一種基于混合高斯模型的運(yùn)動目標(biāo)陰影檢測策略

(中國石油大學(xué)(華東) 計(jì)算機(jī)與通信工程學(xué)院，山東 青島266555)

運(yùn)動目標(biāo)的識別和跟蹤一直是計(jì)算機(jī)視覺領(lǐng)域的主要研究方向。它利用仿生人類的生理視覺感知機(jī)制，形成所謂的“機(jī)器視覺”，通過計(jì)算機(jī)對攝像設(shè)備所獲得的視頻進(jìn)行分析，得到圖像序列中感興趣的運(yùn)動目標(biāo)的幾何信息，包括形狀、位置坐標(biāo)等，進(jìn)而根據(jù)目標(biāo)的某種特征，把連續(xù)圖像序列中感興趣的同一運(yùn)動目標(biāo)進(jìn)行識別并關(guān)聯(lián)，從而得到單一或多個目標(biāo)的運(yùn)動軌跡[1]。

目標(biāo)檢測是運(yùn)動目標(biāo)跟蹤技術(shù)中十分重要也是最基本的步驟，只有準(zhǔn)確地運(yùn)動目標(biāo)進(jìn)行檢測，才能為后續(xù)的目標(biāo)跟蹤、分析及理解打下良好基礎(chǔ)。目標(biāo)檢測是運(yùn)用相關(guān)算法或者規(guī)則，找出包含在場景中的動態(tài)目標(biāo)的像素點(diǎn)，同時將場景中的靜態(tài)像素點(diǎn)去除。目標(biāo)檢測方法按其原理可分為3個基本類別：幀間差分、光流和背景差減。背景差減法運(yùn)算速度較快，實(shí)時性較好，是當(dāng)前運(yùn)動目標(biāo)檢測中最常用的一類方法。利用高斯混合模型(Gaussian mixture model,GMM)建立背景模型，能較好地克服環(huán)境光照變化、枝葉搖晃等因素引起的影響，但是，高斯混合背景模型并不能實(shí)現(xiàn)對運(yùn)動物體的陰影檢測和消除[2]。陰影不屬于運(yùn)動目標(biāo)，必須消除。由于實(shí)際環(huán)境的復(fù)雜，當(dāng)光照到不透明物體上或是光照不均勻等情況時，陰影難免會伴隨著物體同時出現(xiàn)，而且隨著光照方向和強(qiáng)度的不斷變化，其方向和強(qiáng)度也在變化。本文首先利用混合高斯背景模型來消除背景，然后對確定的疑似陰影和運(yùn)動目標(biāo)再次進(jìn)行GMM建模(GMM_S)。這種“雙重”方法有效地消除了視頻圖像序列中運(yùn)動目標(biāo)的伴隨陰影。

1 混合高斯模型

GMM原理是把1幀圖像中的每個坐標(biāo)處像素的顏色值用M個單高斯模型來表征[3]，分別對應(yīng)于該像素M個不同的狀態(tài)。其中M在3～5個之間，那么，像素xi在時刻t的概率分布為

(1)

(2)

其中，μk和Σk分別表示期望和協(xié)方差矩陣，n是維數(shù)。

若滿足|xt-μk|<λσk，則該像素與模型匹配，更新模型參數(shù)[4]。其中，λ是一個常量，取值范圍在2～3之間，本文取2.5，σk是均方差。參數(shù)更新模型為：

πk,t=(1-α)πk,t-1+α；

(3)

μk,t=(1-ρk,t)·μk,t-1+ρk,t·xt；

(4)

(5)

其中ρk,t=αpk(xi;μk,t-1,Σk,t-1)，α∈[0,1]，是模型的學(xué)習(xí)率。其值越小，則模型更新越慢，但可以減少背景噪聲。對于剩下沒有匹配的高斯模型，它們的均值和標(biāo)準(zhǔn)差不變，但權(quán)重按πk,t=(1-α)πk,t-1進(jìn)行衰減。

將K個高斯模型按π/σ值從大到小順序排序，并選擇符合下式的前C個高斯模型作為背景模型:

(6)

其中T是閾值[5]，是一個全局性的先驗(yàn)概率。

2 運(yùn)動目標(biāo)的陰影檢測

目標(biāo)陰影難以去除的原因主要有2方面：1)從外觀上看，目標(biāo)的陰影明顯不同于背景的顏色；2)陰影與運(yùn)動目標(biāo)本身外形極為相似，運(yùn)動軌跡保持一致且運(yùn)動目標(biāo)與它的陰影往往緊緊伴隨在一起，所以陰影容易被誤認(rèn)為是前景目標(biāo)。

2.1 傳統(tǒng)陰影檢測算法

常用的傳統(tǒng)算法有基于顏色模型(HSV 、YUV)變換的陰影抑制算法[6]、基于色彩特征不變量的陰影抑制算法等[7-8]。

由于HSV顏色空間能夠較好地模擬人類視覺系統(tǒng)感知顏色的模式，因此基于HSV色彩模型變換的陰影消除算法能夠更準(zhǔn)確地檢測陰影；但是在這種算法里，關(guān)鍵參數(shù)α、β、τS、τH的取值要根據(jù)具體視頻場景的變化而調(diào)整，難以做到自適應(yīng)。

YUV色彩模型變換下的陰影消除算法的優(yōu)點(diǎn)是其復(fù)雜度和相應(yīng)計(jì)算量比HSV陰影消除算法低，但是在前景區(qū)域和背景區(qū)域的色度值(U、V)很近似、前景的亮度值(Y)比背景值低的狀況下，該算法模型檢測并進(jìn)而消除陰影的準(zhǔn)確性將降低。

基于色彩特征不變量的陰影消除算法的關(guān)鍵依據(jù)是像素的色彩特征不變性。色彩特征較好地、本質(zhì)地描述了像素顏色的配置，基本不受視覺角度、陰影覆蓋及光照條件等因素的限制；但是在對場景光照較強(qiáng)目標(biāo)的強(qiáng)陰影檢測和消除方面，該算法的準(zhǔn)確率不高。

2.2 基于GMM的雙重陰影檢測策略

本文在建立混合高斯模型的基礎(chǔ)上，提出了確定疑似陰影和進(jìn)一步用GMM消除陰影的“雙重”策略。這種雙重算法首先去除視頻圖像序列中的背景區(qū)域，同時實(shí)現(xiàn)對運(yùn)動目標(biāo)及其陰影區(qū)域像素點(diǎn)的疑似陰影判決，然后再使用GMM對所得目標(biāo)和疑似陰影像素群進(jìn)行陰影消除(以下用GMM_S表示這一新的混合高斯模型)，如圖1所示。這就減少了陰影檢測中的像素點(diǎn)總數(shù)，在一定程度上降低了算法的復(fù)雜度。

圖1 運(yùn)動目標(biāo)檢測與陰影去除的順序框圖

首先進(jìn)行疑似陰影的判定。通過理論分析發(fā)現(xiàn)，在陰影區(qū)域發(fā)生明顯減弱變化的是背景亮度，而顏色色度變化很小，因此陰影區(qū)域和背景區(qū)域?qū)?yīng)像素顏色夾角也會很小；所以通過顏色夾角的大小來判斷當(dāng)前像素是否為疑似陰影。這里用Xd=[IH(x,y),IS(x,y),IV(x,y)]和Xb=[BH(x,y),BS(x,y),BV(x,y)]分別表示場景中坐標(biāo)(x,y)位置處當(dāng)前前景像素和背景像素的顏色值，向量中的IH(x,y)、IS(x,y)、IV(x,y)與BH(x,y)、BS(x,y)、BV(x,y)分別代表相應(yīng)的當(dāng)前前景輸入值Xd和背景像素值Xb的色度(H)、飽和度(S)和明度(V)。2種顏色的夾角為

(7)

當(dāng)符合判決公式

α<τ

(8)

時,則判斷該坐標(biāo)處像素值是疑似陰影。

其中τ為根據(jù)實(shí)際環(huán)境自行選擇的較小角度值。

然后，對判定為前景且疑似陰影的像素用一個新的高斯混合模型進(jìn)行陰影消除，其過程如圖2所示。

圖 2 GMM_S去除陰影算法流程圖

3 實(shí)驗(yàn)與分析

3.1 實(shí)驗(yàn)條件

在VS2008開發(fā)環(huán)境條件下，用分辨率為320×240像素的AVI視頻序列進(jìn)行目標(biāo)檢測分割，實(shí)驗(yàn)中使用4個高斯模型，初始化方差σ=32，學(xué)習(xí)速率θ=0.003，T=0.7，ωk,1=0.005[7]，使用計(jì)算機(jī)視覺函數(shù)庫OpenCV，版本2.2。

3.2 結(jié)果與分析

試驗(yàn)中對不同環(huán)境下的多個視頻進(jìn)行實(shí)驗(yàn)分析。因篇幅所限僅選取其中一個視頻，并取自該視頻的第89幀和101幀的2幅圖像進(jìn)行目標(biāo)提取和陰影檢測，其算法結(jié)果說明，如圖3所示。

(a)原始幀圖像

(b)GMM目標(biāo)檢測

(c)YUV陰影消除

(d)色彩特征不變量陰影消除

(e)HSV陰影消除

(f)GMM_S雙重陰影消除

圖3(a)示出的是原始視頻的2幀圖像，圖3(b)是GMM檢測后的結(jié)果圖。可以看出，通過GMM背景建模可以實(shí)現(xiàn)前景運(yùn)動目標(biāo)的檢測和從背景中的分割，但是僅GMM模型不具備將陰影消除的功能。圖3(c)體現(xiàn)的是基于YUV顏色空間的陰影消除算法效果。可以看出，此算法在實(shí)現(xiàn)陰影消除時，在運(yùn)動目標(biāo)的某些區(qū)域顏色與場景背景相似同時亮度比場景背景略低的情況下，效果不佳。在實(shí)驗(yàn)的其他場景中有時會發(fā)現(xiàn)某個目標(biāo)被整體割裂成組合的幾塊。從圖3(d)看出：基于色彩特征不變量的陰影消除模型，有時會把目標(biāo)像素群中亮度比背景小的像素誤檢作陰影區(qū)域像素；在光照較強(qiáng)時，有時會將目標(biāo)中的像素塊整體檢作陰影，導(dǎo)致所謂“空洞”的出現(xiàn)，誤檢情況較嚴(yán)重[8]。圖3(e)是基于HSV色彩模型的陰影消除結(jié)果圖。可以看出，其依然有少數(shù)的目標(biāo)像素被誤檢為陰影區(qū)域，但與基于YUV模型、色彩特征不變量的方法比較而言，其整體效果要好于這二者。圖3(f)是本文提出的基于GMM的雙重陰影檢測消除策略的結(jié)果圖。通過多次實(shí)驗(yàn)發(fā)現(xiàn)，在不同的環(huán)境及光照下，它的陰影消除效果都較好，具有較低的誤檢率。

4 結(jié)論

本文首先引入混合高斯模型用于運(yùn)動目標(biāo)檢測，然后分析了傳統(tǒng)陰影檢測方案存在的問題，進(jìn)而提出一種基于混合高斯背景模型的雙重陰影消除策略：在完成背景建模和目標(biāo)檢測后，通過顏色夾角初步判斷是否為疑似陰影，再通過對疑似陰影和目標(biāo)進(jìn)行混合高斯建模從而實(shí)現(xiàn)更精確地判斷并最終消除真實(shí)陰影。實(shí)驗(yàn)證明，對于不同條件下的陰影檢測和目標(biāo)分割，該方法比傳統(tǒng)的基于HSV、YUV模型的陰影消除算法和色彩特征不變性消除算法具有更高的準(zhǔn)確度。在實(shí)驗(yàn)中也發(fā)現(xiàn)，本文的GMM_S模型在應(yīng)用時，要想提高其策略的效率需要盡可能多的陰影像素以利于參數(shù)的學(xué)習(xí)和更新，但是在許多視頻場景中屬于陰影的像素?cái)?shù)目相對較少，在場景中所占比例也較低，覆蓋同一片坐標(biāo)區(qū)域的時間較短；因此，策略中參數(shù)學(xué)習(xí)效率總體不高。怎樣提高這一參數(shù)的學(xué)習(xí)效率將在下一步研究工作中著重解決。

[1]Wei L, Nguyen A V, Lee E J. Real-time Recognition of Humans by Their Walk [J]. International Journal of Intelligent Information and Database Systems,2011,5(1)：24-38.

[2]趙欽君,趙東標(biāo),陸永華,等.一種基于時空信息的多目標(biāo)檢測新算法[J].儀器儀表學(xué)報(bào),2011,32(4)：877-882.

[3]付誠,賈年.基于混合高斯模型和GPU的車輛闖紅燈快速檢測算法及實(shí)現(xiàn)[J].西華大學(xué)學(xué)報(bào)：自然科學(xué)版,2012,31(2)：9-14.

[4]康家銀.一種改進(jìn)的顧及像素空間信息的FCM聚類算法[J].儀器儀表學(xué)報(bào),2009,30(1)：208-212.

[5]Gao D F,Jiang ZH L. A New Approach of Dynamic Background Modeling for Surveillance Information[C]// Proceedings of International Conference oncomputer Science and Software Engineering. Wuhan：Atlantis Press,2008：850-853.

[6]鐘餛，路小波,施毅,等.一種基于YUV彩色空間的運(yùn)動車輛陰影消除方法[J].交通與計(jì)算機(jī),2007,25(3)：111-113.

[7]李明,趙勛杰.改進(jìn)的基于高斯混合模型的運(yùn)動目標(biāo)檢測算法[J].計(jì)算機(jī)工程與應(yīng)用，2011,47(8)：204-206.

[8]閔華清,呂居美,羅榮華,等.基于GMM和MRF的自適應(yīng)陰影檢測[J].華中理工大學(xué)學(xué)報(bào)：自然科學(xué)版,2011,39(7)：115-120.