車輛視頻檢測中自適應背景更新算法的研究與仿真實現(xiàn)

郭琳

(中國傳媒大學 廣播電視數字化教育部工程研究中心，北京 100024)

車輛視頻檢測中自適應背景更新算法的研究與仿真實現(xiàn)

郭琳

(中國傳媒大學 廣播電視數字化教育部工程研究中心，北京 100024)

本文主要對車輛視頻檢測中基于高斯混合模型的自適應背景更新算法進行了研究和仿真實現(xiàn)，并針對圖像初始化的幾種方法進行了研究和仿真?；旌细咚鼓Ｐ退惴梢暂^好地提取多模態(tài)圖像中的背景與前景，統(tǒng)計直方圖法則能較好地提取初始背景，實現(xiàn)背景更新。

車輛視頻檢測；自適應背景更新；混合高斯模型；多幀平均法；統(tǒng)計直方圖法

1 引言

在車輛識別與檢測方法中，主要的背景更新算法包括時間平均模型(Temporal average model，TAM)[1]、單高斯背景模型(Single Gaussian model，SGM)[2]和高斯混合模型(Gaussian mixture model，GMM)[3]。時間平均模型與單高斯背景模型計算量小，但其自適應能力較差，針對背景像素亮度非單峰分布時的效果較差；而高斯混合模型是一種重要的自適應背景更新算法，雖然計算量較大，但通過該算法，能夠較好的提取復雜條件下的背景。

針對車輛檢測的高斯混合算法，國內外很多文獻分別從不同方面對其進行了研究和改進。針對檢測攝像頭光照突變或抖動的問題，文獻[4]提出了增大背景更新速率的方法，使前景很快更新成為背景；針對運動目標長時間不動容易變?yōu)楸尘暗膯栴}，文獻[5-6]提出了調整學習速率和模式數量的方式來提升模型對背景變化的適應能力，但遇到較大不動或緩慢運動的物體時，容易將其誤判為背景。本文主要針對自適應高斯混合模型進行研究，通過該模型可以較好地提取出帶有樹葉飄動等復雜背景條件下的車輛；此外本文也針對幾種背景初始化方法進行研究，比較各種背景初始化方法的特點。

2 基于高斯混合模型的自適應背景更新算法

基于高斯混合模型的自適應背景更新算法采用多個高斯模型來描述同一個像素點上的顏色分布，當前像素Xt的概率和每個點顏色分布的高斯分布分別為：

η(Xt，μi，t，Σi，t)=

(1)

其中ωi，t、μi，t、∑i，t分別表示了每個單模型的權值、均值和單峰分布的寬度大??；K表示像素值多分布峰的個數，通常取值為3-5之間，其依賴于像素值的分布情況，而取值越大，系統(tǒng)計算復雜度越大。

為了使模型能符合實際的像素分布規(guī)律，需要根據每一個新的像素值來更新模型參數，參數修正首先需要檢測是否匹配該模型，若符合|Xt-μi，t|<λσi，t，i=1，2，…K，則該像素匹配模型。其中λ是由經驗設定的常數，一般取為2-3；反之，若不符合該式，則設為不匹配。針對匹配像素，需要根據(2)式來更新模型參數：

α代表權值更新率，它代表了背景更新快慢，它一般取[0，1]之間的常數，為了減少背景噪聲，一般取值較小，如0.05，若需要修正較快時，則采用較大的α。Ii+1(x，y)則代表了新到的像素在(x，y)點的灰度。

若像素值Xt與其中某一高斯分布不匹配時，則可認為該新像素值并未對該單模型分布做出貢獻，不需改變高斯模型參數而只需改變權值，改變方法為ωk，t=(1-α)ωk，t-1。

若像素值Xt與任一高斯分布均不匹配，則需要加入一個新的單模型，并從原模型中去除一個高斯分布，對于新模型參數初始值的要求是一個較小的權值和較大的方差。此外，還需對原來的各個模型的權值進行歸一化處理。

為提取出背景像素，首先需根據每個像素高斯模型的優(yōu)先級ω/σ的大小進行由高到低的排列，從K個高斯分布中取出前B個高斯分布作為背景模型：

(3)

其中T為背景選取閾值，它決定了背景中混合高斯分布的個數，若T取的較小，則背景模型通常為單模態(tài)；若較大，則可以描述背景重復變化所造成的多模態(tài)情況，如樹葉搖晃或水紋波動等，若同一像素上有兩種或更多顏色的背景，則效果更為明顯。若Xi，t與K個高斯分布中某個背景高斯分布匹配，則該像素點為背景點；否則被檢測為前景點。

3 基于高斯混合模型的自適應背景更新算法仿真

采用視頻序列san_fran_traffic_30sec_QVGA_Cinepak.avi共874幀(每幀320*240像素)，在操作系統(tǒng)為Windows XP，內存為1.94GB的PC機上，采用Matlab7.5.0完成仿真。采用統(tǒng)計直方圖法獲取初始背景。

圖1(b)是根據自適應權值更新的圖像背景，圖1(c)是通過判斷是否匹配得到的汽車前景圖，圖1(d)則是為了得到一個準確的參照，通過統(tǒng)計直方圖法得到的初始背景?？梢钥吹酵ㄟ^高斯混合模型可以較好的提取出多模態(tài)情況下的前景，其背景更新較為穩(wěn)定，能夠較準確的提取出車輛前景。而提取準確程度則是由匹配閾值決定的。

(a)原視頻

(b)視頻更新背景

(c)視頻提取的前景

(d)初始化背景

4 背景初始化算法

背景初始化就是交通監(jiān)控的初始背景圖像，是其他背景更新的參照，背景初始化方法有以下幾種：

1.人工方法。人工方法提取初始背景最為簡單方便，即根據視頻監(jiān)控選取一幀不帶車輛的背景作為初始背景。但該種方法往往只適用于實驗室研究，而并不適用于實際情況，實際中交通流不斷變化，很難提取出不帶車輛運動的一幀作為初始背景，尤其是實際情況中光照、樹木陰影等不斷變化，很難提取出穩(wěn)定的一幀作為初始背景。

2.多幀圖像平均法[7]。多幀圖像平均法是通過傳統(tǒng)去噪方法的原理，將行駛車輛視為圖像中的噪聲，將一段時間取到的圖像進行平均得到道路背景圖像，該方法的原理表達式為：

(4)

其中，Ik(i，j)表示第k幀序列在(i，j)點處的灰度值，N為提取的幀數，取平均后得到背景圖像。該方法優(yōu)點是簡單方便，計算量少，但缺陷是在短時間內圖像某點上可能不是既有亮度高的車輛也有亮度低的車輛經過，而是只有亮度高或者只有亮度低的車輛經過，這樣會使得平均得到的背景偏亮或偏暗。

3.統(tǒng)計直方圖法[8]。

由于在實際路面中，圖像上某一點(i，j)被同一亮度的車輛覆蓋的概率遠小于背景亮度出現(xiàn)的概率，因此直方圖就根據采集視頻的該種特性取得圖像上每一點的多幀灰度直方圖，取得灰度概率最高的灰度作為背景灰度。公式表示為：

(5)

Background(i，j)=m′if(P(i，j，m′)=Max(P(i，j，m)))m，m′∈[0，255]其中，P(i，j，m)表示像素點(i，j)處灰度值為m出現(xiàn)的次數，Ik(i，j)為(i，j)點的灰度值。該方法雖然計算相較前兩種方法較復雜，但其抗噪能力相對較強，提取背景圖像較準確。

5 背景初始化算法仿真

1.多幀圖像平均法仿真

針對背景初始化的研究采取了120幀的視頻幀viptraffic.avi，原始視頻如圖2所示。圖3采用了多幀平均法對該視頻進行背景初始化，分別采用前20幀、前50幀、前80幀和前120幀的視頻比較背景初始化效果，可以看出，當幀數取的較小時，提取的背景存在明顯的汽車干擾，前20幀在右側車道上出現(xiàn)了較長且明顯的一段車輛拖尾；前50幀則在兩條車道上均有車輛拖尾現(xiàn)象，但相比前20幀已不十分明顯。當采用前80幀和前120幀時，多幀平均法提取的背景比較準確，但是采集的視頻幾乎已遍歷所有視頻幀，顯然與初始化的初衷不符。因此，多幀圖像平均法雖然算法較為簡單，但是在實際中并不便于應用。

圖2 原始視頻

(a)前20幀

(b)前50幀

(c)前80幀

(d)前120幀

2.統(tǒng)計直方圖法仿真

采用與多幀平均法相同的視頻幀，從圖4中可以明顯的看出，無論是前20幀還是前50幀視頻，其提取的初始背景都比較準確，并沒有車輛拖尾的干擾，可見統(tǒng)計直方圖法能夠較好地提取初始背景，且使用的幀數相對較少，相對減少了一部分計算量。

(a)前20幀

(b)前50幀

(c)前80幀

(d)前120幀

6 結論

本文針對車輛視頻檢測問題研究并實現(xiàn)了高斯混合模型算法，并通過多幀圖像平均法和統(tǒng)計直方圖法得到了初始背景。統(tǒng)計直方圖法與高斯混合算法具有準確通用的特點，適用于實際車輛較多的路況。本文算法主要針對普通路況而沒有較大光線、遮擋的情況，下一步研究將著重于改善光照突變、車輛遮擋、靜止物體突然運動等情況下的車輛檢測。

[1]Friedman N，Russell S.Image segmentation in video sequences：a probabilistic approach.In：Proceedings of Thirteenth Conference on Uncertainty in Artificial Intelligence.Providence，Rhode Island，USA，Morgan Kaufmann Publishers，1997，175-181.

[2]Wren C R，Azarbayejani A，Darrell T，Pentland A P Pfinder.Real-time tracking of the human body[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，1997，19(7)：780-785.

[3]Stauffer C，Grimson W.Adaptive background mixture models for real-time tracking[J].Proceedings of IEEE Conference on Computer Vision and Pattern Recognition.Fort Collins，Colorado，USA，IEEE，1999，246-252.

[4]李明之，馬志強，單勇.復雜條件下高斯混合模型的自適應背景更新[J].計算機應用，2011，7

[5]LEE D S． Effective Gaussian mixture learning[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，2005，27 ( 5) ：827 - 832．

[6]ZORAN Z． Recursive unsupervised learning of finite mixture models[J]． IEEE Transactions on Pattern Analysis and Machine Intelligence，2004，26( 5) ：651-656．

[7]王齊．基于視頻圖像的交通監(jiān)控系統(tǒng)研究[D]：西安：西北工業(yè)大學，2005．

[8]林洪文、涂丹．基于統(tǒng)計背景模型的運動目標檢測方法[J]．計算機工程．1997，29(16)：97-99．

ResearchandSimulationonAdaptiveBackgroundUpdateAlgorithminVideoVehicleDetection

GUO Lin

(ECDAV，Communication University of China，Beijing 100024)

This paper mainly researches and simulates the adaptive background update algorithm based on Gaussian Mixture Model (GMM) in video vehicle detection.Then，it researches on several methods of background initialization.According to GMM，it can be used to extract the background and foreground in multi-modal images.The statistical histogram method can extract the initial background and realize the background update perfectly.

video vehicle detection；adaptive background update；Gaussian mixture model；multi-frame average method；statistical histogram method

2012-11-28

郭琳(1989-)，女(漢族)，北京人，中國傳媒大學碩士研究生.E-mail：guolin@cuc.edu.cn

TN911.7

A

1673-4793(2013)02-0068-06

(責任編輯：宋金寶)