林淦斌

摘 要：針對(duì)儲(chǔ)物柜存取貨物場(chǎng)景的實(shí)際情況和人員行為的特點(diǎn)，提出一種通過(guò)融合時(shí)間調(diào)整機(jī)制控制前景融入背景的改進(jìn)型混合高斯建模檢測(cè)方法，并引入手臂識(shí)別機(jī)制。融合時(shí)間調(diào)整機(jī)制減小了由于人員停止運(yùn)動(dòng)而錯(cuò)誤決策為背景的可能性；手臂識(shí)別算法模型有效地識(shí)別人員伸手動(dòng)作。實(shí)驗(yàn)結(jié)果表明，該方法可以簡(jiǎn)單有效地從連續(xù)的圖像序列中檢測(cè)出人員在儲(chǔ)物柜場(chǎng)景下的存取貨物行為。

關(guān)鍵詞：混合高斯模型 時(shí)間調(diào)整機(jī)制 手臂識(shí)別 存取貨行為檢測(cè)

中圖分類號(hào)：TP391 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1674-098X（2015）01（c）-0052-03

儲(chǔ)物柜場(chǎng)景存取貨物行為檢測(cè)的主要任務(wù)是從連續(xù)的圖像序列中判別出從運(yùn)動(dòng)到靜止于儲(chǔ)物柜前并伸出胳膊打開儲(chǔ)物柜存取貨物的人員。傳統(tǒng)監(jiān)控應(yīng)用場(chǎng)景下，攝像頭常開記錄下每一個(gè)時(shí)刻攝像頭覆蓋區(qū)域的畫面；然而，當(dāng)事件未發(fā)生時(shí)候所獲取的視頻往往沒(méi)有任何價(jià)值而又無(wú)差別地占用了存儲(chǔ)空間，且長(zhǎng)時(shí)間處于工作狀態(tài)下的攝像頭功耗較大。儲(chǔ)物柜場(chǎng)景下，通常關(guān)心的是儲(chǔ)物柜中的貨物是否被誤取，因此只需有人員打開儲(chǔ)物柜事件發(fā)生時(shí)觸發(fā)攝像頭記錄存儲(chǔ)當(dāng)前時(shí)刻視頻以供翻查佐證?；谠搼?yīng)用場(chǎng)景，檢測(cè)系統(tǒng)需要實(shí)現(xiàn)兩個(gè)功能：首先，如何把從運(yùn)動(dòng)到靜止于儲(chǔ)物柜前的人員從圖像序列中提取出來(lái)；其次，如何從提取出來(lái)的人員前景圖像中判別人員是否有伸出胳膊動(dòng)作從而觸發(fā)攝像頭錄像并存儲(chǔ)。

根據(jù)儲(chǔ)物柜存取貨物場(chǎng)景的實(shí)際情況和人員行為的特點(diǎn)，本文改進(jìn)傳統(tǒng)的混合高斯模型，提出一種通過(guò)融合時(shí)間調(diào)整機(jī)制控制前景融入背景的改進(jìn)型混合高斯建模檢測(cè)方法，并引入手臂識(shí)別機(jī)制，具體檢測(cè)流程如圖1所示。實(shí)驗(yàn)結(jié)果表明該方法有良好的魯棒性和自適應(yīng)性，可用于儲(chǔ)物柜場(chǎng)景存取貨物行為檢測(cè)。

1 改進(jìn)型混合高斯背景模型

1.1 混合高斯背景模型

背景模型對(duì)目標(biāo)的識(shí)別和跟蹤至關(guān)重要。目前已有的大多數(shù)背景提取算法或基于靜態(tài)背景，或計(jì)算復(fù)雜，難以應(yīng)用于光照緩慢變化和背景存在小幅度重復(fù)運(yùn)動(dòng)視頻的實(shí)時(shí)處理。其中，背景差法[1]對(duì)環(huán)境的變化（如光照等）較敏感，且分割精度易受噪聲影響。幀差法[2]不能完全提取出所有相關(guān)的特征像素點(diǎn)，在運(yùn)動(dòng)實(shí)體內(nèi)部容易產(chǎn)生空洞現(xiàn)象。光流法[3]需要多次迭代運(yùn)算，時(shí)間消耗大?；旌细咚鼓Ｐ蚚4]由于采用多個(gè)高斯分布加權(quán)建模，能夠描述像素值分布的雙峰或多峰狀態(tài)，對(duì)背景的自適應(yīng)性高，在時(shí)空效率都適中的情況下能提供相對(duì)精確的背景模型，而引起了眾多從事目標(biāo)檢測(cè)與跟蹤[5-6]、視頻監(jiān)控[7]等相關(guān)領(lǐng)域的專家和學(xué)者的關(guān)注。

單高斯背景模型（Single Gaussian Background Model，SGBM）的基本思想是：將圖像中每一個(gè)像素點(diǎn)的顏色值看成是一個(gè)隨機(jī)過(guò)程X，并假設(shè)該點(diǎn)的某一像素值出現(xiàn)的概率服從高斯分布?；旌细咚贡尘澳Ｐ停℅aussian Mixture Model）是在SGBM中將單個(gè)高斯分布作為相應(yīng)某一像素值的概率密度分布，對(duì)其進(jìn)行了擴(kuò)展，通過(guò)多個(gè)高斯概率密度函數(shù)的加權(quán)平均來(lái)平滑地近似任意形狀的密度分布函數(shù)。令I(lǐng)（x，y，t）表示像素點(diǎn)（x，y）在t時(shí)刻的像素值，則有

其中α為學(xué)習(xí)率，取值在0～1之間。如果第i個(gè)高斯分布與當(dāng)前像素匹配，則Di，t=1，否則Di，t=0。

1.2 基于融合時(shí)間調(diào)整機(jī)制的背景模型

儲(chǔ)物柜場(chǎng)景中經(jīng)常存在人員突然停止并長(zhǎng)時(shí)間站立在某柜子前的情況，混合高斯模型很難正確檢測(cè)出運(yùn)動(dòng)速度緩慢的物體，尤其當(dāng)運(yùn)動(dòng)目標(biāo)突然停止運(yùn)動(dòng)時(shí)，容易把靜止目標(biāo)融入背景。本文根據(jù)該場(chǎng)景的特點(diǎn)，對(duì)傳統(tǒng)的混合高斯模型進(jìn)行了改進(jìn)，具體步驟如下：

背景學(xué)習(xí)階段——由于儲(chǔ)物柜場(chǎng)景中背景相對(duì)固定，不會(huì)經(jīng)常發(fā)生變化，所以可以在背景學(xué)習(xí)階段賦值很高的學(xué)習(xí)率α快速建立背景；而且，該階段中越靠前出現(xiàn)的圖片幀是背景的可能性越大，因此算法中設(shè)置越靠前的圖片幀學(xué)習(xí)率越大，并設(shè)置一個(gè)學(xué)習(xí)周期。

背景更新階段——儲(chǔ)物柜場(chǎng)景中時(shí)常會(huì)出現(xiàn)人員突然停止并長(zhǎng)時(shí)間站立在某柜子前的情況，因此該階段算法中通過(guò)設(shè)置很小的學(xué)習(xí)率來(lái)避免將靜止的人員融入背景。

通過(guò)如上所述的融合時(shí)間調(diào)整機(jī)制，可以十分簡(jiǎn)便且有效地控制儲(chǔ)物柜場(chǎng)景中前景融入背景的時(shí)間。

1.3 實(shí)驗(yàn)結(jié)果

為了檢驗(yàn)算法的有效性，在VC++2010平臺(tái)下，分別對(duì)傳統(tǒng)混合高斯背景模型和本文改進(jìn)方法進(jìn)行實(shí)驗(yàn)。實(shí)驗(yàn)數(shù)據(jù)所拍攝視頻片段每幀圖像大小為640×480像素。視頻流中進(jìn)入場(chǎng)景的人員在363幀停止行進(jìn)站立于儲(chǔ)物柜前進(jìn)行操作，直到597幀之后繼續(xù)有大幅度動(dòng)作。圖2為部分實(shí)驗(yàn)結(jié)果，圖縱列分別表示363幀、390幀、420幀和596幀的前景提取結(jié)果。對(duì)比實(shí)驗(yàn)結(jié)果可以看出該文方法可以正確檢測(cè)出長(zhǎng)時(shí)間靜止人員。

2 手臂識(shí)別算法模型

2.1 算法流程

手部識(shí)別算法是基于站立在儲(chǔ)物柜前人員的高斯前景圖像進(jìn)行分析的。根據(jù)前景提取結(jié)果經(jīng)由數(shù)學(xué)形態(tài)學(xué)平滑處理后，對(duì)每一個(gè)目標(biāo)利用“爬蟲法”[8]提取出目標(biāo)外接矩形框作為興趣區(qū)域，隨后對(duì)區(qū)域內(nèi)前景進(jìn)行手部識(shí)別。具體算法分析流程如下：

在高斯前景圖像上，對(duì)矩形框區(qū)域進(jìn)行分析；

在矩形框區(qū)域，對(duì)高斯前景圖像做X軸和Y軸投影；

在X軸的投影上，分析投影的柱狀圖取閾值thr（thr可根據(jù)實(shí)際情況訓(xùn)練調(diào)試），將柱狀圖中各柱體同thr比較，提取出小于thr的柱子X(jué)坐標(biāo)；

分析上一步提取出的柱子，檢測(cè)其連通性，提取出連通區(qū)最長(zhǎng)的一段，認(rèn)為該段就是手臂；

分析最長(zhǎng)段的兩端，如果一端柱狀圖明顯高于另一端，那么就認(rèn)為該端是身體軀干部分，另外一端是手部。

2.2 實(shí)驗(yàn)結(jié)果

依據(jù)上述算法流程，實(shí)驗(yàn)結(jié)果分別選取一幀進(jìn)行顯示，效果圖如圖3所示。圖中紅色方框表示所識(shí)別到的胳膊部分，黃色方框表示在胳膊基礎(chǔ)上進(jìn)一步識(shí)別到的手部大致位置。實(shí)驗(yàn)結(jié)果表明，該算法可以有效地從提取出來(lái)的人員前景圖像中判別人員是否有伸出胳膊動(dòng)作。

3 結(jié)束語(yǔ)

該文提出一種通過(guò)融合時(shí)間調(diào)整機(jī)制控制前景融入背景的改進(jìn)型混合高斯建模檢測(cè)方法，并引入手臂識(shí)別算法模型。融合時(shí)間調(diào)整機(jī)制控制了前景融入背景的時(shí)間，減小了由于人員停止運(yùn)動(dòng)而錯(cuò)誤決策為背景的可能性；手臂識(shí)別算法模型有效地識(shí)別人員伸手動(dòng)作。實(shí)驗(yàn)結(jié)果表明，這套方法可以簡(jiǎn)單有效地從連續(xù)的圖像序列中檢測(cè)出人員在儲(chǔ)物柜場(chǎng)景下的存取貨物行為。

參考文獻(xiàn)

[1] Haritaoglu I，Harwood D， Davis L S G.A human body part labeling system using silhouettes[C]//Fourteenth International Conference on Pattern Recognition，1998：77-82.

[2] 洪炳熔，賀懷清.虛擬人的步行和跑步運(yùn)動(dòng)控制方法的研究[J].高科技通訊，2001（3）：91-95.

[3] Meyer D，Denzler J，Niemann H.Model based extraction of articulated objects in image sequences for gait analysis[C]//Proc IEEE International Conference on Image Processing，Santa Barbara，California，1997：78-81.

[4] 李志慧，張長(zhǎng)海，曲昭偉，等.交通流視頻檢測(cè)中背景模型與陰影檢測(cè)算法[J].吉林大學(xué)學(xué)報(bào)：工學(xué)版，2006，36（6）：993-997.

[5] 王勇，譚毅華，田金文.基于陰影消除和混合高斯模型的視頻分割算法[J].光電工程，2008，35（3）：21-25.

[6] 彭可，陳燕紅，唐宜清.一種室內(nèi)環(huán)境的運(yùn)動(dòng)目標(biāo)檢測(cè)混合算法[J].計(jì)算機(jī)工程與應(yīng)用，2008，44（5）：239-241.

[7] Pavlidis I，Morellas V，Tsiamyrtzis P，et al.Urban surveillance system：From the laboratory to the commercial world[J].Proceedings of the IEEE，2001，89（10）：1478-1497.

[8] 崔鳳魁，張豐收，白露，等.二值圖像目標(biāo)鄰域點(diǎn)法邊界跟蹤算法[J].洛陽(yáng)工學(xué)院學(xué)報(bào)，2001，22（1）：28-30.