基于混合高斯模型的運動目標檢測算法

趙群

渤海船舶職業學院，遼寧葫蘆島 125003

基于混合高斯模型的運動目標檢測算法

趙群

渤海船舶職業學院，遼寧葫蘆島 125003

針對攝像機在靜止條件下的自適應運動目標檢測，提出一種改進的運動目標檢測算法。首先，針對高斯混合背景建模初期背景建模效果不理想的問題，利用統計的方法得到背景模型，根據背景圖像建立高斯混合模型；在模型學習方面，為均值與方差設置了不同的學習率。針對傳統的LBP算子的缺陷，提出了一種改進的紋理特征算子，將其與HSV顏色空間去陰影的方法相結合，從而實現對陰影的檢測與去除，利用隨機Hough算子對圓的檢測原理，在運動目標檢測的基礎之上，實現對人頭的邊緣檢測。實驗結果表明：該算法可以很好地檢測出運動目標，并能夠有效去除運動目標包含的陰影區域，從而實現人頭區域的檢測。

目標檢測；自適應高斯混合模型；陰影檢測；LBP算子；紋理特征算子；邊緣檢測

基于序列圖像的運動目標檢測是計算機視覺領域的重要組成部分。其中，最常用的方法是利用場景進行背景建模再用背景減除法提取運動目標，而在實際場景中，背景常常因為光照的變化或者某些對象的輕微擾動而有所改變，因此，背景模型的建立和模型參數的實時更新是背景相減法中最重要的2個問題［1-3］。目前，高斯混合模型法是背景建模的方法中比較成功的一種。但高斯混合背景模型無法消除陰影的干擾，通常陰影也被檢測為運動目標的一部分，這樣將影響對運動目標的進一步處理和分析。

1 改進的高斯混合模型背景建模

1.1 背景模型初始化

C.Stauffer［4］最早提出了高斯混合背景模型。設在t時刻，像素點（x，y）的概率值為

式中：K為高斯混合模型中高斯分布的個數；wi，t、ui，t和∑i，t分別為t時刻高斯混合模型中第i個高斯分布的權重均值和協方差矩陣；η為高斯分布的概率密度函數。

運用高斯混合模型進行背景建模，在模型建立初期，很可能會有運動目標的“鬼影”留在背景圖像中。文中在視頻初期的N幀圖像序列中，利用中值法提取背景圖片，并對背景圖片的每個像素點進行高斯混合背景建模，以背景圖片中每個像素點的像素值作為均值，并賦以方差和權重，運用中值法的結果更新高斯背景模型，從而避免了運動目標被一起更新到背景里去。

1.2 背景模型更新及模型選擇

在t時刻，將當前幀像素值It（x，y）與該像素點對應的高斯混合模型的各個高斯模型進行比較，如式（1）所示：

采用一種新的自適應學習率，為權重、均值和方差分別設置不同的學習率，若滿足式（1），按式（2）更新參數：

反之，It（x，y）與任一高斯分布都不匹配，那么均值和方差保持不變，權值按式（3）進行更新：

若當前像素It（x，y）與所有模型均不匹配，則添加一個新的模型，用它替換比值中最小的高斯模型，設定替換的新模型的均值為It（x，y），并賦予其較大的初始方差和較小的權值。

2 陰影去除及運動目標檢測

2.1 局部二值均值模式（A-LBP）

LBP作為一種紋理描述算子通常用于度量和提取圖像局部的紋理信息［5］。LBP算子雖然具有很多優點，但是在某些特定的情況下，會丟失紋理的特征信息。針對LBP的缺點，本文提出一種改進后的局部二值平均模式，不但將傳統算子的編碼分類方式進行了改進，而且融合了中心像素和鄰域像素的平均值，可以更好地描述紋理特征。公式表示為其中閾值T的選取可以依據實際場景中背景圖像的情況。

2.2 陰影檢測

本文選擇在HSV顏色空間進行陰影檢測。將文獻［6］中提到的HSV顏色空間陰影檢測算法與A-LBP紋理特征陰影檢測算法相融合，具體步驟如下：

1）H、S、V和Hb、Sb、Vb分別為當前幀和背景幀的色調、飽和度和亮度的分量。根據陰影在HSV顏色空間的特征初步檢測陰影區域，計算公式如下：

2）在初步檢測陰影區域后，利用A-LBP算子分別提取陰影區域像素塊和相應的背景區域像素塊的紋理直方圖特征，計算2個直方圖特征的卡方距離。如果距離小于設定的閾值，則該點是陰影點，否則判定為運動點。

一千多年間，小商橋經歷了難以計數的自然災害襲擊，也曾受到多次戰爭破壞，卻一直承擔著溝通南北交通的繁重任務，為歷代官道之咽喉。小商橋之所以能屹立千年而不倒，主要有以下兩個原因：

式中：Y、B分別代表陰影區和相應背景區像素塊的直方圖。

圖1是采集的一段室內視頻流，intelligentroom_ raw視頻，圖像分別包括視頻流的原始圖像，提取出的運動前景，利用HSV顏色空間和LBP相結合去除陰影后的運動目標，以及利用HSV顏色空間和A-LBP相結合去除陰影后的運動目標，可以看出本文提出的A-LBP改進算子在特征檢測的陰影去除方面效果更好。

圖1 室內視頻流

3 隨機霍夫變換的人頭檢測技術

1990年，L.Xu等人提出了隨機霍夫變換（RHT）的概念。隨機霍夫變換對圓進行檢測的具體步驟如下：

1）設D為圖像中所有邊緣像素的集合，初始化參數單元集P＝NULL，K為循環次數，K＝0。

2）從D中隨機抽取3個點。

3）計算這3個采樣點所確定的特征參數p，如果可以計算出p，則執行步驟4）；否則跳到步驟7）。

5）將p對應的計數值置為1，并插入P中，然后轉到步驟7）。

6）將pc所對應的計數值加1，然后和閾值Nt比較，如果小于閾值Nt，則繼續執行步驟7）；否則，刪除pc以及它在P中所對應的存儲單元，然后轉到步驟8）。

7）計算k＝k＋1，如果k≥ksmax，在P中找出pc，pc的計數值是P中最大的值，然后執行步驟8）；否則，跳到2）。

8）pc是候選圓的參數，如果pc對應圓上的邊緣點數Me滿足條件Me＞Mmin則轉到步驟9）。

9）參數pc代表真實圓參數，從D中去掉那些落在參數pc對應特征上的點，查看已經檢測到的圓的數目和規定的數目是否一致，若一致，結束；否則重置P＝NULL，k＝0，并且跳轉到步驟2）。

上面的步驟中，kmax是對一個圓檢測的過程中所能允許的最大循環次數，Me是圖像空間中落在候選圓上的點數，Mmin是圓必須的最小點數，一般是2πλ。

4 實驗結果與分析

圖2是利用隨機霍夫變換進行人頭檢測的仿真效果圖。圖2中的6幅圖像分別是原始圖像；利用第1節改進算法檢測出來的前景區域；利用第2節算法去除陰影后的運動目標；利用Canny算子進行邊緣檢測的結果；利用霍夫變換對圓進行檢測并用白色圓環標記；根據圖（e）中檢測到的類圓區域的大小和位置，在原始圖像中標記出來，標記的區域就是相應的人頭檢測的區域，及人頭所在的位置。

圖2 人頭檢測仿真效果圖

根據圖2的仿真結果可以看出，本文提出的檢測方法可以有效的去處陰影部分，完整提取前景目標，并且利用隨機霍夫變換準確進行人頭檢測，實驗效果良好。

5 結束語

本文針對傳統的混合高斯模型，提出了一種改進算法，利用該算法進行運動目標的檢測。主要研究了復雜場景下的背景建模方法以及運動陰影的檢測和去除，并且將其應用到實際的人頭檢測試驗。本文雖然改進了基于高斯混合模型的運動目標檢測算法，但是，只是針對目標檢測過程中出現的某些問題，在其他的方面，還需要提高改進：基于混合高斯模型的運動目標檢測，當運動目標和背景的差異較小，顏色相近時，檢測的誤差比較大，檢測效果不佳，以后應該在這方面進行研究；本文進行的運動目標檢測只是一個最初階段的研究。對于一個完善的目標檢測系統來說，除了檢測提取前景目標，還應該對目標進行后續的高級處理工作，比如目標的分類、目標跟蹤以及行為理解等方面。

［1］朱帆，田紅彥，周張鈺.視頻監控的全數字化與發展［J］.中國西部科技，2011，6（2）：1-3.

［2］GEORGIOSS，MICHAIL K，EVANGELOLS L，et al.2D and 3D，motion tracking in digital video［M］//Handbook of Image and Video Processing.Burlington：Elsevier Aca-demic Press，2008：491-517.

［3］SONKA M，HLAVAC V，BOYLER.圖像處理、圖像分析與機器視覺［M］.艾海舟，武勃，譯.2版.北京：人民郵電出版社，2003：59-71.

［4］STAUFFER C，GRIMSON W E L.Adaptive background mixturemodels for real-time tracking［C］//Proceedings IEEE Conference on Computer Vision and Pattern Recogni-tion.Cambridge，UK，1999：245-251.

［5］OJALA T，PIETIKAINENM，HARWOOD D.A comparative study of texturemeasureswith classification based on feature distributions［J］.Pattern Recognition，1996，29（1）：51-59.

［6］林慶，徐柱，王士同，等.HSV自適應混合高斯模型的運動目標檢測［J］.計算機科學，2010，37（10）：254-256.

［7］湯中澤，張春燕，申傳家，等.幀差法和Mean-shift相結合的運動目標自動檢測與跟蹤［J］.科學技術與工程，2010，24（8）：5895-5899.

［8］牛武澤，石林鎖，金廣智，等.融合時空信息的運動目標檢測算法［J］.計算機工程，2011，37（18）：171-176.

［9］TALUKDER A，GOLDBERGS，MATTHIESL，etal.Real-time detection of moving objects in a dynamic seen from moving robotic vehicles［C］//IEEE／RSJ International Con-ference on Intelligent Robots and Systems.Las Vegas，USA，2003：1308-1313.

［10］KUMAR P，SENGUPTA K，LEE A.A comparative study of different color space for foreground and shadow detection for rrafficmonitoring system［J］.The IEEE 5thInternation-al Conference on Intelligent Transportation Systems.Singa-pore，2002：100-105.

Moving object detection algorithm based on Gaussian m ixturemodel

ZHAO Qun
Bohai Shipbuilding Vocational College，Huludao 125003，China

Under the static condition of a camera for adaptive moving target detection，this paper puts forward an improved algorithm formoving object detection.Firstof all，considering that in the early stage of Gaussianmixture backgroundmodeling，the background modeling effect is not ideal，the background model is obtained by statistical method at the beginning of the video sequence，and then Gaussian mixturemodels are set up for the background im-age；then，in aspect of themodel learning，different rates of learning are set for themean and variance in order to improve the convergence rate of the background model.In view of the defects of the traditional LBP operator，an improved texture feature operator is proposed.This improved operator is combined with the method of removing shadow area of the HSV color space，thereby to detect and get rid of the shadow，and further to achieve detection of the edge of human head according to the principle of random Hough operator’s detection of the ring.The experi-mental results show that the proposed algorithm can well detectmoving targets，and can effectively remove the shad-ow in themoving object and thereby to achieve the detection of head area.

target detection；adaptive gaussian mixturemodel；shadow detection；LBP operator；texture operator；edge detection

TN911

：A

：1009-671X（2015）01-019-05

10.3969／j.issn.1009-671X.201405003

http：//www.cnki.net／kcms／detail／23.1191.U.20150118.1258.003.htm l

2014-05-05.

日期：2015-01-18.

趙群（1979-），男，講師.

趙群，E-mail：zhaoqun2011＠163.com.