基于混合高斯模型的道路背景提取方法研究

黃國浪，潘 捷，許曉楠

(長安大學汽車學院，陜西西安 710064)

基于混合高斯模型的道路背景提取方法研究

黃國浪，潘 捷，許曉楠

(長安大學汽車學院，陜西西安 710064)

針對單高斯模型對道路背景提取的不足，提出一種基于混合高斯模型的道路背景提取方法。利用多個高斯分布組成混合高斯模型來表示道路背景圖像中的各個像素點，并且針對該算法利用MATLAB進行仿真實驗，實驗結果驗證了基于混合高斯模型的道路背景提取方法的實用性和有效性。

道路背景提取；單高斯模型；混合高斯模型

在城市道路視頻監控中，運動車輛的有效檢測、道路背景提取是進行車輛跟蹤、識別等交通監控后續處理的基礎[1]。運動車輛的檢測方法目前大致有光流場法、相鄰幀差法和背景減法[2]。光流場法運算相對復雜，若沒有特定的硬件支持一般很難滿足實時處理的要求[3]。相鄰幀差算法是最簡便的一種方法，檢測速度快、對光照不敏感、對環境變化的適應能力較強，但對靜止或者運動速度慢的車輛檢測效果較差，容易產生空洞[4]。背景減法是利用當前實時拍攝的含有運動車輛的道路圖像與實際獲取的道路背景參考圖像之間的差分來檢測運動車輛的一種技術，這種檢測方法在道路背景提取的實際應用中會遇到幾個關鍵問題：一是如何建立道路背景模型和實時更新模型參數以適應道路背景的變化；二是這些背景變化包括場景的光照變化(如陽光強弱和方向的改變、照明燈具的開關等)和場景構成的改變(如由紅燈或上下客引起的車輛停止等)。這些外在環境的實時改變，都會影響運動目標檢側的準確性。本文提出了一種基于混合高斯模型的道路背景提取方法，該方法在提取道路背景時可以隨車輛的走停及時更新，并且能抑制非靜止背景物體的干擾，使提取出來的道路背景更加精確。

1 單高斯背景模型

高斯模型就是利用高斯概率密度函數(正態分布曲線)精確地量化事物，將一個事物分解為若干個基于高斯概率密度函數形成的數學模型。單高斯模型是一種圖像處理背景提取的處理方法。對一個道路背景圖像，特定像素灰度的分布服從高斯分布，即道路背景圖像像素點(x,y)的灰度B(x,y)滿足：B(x,y)～N(u,σ)。這樣道路背景模型每個像素點的屬性包括2個參數：灰度平均值u和灰度標準差σ，有關系式

(1)

式中u(x,y)為像素點(x,y)處的像素灰度均值；σ(x,y)為像素點(x,y)處的像素灰度標準差；T為預定的背景閾值。

對于給定的圖像B，如果像素點(x,y)的灰度B(x,y)滿足式(1)，則認為像素點(x,y)是背景點，反之則認為該點是前景點(即運動目標點)。

同時，隨著時間的推移，受光線、天氣等因素的影響，道路背景圖像也會發生緩慢的變化。隨著背景圖像的變化，也要不斷更新各個像素點的參數，因此有

ut+1(x,y)=aut(x,y)+(1-a)Bt+1(x,y),

式中ut(x,y) 、ut+1(x,y)分別為第t幀、(t+1)幀圖像像素點(x,y)的像素灰度均值；a為更新參數，反應背景變化的速度；Bt+1(x,y)為第(t+1)幀圖像像素點(x,y)的灰度值。

一般情況下，不更新σ(x,y)(實驗中發現，σ(x,y)更新與否，道路背景提取效果變化不大)。

單高斯模型處理方法簡便，對道路圖像背景提取的處理速度也很快，但單高斯模型法難以抵抗非靜止背景物體的干擾，且易受時走時停的車輛的影響，不能及時的更新背景[5]。對于大多數道路背景來說，隨著時間的推移道路背景是緩慢變化的，如果仍然使用單高斯模型將會使提取的背景與實際背景不同，對道路的監控造成影響。

2 混合高斯背景模型

2.1混合高斯模型

混合高斯模型是單高斯模型的延伸，由于混合高斯模型能夠平滑地逼近任意形狀的密度分布，因此近年來常被用在圖像識別等方面，并且得到較好的效果。

道路背景圖像中的各個像素點分別用由M(M一般取3～5)個高斯分布構成的混合高斯模型來建模，即

2.2混合高斯模型的參數初始化

一般規定，混合高斯模型中一個高斯分布的均值等于輸入視頻第一幀所對應的像素值，其它為0，即

對各高斯模型的權重系數的初始化就是對道路背景的分布進行先驗概率的估值。在對權重系數初始化時，一般是將第一個高斯模型的權重系數取較大值，其它M-1個高斯分布的權重系數取較小值，即

式中ω為介于0和1之間的常數。

2.3混合高斯模型的參數更新

對于當前圖像B中的某一像素點(x,y)，如果判斷出該像素點的混合高斯模型中至少有一個高斯分布與該像素點灰度值B(x,y)匹配，此時對混合高斯模型的參數進行更新。

1)更新與混合高斯模型中匹配的高斯分布Nk(B(x,y),uk(x,y),σk(x,y))的均值uk(x,y)和標準差σk(x,y)，有

對于當前圖像B中的某一像素點(x,y)，如果判斷出該像素點的混合高斯模型中沒有與該像素點灰度值B(x,y)匹配的高斯分布，那么此時的混合高斯模型的參數更新規則是將最不可能代表背景分布過程的高斯分布Nk(B(x,y),uk(x,y),dk(x,y))重新賦值，即

(2)

(3)

3 道路背景提取及運動目標分割

(4)

式(4)的含義是M個高斯分布從大到小排序后，從前往后各個高斯分布的權重系數求和，當權重系數的和第一次≥T(0.5≤T≤1)時結束，N即是已經進行求和的高斯分布的個數。

如果像素灰度值Bt+1(x,y)與混合高斯模型中前N個高斯分布中的一個或一個以上匹配，則判定該點為背景點，此時的背景點G(t+1)(x,y)、前景點Q(t+1)(x,y)更新為

如果像素灰度值Bt+1(x,y)與混合高斯模型中前N個高斯分布中的任何一個都不匹配，則判定該點為前景點，此時的背景點G(t+1)(x,y)、前景點Q(t+1)(x,y)更新為

式中Gt(x,y)為輸入第t幀圖像時像素點(x,y)對應的背景點。

4 MATLAB仿真實驗及結果分析

為了驗證基于混合高斯模型的道路背景提取方法的效果，采用MATLAB軟件進行編程仿真實驗。即在計算機上對一段視頻文件進行基于混合高斯模型的道路背景提取及目標檢測實驗。仿真實驗條件說明如下：

1)仿真實驗在Intel(R) Core(TM) i5-2430 CPU的計算機上，使用MATLAB 7.10.0(R2010a)軟件進行。

2)用于仿真實驗的視頻共有400幀圖像。

3)仿真實驗中T、M、Cvar、ω、λ各個參數的取值分別為2.5、3、6、0.5、0.01。

圖1為基于混合高斯模型的道路背景提取方法仿真實驗流程圖。

圖1 混合高斯模型仿真實驗流程圖

圖2為基于混合高斯模型的仿真試驗圖像。同時，為了說明本文論述的背景提取方法的有效性，將試驗中所用的視頻文件在相同硬、軟件環境下進行基于單高斯模型的道路背景提取及目標檢測的仿真試驗，仿真試驗圖像如圖3所示。

圖2 基于混合高斯模型的仿真試驗圖像

圖3 基于單高斯模型的仿真試驗圖像

對仿真試驗結果進行以下幾點分析：

1)基于混合高斯模型的道路背景提取仿真試驗用時為100 s。根據視頻文件幀數和試驗用時計算得到仿真試驗每s運算處理4幀圖像。一般情況下1臺普通攝像機每s拍攝25～30幀圖像，從實時拍攝視頻中的5幀圖像中抽取1幀圖像來進行背景提取及目標檢測運算。如果需要進行實時背景提取和運動目標檢測，則1 s內至少需要實時運算處理5幀圖像。這比本文的仿真試驗中每s運算處理4幀圖像至少還需要多運算處理1幀圖像。說明在本文進行的基于混合高斯模型的道路背景提取仿真實驗的時間成本是比較高的。

2)對比圖2、3可以發現，圖2中提取的道路背景圖像更接近真實的道路背景，檢測到的運動目標更清晰。因此基于混合高斯模型的道路背景提取方法能夠更好的提取出道路背景以及識別出運動目標。

3)從圖2、3中可以看到，行駛在道路上的汽車由于燈光或陽光產生的陰影使檢測出來的運動目標的輪廓與實際運動目標的輪廓不同。運動目標檢測圖中連同汽車的陰影一塊顯示出來，即把運動目標的陰影也當成了運動目標。如果馬路上行駛的2輛汽車靠的很近，其中1輛汽車的陰影將這2輛汽車連接在一起。在這種情況下，這2輛汽車在目標檢測圖中就有可能是連在一起的一個整體，2輛汽車被當作一個運動目標對待。這會對運動目標檢測的準確性產生一定的影響。

5 結語

道路背景的提取與實時更新對運動車輛等目標的準確檢測有著重要的影響?；诨旌细咚鼓Ｐ偷牡缆繁尘疤崛》椒?，能對道路背景進行實時的更新與重建，對道路背景的提取和運動目標的檢測結果比較理想。但基于高斯模型的背景提取方法會使道路上運動的車輛由于燈光或陽光產生的陰影對運動目標的檢測產生一定的影響，這是后續研究中有待改進的一個方面。

[1]Boors A G, Pitas I. Prediction and Tracking of Moving Objects in Image Sequences[J].IEEE Transactions on Image Processing，2000，9(8)：1441-1445．[2]王建飛，楊文幫.基于自適應混合高斯模型背景提取的研究[J].中國科技博覽，2013(21):66-67.

[3]王天旭,周煦林,崔麗潔，等. 基于背景模型的車輛目標檢測[J].微電子學與計算機，2011，28(7):65-67.

[4]楊丹，余盂澤.車輛視頻檢測及陰影去除[J].計算機工程與設計，201l，32(6)：2072-2079．

[5]楊裙,史忠科.基于改進單高斯模型法的交通背景提取[J].光子學報,2009，38(5)：1293-1296.

(責任編輯：楊秀紅)

ResearchonRoadBackgroundExtractionMethodBasedonGaussianMixtureModel

HUANGGuo-lang,PANJie,XUXiao-nan

(SchoolofAutomobile,Chang′anUniversity,Xi′an710064,China)

Aiming at the shortcomings of the road background extraction method based on the single Gaussian model, this article proposes a road background extraction method based on the Gaussian mixture model. It adopts the Gaussian mixture model made up of the multiple Gaussian distributions to represent the each pixel point of the road background image, and conducts simulation experiments for the algorithm by using MATLAB. The experimental results certify the practicality and effectiveness of the road background extraction method based on the Gaussian mixture model.

road background extraction; single Gaussian model; Gaussian mixture model

2014-02-19

黃國浪(1988—)，男，陜西靖邊人，長安大學碩士研究生，主要研究方向為城市道路交通系統規劃與管理.

10.3969/j.issn.1672-0032.2014.01.009

TP391.41;U495

A

1672-0032(2014)01-0039-05