一種自適應的背景圖像生成算法*

黃 衛(wèi) 張 蔚

(1.內(nèi)江職業(yè)技術學院 內(nèi)江 641100)(2.北京聯(lián)合大學 北京 100011)

?

一種自適應的背景圖像生成算法*

黃 衛(wèi)1張 蔚2

(1.內(nèi)江職業(yè)技術學院 內(nèi)江 641100)(2.北京聯(lián)合大學 北京 100011)

運動物體檢測是目標識別與分析中的關鍵技術,具有重要的理論和應用意義。論文在總結了運動物體檢測技術發(fā)展現(xiàn)狀的基礎上,重點研究了背景生成算法,分析了基于高斯分布的背景模型,并根據(jù)該模型設計出一種自適應的背景圖像生成算法。該算法采用迭代思想,高效易行。在不同交通視頻圖像上的實驗結果驗證了該算法的有效性和魯棒性。

運動目標檢測; 背景生成; 高斯分布; 背景模型; 自適應算法

Class Number TP391

1 引言

目前,視頻監(jiān)控系統(tǒng)被廣泛應用于各個領域。無論是在智能交通領域還是安保安防領域,運動物體檢測都是非常關鍵的技術,具有重要的理論和實用意義。以城市智能交通為例,主要通過在交通路口安裝的攝像機獲取視頻監(jiān)控信息,然后利用運動物體檢測技術,對道路上的車輛進行檢測計數(shù)、跟蹤測速、判斷變道等,為交通控制和交通違章管理提供主要依據(jù)。運動目標檢測技術一般是通過檢測指定的圖像區(qū)域的變化來判定該區(qū)域是否有運動目標存在。目前常見的無監(jiān)督的運動目標檢測技術主要分為三種:光流法,幀差法和背景減方法[1～3]。其中光流法和幀差法主要計算視頻中的當前幀與前一幀或前幾幀圖像之間的差異,并以此判斷當前幀的某個像素是否對應運動目標[4]。這兩種方法容易受運動目標紋理顏色和運動速率的影響,在運動目標運動速率過小并且目標自身內(nèi)部顏色比較接近的時候,檢測結果容易產(chǎn)生內(nèi)部空洞[5]。背景減方法則是用當前幀圖像減去背景圖像(例如無車輛和行人出現(xiàn)的交通道路圖像),根據(jù)差圖像檢測運動目標所在像素位置[6]。該方法檢測結果精確,并且具有較強的魯棒性,在檢測精度要求高的場合下使用較多[7～8]。

背景減方法的核心在于生成當前場景下的背景圖像。實際應用中光照、陰影、噪聲等環(huán)境變化干擾給背景生成帶來不小的挑戰(zhàn)。背景生成算法一般以背景模型為理論依據(jù),基于高斯分布的背景模型原理直觀明確,下文中對其進行了理論分析和數(shù)學推導論證。

2 背景圖像的高斯分布模型

單高斯分布背景模型的更新即指各圖像點高斯分布參數(shù)隨時間t的變化而更新。引入表示更新快慢的常數(shù)——更新率a,則該點高斯分布參數(shù)的更新可表示為

μt+1=(1-a)·μt+a·Xt

(1)

(2)

如果取更新率為100%,則背景模型方法退化為幀差法。

3 自適應遞歸算法

單高斯分布背景模型中的參數(shù)μ可以看作背景圖像的灰度值。我們定義t時刻的背景幀圖像為B(t),前一幀的背景幀和前景幀分別為B(t-1)和I(t-1),則式(1)可以寫為

B(t)=(1-a)*B(t-1)+a*I(t-1)

(3)

其中,0

(4)

有:

(5)

再由式(3)遞推有:B(2) =(1-a)B(1)+aI(1)

(6)

B(3) = (1-a)B(2)+aI(2)

(7)

B(t) = (1-a)B(t-1)+aI(t-1)

(8)

其中,t≥2。

對上式進行分析,可寫為

+a(1-a)t-2I(1)+a(1-a)t-3I(2)

+…+aI(t-1)

(9)

其中,t≥2,B(t)為對根據(jù)第1～t幀視頻采樣圖像生成的背景圖像,I(t)為第t幀前景圖像。

將公式的后半部分a(1-a)t-2I(1)+…+aI(t-1)表示為A(t),其計算可用遞歸算法實現(xiàn)。

令A(1)=0,則有:

A(t)=(1-a)A(t-1)+aI(t-1)

(10)

令S(t)=I(1)+I(2)+…+I(t),則背景生成公式可寫為

(11)

4 實驗結果及分析

對自適應的背景生成算法用Matlab進行編程實現(xiàn),實驗地點為內(nèi)江市東桐路,從天橋上拍攝下方道路高清圖像進行算法測試。視頻中在道路行駛的包括機動車、非機動車,路邊人行道有以上課學生為主的行人通過,整段視頻時長1min20s,如圖1顯示了該視頻在第30s和第60s處的截圖。

設置采樣迭代次數(shù)為50,分別改變插值系數(shù)a和采樣間隔s進行實驗。

圖1 視頻截取圖像

其中插值系數(shù)a取值為0～1,插值系數(shù)越小,當前幀對背景圖像生成的貢獻越小,如果a=0,則背景圖像退化為所有采樣圖像幀的平均值。固定采樣間隔s=10,改變插值系數(shù)a為0.01,0.02,0.03和0.05,得到背景圖像如圖2所示。

圖2 固定采樣間隔s=10, 改變插值系數(shù)a的背景生成圖像

由圖2比較可以看出,隨著a增大,?？吭谟覀?cè)路邊白色車輛附近路過的出租車拖影越來越不明顯。但是天橋正下方,過路車輛的拖影則越來越明顯。整個道路背景效果,以a=0.03時為最佳。

固定插值系數(shù)a=0.03,改變采樣間隔次數(shù)s為2,5,10,20,得到背景圖像如圖3所示。

圖3 固定插值系數(shù)a=0.03, 改變采樣間隔s的背景生成圖像

由圖3比較可以看出,采樣間隔s=2時,道路汽車拖影最大,隨著s增大,道路汽車拖影減小,當s=20時,盡管道路上汽車拖影小,但是天橋左下方一輛摩托車的影像顯現(xiàn),那是因為視頻中段正好有一輛摩托車在天橋左下方做過停留。整個圖像背景效果,以s=10時為最佳。

設置插值系數(shù)a=0.03,采樣間隔s=10,改變采樣迭代次數(shù)為100。于上述50次迭代計數(shù)方式進行對比,得到背景圖像如圖4所示。

圖4 迭代分別為50和100時的 次數(shù)的背景生成圖像

由圖4比較可以看出,50次迭代的生成結果優(yōu)于100次迭代的生成結果,后者對天橋左下方的摩托車處理效果不佳,而且路面處理效果不如前者。

將此算法用于同一天橋另一側(cè)道路視頻錄像處理,設置插值系數(shù)a=0.03,采樣間隔s=5,改變迭代計數(shù),得到背景圖像如圖5所示。

圖5 天橋另側(cè)背景生成圖像

由圖5比較可以看出,算法對背景中運動車輛和行人處理效果較好,能成功提取背景圖像。不同的迭代次數(shù),可能產(chǎn)生不同的處理效果。

由上述實驗可以看出,這種基于高斯分布模型的自適應背景生成法可以很好生成背景圖像,為了得到最佳圖像效果,可以改變迭代次數(shù)、插值系數(shù)、視頻采樣間隔幀數(shù),不同視頻可能有不同的最佳參數(shù)。

5 結語

圖像背景生成在圖像處理中具有非常重要的意義,本文提出的基于高斯分布模型的自適應背景生成法對常用的背景減法進行優(yōu)化,實現(xiàn)了運算效果和效率的平衡。模型參數(shù)簡單,算法實時性好,能夠在較短時間生成較為清晰的交通監(jiān)控背景圖像。

[1] 王彬,馮遠靜,郭海峰,等.交通場景中車輛的運動檢測與陰影消除[J].中國圖象圖形學報,2012,17(11):1391-1399. WANG Bin, FENG Yuanjing, GUO Haifeng, et al. Adaptive Background Updating and Shadow Detection in Traffic Scenes[J]. Journal of Image and Graphics,2012,17(11):1391-1399.

[2] Tanaka K, Saji H. Vehicle extraction from aerial images using voting process and frame matching[C]//Proceedings of IEEE Intelligent Vehicles Symposium,2007:433-437.

[3] Lin P Q, Xu J M, Bian J Y. Robust vehicle detection in vision systems based on fast wavelet transform and texture analysis[C]//Proceedings of IEEE International Conference on Automation and Logistics,2007:2958-2963.

[4] 王歡,邢麗冬,錢志余,等.基于改進的高斯混合模型的運動物體檢測[J].計算機技術與發(fā)展,2012,22(12):139-141. WANG Huan, XING Lidong, QIAN Zhiyu, et al. Moving Target Detection Based on Improved Gaussian Mixture Model[J]. Computer Technology and Development,2012,22(12):139-141.

[5] 許崇博,王美華,譚志標.自適應車流方向的跨道行人檢測[J].計算機工程,2011,37(21):141-143. XU Chongbo, WANG Meihua, TAN Zhibiao. Crossing Pedestrians Detection Adapted to Traffic Flow Direction[J]. Computer Engineering,2011,37(21):141-143.

[6] 溫雯,郝志峰,邵壯豐.結合分水嶺機制的有監(jiān)督圖像背景分割算法[J].計算機工程與應用,2011,47(21):205-209. WEN Wen, HAO Zhifeng, SHAO Zhuangfeng. Supervised background segmentation algorithm combined with watershed mechanism[J]. Computer Engineering and Applications,2011,47(21):205-209.

[7] 李全民,張運楚.自適應混合高斯背景模型的改進[J].計算機應用,2007,27(8):2014-2017. LI Quanmin, ZHANG Yunchu. Improvement on adaptive mixture Gaussian background model[J]. Computer Applications,2007,27(8):2014-2017.

[8] 陳雷,張榮國,胡靜,等.改進的混合高斯模型及陰影消除方法[J].計算機應用,2013,33(5):1394-1397,1400. CHEN Lei, ZHANG Rongguo, HU Jing, et al. Improved Gaussian Mixture Model and Shadow Elimination Method[J]. Journal of Computer Applications,2013,33(5):1394-1397,1400.

[9] 范文超,李曉宇,魏凱,等.基于改進的高斯混合模型的運動目標檢測[J].計算機科學,2015,42(5):286-288,319. FAN Wenchao, LI Xiaoyu, WEI Kai, et al. Moving Target Detection Based on Improved Gaussian Mixture Model[J]. Computer Science,2015,42(5):286-288,319.

[10] 王正勤,劉富強.自適應背景提取算法的比較[J].計算機工程,2008,34(23):220-223. WANG Zhengqin, LIU Fuqiang. Comparison of Adaptive Extract Algorithm of Object Scene[J]. Computer Engineering,2008,34(23):220-223.

[11] 王愛麗,董寶田,王澤勝.融合光流速度場與背景差分的自適應背景更新方法[J].中國鐵道科學,2014,35(6):131-137. WANG Aili, DONG Baotian, WANG Zesheng, et al. Adaptive Background Updating Based on Optical Flow and Background Difference[J]. China Railway Science,2014,35(6):131-137.

[12] 高曉丹,魏婉華.基于高斯分布的自適應紅外圖像增強算法[J].紅外技術,2014,36(5):381-383. GAO Xiaodan, WEI Wanhua. An Adptive Enhancement Algorithm Based on Gaussian Distribution for Infrared Image[J]. Infrared Technology,2014,36(5):381-383.

An Adaptive Background Generation Algorithm

HUANG Wei1ZHANG Wei2

(1. Neijiang Vocational and Technical College, Neijiang 641100)(2. Beijing Union University, Beijing 100011)

Moving object detection is a key technology of object recognition and analysis, which has great significance in theory and practice. This paper summarizes the current situation of moving object detection technics developing and focuses on the research of background generation algorithm. The background model based on Gaussian distribution is analyzed, according to which an adaptive background generation algorithm is designed. This algorithm which adopts iteration idea is efficient and feasible. The experiment results on vary traffic videos prove the efficiency and robustness of the algorithm.

moving object detection, background generation, Gaussian distribution, background model, adaptive algorithm

2016年7月19日,

2016年8月31日

黃衛(wèi),女,碩士,講師,研究方向:通信工程、信息處理。張蔚,女,博士,講師,研究方向:圖像處理、自然語言處理、模式識別與機器學習等。

TP391

10.3969/j.issn.1672-9722.2017.01.036