基于紋理特征的混合高斯背景建模算法研究

馮 璞，李玉恵，李 勃，游旭晨

(昆明理工大學 信息工程與自動化學院,云南 昆明 650500)

圖2 像素局部5*5圖像塊

基于紋理特征的混合高斯背景建模算法研究

馮 璞，李玉恵，李 勃，游旭晨

(昆明理工大學 信息工程與自動化學院,云南 昆明 650500)

在智能交通系統(tǒng)中，運動目標的檢測是一個基本而又關(guān)鍵的問題。而傳統(tǒng)高斯混合模型能較好地檢測出運動目標，但由于其沒有考慮像素的局部特征，使得運動目標區(qū)域的錯誤檢測率有所增加。為了更好地在高速交通視頻中檢測出完整且準確的運動目標前景區(qū)域，文中在子空間的思想基礎(chǔ)上，提出一種基于像素局部紋理特征的高斯混合模型改進算法，即以像素周圍5*5圖像塊的均值、標準差、最大值、最小值和當前像素值5個特征作為局部紋理特征，建立高斯混合背景模型，進行運動目標檢測。經(jīng)過大量實驗，結(jié)果表明該算法能更準確、完整地檢測出運動目標并具有很好的環(huán)境適應性，特別是在運動目標區(qū)域與相應的背景區(qū)域顏色較為相似時，運動目標檢測效果改善較為明顯。

運動目標檢測;混合高斯模型;局部紋理特征;背景模型

0 引 言

運動目標檢測即從視頻序列圖像中獲取運動目標區(qū)域，目前常用的運動目標檢測方法有：光流法、幀差法、基于統(tǒng)計模型法、背景差法。光流法[1]的檢測精度很高，特別是在背景較為復雜時，檢測效果較好，但其計算復雜度太高，難以做到實時檢測。幀差法[2-3]操作簡單、實時性強，并對動態(tài)的環(huán)境適應性強，但其提取的前景不完整，內(nèi)部容易出現(xiàn)空洞。基于統(tǒng)計模型法[4-6]抗干擾能力較強，但算法難以采用統(tǒng)一的模型描述目標的運動特征，且計算復雜。背景差法通過將當前圖像和背景圖像進行差分來檢測運動目標。由于高速中的背景是不斷變化的，因此如何獲取到實時有效的背景是背景差法的關(guān)鍵所在，現(xiàn)在常用的背景獲取方法是混合高斯模型法。

高斯混合背景模型算法最早由文獻[7]提出。該算法采用多個高斯模型分布的加權(quán)來表示背景圖像，能夠很好地適應復雜環(huán)境，在運動目標的檢測與提取方面有較為明顯的優(yōu)勢；文獻[8]提出運用K-均值聚類算法對高斯混合模型進行初始化，很大程度上提高了模型的收斂速度；文獻[9]提出了一種融合相鄰幀差法和背景減法的高斯混合模型算法，該改進算法解決了背景模型對光線變化敏感以及容易產(chǎn)生虛影等問題；文獻[10]提出在建模過程中加入圖像的空間信息，在提高了模型的自適應性的同時也提高了該算法的抗干擾能力。

然而，以上方法的提出并沒有很好地解決混合高斯背景模型中出現(xiàn)的運動目標檢測的準確性和完整性低的問題。針對這一問題，文中在子空間的思想基礎(chǔ)上[11]，提出一種基于像素紋理特征的高斯混合背景模型改進算法。

1 高斯混合模型

基于混合高斯背景模型的運動目標檢測算法的核心內(nèi)容主要包括兩部分：一是高斯混合模型的建立與初始化過程；二是高斯混合模型的實時更新策略。

1.1 高斯混合背景建模

圖1 高斯概率分布示意圖

(1)

(2)

(3)

采用上述模型對圖像序列中的背景區(qū)域進行描述之后，背景區(qū)域的每個像素就轉(zhuǎn)化為K個高斯模型，高斯模型的權(quán)重為ωi。將K個高斯模型按照ωi/σi進行降序排列，取前B個高斯分布作為背景像素的最佳描述：

(4)

式中,T為B個高斯分布的權(quán)重閾值。

1.2 高斯混合背景的更新

實際應用中視頻序列中的背景不是一成不變的，為保證背景的準確性，需要帶背景進行實時更新[13-14]。在以上背景建模基礎(chǔ)上，當有新的幀圖像時，獲取圖像的各個像素分別與相對應的K個高斯模型依次進行匹配，匹配條件為：

(5)

式中,c是經(jīng)驗常數(shù)，一般取2.0～2.5較合適。

如果有匹配的高斯模型，對匹配成功的高斯模型中的參數(shù)進行更新，方法如下：

(6)

(7)

(8)

其中，θ為模型學習速率，且0≤θ≤1，θ值決定了背景更新的速度。

如果沒有匹配的高斯模型，需要初始化一個新的高斯模型，新高斯模型以當前像數(shù)的灰度值作為模型的均值參數(shù)，并采用一個較大值作為方差參數(shù)，權(quán)重設(shè)置為一個較小的值。當k=K時，采用該高斯分布代替優(yōu)先級ωi/σi最低的高斯模型；當k

2 改進后的算法

由于傳統(tǒng)的高斯混合模型在進行背景建模時，一般采用的是單像素方法，即以像素的灰度差異作為分類依據(jù)。這種方法在前景目標與背景像素灰度值差異有一定差距時效果較好，但當前景與背景的像素灰度值差異較小時，易將部分前景誤判為背景，致使提取的前景不完整。主要是易將白色前景車輛的部分誤以為是車道線、將深色前景車輛的部分誤以為是道路背景，而且提取的前景車輛存在很多空洞。

雖然前景與背景的像素灰度值可能比較相似，但一般道路背景的紋理比較單一，前景車輛的紋理要比背景復雜得多。因此，基于以上問題，在子空間的思想基礎(chǔ)上[11],提出以像素的局部紋理特征作為建模和分割依據(jù)。紋理是反映在一定的區(qū)域內(nèi)像素值的組合，即其在空間分布上滿足一定的規(guī)律。

要運用紋理特征對圖像進行建模和分割，就必須考慮像素及其周圍像素關(guān)系。文中選取像素周圍5*5范圍的圖像塊來進行計算。以像素塊的均值、標準差、最大值、最小值、當前值5個特征表示像數(shù)的局部紋理特征。

如圖2所示，g12表示當前像素值，g0～g24為以當前像素為中心5*5圖像塊的像素值。

g0g1g2g3g4g5g6g7g8g9g10g11g12g13g14g15g16g17g18g19g20g21g22g23g24

圖2 像素局部5*5圖像塊

紋理算子如下：

(9)

其中，gμ,gσ,gmax,gmin,gc分別表示圖像塊的均值、標準差、最大值、最小值、當前值。

2.1 改進高斯混合模型的參數(shù)初始化

改進后的高斯模型，以圖像的紋理特征為建模單位，每個像素的高斯模型個數(shù)為K個，每個模型包括11個參數(shù)，分別為μμ，μσ，μmax,μmin,μc,σμ，σσ，σmax,σmin,σc,ω。

用視頻的第一幀圖像來初始化各像素的第一個高斯模型，運用式(9)計算各個像素的紋理特征值，賦值給模型的均值，標準差取較大的值為50，權(quán)重為1.0。公式如下：

(10)

2.2 改進高斯混合模型參數(shù)的更新

當t時刻，有新的幀圖像時，用式(9)計算圖像幀中各個像素的紋理特征值并與相對應的K個高斯模型依次進行匹配，改進后的高斯混合模型的匹配條件為：

(11)

如果匹配成功，對匹配的第i個高斯模型的參數(shù)進行更新，方法如下：

(12)

(13)

式中,θ為學習速率，且0≤θ≤1，θ值決定了背景更新的速度。

(14)

式(14)為各高斯模型的優(yōu)先級參數(shù)。

3 改進高斯混合模型的算法流程

結(jié)合推導的公式，具體的算法流程如下：

(1)為圖像中的每一個像素分配K個高斯模型，但有效高斯模型的個數(shù)為0。

(2)讀取視頻的第一幀圖像，運用式(9)、(10)對圖像中的各個像素的第一個高斯模型進行初始化。

(3)在t時刻，讀取下一幀，運用式(11)與對應的模型進行順序匹配，查找第一個匹配的高斯模型k，如果匹配成功執(zhí)行(4)，如匹配失敗執(zhí)行(5)。

(4)使用式(12)和式(13)對匹配的第i個高斯模型的參數(shù)進行更新。

(5)當k

(6)對圖像中各個像素的K個高斯模型進行降序排列，依照式(11)。

(7)取前B個高斯分布作為背景像素的最佳描述，使用式(4)。如k

(8)循環(huán)執(zhí)行(2)～(7)，直到視頻讀完。

4 實驗結(jié)果及分析

為了驗證文中所提算法的有效性，選用兩段有代表性的高速交通視頻。實驗條件：VisualStudio2010平臺，并運用OpenCV2進行編程。為了保證視頻的保密性，視頻中有關(guān)地點、車牌、時間等信息已被抹去。每段視頻都分別采用傳統(tǒng)GMM、文中改進的GMM和手工提取前景方法進行比較。實驗參數(shù)設(shè)置見表1。

第一段視頻為高清高速交通視頻，分辨率為1 600*1 200;第二段為標清高速交通視頻，分辨率為704*576。算法沒有進行陰影消除處理，因此前景為帶陰影的車輛區(qū)域。為了更好地驗證文中算法的有效性，分別在兩段視頻中選用2輛白小車和2輛黑小車作為實驗對象。

實驗對比結(jié)果如圖3和圖4所示。

圖3 實驗1中運動目標檢測結(jié)果對比圖

圖4 實驗2中運動目標檢測結(jié)果對比圖

參數(shù)數(shù)值混合高斯模型的模型個數(shù)K3混合高斯模型的背景學習率θ0.02與模型匹配的標準差系數(shù)C2.5B個背景模型的權(quán)重閾值T0.7

通過兩次實驗可以看出，與傳統(tǒng)GMM相比，文中提出的GMM改進算法可以有效地減少噪聲的干擾并提高運動目標檢測的完整性。

為了更直觀地描述該算法的準確性與完整性，采用以下兩個量化指標來對實驗結(jié)果進行分析[15]：檢測準確率(DR)和誤檢率(FAR)。

(15)

式中：TP表示檢測出屬于前景區(qū)域的像素點個數(shù)；FN表示屬于前景區(qū)域但未被檢測出的像素點個數(shù)；FP為屬于前景區(qū)域但被誤檢為前景的像素點個數(shù)。

真實運動區(qū)域由手工畫出，從各實驗中隨機抽取100幀圖像來進行統(tǒng)計分析，結(jié)果如表2所示。

表2 兩個實驗中運動目標檢測的DR和FAR對比 %

通過表中數(shù)據(jù)可見，傳統(tǒng)GMM的平均檢測準確率為88%，而文中提出的改進方法在誤檢率較低的同時，平均檢測準確率接近95%。

5 結(jié)束語

在傳統(tǒng)混合高斯背景模型算法的基礎(chǔ)上，文中提出一種基于像素紋理特征的混合高斯背景模型的運動目標檢測算法。實驗結(jié)果表明，運用該算法能夠較完整、準確地提取出運動目標，特別是在外部環(huán)境比較復雜時效果改善較大。然而由于在高斯混合建模過程中要提取像素周圍5*5圖像塊的均值、標準差、最大值、最小值和當前像素值，因此增加了算法的運算量。在以后的研究工作中，將重點考慮該算法的計算復雜性，降低該算法的計算開銷。

[1] 劉 榮,金國偉.基于背景差分和光流法的運動目標檢測與跟蹤[J].現(xiàn)代制造技術(shù)與裝備,2015(2):8-11.

[2] 裴巧娜.基于光流法的運動目標檢測與跟蹤技術(shù)[D].北京:北方工業(yè)大學,2009.

[3] 鄭 佳,李江勇.基于背景差分和信息熵的運動目標檢測算法[J].激光與紅外,2014,44(5):563-566.

[4] 林洪文,涂 丹,李國輝.基于統(tǒng)計背景模型的運動目標檢測方法[J].計算機工程,2003,29(16):97-99.

[5] 劉 偉,劉 寧.一種基于無味濾波的當前統(tǒng)計模型跟蹤算法[J].數(shù)字技術(shù)與應用,2015(3):119-120.

[6] 霍電廣.基于視頻的時空融合特征提取算法研究[D].上海:華東理工大學,2015.

[7]StaufferC,GrimsonW.Adaptivebackgroundmixturemodelsforreal-timetracking[C]//Proceedingsofthe1999IEEEconferenceoncomputervisionandpatternrecognition.Piscataway:IEEE,1999:246-252.

[8]ZhangYunchu,LiangZize,HouZengguang,etal.AnadaptivemixtureGaussianbackgroundmodelwithonlinebackgroundreconstructionandadjustableforegroundmergeneetimeformotionsegmentation[C]//ProcofIEEEinternationalconferenceonindustrialtechnology.[s.l.]:IEEE,2005:23-27.

[9] 宋雪樺,陳 瑜,耿劍鋒,等.基于改進的混合高斯背景模型的運動目標檢測[J].計算機工程與設(shè)計,2010,31(21):4646-4649.

[10]DickinsonP,HunterA,AppiahK.Aspatiallydistributedmodelforforegroundsegmentation[J].ImageandVisionComputing,2009,27(9):1326-1335.

[11] 周建英,吳小培,張 超,等.基于滑動窗的混合高斯模型運動目標檢測方法[J].電子與信息學報,2013,35(7):1650-1656.

[12]KohonenT，KaskiS，LappalainenH．Self-organizedformationofvariousinvariantfeaturefiltersintheadaptivesubspaceSOM[J]．NeuralComputation，1997，9(6)：1321-1344．

[13] 符 笛,尹 東,孫 濤.一種基于分裂高斯混合模型的背景建模算法[J].計算機工程,2015,41(4):190-194.

[14] 李亞南,周 勇,田瑞娟.基于混合高斯模型和三幀差法的背景建模[J].兵工自動化,2015,34(4):33-35.

[15]FakharianA,HosseiniS,GustafssonT.Hybridobjectdetectionusingimprovedgaussianmixturemodel[C]//Procofinternationalconferenceoncontrol,automationandsystems.Gyeonggido:[s.n.],2011:1475-1479.

Research on Gaussian Mixture Background Modeling Algorithm Based on Texture Feature

FENG Pu,LI Yu-hui,LI Bo,YOU Xu-chen

(Faculty of Information Engineering and Automation,Kunming University of Science and Technology，Kunming 650500,China)

Moving target detection in the intelligent transportation system is a fundamentaland key issue.Traditional Gaussian mixture model can better detect moving targets,but without considering the local characteristics of pixels,resulting in the error detection rate increases of moving target.To solve these problem,on the basis of idea of subspace,an improved Gaussian mixture model algorithm based on local texture features for pixel is put forward.It uses the average,standard deviation,maximum,minimum,and current pixel values around pixel 5*5 image block as local texture features,and establishes Gaussian mixture background model for moving object detection.After extensive comparison of experimental results,it shows that the algorithm can more accurately and completely detect moving targets and has good environmental adaptability.When the color of moving target area is similar with corresponding background area,the detection results improved is obvious.

moving target detection;Gaussian mixture model;local texture feature;background model

2015-07-15

2015-10-02

時間：2016-03-22

國家自然科學基金資助項目(61363043)

馮 璞(1990-),男,碩士研究生,研究方向為數(shù)字圖像處理。

http://www.cnki.net/kcms/detail/61.1450.TP.20160322.1521.078.html

TP391.4

A

1673-629X(2016)05-0022-05

10.3969/j.issn.1673-629X.2016.05.005