高遠(yuǎn)+路楊+李佩琛

摘 要：在視頻運(yùn)動(dòng)目標(biāo)檢測(cè)中，混合高斯模型是一種目前較常用的建模方法。針對(duì)混合高斯模型實(shí)時(shí)性不強(qiáng)等缺陷，文章提出了一種基于三幀差分和混合高斯建模的運(yùn)動(dòng)目標(biāo)檢測(cè)方法。實(shí)驗(yàn)證明，這種算法在自適應(yīng)性、實(shí)時(shí)性、正確率等方面都有了很大改進(jìn)，并且可以減少部分的噪聲。

關(guān)鍵詞：三幀差分；混合高斯模型；幀運(yùn)動(dòng)量；運(yùn)動(dòng)目標(biāo)檢測(cè)

中圖分類號(hào)：TP39 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：2095-2945（2017）31-0021-03

引言

隨著監(jiān)控技術(shù)的快速發(fā)展，人們安全意識(shí)的普遍提高，監(jiān)控?cái)z像頭早已遍布大街小巷，對(duì)視頻運(yùn)動(dòng)目標(biāo)的檢測(cè)和提取成為了重要的研究方向。運(yùn)動(dòng)目標(biāo)檢測(cè)是指在視頻序列中提取與背景存在相對(duì)運(yùn)動(dòng)的目標(biāo)，是進(jìn)行目標(biāo)追蹤、目標(biāo)識(shí)別等處理的基礎(chǔ)。

目前常用的運(yùn)動(dòng)目標(biāo)檢測(cè)方法主要分為三類[1]，包括光流法、幀間差分法和背景減除法。其中光流法利用運(yùn)動(dòng)目標(biāo)隨時(shí)間變化的矢量特征檢測(cè)運(yùn)動(dòng)區(qū)域，能夠在攝像機(jī)運(yùn)動(dòng)的情況下檢測(cè)出目標(biāo)，但計(jì)算復(fù)雜、硬件要求較高。幀間差分法[2]用圖像時(shí)間序列相鄰的幀圖像相減，通過相減后的差分圖像獲取運(yùn)動(dòng)輪廓，計(jì)算簡(jiǎn)單，實(shí)時(shí)性較強(qiáng)。背景減除法[3]則需要預(yù)先構(gòu)建背景，通過當(dāng)前幀圖像和背景相減所得差分圖像檢測(cè)運(yùn)動(dòng)目標(biāo)，能較準(zhǔn)確提取目標(biāo)，但對(duì)背景變化敏感，如光照變化、樹枝搖動(dòng)都能引起背景變化，需及時(shí)更新背景，所以背景模型的建立至關(guān)重要。Stauffer和Crimson提出的混合高斯模型背景建模（GMM）[4-6]，是目前一種較常用的背景建模方法，該方法具有較強(qiáng)的魯棒性，但對(duì)運(yùn)動(dòng)物體在場(chǎng)景中靜止或者靜止物體的突然運(yùn)動(dòng)檢測(cè)失效，并且有著初始學(xué)習(xí)速度慢、學(xué)習(xí)速率固定等缺陷。

針對(duì)幀間差分法和背景減除法的不足，提出了一種基于三幀差分和混合高斯建模的運(yùn)動(dòng)目標(biāo)檢測(cè)方法，通過三幀差分所得差分圖像統(tǒng)計(jì)幀運(yùn)動(dòng)量，根據(jù)幀運(yùn)動(dòng)量的變化自適應(yīng)調(diào)節(jié)混合高斯模型的學(xué)習(xí)速率，實(shí)驗(yàn)證明新方法在實(shí)時(shí)性、自適應(yīng)性、正確率等方面都有了改進(jìn)。

1 基本方法

1.1 算法思想

本文算法主要由幀間差分法、運(yùn)動(dòng)量統(tǒng)計(jì)、混合高斯建模、背景提取和更新、形態(tài)學(xué)處理等部分組成。首先根據(jù)三幀差分得到差分圖像，根據(jù)差分圖像運(yùn)動(dòng)區(qū)域統(tǒng)計(jì)幀運(yùn)動(dòng)量，然后由運(yùn)動(dòng)量變化動(dòng)態(tài)調(diào)節(jié)混合高斯建模的學(xué)習(xí)速率，再由混合高斯模型所得前景圖像與差分圖像進(jìn)行邏輯與運(yùn)算，最后對(duì)所得圖像進(jìn)行形態(tài)學(xué)閉運(yùn)算和降噪處理，其中三幀差分法和混合高斯模型建模是本算法的核心和關(guān)鍵。

1.2 三幀差分提取差分圖像

幀間差分法通過計(jì)算視頻相鄰兩幀圖像之間像素值的差值提取運(yùn)動(dòng)區(qū)域，通過計(jì)算差分圖像能快速檢測(cè)出目標(biāo)的運(yùn)動(dòng)區(qū)域，但往往提取的目標(biāo)區(qū)域比實(shí)際情況要大，并且不能檢測(cè)到重疊部分，導(dǎo)致出現(xiàn)“雙影”和“空洞”現(xiàn)象。三幀差分法是幀間差分法的改進(jìn)，選取時(shí)間序列連續(xù)的三幀圖像并分別將相鄰兩幀相減，將兩幅相減后的圖像二值化后進(jìn)行邏輯與運(yùn)算得到運(yùn)動(dòng)目標(biāo)輪廓，最后進(jìn)行填充、去噪聲、閉運(yùn)算等操作，能較好的檢測(cè)出運(yùn)動(dòng)目標(biāo)的形狀輪廓。

1.3 混合高斯建模

混合高斯建模是基于像素樣本統(tǒng)計(jì)信息的背景建模方法，利用像素在較長(zhǎng)時(shí)間內(nèi)大量樣本值的概率密度等統(tǒng)計(jì)信息（如模式數(shù)量、每個(gè)模式的均值和標(biāo)準(zhǔn)差）對(duì)每個(gè)像素點(diǎn)建立高斯分布統(tǒng)計(jì)模型，用當(dāng)前幀的像素值更新高斯模型參數(shù)，統(tǒng)計(jì)差分進(jìn)行目標(biāo)像素判斷。

1.4 根據(jù)幀運(yùn)動(dòng)量改變學(xué)習(xí)速率

在建立混合高斯模型的參數(shù)中，學(xué)習(xí)速率α對(duì)背景模型的影響巨大。學(xué)習(xí)速率代表了模型更新時(shí)舊數(shù)據(jù)對(duì)模型的影響，反應(yīng)了模型對(duì)環(huán)境變化的適應(yīng)快慢。對(duì)于復(fù)雜場(chǎng)景，運(yùn)動(dòng)目標(biāo)數(shù)量較多時(shí)要增大學(xué)習(xí)速率以增強(qiáng)模型的敏感性，以保證運(yùn)動(dòng)目標(biāo)出現(xiàn)和離開及時(shí)更新；對(duì)于運(yùn)動(dòng)目標(biāo)較少、較為簡(jiǎn)單的場(chǎng)景，要設(shè)置較小的學(xué)習(xí)速率以保證背景的穩(wěn)定，不會(huì)將運(yùn)動(dòng)目標(biāo)的暫時(shí)停留判斷為背景。傳統(tǒng)混合高斯模型的學(xué)習(xí)速率通常固定，并不能滿足實(shí)際需求，本文引入幀運(yùn)動(dòng)量以動(dòng)態(tài)改變學(xué)習(xí)速率α。幀運(yùn)動(dòng)量表示差分圖像中運(yùn)動(dòng)區(qū)域像素?cái)?shù)和所有像素總數(shù)的比值，反映了運(yùn)動(dòng)目標(biāo)區(qū)域在整幀圖像中的變化情況。對(duì)形態(tài)學(xué)處理和連通域合并后的差分圖像B可以根據(jù)下面公式得到運(yùn)動(dòng)量M：

根據(jù)統(tǒng)計(jì)出的幀運(yùn)動(dòng)量，計(jì)算前后兩幀的運(yùn)動(dòng)量變化率R1以及過往20幀的運(yùn)動(dòng)量的平均變化率R2。當(dāng)某幀運(yùn)動(dòng)量較高甚至接近1時(shí)，說明幾乎整個(gè)畫面都發(fā)生了變化，這種一般是由于光照變化導(dǎo)致，正常情況下的運(yùn)動(dòng)目標(biāo)不可能占據(jù)整個(gè)屏幕，此時(shí)學(xué)習(xí)速率要取較大的值，本文取值0.5。當(dāng)R1和R2同時(shí)小于0.3時(shí)，表明場(chǎng)景處于平穩(wěn)運(yùn)動(dòng)中，背景更新的速度較慢，通常α取值0.05，當(dāng)R1或R2大于等于0.3時(shí)，表明當(dāng)前場(chǎng)景背景更新速度較快，這時(shí)適當(dāng)增大學(xué)習(xí)速率α的值以適應(yīng)環(huán)境變化。

1.5 三幀差分法和混合高斯模型的結(jié)合

將自適應(yīng)的混合高斯模型所得運(yùn)動(dòng)區(qū)域圖像與三幀差分法差分圖像進(jìn)行邏輯與運(yùn)算，然后將圖像進(jìn)行形態(tài)學(xué)處理、濾波降噪等操作，最后得到運(yùn)動(dòng)目標(biāo)圖像。本文算法的流程圖如圖1。

2 實(shí)驗(yàn)結(jié)果及分析

本文實(shí)驗(yàn)選取的編程工具eclipse，采用opencv3.1作為基礎(chǔ)算法庫， 選取了768x576.avi和VISOR數(shù)據(jù)集中幀率為幀率24幀/s、分別率320X240的Laboratory_raw.avi、highwayI_raw.avi測(cè)試視頻進(jìn)行處理，分別使用幀間差分法、傳統(tǒng)混合高斯建模和本文方法進(jìn)行實(shí)驗(yàn)，部分實(shí)驗(yàn)結(jié)果如圖2。

通過實(shí)驗(yàn)結(jié)果可以看出，幀間差分法檢測(cè)結(jié)果產(chǎn)生的“雙影”和“空洞”現(xiàn)象較明顯，傳統(tǒng)混合高斯建模實(shí)時(shí)性不強(qiáng)，提取目標(biāo)噪聲較多。本文算法通過結(jié)合兩種方法，消除“雙影”和“空洞”現(xiàn)象，在目標(biāo)運(yùn)動(dòng)速度較慢的場(chǎng)景，查全率和查準(zhǔn)率比傳統(tǒng)算法明顯提高，檢測(cè)效果提升顯著，而對(duì)于運(yùn)動(dòng)目標(biāo)速度過快的場(chǎng)景，效果并不理想。

3 結(jié)束語

本文提出了一種三幀差分和混合高斯建模相結(jié)合的運(yùn)動(dòng)目標(biāo)提取方法，根據(jù)差分圖像幀運(yùn)動(dòng)量動(dòng)態(tài)調(diào)節(jié)混合高斯模型學(xué)習(xí)速率，改進(jìn)了傳統(tǒng)混合高斯建模，實(shí)時(shí)性、自適應(yīng)性和正確率等方面都有所提高。

參考文獻(xiàn)：

[1]黃凱奇，陳曉棠，康運(yùn)鋒，等.智能視頻監(jiān)控技術(shù)綜述[J].計(jì)算機(jī)學(xué)報(bào)，2015.

[2]莫林，廖鵬，劉勛.一種基于背景減除與三幀差分的運(yùn)動(dòng)目標(biāo)檢測(cè)算法[J].微計(jì)算機(jī)信息，2009，25（4-3）.

[3]李剛，邱尚斌.于背景差法和幀間差法的運(yùn)動(dòng)目標(biāo)檢測(cè)方法[J].儀器儀表學(xué)報(bào)，2006，8.

[4]Stauffer C， Grimson WEL， Adaptive background mixture models for real-time tracking， In Proceedings of IEEE Conference on Com Puter Vision and pattern Recognition， 1999：246-252.

[5]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）.

[6]丁亮.視頻檢索技術(shù)在視頻圖像偵查中的應(yīng)用研究[D].江蘇科技大學(xué)，2015.

[7]王文新.海量視頻摘要及檢索關(guān)鍵技術(shù)研究與實(shí)現(xiàn)[D].南京郵電大學(xué)，2015.

[8]韓小萱.高效監(jiān)控視頻摘要的關(guān)鍵技術(shù)研究[D].南京郵電大學(xué)，2015.endprint