采用極限學(xué)習(xí)機(jī)的運(yùn)動(dòng)陰影檢測(cè)模型

馬無(wú)錫，陳欲勐，鄭莉曉

(浙江工貿(mào)職業(yè)技術(shù)學(xué)院，浙江溫州325003)

采用極限學(xué)習(xí)機(jī)的運(yùn)動(dòng)陰影檢測(cè)模型

馬無(wú)錫，陳欲勐，鄭莉曉

(浙江工貿(mào)職業(yè)技術(shù)學(xué)院，浙江溫州325003)

針對(duì)智能交通系統(tǒng)中車輛陰影嚴(yán)重影響運(yùn)動(dòng)目標(biāo)檢測(cè)的問(wèn)題，在混合高斯前景檢測(cè)的基礎(chǔ)上，提出了一種基于極限學(xué)習(xí)機(jī)的陰影檢測(cè)方法。該方法只需提取前景像素點(diǎn)處的梯度值及其鄰域的方差值來(lái)作為特征，并通過(guò)極限學(xué)習(xí)機(jī)來(lái)對(duì)其進(jìn)行分類，獲得真實(shí)陰影區(qū)域，無(wú)需預(yù)先設(shè)置任何經(jīng)驗(yàn)閾值。最后實(shí)驗(yàn)結(jié)果表明，與傳統(tǒng)方法相比，該方法不僅實(shí)現(xiàn)簡(jiǎn)單，而且可以準(zhǔn)確地檢測(cè)出陰影內(nèi)部區(qū)域和陰影邊緣區(qū)域。

運(yùn)動(dòng)檢測(cè)；背景建模；極限學(xué)習(xí)機(jī)；陰影檢測(cè)；歸一化互相關(guān)

0 引言

在視頻分析中，運(yùn)動(dòng)目標(biāo)檢測(cè)是進(jìn)行其他后續(xù)檢測(cè)的先決條件，一直以來(lái)是一個(gè)非常重要的研究課題。常見(jiàn)的運(yùn)動(dòng)目標(biāo)檢測(cè)方法主要有：幀差法、混合高斯模型、核密度估計(jì)算法、碼本算法、Vibe算法和基于這些算法的改進(jìn)算法。然而這些算法都會(huì)將運(yùn)動(dòng)物體及其陰影一同檢測(cè)出來(lái)，這會(huì)導(dǎo)致無(wú)法正確地判斷出物體的大小、位置等信息；而且陰影會(huì)造成相鄰目標(biāo)之間的粘連，使得對(duì)獲取的前景信息還需進(jìn)一步處理。因此，如何檢測(cè)并有效消除陰影給運(yùn)動(dòng)目標(biāo)檢測(cè)帶來(lái)影響這一課題有著十分重要的意義。

陰影除了具有亮度低于背景亮度、顏色不變性、紋理不變性這幾個(gè)共性外，在不同場(chǎng)景下的模式各不相同，很難采用一種通用的方法來(lái)徹底消除其在運(yùn)動(dòng)目標(biāo)檢測(cè)中產(chǎn)生的影響。因此，一般是針對(duì)某些特定場(chǎng)景下陰影所具有的特點(diǎn)來(lái)尋找相應(yīng)的檢測(cè)方法。前人針對(duì)陰影檢測(cè)這一問(wèn)題進(jìn)行了一系列研究：張玲等人[1]在采用混合高斯模型檢測(cè)前景的基礎(chǔ)上加上LBP紋理相似性比較來(lái)減少物體內(nèi)的孔洞和消除陰影前景。但是對(duì)于紋理信息不豐富的場(chǎng)景，該方法不能達(dá)到預(yù)期的效果。史波等人[2]在提取HIS色彩空間特征的基礎(chǔ)上對(duì)特征進(jìn)行統(tǒng)計(jì)，根據(jù)統(tǒng)計(jì)結(jié)果來(lái)估計(jì)高斯分布中的參數(shù)，從而估計(jì)出圖像中每個(gè)像素屬于陰影的概率。但是該方法是以所提取的特征符合高斯分布為前提條件，如果特征統(tǒng)計(jì)直方圖出現(xiàn)多峰情況則該方法目前無(wú)有效解決方案。王彬等人[3]結(jié)合了通過(guò)背景差分、角點(diǎn)檢測(cè)、顏色空間等幾種方式獲得的掩膜來(lái)實(shí)現(xiàn)陰影的檢測(cè)。但是文中未對(duì)目標(biāo)物體上角點(diǎn)存在的穩(wěn)定性和數(shù)量多少對(duì)陰影檢測(cè)效果的影響給出說(shuō)明，如果當(dāng)物體上角點(diǎn)數(shù)量過(guò)少的時(shí)候，效果應(yīng)該不太理想。姜柯等人[4]在ANDRES SANIN等人[5]的基礎(chǔ)上，在YUV顏色空間中提取邊緣紋理特征，采用抽樣推斷方法估計(jì)檢測(cè)閾值，從而自動(dòng)完成閾值的估計(jì)適用于各種光線條件。但該方法同樣是以特征變化率符合高斯函數(shù)為前提條件，如果出現(xiàn)多峰的情況則需要采用另外的方法進(jìn)行處理。查宇飛等人[6]在提取顏色特征、紋理特征通過(guò)boosting學(xué)習(xí)來(lái)對(duì)目標(biāo)和陰影進(jìn)行區(qū)分，最后在判別隨機(jī)場(chǎng)中結(jié)合前景和陰影的時(shí)空一致性再通過(guò)圖像分割的方法來(lái)獲得最終的效果。然而該方法實(shí)現(xiàn)較為復(fù)雜，實(shí)時(shí)性不好。RUIQI GUO和JEAN-FRANCOIS LALONDE等人[7-8]采用支持向量機(jī)、決策樹(shù)、條件隨機(jī)場(chǎng)這幾種分類器根據(jù)提取的特征對(duì)圖像中的陰影進(jìn)行分割，達(dá)到了不錯(cuò)的效果。但是文中的檢測(cè)環(huán)境所包含的色彩信息較為豐富，陰影和環(huán)境的區(qū)分度較明顯，這和視頻監(jiān)控中的場(chǎng)景差別較大，而且這些所提的方法都比較耗時(shí)，不太適用于實(shí)時(shí)性高的場(chǎng)合。

文中使用的方法是在前人工作的基礎(chǔ)上，結(jié)合混合高斯模型前景檢測(cè)算法，提出一種基于極限學(xué)習(xí)機(jī)的陰影檢測(cè)方法，該方法不僅可以檢測(cè)出大部分陰影區(qū)域，并對(duì)于陰影邊界的消除也有較好的效果，無(wú)需再采用額外的方法進(jìn)行陰影邊界的消除，也無(wú)需設(shè)定相應(yīng)的檢測(cè)閾值。因此，在保證一定檢測(cè)效果的前提下，文中所提出的方法實(shí)現(xiàn)簡(jiǎn)單，可以滿足視頻檢測(cè)的實(shí)時(shí)性要求。

1 基于改進(jìn)混合高斯模型的目標(biāo)檢測(cè)

混合高斯模型主要是基于圖像中某個(gè)像素點(diǎn)的灰度值變化符合高斯分布的假設(shè)，采用k個(gè)單高斯模型來(lái)描述像素點(diǎn)的分布?；驹頌槊總€(gè)像素根據(jù)其在最近t幀內(nèi)的灰度值{X1,X2,X3,…,Xt}，則在下一幀該像素值為背景的概率為：

其中，Xt表示像素點(diǎn)(χ0,y0)在t時(shí)刻時(shí)的像素值；k表示混合高斯模型中高斯分布的個(gè)數(shù)；ωi,t表示混合高斯模型中第i個(gè)模型在t時(shí)刻的權(quán)值，滿足表示t時(shí)刻第i個(gè)模型的高斯分布，具體公式如下：

其中，n表示維數(shù)；μi,t表示均值；表示協(xié)方差矩陣。

根據(jù)公式(1)和(2)可以看出，混合高斯模型中含有大量的浮點(diǎn)運(yùn)算，這無(wú)疑會(huì)影響算法的效率，因此在保證前景檢測(cè)效果的前提下，文中采用浮點(diǎn)數(shù)定點(diǎn)化的方式來(lái)實(shí)現(xiàn)混合高斯背景模型，這樣大大提升了算法的運(yùn)算速度。

2 極限學(xué)習(xí)機(jī)算法介紹

極限學(xué)習(xí)機(jī)（ELM）理論是由南洋理工大學(xué)的黃廣斌教授于2004年提出的，該方法克服了傳統(tǒng)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法中人為設(shè)定參數(shù)和容易產(chǎn)生局部最優(yōu)解的缺陷，不僅可以提高神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)速度，而且有著非常好的泛化能力。

極限學(xué)習(xí)機(jī)的基本原理可以如下描述:在給定樣本X={(χi,ti|χi∈Rn,tj∈Rm,i=1,2,3…,N)}，其中χi=[χi1,χi2,…χin]T表示輸入特征向量，ti=[ti1,ti2,…,tin]，表示為目標(biāo)向量。隱含節(jié)點(diǎn)個(gè)數(shù)為L(zhǎng)，激勵(lì)函數(shù)g(x)，則輸出目標(biāo)向量表示為：

其中，wi表示輸入權(quán)值；bi表示隱藏層的閾值；βi是第i中間層到第i輸出層的權(quán)值；oj是輸出目標(biāo)向量。存在著這樣的βi、bi、wi，使得公式(3)零誤差逼近目標(biāo)向量，即然后取H，β，T表示如下：

則可以表示為

設(shè)H的Moor-penrose廣義逆矩陣為H?，則求得

根據(jù)前面的描述，可以將極限學(xué)習(xí)機(jī)的參數(shù)計(jì)算步驟主要分為三步：

第一步：輸入權(quán)值wi與隱藏層的閾值bi隨機(jī)賦值，其中i=1,2,…N?；

第二步：計(jì)算由隱藏層輸出的矩陣H；

第三步：計(jì)算β?=H?T，其中H?=(HTH)-1HT

3 基于ELM的陰影檢測(cè)

在ANDRES SANIN等人[5]所提出的多種陰影檢測(cè)方法，均是在RGB、HIS、HSV等顏色空間的基礎(chǔ)上來(lái)進(jìn)行陰影區(qū)域特征的提取。相對(duì)于灰度圖像，從顏色圖像中確實(shí)可以提取到更為豐富的特征，有助于陰影的檢測(cè)，但是也增加了額外的資源消耗。如果僅僅使用從灰度圖像中提取的相關(guān)特征便能取得較好的陰影檢測(cè)效果，不僅可以減少資源消耗，也可以增加檢測(cè)的實(shí)時(shí)性。以視頻圖像的灰度圖像為處理對(duì)象，文中通過(guò)比較分析三種較為常用的陰影檢測(cè)方法，得到了可以表征陰影區(qū)域的相關(guān)特征。

3.1 陰影特征提取

文中分別對(duì)王曉紅、J.C.S.Jacques和張露等人[9-11]提出的三種提取特征方法進(jìn)行了研究，以測(cè)試視頻中的某一幀圖像作為研究對(duì)象，如圖1所示，分別將三種方法用于陰影的檢測(cè)，檢測(cè)結(jié)果如圖2所示。其中，圖2-(a)是采用傳統(tǒng)的NCC檢測(cè)方法得到的結(jié)果；圖2-(b)是采用當(dāng)前幀與背景比值檢測(cè)方法得到的結(jié)果；圖2-(c)是在RGB顏色空間中，將像素值作為一個(gè)三維向量，比較當(dāng)前幀圖像像素和背景圖像像素兩個(gè)向量之間的夾角來(lái)得到的結(jié)果。從這三張圖中可以看出，RGB顏色空間檢測(cè)方法可以很好的將陰影區(qū)域的邊緣檢測(cè)出來(lái)，但是卻會(huì)將目標(biāo)的大部分主體誤檢為陰影；而其他兩種方法雖然可以減少誤檢像素，但是對(duì)于陰影區(qū)域的邊界卻無(wú)法進(jìn)行檢測(cè)，而需要其他的檢測(cè)方法。

通過(guò)觀察顯然可以看出陰影邊緣處的梯度比較強(qiáng)，這是一個(gè)區(qū)別于陰影區(qū)域和目標(biāo)區(qū)域的明顯特征。因此若采用梯度作為陰影邊緣的特征則可以輕易進(jìn)行消除。綜上所述，采用像素點(diǎn)的梯度值及其領(lǐng)域的方差值來(lái)作為特征就可以達(dá)到檢測(cè)陰影內(nèi)部區(qū)域和陰影邊緣的效果。

圖1 當(dāng)前幀圖像、背景圖像和前景圖像

圖2 三種常規(guī)的陰影檢測(cè)結(jié)果

3.2 極限學(xué)習(xí)機(jī)訓(xùn)練

基于前面描述的陰影特征的提取，將混合高斯模型檢測(cè)得到的前景分為三類：陰影內(nèi)部區(qū)域（記為類別0）、陰影邊緣區(qū)域（記為類別1）和非陰影區(qū)域（記為類別2），這三個(gè)類別的掩碼圖像如圖3所示。通過(guò)類似圖3所示的掩碼圖像便可以提取位于不同類別的前景圖像區(qū)域的特征。按照這種特征的提取方式，可以人工選取某個(gè)場(chǎng)景的一些具有代表性的圖像來(lái)作為該場(chǎng)景的訓(xùn)練樣本來(lái)對(duì)ELM進(jìn)行訓(xùn)練。

圖3 前景像素中三類像素的掩碼圖像

3.3 實(shí)驗(yàn)結(jié)果及分析

文中采用智能交通系統(tǒng)中目標(biāo)陰影較為明顯的視頻作為測(cè)試對(duì)象。通過(guò)采用前面所述的基于ELM陰影檢測(cè)方法來(lái)進(jìn)行檢測(cè)，并將其與文中提到的三種常用的陰影檢測(cè)算法進(jìn)行了對(duì)比，檢測(cè)結(jié)果如圖4所示。從圖4中可以明顯看出文中所提出的方法不僅可以檢測(cè)到大部門的陰影區(qū)域（包括陰影邊緣），還可以防止目標(biāo)部分被誤檢為陰影，與傳統(tǒng)的三種陰影檢測(cè)方法相比有著方便性和更強(qiáng)的適應(yīng)性。

4 結(jié)論

文中首先采用改進(jìn)的混合高斯運(yùn)動(dòng)檢測(cè)算法來(lái)對(duì)運(yùn)動(dòng)目標(biāo)進(jìn)行檢測(cè)；然后提取出陰影像素點(diǎn)的特征，并通過(guò)ELM來(lái)對(duì)其特征進(jìn)行學(xué)習(xí)，從而來(lái)對(duì)檢測(cè)得到的前景像素進(jìn)行分類，得到真正的陰影像素；最后仿真實(shí)驗(yàn)表明文中提出的方法不僅操作簡(jiǎn)單而且取得了比常規(guī)方法更好的效果。相對(duì)于傳統(tǒng)相方法，這一方法的主要優(yōu)點(diǎn)有：1、不需要人工設(shè)置閾值；2、實(shí)現(xiàn)方法簡(jiǎn)單，實(shí)時(shí)性好；3、適用范圍廣。由于文中提出的方法是基于訓(xùn)練的，因此如果換了一個(gè)和之前樣本相差較大的場(chǎng)景則可能需要重新訓(xùn)練。如何提取出更加有獨(dú)立的特征，從而使得特征具有通用性是接下來(lái)將要進(jìn)行深入研究的一個(gè)問(wèn)題。

圖4 陰影檢測(cè)結(jié)果比較

[1]張玲,程義民,謝于明,等.基于局部二元圖的視頻對(duì)象陰影檢測(cè)方法[J].系統(tǒng)工程與電子技術(shù),2007,29(6):974-977.

[2]史波,王紅.一種自學(xué)習(xí)陰影檢測(cè)方法[J].計(jì)算機(jī)應(yīng)用研究,2012,29(5):1983-1986.

[3]王彬,馮遠(yuǎn)靜,郭海峰,張貴軍.交通場(chǎng)景中車輛的運(yùn)動(dòng)檢測(cè)與陰影消除[J].中國(guó)圖像圖形學(xué)報(bào),2012,17(11):1391-1399.

[4]姜柯,李艾華,蘇延召.結(jié)合邊緣紋理和抽樣推斷的自適應(yīng)陰影檢測(cè)算法[J].西安交通大學(xué)學(xué)報(bào),2013,47(2):39-46.

[5]ANDRES SANIN,CONRAD SANDERSON,BRIAN C LOVELL.Shadow detection:a survey and comparative evaluation of recent methods[J].Kidlington Oxford United Kingdom,2012,45(4):1684-1695.

[6]查宇飛,楚瀛,王勛,等.一種基于Boosting判別模型的運(yùn)動(dòng)陰影檢測(cè)方法[J].計(jì)算機(jī)學(xué)報(bào),2007,8(7):1295-1301.

[7]RUIQI GUO,QIEYUN DAI,D.HOIEM.Single-image shadow detection and removal using paired regions[J].2011 IEEE Conference on Computer Vision and Pattern Recognition,2011:2033-2040.

[8]JEAN-FRANCOIS LALONDE,Alexei A.Efros,and Srinivasa G.Narasimhan.Detecting Ground Shadows in Outdoor Consumer Photo?graphs[C].European Conference on Computer Vision,2010.322-335.

[9]王曉東,霍紅,方濤.基于快速歸一化互相關(guān)函數(shù)的運(yùn)動(dòng)車輛陰影檢測(cè)算法[J].計(jì)算機(jī)應(yīng)用,2006,26(9):2065-2067.

[10]Julio Cezar Silveira Jacques Jr.,Cláudio Rosito Jung.Soraia Raupp Musse.Background Subtraction and Shadow Detection in Gray?scale Video Sequences[J].Graphics Patterns and Images SIBGRAPI Conference,2005:189-196.

[11]張露,閉金杰,林志源,等.基于顏色特征的圖像提取算法的研究[J].科技創(chuàng)新導(dǎo)報(bào),2008,153(33):189.

（責(zé)任編輯：潘修強(qiáng)）

The Model of Moving Shadow Detection Based on Extreme Learning Machine

MAWu-xi,CHEN Yu-meng,ZHENG Li-xiao
(Zhejiang Industry&Trade Vocational College,Wenzhou,325003,China)

In the system of intelligent traffic,the shadow of moving cars cause terrible detection of targets,therefore,a kind of method about shadow detection based on mixed gauss model algorithm and extreme learning machine is proposed.This method only needs to extract the gradient and variance of neighbourhood about pixels,and classifies pixels using the extreme learning machine, without setting any empirical threshold.Finally,compared with the traditional method,the experimental results show that the method proposed is not only simple,but also can accurately detect the inside shadow area and the edge of shadow.

moving test;background modeling;extreme learning machine;shadow detection;normalized cross-correlation

TP391.413

A

1672-0105（2014）03-0026-04

10.3969/j.issn.1672-0105.2014.03.008

2014-07-08

馬無(wú)錫（1984—），男，浙江溫州人，助理工程師，碩士，研究方向?yàn)椋簲?shù)字圖像處理；陳欲勐（1977—）男，浙江溫州人，講師，碩士，研究方向：圖形圖像，移動(dòng)互聯(lián)網(wǎng)應(yīng)用；鄭莉曉（1978—），女，浙江永嘉人，助理研究員，碩士，研究方向?yàn)椋航逃睦韺W(xué)。