郭俊，王平
（西華大學(xué) 電氣與電子信息學(xué)院，四川 成都610039）
摘要：提出了一種改進(jìn)的混合高斯背景模型方法，克服了傳統(tǒng)混合高斯背景建模方法計(jì)算時(shí)間長(zhǎng)的缺點(diǎn)。通過(guò)對(duì)視頻圖像中運(yùn)動(dòng)目標(biāo)區(qū)域進(jìn)行背景建模，減小了每一幀的背景建模區(qū)域，同時(shí)在提取運(yùn)動(dòng)目標(biāo)區(qū)域前先對(duì)初提取的前景目標(biāo)進(jìn)行中值濾波，減小運(yùn)動(dòng)目標(biāo)區(qū)域的范圍，進(jìn)一步壓縮了背景建模的時(shí)間。最后通過(guò)與時(shí)間平均背景建模和傳統(tǒng)混合高斯背景建模方法進(jìn)行比較，驗(yàn)證了本文算法的高效性。
關(guān)鍵詞：運(yùn)動(dòng)目標(biāo)檢測(cè)；運(yùn)動(dòng)目標(biāo)區(qū)域；背景減除法；混合高斯背景模型
0引言
視頻圖像運(yùn)動(dòng)目標(biāo)檢測(cè)就是將運(yùn)動(dòng)目標(biāo)從視頻序列圖像背景中分離出來(lái)，是運(yùn)動(dòng)目標(biāo)識(shí)別與跟蹤的基礎(chǔ)［12］。其中圖像序列中有運(yùn)動(dòng)目標(biāo)經(jīng)過(guò)的區(qū)域稱為前景，其余部分為背景。高效而準(zhǔn)確地檢測(cè)并提取前景目標(biāo)是視頻圖像運(yùn)動(dòng)目標(biāo)分析技術(shù)的核心部分之一，也是計(jì)算機(jī)視覺(jué)和圖像理解的熱點(diǎn)和難點(diǎn)之一。
目前常用的檢測(cè)算法有三種：幀差分法［3］、光流法［4］以及背景減除法［5］。幀差分法比較適用于分析簡(jiǎn)單場(chǎng)景，并且提取到的目標(biāo)不完整，一般用來(lái)進(jìn)行初提取工作；而光流法往往采用迭代法進(jìn)行計(jì)算，且對(duì)光照、陰影等比較敏感，使用范圍比較小；而背景減除法操作簡(jiǎn)單，建模方式多種多樣，所以使用最為廣泛。背景減除法將新一幀圖像與所建立的背景模型進(jìn)行比較，若相同位置的像素灰度值的差大于提前設(shè)置的閾值，則認(rèn)為這個(gè)像素點(diǎn)來(lái)自于前景，否則是背景。而一幅圖片中所有來(lái)自前景的坐標(biāo)就構(gòu)成了前景區(qū)域。背景減除法的核心技術(shù)在于背景模型的建立和更新，不同的背景建模方式產(chǎn)生的處理時(shí)間和處理效果各不相同。STAUFFER C等人提出的混合高斯背景建模方法［67］是目前較為成功的方法之一。它的理論依據(jù)在于不同的圖片中相同坐標(biāo)處的像素值必然服從于一個(gè)或者多個(gè)高斯分布，通過(guò)對(duì)每個(gè)坐標(biāo)處建立幾個(gè)高斯函數(shù)，能有效地建立一個(gè)具有很高魯棒性的背景模型。當(dāng)然由此也造成了該方法計(jì)算的復(fù)雜性。
本文通過(guò)減小背景建模區(qū)域來(lái)達(dá)到縮短檢測(cè)時(shí)間的目的，通過(guò)幀差分法對(duì)運(yùn)動(dòng)前景區(qū)域進(jìn)行初提取，通過(guò)膨脹和腐蝕等形態(tài)學(xué)操作［8］使離散的前景像素點(diǎn)合并為一塊或者幾塊區(qū)域，然后對(duì)這些區(qū)域進(jìn)行混合高斯背景建模，能較好地減小算法的計(jì)算量，同時(shí)也能達(dá)到同樣的檢測(cè)效果。
1傳統(tǒng)混合高斯背景建模理論
參考文獻(xiàn)［2］中使用M個(gè)高斯函數(shù)構(gòu)成的混合高斯背景模型來(lái)表示一個(gè)坐標(biāo)處像素在時(shí)間域上的概率分布，記t時(shí)刻坐標(biāo)(x,y)處像素灰度值為ft(x,y)，則坐標(biāo)(x,y)處像素灰度值為ft(x,y)的概率P(ft)用式（1）表示：
式中M是高斯模型的個(gè)數(shù)，ωl為第l個(gè)高斯分布的權(quán)重，ηl(ft,μl,t,σl,t)是第l個(gè)高斯密度函數(shù)，用式（2）表示：
式中μl,t是該高斯分布的均值，σl,t是方差。
判定原則如下：對(duì)于待檢測(cè)圖片中的ft(x,y)，求出能代表其背景分布的M個(gè)高斯函數(shù)，將這些函數(shù)按ω/σ值的大小排序，取比值大的前B個(gè)高斯函數(shù)組成該點(diǎn)背景的混合高斯模型，如果ft(x,y)與其該背景模型中的第k(k≤B)個(gè)高斯分布匹配，則認(rèn)為該點(diǎn)是背景，否則為前景。匹配準(zhǔn)則如下：
式中λ來(lái)自于經(jīng)驗(yàn)。
背景更新：新一幀圖像檢測(cè)完成后，若ft(x,y)被認(rèn)為來(lái)自于前景，也就是說(shuō)該點(diǎn)對(duì)應(yīng)模型的前B個(gè)高斯分布中沒(méi)有一個(gè)與之匹配，則用一個(gè)新的高斯分布來(lái)替換ω/σ值最小的那個(gè)分布，其均值為ft(x,y)，并賦予一個(gè)較大的方差和較小的權(quán)重。
參數(shù)更新：
與ft(x,y)匹配的高斯函數(shù)按下式更新：
圖3對(duì)視頻ccbr.avi進(jìn)行的算法仿真結(jié)果圖不能與ft(x,y)匹配的高斯函數(shù)按下式更新：
ω′l(x,y)=(1-α)ωl(x,y)(7)
然后歸一化權(quán)值。式中α、ρ為學(xué)習(xí)速度，來(lái)自于經(jīng)驗(yàn)。
2改進(jìn)的混合高斯背景建模
需要檢測(cè)的視頻里面每一幀圖像只有部分區(qū)域中存在運(yùn)動(dòng)目標(biāo)，常用的混合高斯背景模型都是對(duì)整幅圖像進(jìn)行背景建模，其中很大一部分是沒(méi)有必要的，本文則是提前將視頻圖像中有運(yùn)動(dòng)前景的區(qū)域提取出來(lái)并通過(guò)膨脹和腐蝕操作確保提取的前景區(qū)域一定包括了運(yùn)動(dòng)前景，然后對(duì)運(yùn)動(dòng)前景區(qū)域進(jìn)行混合高斯背景建模，進(jìn)而提取出運(yùn)動(dòng)前景。
提取運(yùn)動(dòng)前景區(qū)域采用幀差法，其包括兩幀幀差法和三幀幀差法，其中三幀幀差法提取到的只有運(yùn)動(dòng)前景的一部分，比較之下，本文采用兩幀幀差法提取，并通過(guò)形態(tài)學(xué)操作，得到運(yùn)動(dòng)前景區(qū)域，通過(guò)C4模塊進(jìn)行存儲(chǔ)，然后利用混合高斯背景建模模塊，只對(duì)提取出的前景區(qū)域進(jìn)行處理，得到運(yùn)動(dòng)前景。改進(jìn)的基于混合高斯背景建模的運(yùn)動(dòng)目標(biāo)檢測(cè)的設(shè)計(jì)流程圖如圖1所示。
首先記t時(shí)刻和t+1時(shí)刻輸入的連續(xù)兩幀圖像分別為x和y，灰度化處理分別記為m和n，然后將m和n數(shù)據(jù)類型轉(zhuǎn)化為雙精度型，并存儲(chǔ)到q和w中，記c(i,j)=|q(i,j)-w(i,j)|,根據(jù)c(i,j)與設(shè)置的閾值th比較分析，判斷該像素點(diǎn)是前景還是背景。整幅圖片處理完成后即得到初提取的前景二值圖像C，對(duì)圖像C采用3×3中值濾波［6］處理，然后進(jìn)行膨脹和閉運(yùn)算操作，得到初提取的前景區(qū)域C3，并最終將前景區(qū)域信息存儲(chǔ)到文件C4中，即完成了對(duì)運(yùn)動(dòng)目標(biāo)區(qū)域的提取操作。然后混合高斯背景建模模塊對(duì)原始視頻的C4前景區(qū)域進(jìn)行背景建模，最終完成對(duì)前景圖像的準(zhǔn)確提取。
3結(jié)果分析
本實(shí)驗(yàn)采用MATLAB 2014a進(jìn)行編程，并在Inter 3.4 GHz處理器、4 GB內(nèi)存的PC上進(jìn)行仿真，使用的視頻速率為20幀/s，原始經(jīng)典混合高斯背景建模和改進(jìn)后的混合高斯背景建模所選高斯函數(shù)均為4個(gè)，初始標(biāo)準(zhǔn)差為6，前景閾值th=λσk，λ=2.5，學(xué)習(xí)率α=0.01，方差學(xué)習(xí)率ρ=0.03。視頻首先經(jīng)過(guò)C4區(qū)域提取模塊，提取出運(yùn)動(dòng)目標(biāo)區(qū)域，然后背景建模模塊通過(guò)對(duì)C4區(qū)域進(jìn)行前景提取，最后檢測(cè)出運(yùn)動(dòng)前景二值圖像［9］，并將結(jié)果由四個(gè)輸出視頻（原始視頻、灰度處理視頻、前景區(qū)域視頻和前景二值圖像視頻）顯示出來(lái)。本文實(shí)驗(yàn)共采用了三種方法進(jìn)行仿真模擬：時(shí)間平均模型法［1］、混合高斯模型法以及本文所介紹方法，對(duì)復(fù)雜背景視頻Traffic.avi和簡(jiǎn)單背景視頻ccbr.avi進(jìn)行了處理，圖2和圖3分別是選擇Traffic.avi的第175幀圖像和ccbr.avi的第50幀進(jìn)行算法仿真的結(jié)果從圖中可以看出，本實(shí)驗(yàn)完全能達(dá)到混合高斯模型的效果，而從表1的分析數(shù)據(jù)可以看出，本實(shí)驗(yàn)所用時(shí)間遠(yuǎn)遠(yuǎn)小于傳統(tǒng)的混合高斯背景建模法。
從實(shí)驗(yàn)數(shù)據(jù)可以看出，通過(guò)對(duì)運(yùn)動(dòng)物體運(yùn)動(dòng)區(qū)域的提取來(lái)進(jìn)行混合高斯背景建模可以有效縮短前景提取時(shí)間，而且越是簡(jiǎn)單的背景，節(jié)約的處理時(shí)間越明顯。
4結(jié)論
本文為了克服傳統(tǒng)混合高斯模型方法計(jì)算量大的缺點(diǎn)，提出了對(duì)運(yùn)動(dòng)目標(biāo)所在區(qū)域建立背景模型的方法，通過(guò)與時(shí)間平均模型和混合高斯模型進(jìn)行實(shí)驗(yàn)仿真對(duì)比，結(jié)果證明了本文所用方法的有效性。
參考文獻(xiàn)
［1］ 趙春暉,潘泉,梁彥,等.視頻圖像運(yùn)動(dòng)目標(biāo)分析［M］. 北京：國(guó)防工業(yè)出版社, 2011.
［2］ 杜文略,劉建梁,沈三民，等.基于FPGA的運(yùn)動(dòng)目標(biāo)檢測(cè)系統(tǒng)設(shè)計(jì)［J］.電子技術(shù)應(yīng)用,2014,40(11):3638,42.
［3］ LIPON A, FUJIYOSHI H，PATIL R. Moving target classification and tracking from real time video ［C］.Proceedings of IEEE Workshop Applications of Computer Vision，Los Alamitos，CA，1998:814.
［4］ BROX T, BRUHN A, PAPENBERG N, et al. High accuracy optical flow estimation based on a theory for warping［C］. Proceedings of 8th European Conference on Computer Vision, 2004：2536.