李偉杰

摘要：背景建模及運(yùn)動(dòng)目標(biāo)的提取是運(yùn)動(dòng)目標(biāo)檢測(cè)的研究熱點(diǎn)和經(jīng)典難題?；趥鹘y(tǒng)的背景建模方法，提出一種基于自適應(yīng)的改進(jìn)GMM方法的背景建模新算法以獲得高效和準(zhǔn)確的分割結(jié)果。為了得到良好的背景模型，模型里各高斯分布的均值和方差需要根據(jù)場(chǎng)景的變化進(jìn)行對(duì)應(yīng)的更新。首先改進(jìn)了前景構(gòu)圖方法，然后對(duì)高斯分布均值和方差的參數(shù)更新機(jī)制進(jìn)行改進(jìn)，提高了算法的精確性。仿真的結(jié)果顯示：改進(jìn)后的算法具有更好的抗干擾能力，能夠應(yīng)對(duì)背景的變化，減少誤檢和漏檢現(xiàn)象的發(fā)生。

關(guān)鍵詞：背景建模；運(yùn)動(dòng)目標(biāo)檢測(cè)；改進(jìn)GMM；參數(shù)更新機(jī)制

1.概述

運(yùn)動(dòng)目標(biāo)檢測(cè)是從視頻圖像中把運(yùn)動(dòng)目標(biāo)檢測(cè)出來，是計(jì)算機(jī)視覺的重要分支之一。背景減除是目前使用的主要方法，但是當(dāng)背景中包含陰影、波動(dòng)的水面、無關(guān)的運(yùn)動(dòng)物體，甚至發(fā)生攝像頭抖動(dòng)、光照變化，建立準(zhǔn)確的背景模型十分困難，所以背景模型的建立和更新成為研究熱點(diǎn)和難點(diǎn)。為了解決上述問題，研究人員提出了改進(jìn)方法。文獻(xiàn)[1]利用HSV建立模型，很好地消除光照和陰影的干擾。文獻(xiàn)[2]在圖像的背景區(qū)域和前景區(qū)域使用不同的參數(shù)更新速率，解決了由于更新速度過慢而出現(xiàn)的“虛影”情況。文獻(xiàn)[3]融入改進(jìn)幀差法的混合高斯建模，很好地去除噪聲的干擾。文獻(xiàn)[4]對(duì)視頻幀進(jìn)行分塊處理，使用塊的像素均值進(jìn)行背景建模，該算法的運(yùn)算量小，檢測(cè)效果好。文獻(xiàn)[5]混合高斯模型中融入三幀差分法，能夠較好地處理長(zhǎng)期靜止的物體突然運(yùn)動(dòng)引起的誤檢問題，并且對(duì)于陰影抑制有較好的效果。

2.高斯混合背景建模

2.1背景模型的初始化

高斯混合模型為圖像中的像素點(diǎn)建立了K個(gè)高斯分布，然后用這K個(gè)高斯分布的加權(quán)和去描述一幅圖像。將圖像序列中的任意一點(diǎn)像素x，y的灰度當(dāng)作一個(gè)獨(dú)立的統(tǒng)計(jì)過程，假設(shè)其服從高斯分布，記為N（μ，σ）。圖像序列I1，I2，…，IN在t時(shí)刻t∈1，2，…，N的圖像It的概率密度函數(shù)表示為：

對(duì)于匹配不成功的高斯分布，在更新背景模型時(shí)，它的均值和方差都保持不變。

2.3背景建模

當(dāng)獲得新的一幀圖像時(shí)，根據(jù)背景更新公式來更新模型參數(shù)，把K個(gè)高斯分布按權(quán)值大小進(jìn)行排列，選擇權(quán)值大的b個(gè)高斯分布進(jìn)行求和，當(dāng)它的值大于閾值T時(shí)，那么這b個(gè)分布就構(gòu)成了新的背景模型，即：

通過上述的高斯混合模型方法建模獲得背景圖像，然后根據(jù)一定的閾值利用背景減除提取出運(yùn)動(dòng)的前景圖像Dt：

3.改進(jìn)GMM的運(yùn)動(dòng)目標(biāo)檢測(cè)

對(duì)于傳統(tǒng)的高斯混合模型分析，獲得如下結(jié)論：在待測(cè)目標(biāo)較大且運(yùn)動(dòng)較慢時(shí)，傳統(tǒng)的高斯混合模型無法實(shí)現(xiàn)精準(zhǔn)地檢測(cè)。此外，因?yàn)椴捎玫氖墙y(tǒng)一不變的更新速率，不能把握運(yùn)動(dòng)目標(biāo)的速度變化情況，從而不能精確地區(qū)分該點(diǎn)是屬于運(yùn)動(dòng)背景的區(qū)域還是運(yùn)動(dòng)目標(biāo)的區(qū)域，容易將運(yùn)動(dòng)的背景錯(cuò)檢為運(yùn)動(dòng)目標(biāo)。而且在運(yùn)動(dòng)目標(biāo)從長(zhǎng)時(shí)間靜止不動(dòng)開始緩慢運(yùn)動(dòng)時(shí)，常常會(huì)有“虛影”現(xiàn)象。針對(duì)以上出現(xiàn)的問題，通過改進(jìn)前景構(gòu)圖法和自適應(yīng)更新速率，提高高斯混合模型的準(zhǔn)確性和實(shí)時(shí)性。

3.1改進(jìn)的前景圖像構(gòu)建法

高斯混合模型按公式（7）提取目標(biāo)時(shí)，如果目標(biāo)的顏色和背景的顏色相近或相同，則那部分信息會(huì)發(fā)生缺失，從而造成目標(biāo)空洞或孤立點(diǎn)。高斯混合模型可以同時(shí)為背景和前景建模，當(dāng)滿足公式（3）時(shí)，判斷該像素點(diǎn)是屬于背景點(diǎn)，否則判斷該點(diǎn)屬于前景點(diǎn)。這樣將不匹配的點(diǎn)集合在一起，就可以構(gòu)成前景圖像FGt，如公式（9）。而匹配的點(diǎn)集合在一起構(gòu)成了背景圖像，將原始圖像和背景圖像差分得到圖像Dt，最后將圖像Dt和圖像FGt按比例合成，得到最終的目標(biāo)圖像，具體內(nèi)容如公式（10）所示：

3.2背景更新速率的選取

對(duì)于高斯混合模型并不需要實(shí)時(shí)更新每一幀的各個(gè)像素，而在建立背景模型時(shí)通過對(duì)指定的少數(shù)幾幀進(jìn)行統(tǒng)計(jì)，只要背景更新階段控制一些像素的更新速率就行了。詳細(xì)過程為：在背景更新階段，對(duì)于新讀取的幀圖像的每一個(gè)像素點(diǎn)設(shè)定一個(gè)計(jì)數(shù)器cou（初始值為0），當(dāng)像素點(diǎn)被判定為背景時(shí)，那么cou就自增1；當(dāng)像素點(diǎn)被判為前景時(shí)，cou重新置0。當(dāng)cou超過設(shè)定的閾值Th時(shí)，就認(rèn)為這個(gè)像素點(diǎn)是場(chǎng)景中長(zhǎng)期不變的背景像素。首先將cou重新置0，然后計(jì)算當(dāng)前像素值和高斯分布的匹配度：

對(duì)于圖像中長(zhǎng)時(shí)間不變的像素點(diǎn)，進(jìn)行參數(shù)更新時(shí)，該像素點(diǎn)更新延遲的時(shí)間T與它和高斯分布的匹配程度成正比。當(dāng)該像素點(diǎn)連續(xù)Th幀被判為背景且它的權(quán)重大于ωt時(shí)，那么將在接下來的T幀中，對(duì)其模型參數(shù)不進(jìn)行更新。等到T幀過后，像素點(diǎn)對(duì)應(yīng)的高斯分布的參數(shù)設(shè)置與背景建立階段的第一幀的初始化一致。

改進(jìn)高斯混合模型流程如圖1所示，具體為：

1）收集前幾幀的圖像信息，從而初始化高斯混合模型的參數(shù)，并確定背景與前景的更新速率；

2）通過對(duì)每幀圖像的像素進(jìn)行分析，分別得到背景圖像與前景圖像；

3）利用背景減除法，將背景圖像與當(dāng)前幀的圖像相減，并通過閾值分離，得到新的前景圖像；

4）將新得到的前景圖像與高斯混合模型分離出的前景圖像按比例進(jìn)行合成，得到最終的前景圖像。

4.實(shí)驗(yàn)結(jié)果及分析

為了驗(yàn)證本算法的有效性，將本文算法和傳統(tǒng)的高斯建模方法進(jìn)行了對(duì)比。下面列舉幾個(gè)典型的實(shí)驗(yàn)結(jié)果。圖2是測(cè)試視頻的原圖、傳統(tǒng)模型的分割前景和改進(jìn)模型的分割前景。實(shí)驗(yàn)結(jié)果選取了第71幀圖片，從兩幅圖片對(duì)比可以看出改進(jìn)的GMM算法提取的前景圖像效果更好，而且不會(huì)引入新的干擾噪聲。

為了驗(yàn)證改進(jìn)的更新速率對(duì)運(yùn)動(dòng)檢測(cè)的影響，通過視頻中運(yùn)動(dòng)的物體靜止一段時(shí)間后的檢測(cè)結(jié)果和長(zhǎng)時(shí)間靜止物體開始運(yùn)動(dòng)的檢測(cè)結(jié)果進(jìn)行判斷。其中第480幀和第520幀為處于靜止時(shí)的處理結(jié)果，第620幀為從靜止開始運(yùn)動(dòng)的處理結(jié)果，通過對(duì)比可以發(fā)現(xiàn)改進(jìn)的自適應(yīng)更新速率，較好的消除了“虛影”現(xiàn)象。

5.結(jié)論

在運(yùn)動(dòng)目標(biāo)檢測(cè)中，針對(duì)傳統(tǒng)高斯混合模型存在的不足提出了改進(jìn)，首先是對(duì)前景圖像構(gòu)建方法的改進(jìn)，原有的高斯混合模型是對(duì)背景建模通過差分獲得運(yùn)動(dòng)目標(biāo)，而本文對(duì)于背景和前景分別建模，然后按照比例進(jìn)行圖像融合獲得新的運(yùn)動(dòng)目標(biāo)；此外，針對(duì)背景和前景采用不同的自適應(yīng)更新速率。通過實(shí)驗(yàn)結(jié)果表明：該方法相較于傳統(tǒng)的高斯模型具有更好的輪廓提取效果，而且對(duì)于運(yùn)動(dòng)物體停止后在一定時(shí)間內(nèi)仍然具有良好的檢測(cè)效果。

（作者單位：浙江萬里學(xué)院寧波市DSP重點(diǎn)實(shí)驗(yàn)室）

參考文獻(xiàn)：

[1]陳祖爵，陳瀟君，何鴻.基于改進(jìn)的混合高斯模型的運(yùn)動(dòng)目標(biāo)檢測(cè)[J].中國(guó)圖像圖形學(xué)報(bào)，2007，12（9）：1585-1589.

[2]付冬梅，唐升波.基于改進(jìn)的混合高斯模型的紅外運(yùn)動(dòng)目標(biāo)檢測(cè)[J].紅外技術(shù)，2013，36（8）：628-632.

[3]華媛蕾，劉萬軍.改進(jìn)混合高斯模型的運(yùn)動(dòng)目標(biāo)檢測(cè)算法[J].計(jì)算機(jī)應(yīng)用，2014，34（2）：580-584.

[4]徐凱，曾憲林，顏廣.基于改進(jìn)的混合高斯背景模型的運(yùn)動(dòng)目標(biāo)檢測(cè)研究[J].科技廣場(chǎng)，2012，7：74-77.

[5]魏建猛，陳松，龐首顏.改進(jìn)的混合高斯模型視頻運(yùn)動(dòng)目標(biāo)檢測(cè)算法[J].重慶交通大學(xué)學(xué)報(bào)，2013，32（2）：365-368.