基于混合高斯模型的運動目標平均背景法檢測

劉麗偉， 張宏美， 薛春芳， 滿 濤

(長春工業大學 計算機科學與工程學院， 吉林 長春 130012)

基于混合高斯模型的運動目標平均背景法檢測

劉麗偉， 張宏美， 薛春芳， 滿 濤

(長春工業大學 計算機科學與工程學院， 吉林 長春 130012)

首先采用平均背景法對混合高斯建模獲得的背景進行處理得到純凈的背景,然后在當前圖像與背景圖像之間進行差分運算，最后通過輪廓篩選的方法去除目標圖像中的干擾點，并通過形態學處理對目標中的間隙進行填充，獲得完整目標。 實驗結果表明,對于運動目標及停留的目標，該算法的識別率和誤檢率分別為86.7%和8.3%。

目標檢測; 混合高斯模型; 平均背景; 輪廓篩選

0 引 言

運動目標檢測是將視頻中的運動目標從背景中分離出來，在這一過程中需要克服天氣、光照變化等對檢測帶來的影響，且檢測結果對后續的處理影響較大[1-2]。目前，光流法、幀差法和背景差分法是運動目標檢測算法中最主要也是最常用的3種算法[3-5]。其中，光流法是根據目標運動速度來實現對目標檢測，它可以在完全不知道運動場景的情況下完成運動目標的檢測，但是該算法計算復雜，并且需要專門的硬件才能運行此算法，不能用于實時目標檢測[6-7]。幀差法是最為簡單且運行速度最快的一種目標檢測算法[8]，但無論是傳統幀差法還是其改進算法，都未能得到完整的目標，且當目標停留或運動較慢時，還容易造成漏檢。背景差分法是通過當前圖像與背景圖像之間的差分運算來完成目標檢測的[9]，其中Zoran Zivkovic[10]提出的基于像素的混合高斯背景模型能夠對背景實時更新，同時能夠適當地選擇高斯模型的個數，所以該算法能夠對運動目標進行較好的檢測，但對于視頻中做短暫停留的運動目標，則會出現較大空洞甚至只可以得到目標輪廓，郭偉[11]等對混合高斯模型進行了改進，根據運動目標的不同情況設置了不同的學習率，對運動緩慢的運動目標的檢測效果進行了改善，但沒有提出對場景中短暫停留的運動目標的檢測算法。

為了解決高斯混合模型對視頻中停留的目標在檢測過程中容易融為背景的問題，文中提出了基于混合高斯模型的改進型背景差分算法。該算法將背景圖像的獲得方式進行了改進，并將背景差分后獲得的結果與混合高斯模型檢測出的前景圖像進行“或”運算，解決差分運算過程中因目標與背景圖顏色相近產生的目標部分缺失問題。該算法不但可以檢測出視頻中的運動目標，而且對于在場景中做短暫停留的目標檢測效果也較好，避免了“空洞”現象的出現。

1 混合高斯背景建模

Zoran Zivkovic[10]提出的基于像素的自適應混合高斯背景模型的基本思想是在RGB空間或者其他的顏色空間中將時間點t處的單一像素定義為x{t}，其背景模型定義為px(t)|χT，BG+FG，用M(默認值為5)個高斯分布的加權和來表征背景：

對于一組新的數據，高斯混合模型的權值、均值和方差將按下式進行更新：

一般情況下，前景目標權值較小，而背景模型權值較大，因此,可以通過設定合適的閾值來得到近似的背景模型：

按照混合高斯模型權值大小將所建立的高斯分布降序排列，可以得到

式中：cf----屬于前景并對背景模型沒有影響的數據占總數據的百分比。

2 改進的目標檢測算法

2.1 基于混合高斯模型的平均背景法

Zoran Zivkovic[10]提出的混合高斯模型雖然對運動目標的檢測效果較好，但對于在視頻中做短暫停留的目標，會因背景更新而出現檢測不完整的問題，如果降低背景的更新率，那么當運動場景發生變化時，將無法對背景進行實時更新，影響對視頻中其他運動目標的檢測。針對此問題，文中對混合高斯模型目標檢測算法進行了如下改進。

2.1.1 改進的背景提取

用傳統的平均背景法思想處理混合高斯模型建立的背景，獲得更為真實的背景。當目標在視頻中停留時，目標在背景中所占的比重會逐漸增加，所以，停留時間越長，目標檢測越不完整。如果將目標融入背景中的部分去除掉，就可以得到更加真實的背景，檢測到的目標也會更加完整。傳統的平均背景法是對輸入的視頻序列直接進行處理，所以得到的背景并不純凈，而將其用于對混合高斯模型建立的背景處理，卻能取得較好的結果，主要原因是混合高斯模型建立的背景在通常情況下較為純凈，只有當目標停留在背景中時，才會由于背景的更新將目標融為背景，其次是因為目標是逐漸融為背景的，通過對連續幾幀圖像的背景進行均值運算，雖不能完全去除融入背景的目標，但可以降低目標在背景中所占的比重，使得到的背景更加接近于真實的背景。該算法的運算步驟如下：

1)設I1(x,y)，I2(x,y)，…，In(x,y)為輸入的視頻序列連續n幀圖像，對輸入的每一幀圖像進行混合高斯背景建模，獲得每一幀圖像的背景圖片B1(x,y),B2(x,y),…，Bn(x,y)。

2)對連續6幀背景圖片進行求和運算。設Bk(x,y)為第k幀圖像對應的背景圖，則

3)對所得到的圖像S(k,k-5)(x,y)求平均

2.1.2 改進的前景檢測

對于檢測結果中存在的干擾點主要有形態學處理和連通域分析兩種方法。

形態學處理是一種很好的去除干擾點的方法，但如果干擾點較大，那么在處理過程中對于目標會產生較大影響，而連通域分析對于孤立的細小的干擾點的處理效果較好，對于較大的干擾點則不能進行很好的去除。為了更好地消除干擾點，文中提出輪廓提取和形態學濾波進行結合的方法。該算法的基本思想是先尋找檢測結果中干擾點和所有目標的輪廓，然后根據輪廓的面積對輪廓進行篩選，去除輪廓面積較小的干擾點。去除干擾點后，對目標進行形態學操作，對目標中存在的空洞進行填充，具體步驟如下：

1)尋找目標輪廓。在輪廓的檢索模式中，選擇RETR_CCOMP檢索模式，提取所有輪廓，并將其組織成雙層結構，頂層為外圍邊界，次層為孔的內層邊界。在輪廓的近似方法中，選擇使用Teh-Chinl鏈逼近算法對輪廓進行近似處理。

2)輪廓面積篩選。求出每一個輪廓的面積contourArea[i]，然后通過設置合適的閾值去除掉前景中存在的干擾。通常情況下，干擾點的輪廓面積比目標的輪廓面積小，所以相對于連通域分析方法，這種方法更加簡單有效。

3)進行輪廓繪制。需要將線條顏色選擇為白色，并將線條繪制在輪廓內部。通過這一步的操作，可以得到只包含目標的圖像。

4)對目標進行膨脹處理。雖然輪廓的繪制可以對目標圖像內部的空洞進行填充，但如果目標被細小的間隙分隔開，那么在進行輪廓查找時，這些被分開的部分會被認為是不同的目標，對其進行輪廓繪制時也是單獨處理的，所以對于這些細小的間隙，膨脹處理是最有效的方法。

5)對目標圖像進行腐蝕操作。通過膨脹操作對目標中的間隙進行填充后，目標會出現一定的失真，此時可以對目標進行腐蝕操作，腐蝕操作的核選擇和膨脹操作相同大小的核，這樣可以對4)中膨脹的部分進行中和，減少目標的失真。

2.2 運動目標檢測算法流程

首先對輸入的每一幀視頻序列進行混合高斯背景建模，然后對獲得的背景進行處理，獲得圖像的平均背景，再將當前圖像與背景圖像進行差分運算，對差分后的結果進行輪廓篩選及繪制，去除干擾點，最后通過形態學操作，填充目標間隙，得到完整目標。

運動目標檢測流程如圖1所示。

圖1 運動目標檢測流程

3 實驗結果與分析

3.1 實驗結果

文中的實驗環境為Opencv3.0+VS2013，檢測的目標為室外行走的人，且目標為多個。文中截取了視頻的第587，601，608和620幀用不同方法處理的結果來說明文中算法的有效性。不同算法檢測結果如圖2所示。

(c) 幀差法檢測結果

(d) 混合高斯模型檢測結果

(e) OTSU算法檢測結果

(f) 文中算法檢測結果

從實驗結果中可以看出，三幀差分法可以檢測到運動目標的輪廓，但是對于在視頻中停留的目標，由于位置沒有發生改變，造成了目標的漏檢。混合高斯算法能夠很好地檢測出完整的運動目標，但是當目標停留時，會慢慢融入背景，此時只能檢測到該目標的輪廓。OTSU算法和文中算法對停留的目標檢測效果都很好，但是當停留的目標開始運動時，OTSU算法檢測出的目標存在“拖影”現象。文中通過對混合高斯模型獲得的背景進行均值運算，對融入背景中的目標進行中和，得到了更加純凈的背景圖像，從背景圖像中可以看出，隨著運動目標在場景中停留的時間變長，提取的背景中目標停留的位置出現了目標模糊的影子，但從檢測結果來看，檢測的效果并未因此受到影響，而且當目標開始運動時，也并未出現“拖影”現象，所以，文中算法能夠實現對視頻中運動目標的檢測，同時對于在視頻中停留的目標，也可以完整地檢測出來，并且在目標開始運動后，避免了“拖影”現象的出現，檢測效果較好。

3.2 結果分析

為了更好地說明文中算法的優點，采用文獻[11]中的識別率和誤檢率對文中算法和其他3種算法進行比較。識別率DR和誤檢率FAR算法如下：

兩種方法的識別率DR和誤檢率FAR見表1。

表1 兩種方法的識別率DR和誤檢率FAR %

實驗結果表明，文中算法將傳統的平均背景法用于對混合高斯檢測的背景處理，提高了獲得的背景質量，使其能夠檢測出在視頻中運動的目標，同時對停留的目標檢測效果較好，提高了算法的識別率，對于在視頻中停留后開始運動的目標，能夠避免“拖影”現象，降低了目標的誤檢率。綜上所述，文中算法檢測效果較好。

4 結 語

針對目標在視頻中做短暫停留時因背景更新出現的檢測不完整情況，提出基于混合高斯模型的平均背景法，該算法通過傳統的平均背景法對混合高斯背景建模獲得的背景進行處理，淡化了因停留而融入背景的目標，使獲得的背景更加純凈，然后通過當前圖像和背景圖像之間的差分運算得到目標圖像，最后通過輪廓篩選和形態學處理去除干擾點，并完成對目標間隙的填充，最終得到完整目標。通過實驗結果可以看出，該算法除了能夠檢測出視頻中運動的目標，還能夠完整地檢測出在視頻中停留的目標，當停留的目標開始運動時，可以避免“拖影”現象出現，其識別率和誤檢率分別為86.7%和8.3%，檢測效果較好。但是由于對多幀混合高斯建模的背景進行了運算，造成算法的運行時間較長，這是文中算法的不足之處，有待改進。

[1] 王思思,任世卿.一種改進的基于混合高斯模型的運動目標檢測算法[J].計算機科學,2015,42(s2):173-174.

[2] 張紅穎，胡正.CenSurE特征和時空信息相結合的運動目標檢測[J].光學精密工程，2013(9)：2452-2463.

[3] 宋志勤,路錦正,聶詩良.改進的時空背景差分目標檢測[J].光電工程,2016(2):27-32.

[4] 陸牧，高揚，朱明.動基座下的運動目標檢測[J].光學精密工程，2016(5)：1782-1788.

[5] 王彬,馬永杰,李鵬飛.結合分塊的改進三幀差和背景差的運動目標檢測[J].計算機系統應用,2015,24(8):155-159.

[6] 邱聯奎,劉啟亮,趙予龍,等.混合高斯背景模型目標檢測的一種改進算法[J].計算機仿真,2014(5):378-384.

[7] 劉洪彬，常發亮.權重系數自適應光流法運動目標檢測[J].光學精密工程，2016(2):460-467.

[8] 王維合，王宏志，趙蘭英.運動目標檢測跟蹤方法研究[J].長春工業大學學報：自然科學版，2001，22(4)：411-414.

[9] 張傳偉,王京梅,林曉明,等.基于背景差分的一種運動目標檢測方法[J].電子科技,2015,28(10):69-71.

[10] Zivkovic Z. Improved adaptive gaussian mixture model for background subtraction[J]. International Conference on Pattern Recognition. IEEE,2004(2):28-31.

[11] 郭偉,高媛媛,劉鑫焱.改進的基于混合高斯模型的運動目標檢測算法[J].計算機工程與應用，2016，52(13):195-200.

[12] 王宏志,劉媛媛,孫琦.基于小波變換矩陣的改進脊波變換圖像去噪[J].吉林大學學報:理學版, 2010,48(1):99-103.

AnaveragebackgroundmethodbasedonmixedGaussianmodelformovingobjectdetection

LIU Liwei, ZHANG Hongmei, XUE Chunfang, MAN Tao

(School of Computer Science and Engineering, Changchun University of Technology, Changchun 130012， China)

The average background method is used to deal the background obtained from mixed Gaussian to purify the image background. Then the difference between current and background image is calculated, and the interference points in the image are removed with contour screening. The gap in the image is filled with morphological processing to obtain the final image. Experimental results indicate that the recognition rate and false rate are 86.7% and 8.3% respectively, for both the moving and staying target.

target detection; mixed Gaussian model; average background; contour screening.

2017-07-11

吉林省教育廳“十三五”科學技術研究基金資助項目(2016-35)

劉麗偉(1974-)，女，漢族，吉林通化人，長春工業大學副教授，博士，主要從事模式識別和智能系統方向研究,E-mail:liuliwei@ccut.edu.cn.

10.15923/j.cnki.cn22-1382/t.2017.5.02

TP 391

A

1674-1374(2017)05-0421-05