遺忘的貴重物體,也有可能是不法分子放置的危害社會安全的危險物品.遺撒物體的檢測是智能監控系統中一個重要的組成部分[1].本文主要針對在靜態背景環境下,通過2個步驟實現對遺撒物體的檢測:第一步,利用混合高斯背景模型結合背景差分算法實現對運動物體的精確檢測,并將運動物體用塊表示在圖像中;第二步,為塊分配重心、面積和輪廓3個屬性,并檢測在視頻序列中是否有相同的塊的出現頻率超過預先設置的值,如有則標記為遺撒物體,同時發出報警信息.

1 運動物體的檢測

運動物體的檢測是實現遺撒物體檢測的必要前提條件,運動物體的檢測精度將直接影響到遺撒物體的可靠提取.目前,在運動物體的檢測中,常采用背景差分法[2-5],其原理是將視頻序列的前幾幀圖像的某一幀作為背景圖像,利用當前圖像與背景圖像做差分計算來實現對運動物體的檢測.由于智能監控系統通常需要全天候實時監測,光照、天氣等外部條件的變化會對監控系統獲取的圖像的灰度影響很大,如果保持背景圖像不變,檢測的精度必然會受到影響[2,6,7].對此,我們首先引入混合高斯背景模型實時更新背景圖像,然后,再利用背景差分法檢測運動物體.

1.1 混合高斯模型

高斯模型,是利用高斯概率密度函數(正態分布曲線)精確地量化事物,即將一個事物分解為若干的基于高斯概率密度函數形成的模型.混合高斯背景建模的基本思想是:對于每一幀背景的像素,均采用K(一般3～5)個高斯分布組成的混合高斯模型來描述[3].每個高斯分布代表不同的灰度值,每個高斯分布的權重代表當前灰度值在圖像中所占的比重.由于背景圖像的像素值變化緩慢或基本保持不變,所以在K個高斯分布中選用權重大、方差小的高斯分布來填充當前像素的灰度值[4].用 p(Xt)表示像素(x,y)的值 X在某一時刻t出現的概率,

其中,wi,t是第i個高斯分布在t時刻的權值,μi,t表示第i個高斯分布在t時刻的均值,∑i,t表示第i個高斯分布在時刻 t的協方差矩陣,η是高斯分布的概率密度函數,可表示為,

混合高斯模型建模的具體步驟包括:

(1)初始化K個高斯模型的參數,將第一幀圖像中像素點的灰度值作為均值,將標準方差設置為0.

(2)對每一幀圖像中的每個像素進行處理,看其是否匹配某個模型.若匹配,則將其歸入該模型中,并用當前幀圖像的灰度值更新模型[5],同時,利用公式(3)調整各個高斯分布的權值,

其中,α∈[0,1]是學習率,Mk,t表示是否匹配,若匹配 Mk,t=1,否則 Mk,t=0.未匹配的高斯分布的均值μ和方差σ保持不變,需要更新的高斯分布的均值和方差為[6],

其中,ρ是第二個學習率,ρ=α η(Xt|μk,σk).

更新的方法是,用一個新的高斯分布代替概率最小的一個高斯分布,用當前像素值代替新的高斯分布的均值,并為其分配一個較大的協方差和較小的權重.

(3)選擇前面幾個權重較大、協方差較小的高斯分布作為背景模型,為背景目標的提取做鋪墊.

1.2 背景差分算法

背景差分算法的基本思想是:取視頻序列的前幾幀中的一幀作為背景圖像,將當前某一時刻的圖像與背景圖像中對應像素的灰度值做減法運算,然后選取一個閾值對差分圖像進行二值化處理,從而檢測出運動目標[7].背景差分法的表達式為,

其中,B(xi,yj)為選取的背景圖像的像素值,f(xi, yj,tm)為t時刻圖像中對應背景圖像的像素值,T為選擇區域的閾值,D(xi,yj)為經過背景差分后獲得的二值化圖像.

1.3 實 驗

在實驗中,我們首先利用K=5個高斯分布構建混合高斯模型,獲得實時更新的背景圖像,然后利用背景差分算法實現對運動目標的檢測.圖1是結合混合高斯背景建模和背景差分算法實現的對運動目標的檢測結果.

圖1 結合混合高斯背景模型和背景差分算法的運動目標檢測

圖1(a)是視頻序列的第一幀圖像,從圖中可知在圖像中有“人體”背景存在.若直接將第1幀設置為背景,采用背景差分算法,將在后續圖像幀的“人物”區域出現誤檢測.而當采用混合高斯背景建模之后,獲得實時更新的背景圖像,結合背景差分算法,在第337幀、362幀、996幀檢測到運動物體.

2 遺撒物體檢測

2.1 遺撒物體確定方法

通過混合高斯建模和背景差分算法相結合準確檢測出運動物體之后,就需要判斷檢測出的物體是不是遺撒物體.判斷遺撒物體的基本原則是:在預定的時間內,被檢測出的運動物體未發生大幅度的變動.對此,我們通過3個參數來設置運動物體的屬性:重心、面積和輪廓.如果在連續的視頻序列幀內,被檢測出的運動物體的重心、面積和輪廓均保持基本不變,則可判斷此運動物體為遺撒物體.

在連續的視頻幀內,每幀檢測出的運動物體(用“塊”表示)個數及每幀中塊的標記順序不同.因此,如何標記遺撒物體的累加次數是解決問題的關鍵.

圖2為連續6幀圖像累積遺撒物體的表示方法.

圖2 連續6幀圖像中遺撒物體的分布

其中,#代表要檢測的遺撒物體,@代表其他運動物體.在(a)中,沒有遺撒物體存在,(b)、(c)、(d)、(e)、(f)中,遺撒物體分別標記為第3、1、1、3、5個塊.

本文解決遺撒物體累加的方法是:將(b)、(c)、(d)、(e)、(f)存儲的塊屬性(重心、面積、輪廓)與(a)中每個塊分別比較,如果符合塊的3個屬性基本保持不變的要求,則將與(a)中相匹配的塊累加,如果沒有找到相匹配的屬性,則將其代替(a)中未得到匹配的塊,結果如圖3所示.

圖3 連續6幀圖像中遺撒物體的匹配與累加結果

圖3(a)表示將圖2(a)與圖2(b)的塊屬性相比較,因沒有遺撒物的匹配,將(b)中的塊代替(a)中所有的塊.圖3(b)表示將圖2(c)與圖3(a)相比較,有遺撒物的匹配,則將匹配值加1,同時,將其余未匹配值取代圖3(a)中的塊.以此類推可以發現,累加值逐漸增加,同時遺撒物體均被放置在第3個塊上.當累加值達到預設數值時,可在圖像中根據塊的重心、面積和輪廓將塊表示出來.

2.2 實 驗

在實驗中,利用本文方法檢測得到遺撒物體的結果如圖4所示.圖4(a)、(b)中某人將提包丟失在走廊后,系統開始檢測是否有遺撒物體存在,當滿足條件的預測幀數達到預設值時,遺撒物體被用矩形框標注出來,并發出報警(如圖4(d)、(e)、(f)).此外,實驗中我們還發現,當有其他運動物體存在時,并不影響對遺撒物體的檢測(如圖4(f)).

圖4 視頻序列中的遺撒物體檢測

3 結 語

本文通過引入混合高斯背景模型實時地更新背景圖像,將當前幀與背景幀做差分計算來實現對運動物體的精確檢測與分割.同時,對每幀檢測出來的運動物體分配屬性,以判斷各幀圖像是否存在屬性相同的運動物體,依次累加,當達到預定值時即判斷并標記出遺撒物體.需要說明的是,本文在運動物體的檢測中未能有效地去除陰影,這對運動物體的準確分割產生了一定的影響.因此,如何去除運動物體的陰影,實現對運動物體的進一步精確分割需要繼續探討.

[1]劉亞,艾海舟,徐光佑.一種基于背景模型的運動目標檢測與跟蹤算法[J].信息與控制,2002,31(4):315-319.

[2]李強,趙亦工,高永晶.基于背景差分的運動目標的檢測算法研究[J].遙測遙控,2007,28(6):68-72.

[3]Stauffer C,Grimson W EL.Adaptive background mixture models for real-time tracking[C]//1999IEEE Computer Society Conference on Computer Vision and Pattern Recognition.New Y ork: IEEE Press,1999.

[4]Neal R M,Hinton G E.A View of the EM Algorithm that Justifies Incremental,Sparse,and Other Variants[C]//Learning in Graphical Models.Netherlands:kluwer Academic Publishers, 1999.

[5]Shimada A,Arita D.Dynamic Control of Adaptive Mixture-of-Gaussians Background Model[C]//Proceedings of the IEEE International Conference on Video and Signal Based Surveillance. Sydney:IEEE Press,2006.

[6]Han X Y,Zhu Q D.Research on Technology and Application of Tracking Moving Target Based on Vision[D].Harbin:Harbin Engineering University,2006.

[7]張毅剛,曹陽,項學智.靜態背景差分運動目標檢測研究[J].電子測量與儀器學報,2010,24(5):494-499.