基于改進(jìn)單模高斯模型的運(yùn)動(dòng)目標(biāo)檢測(cè)算法

門　瑜，鄭娟毅，李　萌

(西安郵電大學(xué)　通信與信息工程學(xué)院，陜西 西安 710121)

基于改進(jìn)單模高斯模型的運(yùn)動(dòng)目標(biāo)檢測(cè)算法

門瑜，鄭娟毅，李萌

(西安郵電大學(xué)通信與信息工程學(xué)院，陜西 西安 710121)

摘要:在視頻交通車輛目標(biāo)檢測(cè)中，陰影問(wèn)題是影響其檢測(cè)準(zhǔn)確性的關(guān)鍵問(wèn)題之一。為了解決這個(gè)問(wèn)題，提出了一種結(jié)合單模高斯模型和背景差法的運(yùn)動(dòng)目標(biāo)陰影檢測(cè)方法。首先針對(duì)傳統(tǒng)單模高斯模型提出了一種自適應(yīng)學(xué)習(xí)率和選擇性差值更新背景相結(jié)合的方法，加快了背景模型的初始化速度，同時(shí)結(jié)合背景差法對(duì)陰影部分進(jìn)行檢測(cè)與去除。實(shí)驗(yàn)結(jié)果表明，該方法能夠較好地去除車輛的陰影，提高了檢測(cè)的準(zhǔn)確性。

關(guān)鍵詞:運(yùn)動(dòng)目標(biāo)檢測(cè)；單模高斯模型；背景差法；陰影檢測(cè)

1視頻目標(biāo)檢測(cè)

視頻車輛目標(biāo)檢測(cè)是指從視頻序列中克服各種噪聲的影響，將視頻幀圖像中的車輛目標(biāo)準(zhǔn)確分割出來(lái)[1]。這是視頻車輛目標(biāo)檢測(cè)中最重要的目標(biāo)之一，也是智能交通系統(tǒng)監(jiān)控視頻后續(xù)處理的基礎(chǔ)工作[2]。這一檢測(cè)技術(shù)日益成為視頻監(jiān)控中最有發(fā)展?jié)摿Φ臋z測(cè)方法。

在實(shí)際監(jiān)控視頻中，由于自然界光線被物體遮擋會(huì)造成陰影現(xiàn)象，而在目標(biāo)檢測(cè)中，陰影常常會(huì)影響車輛的檢測(cè)及車流量統(tǒng)計(jì)的準(zhǔn)確性，因此，對(duì)車輛檢測(cè)目標(biāo)陰影的去除是十分必要的。

目前視頻圖像中主要車輛目標(biāo)檢測(cè)方法有光流場(chǎng)法[3]、幀間差分法[4]、背景差法[5]等。大量試驗(yàn)證明，背景差法的檢測(cè)結(jié)果更接近車輛目標(biāo)的真實(shí)情況，但是背景差法對(duì)背景圖像的要求較高，目前背景建模的方法有很多，例如：手動(dòng)法，它是通過(guò)人為觀察畫面中是否有檢測(cè)目標(biāo)，若沒有則作為背景，反之繼續(xù)等待下一刻圖像變化。統(tǒng)計(jì)平均法，它是通過(guò)對(duì)多圖像中同一位置的像素點(diǎn)求平均值，從而獲得一幅接近真實(shí)背景的圖像。R.T.Colin等提出的單模高斯分布模型[5]。Grimson等提出的混合高斯分布模型[6]等。本文對(duì)傳統(tǒng)的單高斯背景模型進(jìn)行改進(jìn)，形成了自適應(yīng)學(xué)習(xí)率和選擇性差值更新背景相結(jié)合的方法，并利用背景差法進(jìn)行陰影去除，不僅加快了背景模型的初始化速度，而且提高了檢測(cè)的準(zhǔn)確性，并通過(guò)實(shí)驗(yàn)仿真證明了該方法的有效性。

2單模高斯分布模型

單模高斯分布模型的原理是假設(shè)圖像像素都服從均值為u，方差為σ2的高斯分布，對(duì)每個(gè)像素點(diǎn)來(lái)說(shuō)，這樣的分布都是獨(dú)立的。單模高斯分布模型建立背景并不需要使用多幀連續(xù)圖像，但容易出現(xiàn)拖影現(xiàn)象，造成背景誤判。

假設(shè)用gk(x，y)代表第k幀圖像坐標(biāo)(x，y)處的像素值，k可取1，2，3，…N，且所有N幀圖像(x，y)處的像素值服從均值為u，方差為σ2的高斯分布N(μ,σ2)，高斯分布函數(shù)表示為

(1)

式中：T表示概率閾值，如果下一幀圖像在該點(diǎn)的像素值大于等于T，該值歸為背景，否則判別為前景，然后根據(jù)判決結(jié)果更新均值u和方差σ2。設(shè)Bk(x，y)表示第k幀的背景圖，則判決公示表示為

(2)

3背景差法

背景差法是一種簡(jiǎn)單有效的檢測(cè)方法，具有廣泛的實(shí)用價(jià)值[7]。它的優(yōu)點(diǎn)是檢測(cè)速度快、易于實(shí)現(xiàn)、計(jì)算量小，檢測(cè)結(jié)果能夠提供較完整的目標(biāo)特征。這種算法特別適用于靜止攝像機(jī)，而交通視頻圖像檢測(cè)基本符合這種算法的特點(diǎn)，因此，該算法成為目前運(yùn)動(dòng)目標(biāo)檢測(cè)中的主流算法。背景差法的基本原理：首先利用背景圖像像素灰度值在靜態(tài)場(chǎng)中的不變性或緩慢變化的特點(diǎn)，通過(guò)其他建模算法獲取當(dāng)前背景圖像，然后與視頻序列中的圖像做差分，最后檢測(cè)出運(yùn)動(dòng)目標(biāo)。用gk(x，y)來(lái)表示視頻序列中第k幀圖像，bk(x，y)表示第k幀圖像的背景，兩者做差分，經(jīng)二值化處理就可以實(shí)現(xiàn)簡(jiǎn)單的背景差法運(yùn)動(dòng)目標(biāo)檢測(cè)，用公式表示如下

(3)

式中：f(x，y)表示二值化后的圖像；T表示二值化的閾值；255(白)表示前景運(yùn)動(dòng)目標(biāo)；0(黑)表示背景。

上式中假定背景圖像是靜止不變的，當(dāng)運(yùn)動(dòng)目標(biāo)駛?cè)霐z像機(jī)的監(jiān)控范圍之內(nèi)，就只有運(yùn)動(dòng)目標(biāo)區(qū)域像素值發(fā)生變化，剩余部分都?xì)w屬到背景部分，這種情況是最理想的背景差法應(yīng)用環(huán)境[8]。實(shí)際交通視頻監(jiān)控中的圖像序列中，由于外界復(fù)雜的環(huán)境，如：光照變化、雨雪天氣、晃動(dòng)的樹枝、攝像機(jī)的抖動(dòng)等影響，要想準(zhǔn)確的檢測(cè)出運(yùn)動(dòng)目標(biāo)，就需要實(shí)時(shí)有效的背景模型來(lái)滿足背景差分的要求。因此，如何建立有效的背景模型是本文使用背景差法時(shí)面臨的一個(gè)尤為重要的問(wèn)題。

4改進(jìn)的單高斯背景模型

4.1學(xué)習(xí)率的改進(jìn)

(4)

通過(guò)分析研究單模高斯模型，可知高斯模型的學(xué)習(xí)率α是一個(gè)至關(guān)重要的參數(shù)，它表示模型對(duì)當(dāng)前幀圖像的適應(yīng)能力，α越大，當(dāng)前幀圖像融入背景的比例越大，背景更新就越快，但對(duì)噪聲的抑制能力就減弱。相反，α越小，背景融入新的信息減少，更新速度變慢，適應(yīng)環(huán)境的能力減弱，但能較有效地抑制噪聲。由此可見，α的取值對(duì)高斯模型的初始化有很大的影響。在實(shí)際監(jiān)控過(guò)程中，監(jiān)控設(shè)備可能因故障維修、斷電、意外損壞等各種原因重新啟動(dòng)和初始化，這就需要設(shè)備能在短時(shí)間內(nèi)迅速做出合理的反應(yīng)，而在系統(tǒng)剛開啟階段只有較大的更新率才能迅速建立比較真實(shí)的背景模型。傳統(tǒng)的更新策略采用固定的學(xué)習(xí)率，不能適應(yīng)這種實(shí)際情況的需要，所以本文提出自適應(yīng)學(xué)習(xí)率策略來(lái)改善高斯模型的不足之處。

本文提出的自適應(yīng)學(xué)習(xí)率α更新策略實(shí)現(xiàn)過(guò)程：首先在模型初始化開始時(shí)給α一個(gè)較大的初始固定值a，然后經(jīng)過(guò)前幾幀的快速背景更新，給α一個(gè)均勻遞減的學(xué)習(xí)率，最后前N幀圖像更新結(jié)束，采用較小穩(wěn)定固定值b賦給α來(lái)更新后續(xù)背景。得到的單模高斯模型自適應(yīng)學(xué)習(xí)率α可用公式表示為

(5)

式中：n是視頻圖像序列中的序列號(hào)；N是一個(gè)固定值，根據(jù)經(jīng)驗(yàn)自己設(shè)定；m是早期要快速更新背景的幀數(shù)，相比N要小很多，可取1/α或N/5～N/4。

傳統(tǒng)的單模高斯背景模型對(duì)分布參數(shù)均值和方差采用相同的學(xué)習(xí)率，沒有分別考慮模型均值和方差各自的特點(diǎn)，這是不合理的。當(dāng)學(xué)習(xí)率取較大值時(shí)，模型收斂性好，對(duì)光照變化適應(yīng)性強(qiáng)，但穩(wěn)定性差；當(dāng)學(xué)習(xí)率取較小值時(shí)，模型穩(wěn)定性好，但不能快速適應(yīng)光照變化，收斂性變差。有人對(duì)模型的學(xué)習(xí)率提出了改進(jìn)算法：對(duì)均值和方差采用各自不同的學(xué)習(xí)率α和β，改進(jìn)的單模高斯模型分布參數(shù)更新可以表示為

(6)

結(jié)合前面自適應(yīng)學(xué)習(xí)率的更新策略，本文提出對(duì)高斯模型的均值和方差采取同樣的策略加快初始化速度。但是由于均值和方差的不同特點(diǎn)，為了兼顧高斯模型的的穩(wěn)定性和收斂性，對(duì)于均值的學(xué)習(xí)率取同前面變化相同的值，對(duì)方差剛開始的學(xué)習(xí)率取值為β=0.01，而對(duì)穩(wěn)定后的學(xué)習(xí)率取值為β=0.001。這樣均值的取值始終較大，模型對(duì)光照的變化有較好的適應(yīng)能力。在初始化訓(xùn)練的視頻序列幀數(shù)之內(nèi)，β的取值較大，然后逐漸減小，模型的收斂性好；初始化訓(xùn)練完成之后，β的取值最小，使模型的穩(wěn)定性增強(qiáng)。這樣背景模型的初始化將更加快速穩(wěn)定。

4.2背景更新改進(jìn)

當(dāng)一像素點(diǎn)被判斷為背景時(shí)，用當(dāng)前幀的像素值去更新背景模型，使得背景模型的像素值變化緩慢，造成判斷錯(cuò)誤。因此本文提出一種新的更新方法：用當(dāng)前幀的像素值與背景模型中對(duì)應(yīng)點(diǎn)處像素值的差值來(lái)更新模型，提高了模型的適應(yīng)性和像素點(diǎn)判斷的準(zhǔn)確率。但是同時(shí)也使背景與真實(shí)背景看起來(lái)亮度變暗了很多，這是由于當(dāng)前幀圖像像素點(diǎn)與背景模型做差，差值會(huì)出現(xiàn)正負(fù)兩種情況帶來(lái)的結(jié)果，需要對(duì)背景模型的像素值乘以2。此時(shí)，新的背景參數(shù)更新可表示為

(7)

下面通過(guò)實(shí)驗(yàn)來(lái)驗(yàn)證各改進(jìn)步驟的有效性，分別采用固定學(xué)習(xí)率檢測(cè)、自適應(yīng)學(xué)習(xí)率檢測(cè)、計(jì)數(shù)選擇性更新背景檢測(cè)、計(jì)數(shù)選擇性差值更新背景檢測(cè)4種方法進(jìn)行實(shí)驗(yàn)，并對(duì)比檢測(cè)結(jié)果。其中，經(jīng)典方法采用固定學(xué)習(xí)率0.025；自適應(yīng)學(xué)習(xí)率采用初始值為0.1，穩(wěn)定值為0.01；計(jì)數(shù)選擇性背景更新均值和方差的學(xué)習(xí)率初始值分別為0.1和0.01，穩(wěn)定值分別為0.01和0.001；計(jì)數(shù)選擇性差值背景更新的參數(shù)與計(jì)數(shù)選擇性背景更新相同；所有的檢測(cè)方法初始方差為12.5，設(shè)定初始幀數(shù)參數(shù)N=100，m=N/5。分別取第7幀、第70幀、第110幀時(shí)各種方法所取得的運(yùn)動(dòng)目標(biāo)檢測(cè)結(jié)果圖像，如圖1所示。

a　固定學(xué)習(xí)率檢測(cè)

b　自適應(yīng)學(xué)習(xí)率檢測(cè)

c　計(jì)數(shù)選擇性更新背景檢測(cè)

d　計(jì)數(shù)選擇性差值更新背景檢測(cè)圖1　不同方法檢測(cè)結(jié)果

其中，圖1a中經(jīng)典單模高斯模型在背景模型初始化完成之后仍然沒有完全去除第一幀圖像造成的偽目標(biāo)，而帶有自適應(yīng)學(xué)習(xí)率的檢測(cè)方法在第70幀已經(jīng)基本完全去除了第一幀圖像的偽目標(biāo)，所以在背景模型建立階段自適應(yīng)學(xué)習(xí)率的單模高斯模型明顯優(yōu)于經(jīng)典算法的固定學(xué)習(xí)率。圖1c引入了選擇性更新背景方法，雖然使計(jì)算量有了一定的降低，但是同時(shí)也帶來(lái)了其自身的缺點(diǎn)，增加了運(yùn)動(dòng)目標(biāo)帶來(lái)的噪聲，反而檢測(cè)效果不如圖1b理想。圖1d通過(guò)對(duì)選擇性更新背景方法缺點(diǎn)的優(yōu)化，使用圖像與背景的差值來(lái)更新背景模型，從而減少了運(yùn)動(dòng)目標(biāo)帶來(lái)的噪聲，使建立的背景模型更接近真實(shí)情況，提高了運(yùn)動(dòng)目標(biāo)檢測(cè)結(jié)果的準(zhǔn)確性。

5改進(jìn)的單模高斯模型用于背景差法陰影去除

通過(guò)分析灰度圖像，可以把圖像分為3個(gè)主要部分：背景部分、陰影部分、車輛目標(biāo)部分。這3部分的亮度基本依此以陰影、背景、車輛的順序增大，但當(dāng)車輛的顏色比較暗如為黑色時(shí)，這3部分的亮度排序反而會(huì)以背景為最亮。為了去除太多背景的影響，根據(jù)上面改進(jìn)的單模高斯模型，只選取目標(biāo)和陰影部分作為分析的對(duì)象。此時(shí)的陰影亮度一般都比車輛更低，同時(shí)對(duì)車輛和陰影部分進(jìn)行補(bǔ)償增加亮度，會(huì)使陰影部分更接近背景亮度，而車輛部分亮度增加，此時(shí)對(duì)車輛和陰影部分同時(shí)進(jìn)行背景差分就會(huì)使陰影部分和車輛部分的亮度差增加，選取合適的閾值就可以有效去除陰影部分。亮度的增加選取HSV顏色空間的S分量，H分量由于亮度的影響會(huì)改變陰影區(qū)域的色調(diào)，V分量實(shí)際就是圖像的灰度圖，S分量也受到了亮度的影響，但車輛部分比陰影部分明顯突出，而且陰影部分在該分量中接近背景部分，所以選取S分量來(lái)增加車輛和陰影部分的亮度。其主要的算法步驟為：

1)根據(jù)前面改進(jìn)的單模高斯模型直接選取車輛和陰影的前景圖和對(duì)應(yīng)區(qū)域的背景圖進(jìn)行分析。

2)把當(dāng)前幀原圖像轉(zhuǎn)換到HSV顏色空間，取得S分量中對(duì)應(yīng)車輛和陰影的區(qū)域。

3)把對(duì)應(yīng)車輛和陰影區(qū)域的灰度圖增加對(duì)應(yīng)S分量的亮度，然后與對(duì)應(yīng)區(qū)域的背景圖進(jìn)行差分。

4)使用大律法對(duì)得到的差分圖像進(jìn)行閾值判斷，最后對(duì)得到的車輛目標(biāo)進(jìn)行形態(tài)學(xué)處理。

6仿真實(shí)驗(yàn)及結(jié)果分析

綜合上述算法，在實(shí)際環(huán)境中得到了驗(yàn)證。實(shí)驗(yàn)中，在陽(yáng)光強(qiáng)烈的道路中提取視頻素材，實(shí)驗(yàn)條件為：VisualStidio 2010開發(fā)平臺(tái)，運(yùn)用OpenCV2.3.1進(jìn)行編程實(shí)現(xiàn)。對(duì)研究對(duì)象做灰度圖像處理。

如圖2所示，上面兩幅是原始的灰度圖像，下面兩幅圖是對(duì)應(yīng)的背景差法陰影去除檢測(cè)結(jié)果。

a　原始圖像灰度圖

b　檢測(cè)結(jié)果圖2　背景差法陰影去除

實(shí)驗(yàn)結(jié)果顯示，改進(jìn)的單模高斯模型用于背景差分陰影去除能獲取當(dāng)前幀圖像的完整信息，同時(shí)對(duì)于不同車輛的適應(yīng)性強(qiáng)，能夠較好地去除車輛的陰影部分。

7小結(jié)

研究傳統(tǒng)的靜止攝像機(jī)條件下的視頻序列運(yùn)動(dòng)目標(biāo)檢測(cè)算法，提出一種基于改進(jìn)單模高斯模型和背景差分的運(yùn)動(dòng)目標(biāo)檢測(cè)算法。通過(guò)對(duì)傳統(tǒng)單模高斯模型學(xué)習(xí)率和選擇性更新背景進(jìn)行改進(jìn)，形成了自適應(yīng)學(xué)習(xí)率與選擇性差值更新背景相結(jié)合的算法，最后運(yùn)行于背景差法進(jìn)行陰影去除。

實(shí)驗(yàn)結(jié)果表明該算法在一定程度上去除了車輛的陰影，提高了車輛檢測(cè)的準(zhǔn)確性。但是由于車輛自身出現(xiàn)較大的空洞，仍需要進(jìn)一步獲取最大外接矩形來(lái)取得更完整的車輛目標(biāo)。另一方面，該算法明顯帶來(lái)了較多的噪聲，在以后研究中需要解決這個(gè)問(wèn)題。

參考文獻(xiàn)：

[1]楊丹，余孟澤.車輛視頻檢測(cè)及陰影去除[J].計(jì)算機(jī)工程與設(shè)計(jì)，2011，32(6)：2072-2079.

[2]張玲，徐柱，王士同，等.HSV自適應(yīng)混合高斯模型的運(yùn)動(dòng)目標(biāo)檢測(cè)[J].計(jì)算機(jī)科學(xué)，2010，37(10)：254-256.

[3]袁博，阮秋琦，安高云.改進(jìn)的自適應(yīng)灰度視頻序列陰影檢測(cè)方法[J].信號(hào)處理，2014，30(11)： 1370-1374.

[4]JENG J H，TSENG C C，HSIEH J G.Study on Huber fractal image compression[J].IEEE transctions on image processing，2009，18(5)：995-1003.

[5]薛麗霞，羅艷麗，王佐成.基于幀間差分的自適應(yīng)運(yùn)動(dòng)目標(biāo)檢測(cè)方法[J].計(jì)算機(jī)應(yīng)用研究，2011，28(4)：1551-1552.

[6]譚歆，武岳.基于OpenCV的運(yùn)動(dòng)目標(biāo)檢測(cè)方法研究與應(yīng)用[J].電視技術(shù)，2010，34(S1)：184-193.

[7]WUMS，JENGJH，HSIEHJG.Schemageneticalgorithmforfractalimagecompression[J].Eng.appl.artif.intell.，2007，20(4)：531-538.

[8]蘇延召，李艾華，金廣智，等.結(jié)合直方圖反投影的多特征運(yùn)動(dòng)陰影檢測(cè)算法[J].光電子激光，2014，25(7)：1395-1402.

[9]魏巖，涂錚錚，鄭愛華，等.結(jié)合RGB顏色特征和紋理特征的消影算法[J].計(jì)算機(jī)技術(shù)與發(fā)展，2013，23(10)：72-79.

門瑜(1992— )，女，碩士生，主研寬帶無(wú)線通信；

鄭娟毅(1977— )，女，高級(jí)工程師，碩士研究生導(dǎo)師，主要研究方向?yàn)閷拵o(wú)線通信，計(jì)算機(jī)通信；

李萌(1992— )，女，碩士生，主研寬帶無(wú)線通信。

責(zé)任編輯：時(shí)雯

Moving target detection based on improved single-mode Gaussian model

MEN Yu，ZHENG Juanyi，LI Meng

(SchoolofCommunicationandInformationEngineering，Xi’anUniversityofPostsandTelecommunications，Xi’an710121，China)

Abstract:In the video transport vehicle target detection， shadow problem is one of the key issues that affects the detection accuracy. To solve this problem， a shadow moving object detection method combined with single-mode Gaussian model and background subtraction is proposed. Firstly， according to the traditional single-mode Gaussian model， the method of an adaptive learning rate and selective difference update background is proposed， and the speed of background initialization model is accelerated， meanwhile， combined with background subtraction shadow detection and removal section. Experimental results show that this method can remove the shadow of the vehicle and improve the accuracy of detection.

Key words:moving target detection； single-mode Gaussian model； background subtraction； shadow detection

中圖分類號(hào)：TP391

文獻(xiàn)標(biāo)志碼:A

DOI：10.16280/j.videoe.2016.04.004

基金項(xiàng)目：國(guó)家自然科學(xué)基金項(xiàng)目(11401469)；陜西省工業(yè)攻關(guān)項(xiàng)目(2013K06-07)

作者簡(jiǎn)介：

收稿日期：2015-11-23

文獻(xiàn)引用格式：門瑜，鄭娟毅，李萌. 基于改進(jìn)單模高斯模型的運(yùn)動(dòng)目標(biāo)檢測(cè)算法[J].電視技術(shù)，2016，40(4)：18-21.

MEN Y，ZHENG J Y，LI M. Moving target detection based on improved single-mode Gaussian model [J].Video engineering，2016，40(4)：18-21.