基于混合高斯模型的儲物柜存取貨行為檢測方法

林淦斌

摘 要：針對儲物柜存取貨物場景的實際情況和人員行為的特點，提出一種通過融合時間調整機制控制前景融入背景的改進型混合高斯建模檢測方法，并引入手臂識別機制。融合時間調整機制減小了由于人員停止運動而錯誤決策為背景的可能性；手臂識別算法模型有效地識別人員伸手動作。實驗結果表明，該方法可以簡單有效地從連續的圖像序列中檢測出人員在儲物柜場景下的存取貨物行為。

關鍵詞：混合高斯模型 時間調整機制 手臂識別 存取貨行為檢測

中圖分類號：TP391 文獻標識碼：A 文章編號：1674-098X（2015）01（c）-0052-03

儲物柜場景存取貨物行為檢測的主要任務是從連續的圖像序列中判別出從運動到靜止于儲物柜前并伸出胳膊打開儲物柜存取貨物的人員。傳統監控應用場景下，攝像頭常開記錄下每一個時刻攝像頭覆蓋區域的畫面；然而，當事件未發生時候所獲取的視頻往往沒有任何價值而又無差別地占用了存儲空間，且長時間處于工作狀態下的攝像頭功耗較大。儲物柜場景下，通常關心的是儲物柜中的貨物是否被誤取，因此只需有人員打開儲物柜事件發生時觸發攝像頭記錄存儲當前時刻視頻以供翻查佐證。基于該應用場景，檢測系統需要實現兩個功能：首先，如何把從運動到靜止于儲物柜前的人員從圖像序列中提取出來；其次，如何從提取出來的人員前景圖像中判別人員是否有伸出胳膊動作從而觸發攝像頭錄像并存儲。

根據儲物柜存取貨物場景的實際情況和人員行為的特點，本文改進傳統的混合高斯模型，提出一種通過融合時間調整機制控制前景融入背景的改進型混合高斯建模檢測方法，并引入手臂識別機制，具體檢測流程如圖1所示。實驗結果表明該方法有良好的魯棒性和自適應性，可用于儲物柜場景存取貨物行為檢測。

1 改進型混合高斯背景模型

1.1 混合高斯背景模型

背景模型對目標的識別和跟蹤至關重要。目前已有的大多數背景提取算法或基于靜態背景，或計算復雜，難以應用于光照緩慢變化和背景存在小幅度重復運動視頻的實時處理。其中，背景差法[1]對環境的變化（如光照等）較敏感，且分割精度易受噪聲影響。幀差法[2]不能完全提取出所有相關的特征像素點，在運動實體內部容易產生空洞現象。光流法[3]需要多次迭代運算，時間消耗大。混合高斯模型[4]由于采用多個高斯分布加權建模，能夠描述像素值分布的雙峰或多峰狀態，對背景的自適應性高，在時空效率都適中的情況下能提供相對精確的背景模型，而引起了眾多從事目標檢測與跟蹤[5-6]、視頻監控[7]等相關領域的專家和學者的關注。

單高斯背景模型（Single Gaussian Background Model，SGBM）的基本思想是：將圖像中每一個像素點的顏色值看成是一個隨機過程X，并假設該點的某一像素值出現的概率服從高斯分布。混合高斯背景模型（Gaussian Mixture Model）是在SGBM中將單個高斯分布作為相應某一像素值的概率密度分布，對其進行了擴展，通過多個高斯概率密度函數的加權平均來平滑地近似任意形狀的密度分布函數。令I（x，y，t）表示像素點（x，y）在t時刻的像素值，則有

其中α為學習率，取值在0～1之間。如果第i個高斯分布與當前像素匹配，則Di，t=1，否則Di，t=0。

1.2 基于融合時間調整機制的背景模型

儲物柜場景中經常存在人員突然停止并長時間站立在某柜子前的情況，混合高斯模型很難正確檢測出運動速度緩慢的物體，尤其當運動目標突然停止運動時，容易把靜止目標融入背景。本文根據該場景的特點，對傳統的混合高斯模型進行了改進，具體步驟如下：

背景學習階段——由于儲物柜場景中背景相對固定，不會經常發生變化，所以可以在背景學習階段賦值很高的學習率α快速建立背景；而且，該階段中越靠前出現的圖片幀是背景的可能性越大，因此算法中設置越靠前的圖片幀學習率越大，并設置一個學習周期。

背景更新階段——儲物柜場景中時常會出現人員突然停止并長時間站立在某柜子前的情況，因此該階段算法中通過設置很小的學習率來避免將靜止的人員融入背景。

通過如上所述的融合時間調整機制，可以十分簡便且有效地控制儲物柜場景中前景融入背景的時間。

1.3 實驗結果

為了檢驗算法的有效性，在VC++2010平臺下，分別對傳統混合高斯背景模型和本文改進方法進行實驗。實驗數據所拍攝視頻片段每幀圖像大小為640×480像素。視頻流中進入場景的人員在363幀停止行進站立于儲物柜前進行操作，直到597幀之后繼續有大幅度動作。圖2為部分實驗結果，圖縱列分別表示363幀、390幀、420幀和596幀的前景提取結果。對比實驗結果可以看出該文方法可以正確檢測出長時間靜止人員。

2 手臂識別算法模型

2.1 算法流程

手部識別算法是基于站立在儲物柜前人員的高斯前景圖像進行分析的。根據前景提取結果經由數學形態學平滑處理后，對每一個目標利用“爬蟲法”[8]提取出目標外接矩形框作為興趣區域，隨后對區域內前景進行手部識別。具體算法分析流程如下：

在高斯前景圖像上，對矩形框區域進行分析；

在矩形框區域，對高斯前景圖像做X軸和Y軸投影；

在X軸的投影上，分析投影的柱狀圖取閾值thr（thr可根據實際情況訓練調試），將柱狀圖中各柱體同thr比較，提取出小于thr的柱子X坐標；

分析上一步提取出的柱子，檢測其連通性，提取出連通區最長的一段，認為該段就是手臂；

分析最長段的兩端，如果一端柱狀圖明顯高于另一端，那么就認為該端是身體軀干部分，另外一端是手部。

2.2 實驗結果

依據上述算法流程，實驗結果分別選取一幀進行顯示，效果圖如圖3所示。圖中紅色方框表示所識別到的胳膊部分，黃色方框表示在胳膊基礎上進一步識別到的手部大致位置。實驗結果表明，該算法可以有效地從提取出來的人員前景圖像中判別人員是否有伸出胳膊動作。

3 結束語

該文提出一種通過融合時間調整機制控制前景融入背景的改進型混合高斯建模檢測方法，并引入手臂識別算法模型。融合時間調整機制控制了前景融入背景的時間，減小了由于人員停止運動而錯誤決策為背景的可能性；手臂識別算法模型有效地識別人員伸手動作。實驗結果表明，這套方法可以簡單有效地從連續的圖像序列中檢測出人員在儲物柜場景下的存取貨物行為。

參考文獻

[1] Haritaoglu I，Harwood D， Davis L S G.A human body part labeling system using silhouettes[C]//Fourteenth International Conference on Pattern Recognition，1998：77-82.

[2] 洪炳熔，賀懷清.虛擬人的步行和跑步運動控制方法的研究[J].高科技通訊，2001（3）：91-95.

[3] Meyer D，Denzler J，Niemann H.Model based extraction of articulated objects in image sequences for gait analysis[C]//Proc IEEE International Conference on Image Processing，Santa Barbara，California，1997：78-81.

[4] 李志慧，張長海，曲昭偉，等.交通流視頻檢測中背景模型與陰影檢測算法[J].吉林大學學報：工學版，2006，36（6）：993-997.

[5] 王勇，譚毅華，田金文.基于陰影消除和混合高斯模型的視頻分割算法[J].光電工程，2008，35（3）：21-25.

[6] 彭可，陳燕紅，唐宜清.一種室內環境的運動目標檢測混合算法[J].計算機工程與應用，2008，44（5）：239-241.

[7] Pavlidis I，Morellas V，Tsiamyrtzis P，et al.Urban surveillance system：From the laboratory to the commercial world[J].Proceedings of the IEEE，2001，89（10）：1478-1497.

[8] 崔鳳魁，張豐收，白露，等.二值圖像目標鄰域點法邊界跟蹤算法[J].洛陽工學院學報，2001，22（1）：28-30.