邸麗霞，唐 杰，彭晴晴，王 偉，鄧浩森

（北方自動(dòng)控制技術(shù)研究所，太原 030006）

0 引言

近年來，國(guó)外主戰(zhàn)坦克針對(duì)超遠(yuǎn)距離的地面、空中對(duì)象檢測(cè)及跟蹤進(jìn)行了深入的研究，這一動(dòng)向表明，對(duì)象信息檢測(cè)及跟蹤技術(shù)的不斷發(fā)展已成為現(xiàn)代軍事指揮控制系統(tǒng)的發(fā)展動(dòng)力之一；在國(guó)內(nèi)，現(xiàn)代化軍事建設(shè)非常重視精確制導(dǎo)武器的研發(fā)，對(duì)運(yùn)動(dòng)對(duì)象的檢測(cè)、跟蹤，由于可鑒別真假目標(biāo)、精度高、可信度高等優(yōu)勢(shì)，具有很高的研究?jī)r(jià)值。

運(yùn)動(dòng)對(duì)象檢測(cè)是其他高級(jí)應(yīng)用如：特征描述、對(duì)象分類和對(duì)象跟蹤等的基礎(chǔ)，具體功能是檢測(cè)視頻序列中是否存在相對(duì)于背景圖像運(yùn)動(dòng)的物體。針對(duì)運(yùn)動(dòng)圖像序列的對(duì)象檢測(cè)系統(tǒng)，一般需要通過智能檢測(cè)和系列算法來排除背景因素，如：天氣、光照、陰影及背景中物體的周期性運(yùn)動(dòng)（樹葉擺動(dòng)）等的干擾，該技術(shù)涵蓋了智能人工、模式識(shí)別、自控等多個(gè)方面，具有廣闊的應(yīng)用前景。

1 背景差分法

背景差分法是運(yùn)動(dòng)對(duì)象檢測(cè)的基本方法之一，分為建模背景與檢測(cè)前景兩個(gè)步驟。建模背景即通過背景模型的構(gòu)建還原真實(shí)的場(chǎng)景背景，背景模型的好壞決定了對(duì)場(chǎng)景中攝像機(jī)抖動(dòng)、噪聲、樹葉擺動(dòng)等的抑制程度；檢測(cè)前景則是通過原始圖樣與背景圖樣的差值與閾值的比較，確定運(yùn)動(dòng)對(duì)象的位置，差值大于閾值的區(qū)域?yàn)閷?duì)象區(qū)域，差值小于閾值的區(qū)域?yàn)楸尘皥D樣區(qū)域。該方法可較完整地獲取對(duì)象區(qū)域，算法簡(jiǎn)單，且運(yùn)算速度較快，但是背景模型未能實(shí)時(shí)更新，而在真實(shí)場(chǎng)景中，背景在各種因素影響下是不斷變化的，需要更好的方法實(shí)現(xiàn)背景圖樣的更新。

2 基于高斯模型的背景差分法

怎樣建立模型來充分描述環(huán)境中單模態(tài)和多模態(tài)的事物特性，讓模型更加接近真實(shí)場(chǎng)景，是用于檢測(cè)運(yùn)動(dòng)對(duì)象的背景差分法的研究重點(diǎn)。高斯建模根據(jù)具體的場(chǎng)景變化來更新背景，完成前景對(duì)象的檢測(cè)，是一種常用的背景建模法。對(duì)于背景相對(duì)穩(wěn)定的場(chǎng)景用一個(gè)高斯函數(shù)即可形容，而對(duì)于色彩相對(duì)分散的場(chǎng)景或運(yùn)動(dòng)對(duì)象則需混合高斯模型來形容。

2.1 模型參數(shù)初始化

設(shè)圖樣的平均灰度值為μ，平均均方差為σ，對(duì)原始圖樣的每個(gè)像素點(diǎn)的K 個(gè)高斯模型其方差及均值初始化，公式如下：

一般取N 為20～100。N 越大，像素點(diǎn)的高斯分布權(quán)重越大，方差越小，背景圖樣越接近真實(shí)狀態(tài)，但相應(yīng)的運(yùn)算速度會(huì)越低。

通常初始階段的場(chǎng)景不包含運(yùn)動(dòng)對(duì)象，第1 幀可用來對(duì)模型參數(shù)初始化，且?guī)瑪?shù)遞增時(shí)模型參數(shù)也可隨之自適應(yīng)更新。

2.2 模型參數(shù)更新

高斯模型參數(shù)應(yīng)隨著場(chǎng)景的變化而實(shí)時(shí)更新，以此更加貼合真實(shí)背景。

1）根據(jù)式（5）來判斷每個(gè)像素點(diǎn)當(dāng)前的像素值與模型匹配與否。

2）根據(jù)匹配結(jié)果，對(duì)應(yīng)地更新模型參數(shù)：X與其K 個(gè)高斯函數(shù)若存在匹配，則X與其混合高斯模型匹配；反之，則不匹配。

2.3 背景及前景檢測(cè)

更新當(dāng)前幀的所有混合高斯模型參數(shù)，按式（6）求權(quán)重值。

可將前B 個(gè)分布函數(shù)當(dāng)作背景模型，之后的當(dāng)作運(yùn)動(dòng)模型，式中，T 為背景像素點(diǎn)的高斯分布函數(shù)權(quán)重中的最小值，其取值非常重要，偏小時(shí)，模型會(huì)成為單高斯模型，偏大時(shí)，運(yùn)動(dòng)對(duì)象會(huì)被當(dāng)作背景點(diǎn)。這里取T 為經(jīng)驗(yàn)值0.85。

按式（8）將像素值X與前B 個(gè)分布函數(shù)進(jìn)行匹配，若X與其中某一個(gè)函數(shù)相匹配，則該像素點(diǎn)可判斷為背景點(diǎn)；若無匹配項(xiàng)，則該像素點(diǎn)可判斷為運(yùn)動(dòng)對(duì)象點(diǎn)。

3 基于混合高斯模型的背景差分法的改進(jìn)

上面的算法由于要對(duì)多個(gè)像素點(diǎn)進(jìn)行多個(gè)高斯函數(shù)的建立，算法及其復(fù)雜，對(duì)硬件配置要求極高。且該算法需儲(chǔ)存大量圖像序列來完成背景建模，此時(shí)背景的更新速度會(huì)相對(duì)較慢，當(dāng)運(yùn)動(dòng)對(duì)象的速度或方向突然發(fā)生變化，有可能產(chǎn)生誤檢測(cè)，使運(yùn)動(dòng)對(duì)象出現(xiàn)拖尾；而當(dāng)運(yùn)動(dòng)對(duì)象體積過大且速度較慢時(shí)，有可能會(huì)產(chǎn)生空洞。

針對(duì)上述算法的弊端，本文采用了優(yōu)化方法，即將三幀差分法融入其中。

首先，用三幀差分法來檢測(cè)變化的區(qū)域。

其次，采用面積法確定對(duì)象的存在與否。

檢測(cè)對(duì)象的初始，場(chǎng)景中一般不包含對(duì)象，但此時(shí)仍在進(jìn)行背景建模及前景提取，浪費(fèi)了大量系統(tǒng)內(nèi)存，導(dǎo)致實(shí)時(shí)性下降；且當(dāng)有非運(yùn)動(dòng)對(duì)象的運(yùn)動(dòng)物產(chǎn)生時(shí)，易發(fā)生誤檢測(cè)。因此，采用面積法對(duì)三幀差分法得到的前景點(diǎn)進(jìn)行檢測(cè)從而得到對(duì)象區(qū)域，可增強(qiáng)系統(tǒng)的實(shí)時(shí)性，同時(shí)剔除假的運(yùn)動(dòng)對(duì)象。

逐行掃描變化區(qū)域d，統(tǒng)計(jì)值為1 的數(shù)量，除以整幅圖樣的像素點(diǎn)個(gè)數(shù)，得到的值設(shè)為閾值a%，當(dāng)前景區(qū)域面積與當(dāng)前幀的圖樣面積比大于a%時(shí)，認(rèn)為運(yùn)動(dòng)對(duì)象存在，繼續(xù)下一步操作；反之則認(rèn)為該前景區(qū)域?yàn)樵肼曅畔⒒蚴歉蓴_對(duì)象，停止后續(xù)操作。本文中，對(duì)測(cè)試視頻的閾值a 取3。

最后，提取運(yùn)動(dòng)對(duì)象。

若判斷出當(dāng)前圖樣中無運(yùn)動(dòng)對(duì)象時(shí)，僅將當(dāng)前圖樣構(gòu)建背景模型即可；反之，則需對(duì)對(duì)象進(jìn)行匹配與提取。

該算法流程如圖1 所示。

圖1 基于混合高斯模型的改進(jìn)的背景差分法流程圖

4 試驗(yàn)結(jié)果對(duì)比及分析

本文采用的試驗(yàn)視頻為IMB 官網(wǎng)下載的測(cè)試視頻，視頻中，一輛車勻速經(jīng)過，下頁(yè)圖2、圖3 是分別用通用方法和優(yōu)化后的方法得到的對(duì)象檢測(cè)結(jié)果。

從圖2 中對(duì)比可知，基于混合高斯模型的背景差分法檢測(cè)大而且慢的對(duì)象會(huì)丟失尾部信息，存在空洞，改進(jìn)的算法則可檢測(cè)對(duì)象的絕大多數(shù)信息，檢測(cè)效果有較大的提升。

圖2 算法優(yōu)化前后對(duì)勻速車輛的實(shí)驗(yàn)結(jié)果比較

在另外一段視頻中，一輛靜止的車突然啟動(dòng)，圖3 為兩種方法得到的對(duì)象檢測(cè)結(jié)果。

從圖3 中對(duì)比可知，方法改進(jìn)前的實(shí)驗(yàn)結(jié)果中留有背景圖樣中車輛留下的“影子”，改進(jìn)后的試驗(yàn)結(jié)果中“影子”明顯消失了。

圖3 算法優(yōu)化前后對(duì)突然啟動(dòng)車輛的實(shí)驗(yàn)結(jié)果比較

此外，對(duì)文中提到的3 種檢測(cè)方法進(jìn)行仿真實(shí)驗(yàn)，得出如表1 所示的處理速度及直觀效果。

表1 3 種檢測(cè)方法仿真試驗(yàn)對(duì)比分析

由表1 可見，本文中的改進(jìn)算法在處理速度、檢測(cè)效果等方面有顯著效果。

5 結(jié)論

背景差分法處理速度最快，但由于缺乏更新背景的機(jī)制，無法處理噪聲干擾；基于混合高斯模型的背景差分法對(duì)圖樣中每一個(gè)像素點(diǎn)均建立了多個(gè)高斯模型，以此形成背景模型，但是計(jì)算量大，導(dǎo)致處理速度變慢，無法實(shí)時(shí)處理；本文提出的用三幀差分法，來優(yōu)化基于混合高斯模型的背景差分法，優(yōu)化了混合高斯模型的背景更新機(jī)制，提升了處理速度，同時(shí)對(duì)大且慢及突變速度的對(duì)象，檢測(cè)效果有很大提升，該方法可借鑒于裝甲車輛的檢測(cè)研究。