基于彩色背景建模的前景檢測

孫海軍，嵇亮亮，王 耿

（中國電子科技集團公司第二十八研究所，江蘇南京 210007）

0 引言

對序列圖像的運動分析是當前計算機視覺領域的一個重要研究方向，其研究內容相當豐富，在高級人機交互、智能監控、交通監測等方面具有廣泛的應用前景。其中一個重要課題就是基于視頻的運動目標檢測，判斷視頻序列中是否存在運動目標，并確定運動目標的位置、形狀等特征。目前主要的運動檢測方法有差分法［1］、光流法［2，3］和背景減除方法［4］。不同方法存在著各自的優缺點，對于背景減除法而言，最主要的難點在于尋找理想的背景模型以及后續背景模型的更新［5］。本文通過對像素統計分析，建立彩色背景及振幅模型的方法來實現前景檢測，并持續更新模型。

1 算法整體框架

本文的算法框圖如圖1 所示。

依圖1 所示，首先對圖像進行圖像預處理，然后初始化背景模型，當初始模型完成后，進行提取前景。在提取前景的過程中，不斷對模型進行更新。

2 彩色背景建模

2.1 圖像預處理

由于原始圖像中往往存在噪聲，所以直接求差分受到的影響比較大。因此，在進行背景減除之前，必須先對圖像進行濾波處理。本文采用中值濾波的方法，對圖像進行平滑處理，剔除了部分噪聲。

2.2 背景模型

對于視頻圖像的某一像素點進行統計，可以發現在大部分的時間段內，該像素點RGB 各通道的亮度值多為背景點的值，變化幅度很小，只有在有前景運動目標通過時，它的值才會發生較大變化，如圖2 所示，列出了R 通道的值變化。

圖1 算法框圖

從圖2 中可以發現，當有行人目標通過時，在第15 幀亮度值開始下降，當第25 幀目標進入該點時已經發生了很大的亮度值變化，直到第50 幀目標離開時，亮度值恢復。而當沒有運動目標通過時，背景的亮度值維持在180 左右的很小范圍內。

本文在求取初始背景模型時，采用對100 幀圖像求取各通道的平均值，得到初始的背景，公式如下：其中，In為第n 幀圖像，bg 為背景圖像。

圖2 運動前景分析圖

這里要求視頻的初始100 幀最好是以背景居多的時段，如果是前景目標較多，則會影響初始的前景檢測，但通過背景更新，之后仍然可以得到正確背景。

2.3 背景像素振幅值模型

從之前的分析，已經知道背景值是在一定的區間范圍內變化的。在得到初始彩色背景模型后，我們已經知道每一個像素點的基準值（即背景值）。那么之后的圖像與背景差分，如果差值落在振幅范圍之內的，可以認為是背景，振幅之外則認為是前景。

不難發現，其實像素點的亮度值服從高斯分布的，本論文提出的背景模型是基于像素的，每一個像素點的亮度值都可以看作是一個獨立的隨機過程，在較長的時間段內，背景的像素點的顏色值穩定分布在一個確定值的領域內。這也是本文算法的理論依據及基礎。對于高斯分布模型，利用圖像序列在得到均值之外，還可以估計出方差，這樣就可以描述該高斯分布。這里除了假設每個像素點是獨立之外，為了計算方便還假設每個像素點的顏色分量都是獨立分布，服從一維高斯分布［6］。

在云計算層，使用Rest代理對智能傳感設備和數據存儲平臺的時間響應并進行標記屬于快消息還是慢消息；業務引擎在收到業務后，對業務進行過濾，通過業務處理時長與隊列處理基準時長的比較結果動態調整隊列映射配置表，隨后將處理結果轉發給智控引擎；智控引擎根據應用層的需要進行智能調控，并將相關的調控信息發送給推送引擎；推送引擎通過智能數據管理平臺(Smart Data Management Platform, SDMP)引擎將指令發送給相應的智能終端，從而對用電設備發起控制。

所以本論文除了一般的初始背景圖像建模外，還對每個像素點的振幅值進行建模。公式如下：

其中，In為第n 幀圖像，bg 為背景圖像，S 為背景振幅值，皆為與圖像有相同大小的三通道矩陣。

本論文在初始背景建立后，繼續利用100 幀圖像對背景振幅值進行建模。即經過共200 幀的初始化階段，就完成了自動彩色背景建模的工作。

3 前景提取

在背景建模初始化之后，就進入檢測階段，在已經獲得了彩色背景圖像的基礎上，利用背景減除法的方法可以很容易得到前景圖像。比較當前圖像和背景圖像中對應像素點的差異，如果某一通道的差值大于背景振幅閾值，則可以判定該像素點為前景。

對于輸入的視頻圖像I 與背景圖像bgImg 和背景振幅值sgm 進行比較，判斷背景與前景區域：

其中，I（x，y，i）為輸入圖像在坐標（x，y）處i 通道的值，bg（x，y，i）和S（x，y，i）分別代表背景圖像和背景振幅在坐標（x，y）處i 通道的值，C 代表調整參數，為常數，這是一個經驗調整值，可根據具體場景調節背景振幅閾值。

若根據上述公式計算得到的圖像點（x，y）處三通道的差值都小于0，則表示輸入的當前圖像在（x，y）處為背景圖像，否則判定為前景圖像。

4 模型更新

在一般的監控場景中，光線會隨著時間或其他原因變化從而引起圖像全局或者局部亮度的變化。而且場景中也可能存在進入固定物體或者原有物體的移出，對于這部分區域，應該在一段時間之后，能夠正確更新得到正確的背景。所以背景模型必須要具有自適應性，需要實時地對背景模型進行更新。

為了滿足系統的實時性要求，采用計算簡單的移動均值的方法來更新比較適合。但一般的移動均值法，無論前景還是背景，都按照同一策略統一計算。這樣將前景和背景以同樣的權值更新，勢必會對新的背景圖像產生影響，造成錯誤的背景模型，對后面的檢測過程也會有影響。因此，本文采用改進的移動均值法對背景圖像和背景振幅進行更新，根據前景提取的結果，對前景和背景采用不同的更新策略，具體如下：

其中，I 為當前幀圖像，bg 為背景圖像，fg 為前景二值圖像，B 和F 分別為背景更新率和前景更新率，都為常數，F 取值大于B。

同樣地，對于背景振幅值，也需要對其進行更新。首先計算當前幀圖像的振幅值，然后和背景更新一樣的更新策略進行更新，公式如下：

其中，S′為當前圖像與背景圖像比較得到的當前振幅值，S 為圖像的背景振幅值。

5 結果分析

圖3 所示的是運用本論文的背景建模算法進行背景提取的結果。3 個時刻點的光線隨著時間的遷移逐漸變暗，背景提取結果十分良好，并且能夠適應環境變化。

圖4 所示的是不同場景下前景提取結果的示意圖，結果表明在基于本文背景建模和前景判斷算法，能夠較好的提取運動目標。

6 總結

本章提出了一種基于背景建模減除法前景檢測算法。在對現有的背景建模方法分析之后，本文提出的一種準確、快速、適應能力強的背景建模方法，主要包括背景建模、背景振幅建模、前景提取以及背景與背景振幅更新。實驗分析表明，本文的前景檢測算法具有較好的準確性與魯棒性。

圖3 背景提取結果示意圖

圖4 前景提取結果示意圖

［1］Lipton A J，Fujiyoshi H，Patil R S.Moving target classification and tracking from real-time video［C］.Fourth IEEE Workshop on Applications of Computer Vision，1998.

［2］Horn B K P，Schunck B G.Determining optical flow［J］.Artificial intelligence，1981（1）.

［3］Tekalp A M，Tekalp A M.Digital video processing［M］.Upper Saddle river，NJ：Prentice Hall PTR，1995：126-132.

［4］Kornprobst P，Deriche R，Aubert G.Image sequence analysis via partial differential equations [J].Journal of Mathematical Imaging and Vision，1999（1）.

［5］Collins R T，Lipton A，Kanade T，et al.A system for video surveillance and monitor ing［M］.Carnegie Mellon University，the Robotics Institute，2000.

［6］Huwer S，Niemann H.Adaptive change detection for real-time surveillance applications［C］.Third IEEE International Workshop on Visual Surveillance，2000.

［7］柴進.視頻監控中的人數統計和人群密度分析［D］.西安：西安電子科技大學，2011.

［8］李立仁，李少軍，劉忠領.智能視頻監控技術綜述［J］.中國安防，2009（10）.