一種改進的背景提取與目標檢測方法研究

2014-04-29 03:02:49王丹劉懷陳宏田

電子世界 2014年19期

王丹劉懷陳宏田

【摘要】目標檢測背景差分法是相對而言較為常用的方法，但是在背景差分法中，背景模型的建立成了至關重要的一個步驟，針對傳統(tǒng)的混合高斯模型面臨的計算量大、環(huán)境尤其是光照突變和對場景構成改變的問題，本文首先提出了一種簡化了的混合高斯模型，可以減少運算量[1-3];其次通過區(qū)分是否發(fā)生光照突變從而選擇不同的背景更新速率。簡單、有效地解決了背景建模、實時更新模型參數以及光照變化和場景構成變化的問題。

【關鍵詞】改進混合高斯模型;背景差分;運動目標檢測

Abstract：target detection background difference method is relatively commonly used method， but in the background difference method， background model has become one of the most important step， in view of the traditional gaussian mixture model face a large amount of calculation， the environment， especially the illumination mutations and a change to the scene， this paper puts forward an adaptive gaussian mixture model number choice， secondly by distinguishing light mutations and choose a different background update rate. Effectively solve the background modeling， real-time update model parameters and the change of illumination and scene change.

Keywords：Improving Mixture Gaussion medel;Background subtraction;Moving object detection

1.引言

對于運動目標的檢測，在現代化的各個領域都占有者重要地位，也是人們研究的熱點。基于背景模型建立的目標檢測方法通常有均值法、中值法、單高斯分布背景模型、混合高斯分布背景模型等，混合高斯模型是最為重要的一種背景建模方法。它是利用多個高斯分布函數進行背景模型的建立，通過與對應像素匹配，不斷修改多個高斯分布的組成及權重，因此對場景具有一定的適應能力，但是該方法仍然存在很多弊端：1）在光照突變或者樹葉大面積擺動的情況下，像素值會在短時間之內大面積的發(fā)生突變，很容易會被檢測成為目標，這就存在一定的虛假性;2）目標長時間停止再運動時，被目標遮擋的部分容易被誤判斷為前景目標;3）目標運動緩慢或者做短暫停留時，很容易將目標判斷為背景。

2.混合高斯模型

在混合高斯模型中，把圖像中的每個像素都建立K個高斯函數模型（K=3～5），高斯分布表示所構成的模型&其函數表達式為：

高斯混合模型的背景提取和更新應包含以下三個部分：背景模型的初始化、參數更新、背景模型提取。

2.1 背景模型參數初始化

要對K個混合高斯分布的均值、標準差、權重系數初始化[4]：

⑴K個混合高斯分布的均值為第一幀視頻所對應像素的像素值;

⑵K個混合高斯分布的標準差去一個相對較大的值;

⑶K個混合高斯分布的權重相等（一般為一）。

2.2 背景模型的參數更新

在完成對每個像素所對應的K個混合高斯分布初始化后，需要對下一幀圖像里的每個像素與K個高斯模型進行逐一高斯匹配，如果滿足式（1），則證明該像素與第i個高斯分布相匹配，匹配的為背景點，不匹配的為前景點。

（1）

對已經匹配成功的高斯分布按照式（2）進行參數更新：

（2）

匹配時取1，不匹配時取0。

2.3 背景模型的提取

每個像素點的多個高斯分布的優(yōu)先級按照的值從大到小遞減排列，在選取背景模型的時候從第一個優(yōu)先級最高的模型開始，選取B個高斯分布作為背景模型[5]：

其中：-0.7～0.8。

3.改進的混合高斯模型

3.1 混合高斯模型個數的簡化[6]

耗時較長是混合高斯模型較為突出的缺點，因為該建模方法需要對每個像素點建立多個（一般情況為3～5）高斯模型，大大增加了運算時間和運算的復雜度，有些不太復雜的場景下，很少的高斯分布就能準備的描述出背景模型，因此需要對高斯混合模型的個數采取減少的策略。

3.2 算法流程

（1）參數初始化：在描述的算法中首先規(guī)定，每個像素所對應的高斯分布模型的最大個數不超過3個，在視頻的第一幀，對每個像素設置的高斯分布個數都為1個，高斯分布的均值為該點的像素值，方差選取一個較大的數，權重可設為1。

（2）通過匹配適當增加高斯分布的數量：用已有的高斯分布進行像素匹配，如果出現現有的高斯分布中沒有出現能與當前像素匹配的情況，那么首先要判斷現有的高斯分布個數是否超出了規(guī)定的最大限額（3個），如果沒有超過，那么需要添加，如果已經到達了個數的上線，那么需要用新增的高斯分布去替代分布中權重最輕的那個高斯分布。

（3）對不必要的高斯分布予以刪除：在多個高斯分布中，優(yōu)先級和權重比較靠前的更能接近背景模型，而權重較低的高斯分布則更接近于前景，所以可以設定一個權重的下線，當初下現時，可以判斷出該高斯分布是不必要的，為計算方便，可以刪除該高斯分布。

圖1 均值法背景下檢測出的目標

圖2 均值法背景下光照改變時提取的目標

圖3 本文方法下提取的目標

4.改進的背景更新算法

對于室外采集到的視頻，難免會受到光照和大風等不可抗因素的影響，尤其是光照量的突變，視頻拍攝過程中光照突變會造成大片的虛擬目標被判斷出來，嚴重影響了目標檢測的準確度，在本文中如遇到光照突變的情況，可以通過以下方案進行改進：（1）改變背景的更新速率，加快背景模型的更新;（2）將檢測到的發(fā)生光照變化的第一幀設置為初始幀，重新建立一個背景模型。

圖4 本文方法下光照發(fā)生變化時提取的目標

出于對算法優(yōu)化的綜合考量，第一種方法更加便捷有效，要判斷光照突變的情況，可以設置一個測評參數φ，其中，通過設定一

個閾值（取=0.6），參照式（1）來實現環(huán)境的判斷，從而選擇背景模型的更新速率[7]。

（1）

其中：表示當前幀和背景模型相減后所得到的前景像素的個數;表示整個圖像的像素個數，若滿足上式，則表明視頻中發(fā)生了光照突變，此時可以將背景模型的更新速率適當增大，使變化后的像素值盡快成為新的背景;若不滿足上式，則表明視頻中未發(fā)生光照突變的情況，則采用原先的更新速率。

5.仿真結果與分析（見圖1-圖4）

6.結束語

本文為了克服傳統(tǒng)的高斯混合模型建模時存在的光照突變、計算耗時較長以及場景構成改變更新難的缺點，提出了一種改進了的背景建模與目標檢測方法。通過實驗結果的對比可以看出，基本上該方法是可以克服以上所述的缺點的，證明了本文中方法的實際可行性。

參考文獻

[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）：315-318.

[2]鐘珞，劉劍.基于混合高斯和均值濾波法的運動檢測方法[J].武漢理工大學學報：信息與管理工程版， 2010，32（ 5）：691-693.

[3]劉懷，黃建新.彩色圖像的矢量閾值自適應分割算法[J].南京師范大學學報：工程技術版，2006，6（2）：18-22.