門　瑜，鄭娟毅，李　萌

(西安郵電大學　通信與信息工程學院，陜西 西安 710121)

基于改進單模高斯模型的運動目標檢測算法

門瑜，鄭娟毅，李萌

(西安郵電大學通信與信息工程學院，陜西 西安 710121)

摘要:在視頻交通車輛目標檢測中，陰影問題是影響其檢測準確性的關鍵問題之一。為了解決這個問題，提出了一種結(jié)合單模高斯模型和背景差法的運動目標陰影檢測方法。首先針對傳統(tǒng)單模高斯模型提出了一種自適應學習率和選擇性差值更新背景相結(jié)合的方法，加快了背景模型的初始化速度，同時結(jié)合背景差法對陰影部分進行檢測與去除。實驗結(jié)果表明，該方法能夠較好地去除車輛的陰影，提高了檢測的準確性。

關鍵詞:運動目標檢測；單模高斯模型；背景差法；陰影檢測

1視頻目標檢測

視頻車輛目標檢測是指從視頻序列中克服各種噪聲的影響，將視頻幀圖像中的車輛目標準確分割出來[1]。這是視頻車輛目標檢測中最重要的目標之一，也是智能交通系統(tǒng)監(jiān)控視頻后續(xù)處理的基礎工作[2]。這一檢測技術(shù)日益成為視頻監(jiān)控中最有發(fā)展?jié)摿Φ臋z測方法。

在實際監(jiān)控視頻中，由于自然界光線被物體遮擋會造成陰影現(xiàn)象，而在目標檢測中，陰影常常會影響車輛的檢測及車流量統(tǒng)計的準確性，因此，對車輛檢測目標陰影的去除是十分必要的。

目前視頻圖像中主要車輛目標檢測方法有光流場法[3]、幀間差分法[4]、背景差法[5]等。大量試驗證明，背景差法的檢測結(jié)果更接近車輛目標的真實情況，但是背景差法對背景圖像的要求較高，目前背景建模的方法有很多，例如：手動法，它是通過人為觀察畫面中是否有檢測目標，若沒有則作為背景，反之繼續(xù)等待下一刻圖像變化。統(tǒng)計平均法，它是通過對多圖像中同一位置的像素點求平均值，從而獲得一幅接近真實背景的圖像。R.T.Colin等提出的單模高斯分布模型[5]。Grimson等提出的混合高斯分布模型[6]等。本文對傳統(tǒng)的單高斯背景模型進行改進，形成了自適應學習率和選擇性差值更新背景相結(jié)合的方法，并利用背景差法進行陰影去除，不僅加快了背景模型的初始化速度，而且提高了檢測的準確性，并通過實驗仿真證明了該方法的有效性。

2單模高斯分布模型

單模高斯分布模型的原理是假設圖像像素都服從均值為u，方差為σ2的高斯分布，對每個像素點來說，這樣的分布都是獨立的。單模高斯分布模型建立背景并不需要使用多幀連續(xù)圖像，但容易出現(xiàn)拖影現(xiàn)象，造成背景誤判。

假設用gk(x，y)代表第k幀圖像坐標(x，y)處的像素值，k可取1，2，3，…N，且所有N幀圖像(x，y)處的像素值服從均值為u，方差為σ2的高斯分布N(μ,σ2)，高斯分布函數(shù)表示為

(1)

式中：T表示概率閾值，如果下一幀圖像在該點的像素值大于等于T，該值歸為背景，否則判別為前景，然后根據(jù)判決結(jié)果更新均值u和方差σ2。設Bk(x，y)表示第k幀的背景圖，則判決公示表示為

(2)

3背景差法

背景差法是一種簡單有效的檢測方法，具有廣泛的實用價值[7]。它的優(yōu)點是檢測速度快、易于實現(xiàn)、計算量小，檢測結(jié)果能夠提供較完整的目標特征。這種算法特別適用于靜止攝像機，而交通視頻圖像檢測基本符合這種算法的特點，因此，該算法成為目前運動目標檢測中的主流算法。背景差法的基本原理：首先利用背景圖像像素灰度值在靜態(tài)場中的不變性或緩慢變化的特點，通過其他建模算法獲取當前背景圖像，然后與視頻序列中的圖像做差分，最后檢測出運動目標。用gk(x，y)來表示視頻序列中第k幀圖像，bk(x，y)表示第k幀圖像的背景，兩者做差分，經(jīng)二值化處理就可以實現(xiàn)簡單的背景差法運動目標檢測，用公式表示如下

(3)

式中：f(x，y)表示二值化后的圖像；T表示二值化的閾值；255(白)表示前景運動目標；0(黑)表示背景。

上式中假定背景圖像是靜止不變的，當運動目標駛?cè)霐z像機的監(jiān)控范圍之內(nèi)，就只有運動目標區(qū)域像素值發(fā)生變化，剩余部分都歸屬到背景部分，這種情況是最理想的背景差法應用環(huán)境[8]。實際交通視頻監(jiān)控中的圖像序列中，由于外界復雜的環(huán)境，如：光照變化、雨雪天氣、晃動的樹枝、攝像機的抖動等影響，要想準確的檢測出運動目標，就需要實時有效的背景模型來滿足背景差分的要求。因此，如何建立有效的背景模型是本文使用背景差法時面臨的一個尤為重要的問題。

4改進的單高斯背景模型

4.1學習率的改進

(4)

通過分析研究單模高斯模型，可知高斯模型的學習率α是一個至關重要的參數(shù)，它表示模型對當前幀圖像的適應能力，α越大，當前幀圖像融入背景的比例越大，背景更新就越快，但對噪聲的抑制能力就減弱。相反，α越小，背景融入新的信息減少，更新速度變慢，適應環(huán)境的能力減弱，但能較有效地抑制噪聲。由此可見，α的取值對高斯模型的初始化有很大的影響。在實際監(jiān)控過程中，監(jiān)控設備可能因故障維修、斷電、意外損壞等各種原因重新啟動和初始化，這就需要設備能在短時間內(nèi)迅速做出合理的反應，而在系統(tǒng)剛開啟階段只有較大的更新率才能迅速建立比較真實的背景模型。傳統(tǒng)的更新策略采用固定的學習率，不能適應這種實際情況的需要，所以本文提出自適應學習率策略來改善高斯模型的不足之處。

本文提出的自適應學習率α更新策略實現(xiàn)過程：首先在模型初始化開始時給α一個較大的初始固定值a，然后經(jīng)過前幾幀的快速背景更新，給α一個均勻遞減的學習率，最后前N幀圖像更新結(jié)束，采用較小穩(wěn)定固定值b賦給α來更新后續(xù)背景。得到的單模高斯模型自適應學習率α可用公式表示為

(5)

式中：n是視頻圖像序列中的序列號；N是一個固定值，根據(jù)經(jīng)驗自己設定；m是早期要快速更新背景的幀數(shù)，相比N要小很多，可取1/α或N/5～N/4。

傳統(tǒng)的單模高斯背景模型對分布參數(shù)均值和方差采用相同的學習率，沒有分別考慮模型均值和方差各自的特點，這是不合理的。當學習率取較大值時，模型收斂性好，對光照變化適應性強，但穩(wěn)定性差；當學習率取較小值時，模型穩(wěn)定性好，但不能快速適應光照變化，收斂性變差。有人對模型的學習率提出了改進算法：對均值和方差采用各自不同的學習率α和β，改進的單模高斯模型分布參數(shù)更新可以表示為

(6)

結(jié)合前面自適應學習率的更新策略，本文提出對高斯模型的均值和方差采取同樣的策略加快初始化速度。但是由于均值和方差的不同特點，為了兼顧高斯模型的的穩(wěn)定性和收斂性，對于均值的學習率取同前面變化相同的值，對方差剛開始的學習率取值為β=0.01，而對穩(wěn)定后的學習率取值為β=0.001。這樣均值的取值始終較大，模型對光照的變化有較好的適應能力。在初始化訓練的視頻序列幀數(shù)之內(nèi)，β的取值較大，然后逐漸減小，模型的收斂性好；初始化訓練完成之后，β的取值最小，使模型的穩(wěn)定性增強。這樣背景模型的初始化將更加快速穩(wěn)定。

4.2背景更新改進

當一像素點被判斷為背景時，用當前幀的像素值去更新背景模型，使得背景模型的像素值變化緩慢，造成判斷錯誤。因此本文提出一種新的更新方法：用當前幀的像素值與背景模型中對應點處像素值的差值來更新模型，提高了模型的適應性和像素點判斷的準確率。但是同時也使背景與真實背景看起來亮度變暗了很多，這是由于當前幀圖像像素點與背景模型做差，差值會出現(xiàn)正負兩種情況帶來的結(jié)果，需要對背景模型的像素值乘以2。此時，新的背景參數(shù)更新可表示為

(7)

下面通過實驗來驗證各改進步驟的有效性，分別采用固定學習率檢測、自適應學習率檢測、計數(shù)選擇性更新背景檢測、計數(shù)選擇性差值更新背景檢測4種方法進行實驗，并對比檢測結(jié)果。其中，經(jīng)典方法采用固定學習率0.025；自適應學習率采用初始值為0.1，穩(wěn)定值為0.01；計數(shù)選擇性背景更新均值和方差的學習率初始值分別為0.1和0.01，穩(wěn)定值分別為0.01和0.001；計數(shù)選擇性差值背景更新的參數(shù)與計數(shù)選擇性背景更新相同；所有的檢測方法初始方差為12.5，設定初始幀數(shù)參數(shù)N=100，m=N/5。分別取第7幀、第70幀、第110幀時各種方法所取得的運動目標檢測結(jié)果圖像，如圖1所示。

a　固定學習率檢測

b　自適應學習率檢測

c　計數(shù)選擇性更新背景檢測

d　計數(shù)選擇性差值更新背景檢測圖1　不同方法檢測結(jié)果

其中，圖1a中經(jīng)典單模高斯模型在背景模型初始化完成之后仍然沒有完全去除第一幀圖像造成的偽目標，而帶有自適應學習率的檢測方法在第70幀已經(jīng)基本完全去除了第一幀圖像的偽目標，所以在背景模型建立階段自適應學習率的單模高斯模型明顯優(yōu)于經(jīng)典算法的固定學習率。圖1c引入了選擇性更新背景方法，雖然使計算量有了一定的降低，但是同時也帶來了其自身的缺點，增加了運動目標帶來的噪聲，反而檢測效果不如圖1b理想。圖1d通過對選擇性更新背景方法缺點的優(yōu)化，使用圖像與背景的差值來更新背景模型，從而減少了運動目標帶來的噪聲，使建立的背景模型更接近真實情況，提高了運動目標檢測結(jié)果的準確性。

5改進的單模高斯模型用于背景差法陰影去除

通過分析灰度圖像，可以把圖像分為3個主要部分：背景部分、陰影部分、車輛目標部分。這3部分的亮度基本依此以陰影、背景、車輛的順序增大，但當車輛的顏色比較暗如為黑色時，這3部分的亮度排序反而會以背景為最亮。為了去除太多背景的影響，根據(jù)上面改進的單模高斯模型，只選取目標和陰影部分作為分析的對象。此時的陰影亮度一般都比車輛更低，同時對車輛和陰影部分進行補償增加亮度，會使陰影部分更接近背景亮度，而車輛部分亮度增加，此時對車輛和陰影部分同時進行背景差分就會使陰影部分和車輛部分的亮度差增加，選取合適的閾值就可以有效去除陰影部分。亮度的增加選取HSV顏色空間的S分量，H分量由于亮度的影響會改變陰影區(qū)域的色調(diào)，V分量實際就是圖像的灰度圖，S分量也受到了亮度的影響，但車輛部分比陰影部分明顯突出，而且陰影部分在該分量中接近背景部分，所以選取S分量來增加車輛和陰影部分的亮度。其主要的算法步驟為：

1)根據(jù)前面改進的單模高斯模型直接選取車輛和陰影的前景圖和對應區(qū)域的背景圖進行分析。

2)把當前幀原圖像轉(zhuǎn)換到HSV顏色空間，取得S分量中對應車輛和陰影的區(qū)域。

3)把對應車輛和陰影區(qū)域的灰度圖增加對應S分量的亮度，然后與對應區(qū)域的背景圖進行差分。

4)使用大律法對得到的差分圖像進行閾值判斷，最后對得到的車輛目標進行形態(tài)學處理。

6仿真實驗及結(jié)果分析

綜合上述算法，在實際環(huán)境中得到了驗證。實驗中，在陽光強烈的道路中提取視頻素材，實驗條件為：VisualStidio 2010開發(fā)平臺，運用OpenCV2.3.1進行編程實現(xiàn)。對研究對象做灰度圖像處理。

如圖2所示，上面兩幅是原始的灰度圖像，下面兩幅圖是對應的背景差法陰影去除檢測結(jié)果。

a　原始圖像灰度圖

b　檢測結(jié)果圖2　背景差法陰影去除

實驗結(jié)果顯示，改進的單模高斯模型用于背景差分陰影去除能獲取當前幀圖像的完整信息，同時對于不同車輛的適應性強，能夠較好地去除車輛的陰影部分。

7小結(jié)

研究傳統(tǒng)的靜止攝像機條件下的視頻序列運動目標檢測算法，提出一種基于改進單模高斯模型和背景差分的運動目標檢測算法。通過對傳統(tǒng)單模高斯模型學習率和選擇性更新背景進行改進，形成了自適應學習率與選擇性差值更新背景相結(jié)合的算法，最后運行于背景差法進行陰影去除。

實驗結(jié)果表明該算法在一定程度上去除了車輛的陰影，提高了車輛檢測的準確性。但是由于車輛自身出現(xiàn)較大的空洞，仍需要進一步獲取最大外接矩形來取得更完整的車輛目標。另一方面，該算法明顯帶來了較多的噪聲，在以后研究中需要解決這個問題。

參考文獻：

[1]楊丹，余孟澤.車輛視頻檢測及陰影去除[J].計算機工程與設計，2011，32(6)：2072-2079.

[2]張玲，徐柱，王士同，等.HSV自適應混合高斯模型的運動目標檢測[J].計算機科學，2010，37(10)：254-256.

[3]袁博，阮秋琦，安高云.改進的自適應灰度視頻序列陰影檢測方法[J].信號處理，2014，30(11)： 1370-1374.

[4]JENG J H，TSENG C C，HSIEH J G.Study on Huber fractal image compression[J].IEEE transctions on image processing，2009，18(5)：995-1003.

[5]薛麗霞，羅艷麗，王佐成.基于幀間差分的自適應運動目標檢測方法[J].計算機應用研究，2011，28(4)：1551-1552.

[6]譚歆，武岳.基于OpenCV的運動目標檢測方法研究與應用[J].電視技術(shù)，2010，34(S1)：184-193.

[7]WUMS，JENGJH，HSIEHJG.Schemageneticalgorithmforfractalimagecompression[J].Eng.appl.artif.intell.，2007，20(4)：531-538.

[8]蘇延召，李艾華，金廣智，等.結(jié)合直方圖反投影的多特征運動陰影檢測算法[J].光電子激光，2014，25(7)：1395-1402.

[9]魏巖，涂錚錚，鄭愛華，等.結(jié)合RGB顏色特征和紋理特征的消影算法[J].計算機技術(shù)與發(fā)展，2013，23(10)：72-79.

門瑜(1992— )，女，碩士生，主研寬帶無線通信；

鄭娟毅(1977— )，女，高級工程師，碩士研究生導師，主要研究方向為寬帶無線通信，計算機通信；

李萌(1992— )，女，碩士生，主研寬帶無線通信。

責任編輯：時雯

Moving target detection based on improved single-mode Gaussian model

MEN Yu，ZHENG Juanyi，LI Meng

(SchoolofCommunicationandInformationEngineering，Xi’anUniversityofPostsandTelecommunications，Xi’an710121，China)

Abstract:In the video transport vehicle target detection， shadow problem is one of the key issues that affects the detection accuracy. To solve this problem， a shadow moving object detection method combined with single-mode Gaussian model and background subtraction is proposed. Firstly， according to the traditional single-mode Gaussian model， the method of an adaptive learning rate and selective difference update background is proposed， and the speed of background initialization model is accelerated， meanwhile， combined with background subtraction shadow detection and removal section. Experimental results show that this method can remove the shadow of the vehicle and improve the accuracy of detection.

Key words:moving target detection； single-mode Gaussian model； background subtraction； shadow detection

中圖分類號：TP391

文獻標志碼:A

DOI：10.16280/j.videoe.2016.04.004

基金項目：國家自然科學基金項目(11401469)；陜西省工業(yè)攻關項目(2013K06-07)

作者簡介：

收稿日期：2015-11-23

文獻引用格式：門瑜，鄭娟毅，李萌. 基于改進單模高斯模型的運動目標檢測算法[J].電視技術(shù)，2016，40(4)：18-21.

MEN Y，ZHENG J Y，LI M. Moving target detection based on improved single-mode Gaussian model [J].Video engineering，2016，40(4)：18-21.