基于風(fēng)險(xiǎn)決策與混合高斯背景模型的前景目標(biāo)突變快速檢測(cè)

閆英戰(zhàn)， 楊 勇

(廣東科技學(xué)院計(jì)算機(jī)系，廣東東莞 523083)

基于風(fēng)險(xiǎn)決策與混合高斯背景模型的前景目標(biāo)突變快速檢測(cè)

閆英戰(zhàn)*， 楊 勇

(廣東科技學(xué)院計(jì)算機(jī)系，廣東東莞 523083)

將風(fēng)險(xiǎn)決策引入前景目標(biāo)的突變判斷中，通過(guò)設(shè)計(jì)一個(gè)時(shí)序計(jì)數(shù)器函數(shù)來(lái)記錄圖像上某一像素點(diǎn)被劃為前景的次數(shù)，當(dāng)次數(shù)大于某一閾值時(shí)，將該像素從前景點(diǎn)改判為背景點(diǎn)，可以估計(jì)該像素點(diǎn)為背景點(diǎn)的概率，做出風(fēng)險(xiǎn)決策，以便及時(shí)更新混合高斯背景模型參數(shù)，減少多個(gè)高斯模型的高額計(jì)算量．最后通過(guò)實(shí)驗(yàn)驗(yàn)證了算法在目標(biāo)檢測(cè)率和實(shí)時(shí)性方面的改進(jìn)．

目標(biāo)檢測(cè)； 混合高斯模型； 背景建模； 風(fēng)險(xiǎn)決策

在運(yùn)動(dòng)目標(biāo)檢測(cè)過(guò)程中，傳統(tǒng)采用的方法主要是幀間差分法、背景減除法[1]及光流法[2]．背景模型估計(jì)算法適用于攝像機(jī)靜止的情形，按照所處理背景的自身特性，可分為單模態(tài)和多模態(tài)兩種．前者在每個(gè)背景點(diǎn)上的顏色分布較集中，可用單個(gè)概率分布模型來(lái)描述(即只有一個(gè)模態(tài))，后者的分布則比較分散，需要多個(gè)分布模型來(lái)共同描述(具有多個(gè)模態(tài))．自然界中的許多景物和很多人造物體，如水面的波紋、搖擺的樹(shù)枝等，都呈現(xiàn)出多模態(tài)的特性[3]．最常用的描述背景點(diǎn)顏色分布的概率分布是高斯分布(正態(tài)分布)，目前大部分研究都集中于開(kāi)發(fā)不同的背景模型，以期減少動(dòng)態(tài)場(chǎng)景變化對(duì)于運(yùn)動(dòng)分割的影響．例如，STAUFFER與GRIMSON[1]利用自適應(yīng)的混合高斯背景模型對(duì)每個(gè)像素進(jìn)行建模，并且利用在線估計(jì)來(lái)更新模型，從而可靠地處理了光照變化、背景混亂運(yùn)動(dòng)的干擾等影響．自適應(yīng)混合高斯背景模型具有良好的解析形式且運(yùn)算效率高，因而優(yōu)于其他形式的背景模型．但是多高斯背景存在一些不足，由于它為視頻圖像每個(gè)像素點(diǎn)的每個(gè)R、G、B顏色通道都建立了一個(gè)包括K(K取3～5值)個(gè)高斯函數(shù)的混合高斯模型，模型過(guò)多，計(jì)算量會(huì)非常大，那么計(jì)算耗時(shí)就會(huì)很大，影響系統(tǒng)的工作效率和實(shí)時(shí)性．

文獻(xiàn)[4]將目標(biāo)跟蹤分為以下幾類(lèi)：目標(biāo)進(jìn)入場(chǎng)景、離開(kāi)場(chǎng)景、單目標(biāo)跟蹤、多目標(biāo)跟蹤以及遮擋目標(biāo)跟蹤等情況．目標(biāo)檢測(cè)是跟蹤的前提，一個(gè)魯棒性強(qiáng)的目標(biāo)跟蹤系統(tǒng)需要一個(gè)效率高、實(shí)時(shí)性強(qiáng)的目標(biāo)檢測(cè)方法．本文針對(duì)當(dāng)有目標(biāo)進(jìn)入場(chǎng)景、離開(kāi)場(chǎng)景的情況，提出了一種改進(jìn)的高斯建模算法，將風(fēng)險(xiǎn)決策應(yīng)用于前景目標(biāo)的突變判斷中，引入一個(gè)時(shí)序計(jì)數(shù)器函數(shù)來(lái)記錄圖像上每一像素點(diǎn)被劃為前景的次數(shù)，其作用是用來(lái)判斷混合高斯模型中非運(yùn)動(dòng)目標(biāo)像素點(diǎn)對(duì)跟蹤目標(biāo)檢測(cè)的干擾．根據(jù)時(shí)序計(jì)數(shù)器函數(shù)和閾值計(jì)算像素點(diǎn)為前景或背景的概率，再通過(guò)風(fēng)險(xiǎn)決策計(jì)算該像素點(diǎn)為前景或背景的風(fēng)險(xiǎn)，據(jù)此能較準(zhǔn)確地判斷該像素點(diǎn)，可以將原先錯(cuò)判的前景點(diǎn)改判為背景點(diǎn)，及時(shí)更新混合高斯背景模型參數(shù)，以減少多個(gè)高斯模型的高額計(jì)算量．

1 自適應(yīng)混合高斯背景模型及更新

ωi,t=(1-α)ωi,t-1+α,

(1)

ui,t=(1-ρ)ui,t-1+ρXt，

(2)

(3)

其中α(0≤α≤1)是用戶定義的學(xué)習(xí)率，α的大小決定著背景更新的速度，α越大，更新速度越快．ρ≈α/ωi,t是參數(shù)學(xué)習(xí)率，如果沒(méi)有高斯分布和Xt匹配，則權(quán)值最小的高斯分布將被更新，新分布的均值為Xt，初始化一個(gè)較大的標(biāo)準(zhǔn)差σ0和較小的權(quán)值ω0，余下的高斯分布保持相同的均值和方差，但它們的權(quán)值會(huì)衰減，即按ωi,t=(1-α)ωi,t-1處理[6]．

2 基于風(fēng)險(xiǎn)決策的混合高斯背景建模

在文獻(xiàn)[5]中采用式(1)～(3)這樣的背景更新機(jī)制,使混臺(tái)模型能適用于亮度發(fā)生漸變、物體運(yùn)動(dòng)速度適中的場(chǎng)景．然而，當(dāng)背景中有局部運(yùn)動(dòng)或是有新物體移入或現(xiàn)有物體移出當(dāng)前場(chǎng)景中時(shí)，場(chǎng)景中變動(dòng)部分將不符合當(dāng)前的K個(gè)高斯分量，部分像素會(huì)被錯(cuò)誤地劃分為前景或背景，為了減少這種錯(cuò)誤劃分，在這里引入一個(gè)時(shí)序計(jì)數(shù)器函數(shù)f(x，t)記錄一個(gè)像素點(diǎn)被劃分為前景的次數(shù)，f(x，t)初值為0．

(4)

當(dāng)某像素點(diǎn)x的函數(shù)f(x,t)大于某一閾值Tt時(shí)，將該像素判別為背景像素，這是因?yàn)楫?dāng)運(yùn)動(dòng)目標(biāo)還沒(méi)有出現(xiàn)時(shí)，場(chǎng)景中部分判定為前景的像素是非目標(biāo)運(yùn)動(dòng)物體(在本試驗(yàn)采用的圖像中是指隨風(fēng)擺動(dòng)的小草)的像素，實(shí)際上是背景像素，于是當(dāng)真正的運(yùn)動(dòng)前景目標(biāo)出現(xiàn)時(shí)，能及時(shí)檢測(cè)到并按式(1)～(3)來(lái)更新高斯模型．為了自適應(yīng)調(diào)整系統(tǒng)的閾值，Tt為動(dòng)態(tài)閾值，它由t-1時(shí)刻的像素個(gè)數(shù)及像素點(diǎn)的時(shí)序計(jì)數(shù)器函數(shù)值確定，

(5)

其中ni,t-1表示t-1時(shí)刻f(x,t-1)值為i的像素點(diǎn)個(gè)數(shù)，fmax(x,t-1)為t-1時(shí)刻各像素點(diǎn)的最大時(shí)序計(jì)數(shù)器函數(shù)值．

為了進(jìn)一步研究當(dāng)有新物體移入或現(xiàn)有物體移出當(dāng)前場(chǎng)景時(shí)，我們引入風(fēng)險(xiǎn)決策[7]應(yīng)用于前景目標(biāo)的突變判斷中．風(fēng)險(xiǎn)決策思想是在設(shè)計(jì)分類(lèi)器的過(guò)程中，將考慮錯(cuò)誤分類(lèi)的風(fēng)險(xiǎn)，不以最小錯(cuò)誤率為目標(biāo)，而以最小風(fēng)險(xiǎn)為目標(biāo)的一種決策方法．需要設(shè)計(jì)一個(gè)分類(lèi)器來(lái)判別前景和背景兩種情況，這是一個(gè)模式識(shí)別中的決策問(wèn)題，前景和背景為分類(lèi)器的2個(gè)類(lèi)別．顯然，將前景錯(cuò)判為背景時(shí)會(huì)導(dǎo)致目標(biāo)丟失，風(fēng)險(xiǎn)度很高；而將背景錯(cuò)判為前景最多使此幀的目標(biāo)模板不更新，對(duì)整個(gè)前景目標(biāo)跟蹤過(guò)程影響不大，因此風(fēng)險(xiǎn)度較低．設(shè)[C1，C2]為圖像的前景和背景．(C1C2)表示將前景錯(cuò)判為背景的風(fēng)險(xiǎn)系數(shù)，(C2C1)表示將背景錯(cuò)判為前景的風(fēng)險(xiǎn)系數(shù)．P(C1|x)表示X像素點(diǎn)為前景的概率，P(C2|x)表示X像素點(diǎn)為背景的概率，P(C1|x)+P(C2|x)=1，P(C1|x)與P(C2|x)定義如下:

(6)

上式說(shuō)明在式(4)中的某像素點(diǎn)的f(x,t)在真正目標(biāo)出現(xiàn)前被判定為前景的頻率越高，它在目標(biāo)消失的瞬間是背景的可能性越大．

根據(jù)風(fēng)險(xiǎn)決策思想，將前景錯(cuò)判為背景的風(fēng)險(xiǎn)系數(shù)要大于將背景錯(cuò)判為前景的風(fēng)險(xiǎn)系數(shù)，在此取(C1C2)=6，(C2C1)=2．當(dāng)P(C1|x)(C2C1)>P(C2|x)(C1C2)時(shí)，說(shuō)明x像素點(diǎn)判為前景像素的風(fēng)險(xiǎn)要大于為背景的風(fēng)險(xiǎn)，據(jù)此判斷該點(diǎn)為背景像素，反之，則判斷該點(diǎn)為前景像素．

3 結(jié)果與分析

在對(duì)真實(shí)監(jiān)控場(chǎng)景視頻進(jìn)行實(shí)驗(yàn)時(shí)，計(jì)算機(jī)的配置為處理器AMD Athlon(tm) XP 3200+1.53GHz，1GB內(nèi)存，操作系統(tǒng)為Microsoft Windows XP Professional，視頻圖像大小為320×240像素，程序編寫(xiě)環(huán)境為VC++6.0，并結(jié)合Opencv實(shí)現(xiàn)．

為了檢驗(yàn)基于風(fēng)險(xiǎn)決策的多高斯建模算法對(duì)運(yùn)動(dòng)目標(biāo)突變的檢測(cè)性能，本文在實(shí)驗(yàn)中通過(guò)與傳統(tǒng)的混合高斯建模(K=3)進(jìn)行對(duì)比，驗(yàn)證其優(yōu)越性．

圖1 目標(biāo)突然消失時(shí)背景建模檢測(cè)效果Figure 1 Background modeling and testing design sketch with the target disappearing

由圖1可看到用傳統(tǒng)高斯建模檢測(cè)出的目標(biāo)效果：當(dāng)圖片右邊的汽車(chē)突然消失時(shí)消失了的汽車(chē)仍被檢測(cè)為前景目標(biāo)，即為前一幀的檢測(cè)效果，這樣會(huì)導(dǎo)致跟蹤的實(shí)時(shí)性較差；而用本文算法能夠及時(shí)準(zhǔn)確地檢測(cè)出汽車(chē)突然消失，如圖1(e)．圖1(d)和圖1(e)對(duì)比，可看出隨風(fēng)擺動(dòng)的綠草被錯(cuò)誤檢測(cè)為前景的概率大大降低．

圖2 傳統(tǒng)高斯建模算法和基于風(fēng)險(xiǎn)決策的高斯建模算法檢測(cè)率與時(shí)間的數(shù)學(xué)關(guān)系

Figure 2 Mathematical relational graph of Traditional Gause’s modeling algorithm and Gause’s modeling algorithm based on risk-making between detection rate and time

圖3 目標(biāo)突然出現(xiàn)時(shí)背景建模檢測(cè)效果Figure 3 Background modeling and testing design sketch with the target appearing

由圖2可見(jiàn)，2種算法在達(dá)到相同檢測(cè)率時(shí)，基于風(fēng)險(xiǎn)決策的高斯建模算法檢測(cè)效率高，耗時(shí)短，實(shí)時(shí)性強(qiáng)．例：在檢測(cè)率為60%時(shí)，采用傳統(tǒng)的高斯建模算法耗時(shí)280 μs，而采用本文算法耗時(shí)48 μs；在檢測(cè)率為80%時(shí)，采用傳統(tǒng)算法耗時(shí)310 μs，而采用本文算法耗時(shí)70 μs．

由圖3可看到用傳統(tǒng)高斯建模檢測(cè)出的目標(biāo)效果：當(dāng)圖片左上角的的汽車(chē)突然出現(xiàn)時(shí)出現(xiàn)的汽車(chē)仍被檢測(cè)為背景，即為前一幀的檢測(cè)效果，這樣會(huì)導(dǎo)致跟蹤的實(shí)時(shí)性較差；而用本文改進(jìn)算法能夠較為準(zhǔn)確地檢測(cè)出突然出現(xiàn)的汽車(chē)．

4 結(jié)束語(yǔ)

本文對(duì)自適應(yīng)混合高斯背景模型進(jìn)行了改進(jìn)，將風(fēng)險(xiǎn)決策應(yīng)用于前景目標(biāo)的突變判斷中，解決了目標(biāo)突然出現(xiàn)或消失時(shí)混合高斯背景建模參數(shù)無(wú)法及時(shí)更新的問(wèn)題．改進(jìn)算法與傳統(tǒng)的混合高斯背景建模相比，在系統(tǒng)檢測(cè)率、實(shí)時(shí)性方面更加具有優(yōu)越性，使背景建模更加貼近實(shí)際應(yīng)用．

[1] STAUFFER C，GRIMSON W．Adaptive background mixture mode1s of real-time tracking[C]∥Proc IEEE Conference on Computer Vision and Pattern Recognition.Fort Collins，Colorado，1999:246-252．

[2] TOYAMA K，KRUMM J，BRUMITT B,et al.Wallflower:Principles and practice of background maintenance[C]∥The Proeeedings of the Seventh IEEE International Conference on Computer Vision.Corfu,Greece，1999:255-261．

[3] CHALIDABHONGSE T H，KIM K，HARWOOD D，et al．A perturbation method for evaluating background subtraction algorithms joint[C]∥IEEE International Workshop on Visual Surveillance and Performance Evaluation of Tracking and Surveillance(VS-PETS 2003).Nice，F(xiàn)rance,2003．

[4] 李崢.智能視頻監(jiān)控中的遮擋目標(biāo)跟蹤技術(shù)研究[D].武漢：華中科技大學(xué)，2008．

[5] 劉鑫，劉輝，強(qiáng)振平，等．混合高斯模型和幀間差分相融合的自適應(yīng)背景模型[J]．中國(guó)圖象圖形學(xué)報(bào)，2008，13(4)：729-734.

LIU Xin，LIU Hui,QIANG Zhenping，et al．Adaptive background modeling based on mixture gaussian model and frame subtraction[J]．Journal of Image and Graphics，2008，13(4)：729-734.

[6] COLLINS R T,LIPTON A J,KANADE T.A system for video surveillance and monitoring[R].Pittsburgh:Robotics Institute,Carnegie Mellon University,2000.

[7] 周妍，胡波，張建秋．基于粒子濾波器和風(fēng)險(xiǎn)決策跟蹤遮擋目標(biāo)的方法[J]．電子學(xué)報(bào),2007,35(2)：350-353．

ZHOU Yan，HU Bo，ZHANG Jianqiu．Tracking occlusive target method based on bayesian decision theory and particle filter[J]．Acta Electronica Sinica，2007，35(2)：350-353．

Keywords： target detection; GMM; background model; risk decision

【責(zé)任編輯 莊曉瓊】

FASTDETECTIONOFFOREGROUNDTARGETMUTATIONSBASEDONRISKDECISIONANDGAUSSIANMIXTUREBACKGROUNDMODEL

YAN Yingzhan*， YANG Yong

(Department of Computer Science, Guangdong University of Science and Technology， Dongguan, Guangdong 523083, China)

Risk decision is introduced to judge mutations of foreground target. A timing counter function is designed to record the times of a pixel judged as foreground pixel. When the times is greater than a certain threshold value， the pixel will be judged as a background pixel instead of a foreground pixel. So the probability of background pixel can be evaluated for making risk decision， in order to update the GMM parameters and reduce the large computation of the multiple Gaussian model. Finally， the algorithm is verified by experiments for the target detection rate and real-time improvements.

2010-09-07

國(guó)家基礎(chǔ)科學(xué)研究基金(A1420060159)

*通訊作者,749284297@qq.com

1000-5463(2011)02-0056-04

TP391.4

A