結合高斯混合模型和改進的LSBS的運動目標檢測方法

曾垂力

結合高斯混合模型和改進的LSBS的運動目標檢測方法

曾垂力

（四川大學計算機學院，四川成都610000）

提出了一種綜合混合高斯模型和改進LSBS的方法來進行目標跟蹤檢測。首先，通過混合高斯模型建立一個模糊的目標輪廓，其次，在此輪廓上運用改進LSBS來具體地檢測出目標物體，該方法對不同的亮度圖像檢測不需要手動改寫參數，使得算法可以運用于自動監督系統。最后，采用形態學濾波和連通區域面積檢測進行去噪處理。實驗結果表明，比起單獨使用混合高斯或LSBS，該方法不僅能夠更快速檢測出目標物而且能夠在光照亮度較暗的條件下依然能夠準確地分辨出運動目標，增強了精確度，從而提高應用水平。

水平集；目標檢測；混合高斯

0　引言

運動目標的檢測在智能交通、視頻監控、姿態識別等應用中起著非常關鍵的作用。很多目標檢測都要用到基于閾值參數［1］或者混合高斯［2-3］等靜態方法。由于閾值方法在亮度比較暗的環境中背景和目標物體的明亮度對比比較小且噪音會比較明顯，因而在亮度比較暗的情況下檢測會比較困難，因此設定一個合適的閾值將會比較麻煩。另一方面混合高斯等靜態方法有時容易受到突然的光照變化產生很大噪音，而且在繁忙的場景下，運動物體大而慢時，運動效果不理想，且很多靜態方法還是需要一些手動設置的閾值。

因此，本文將混合高斯和LSBS算法［4-5］有機結合起來，有效解決了上面一些問題。該算法在亮度很暗的情況也能夠很好地檢測出目標物體，不僅不需要手動設置閾值，而且能夠適應突然的光照突變，具有收斂快、精確度高的特點。

1　基于混合高斯和水平集雙模分割的運動目標檢測

1.1算法概述

算法先對原圖像利用混合高斯更新背景，識別一個模糊的目標區域，再基于這個目標區域使用基于水平集雙?？焖俜指睿↙evel Set-based Bimodal Segmentation，LSBS）算法［5］，減少水平集的迭代次數，最后對檢測出來

的目標進行后處理，包括連通面積分析和形態學濾波去

除噪聲區域。本文同時對LSBS算法做了一些改進。

1.2混合高斯模型法

高斯模型由均值和方差決定，對均值和方差學習采取不同的學習機制，將直接影響到模型的穩定性、精確性和收斂性。其思想是基于視頻幀中特定的一個像素用K（通常取3～5）個混合高斯函數的加權并進行建模［6］。

當前像素出現的概率表示為：

式（1）中，K為高斯分布的個數，ωi，t為高斯函數的權重（第i個），η（xt，μi，t，∑i，t）為高斯概率密度函數。

式（2）～式（5）是混合高斯法提出的參數更新方程，式（6）為樣本和模型是否匹配的決策式。

其中，α和ρ表示背景模型場景適應的快慢。

當前像素點通過式（6）判斷是否滿足，若滿足，則可利用它繼續更新背景；若不滿足，則增加一個高斯分布，取代權值最小的高斯分布。由于背景中像素基本保持不變，它們權值更高，方差更小，而前景正相反，因此可以通過選取合適的閾值H進行背景判斷：

其中，ωi表示特定像素中第i個高斯函數的權值。

將與前b個高斯函數之一存在匹配的像素作為背景像素來處理，不滿足式（7）的像素點被認為是前景。把每個像素中優先級最高的高斯函數的均值作為背景圖的像素值來確定背景圖像。將判定得到的前景像素點賦值為255，其余像素點賦值為0，得到前景圖像。

1.3基于水平集的雙模分割（LSBS）

LSBS采用了一個初始化的水平集函數并將圖片作為輸入，它的水平集函數（用Φ表示）是一個輔助的二維函數，函數中的每個水平集值Φ（r）是在圖像的相應r位置上的亮度I（r）。經水平集函數處理后，區域｛r|Φ（r）≥0｝對應的是圖像中相對亮的（或者暗的，根據初始條件）區域，而區域｛r|Φ（r）＜0｝對應于圖像中相對暗的（或亮的）區域。根據參考文獻［7］中提出的LSBS算法，處理過的水平集函數是通過下面能量函數的最小值求得的：

其中，I是圖像，α是一個隨意小的正數，Ω是圖像I的區域，Φ是水平集函數，ave｛Φ≥0｝，ave｛Φ＜0｝是圖像I在區域｛r|Φ（r）≥0｝和｛r|Φ（r）＜0｝相應的平均值，H（φ）是Heaviside函數，其定義如下：

舉例簡單解釋一下如何用φmin最小化E（Φ）來分割目標物體。圖1（a）顯示的是一個簡單的二值圖像I，圖1（b）顯示水平集函數φmin（r）在圖1（a）上最小化E（Φ）且使a=1。可以看到在最小值φmin下，區域｛r|φmin（r）≥0｝在圖1（b）中對應的是亮度相對強的部分，而｛r|φmin（r）＜0｝則對應的是亮度較弱部分。圖1（c）、（d）與圖1（b）相比φmin使得E（Φ）比φany情況下更小，事實上φmin使得E （Φ）最?。?］。參考文獻［4］、［5］中有全面而徹底的數學證明，問題變成了對式（7）求出最小的φmin，即求出目標區域（φmin≥0區域）。

圖1　LSBS的解釋例子圖像

本文改進后的快速最小化算法步驟如下：

（1）使用混合高斯求得的大體輪廓圖像I′來初始化函數Φ，將混合高斯求出的目標區域對應的Φ區域設置為1，否則設置為0。

（2）對于函數Φ，求出ave｛Φ≥0｝和ave｛Φ＜0｝。

（3）對于I′中的所有的點，求出分別離ave｛Φ≥0｝和ave｛Φ＜0｝的距離，若離ave｛Φ≥0｝近，則在相應的點上令Φ值為1，否則為0。此處可以根據Φ都是大于等于0的數，從而可以通過比較I′上的Φ值與（ave｛Φ≥0｝+ave｛Φ＜0｝）/2的值來判斷離哪個更近。

（4）重復步驟（2）～（3），直到E（Φ）變成最小值。

（5）Φmin＞0即目標區域。

1.4消除噪音區域

本文采用形態學濾波和連通區域面積檢測進行噪音處理，形態學濾波使得噪音變得稀疏［9］，再使用連通區域面積的檢測，使刪除噪音的同時保證目標物體更加精確。

2　實驗結果及分析

在該實驗中，分別采用了混合高斯、基于混合高斯和水平集雙?？焖俜指罱Y合的算法對視頻進行跟蹤［10］，并對實驗結果進行分析比較，最后總結出結論。

采用混合高斯求出目標物體的大體輪廓，再進行水平集雙?？焖俜指?。實驗結果如圖2所示。從圖2可以看出，通過混合高斯與水平集的混合可以解決當物體大且運動速度慢時混合高斯的不足。同時通過實驗結果可知，當使用混合高斯求出輪廓后再來使用水平集雙?？焖俜指羁梢允顾郊牡螖祻?0次降到平均9次，算法所花費的平均時間從245 s減少到100 s。

圖2　實驗結果

通過該實驗可以清楚看到，本文所提出的基于混合高斯和水平集雙?？焖俜指罱Y合的算法有如下優點：（1）能通過混合高斯求出基本確切的輪廓，而無需人工參與初始輪廓設置；（2）能使用混合高斯的優點，即使在光線變化或者背景出現部分區域震蕩的情況下依然能夠快速準確地找到初始輪廓；（3）采用基于雙模的快速水平集算法的改進算法減少了對水平集函數的求解，優化了對下一步函數值求解過程，從而較大程度地提高了算法的分割效率；（4）與傳統的水平集方法相比，它不需要手動提供參數，因此該算法有更強的適應性和更高的自動化程度。

［1］ROSIN P L，IOANNIDIS E.Evaluation of global image thresholding for change detection［J］.Pattern Recognition. Letters，2003，24（14）：2345-2356.

［2］LEE D S.Online adaptive Gaussian m ixture learning for video applications［C］.Statistical Methods in Video Processing，2004，LNCS 3247：105-116.

［3］馬義德，朱望飛，安世霞，等.改進的基于高斯混合模型的運動目標檢測方法［J］.計算機應用，2007，27（10）：2544-2546，2548.

［4］LEE S H，SEO J K.Level set-based bimodal segmentation with stationary global minimum［C］.IEEE Transactions on Image Process，2006，15（9）：1843-2852.

［5］LEE S H，WOO H，KANG M G.Global illumination invariant object detection with level set based bimodal segmentation［J］.IEEE Transactions on Circuits and Systems For Video Technology，2010，20（4）：616-620.

［6］HALL D，NASCIMENTO J，TIBEIRO P，et al.Comparision of target detection algorithms using adaptive background models［C］.Proceedings of 2ndJoint IEEE Workshop Visual Surveillance Performance Evaluation Tracking Surveillance，2005：113-120.

［7］LEE S，SEO J K，NOH S I，et al.Photographing apparatus and method for controlling target tracking［P］.U.S.2008/ 0101655A1，2008-05-01.

［8］CHAN T F，ESEDOGLU S，NIKOLOVA M.Algorithms for finding global minimizers of image segmentation and denosing models［J］.SIAM Journal on Applied Mathematics，2006，66（5）：1632-1648.

［9］CUCCHIARA R，GRANA C，PICCARDI M，et al.Improving shadow suppression in moving object detection with HSV color information［C］.IEEE Intelligent Transportation Systems Conference，Oak land，CA，2001：334-339.

［10］KIM K J.Apparatus and method for motion detection of image in digital video recording system using mpeg video compression［P］.U.S.6931065，2005-08-16.

Moving object detection based on Gaussian m ixture model and im proved LSBS

Zeng Chuili
（College of Computer Science，Sichuan University，Chengdu 610000，China）

This paper proposes a method which combines Gaussian mixture model with improved LSBS to realize object detection and tracking.First of all，by using the Gaussian mixture to obtain a potential object area，then by means of LSBS to detect the object area.The proposed method doesn′t need manual parameter setting，which makes the method applicable to automatic surveillance systems.After the motion detection operated，spatial filtering and connected region area are designed to suppress the noise.The result shows that compared with using Gaussian or LSBS separately，this way can detect the object accurately and work effectively under low illumination condition.

level set；object detection；Gaussian mixture

TJ765.3

A

1674-7720（2015）04-0046-03

（2014-10-18）

曾垂力（1991-），男，碩士研究生，主要研究方向：計算機視覺。