基于混合高斯模型的道路背景提取方法研究

黃國浪，潘 捷，許曉楠

(長(zhǎng)安大學(xué)汽車學(xué)院，陜西西安 710064)

基于混合高斯模型的道路背景提取方法研究

黃國浪，潘 捷，許曉楠

(長(zhǎng)安大學(xué)汽車學(xué)院，陜西西安 710064)

針對(duì)單高斯模型對(duì)道路背景提取的不足，提出一種基于混合高斯模型的道路背景提取方法。利用多個(gè)高斯分布組成混合高斯模型來表示道路背景圖像中的各個(gè)像素點(diǎn)，并且針對(duì)該算法利用MATLAB進(jìn)行仿真實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果驗(yàn)證了基于混合高斯模型的道路背景提取方法的實(shí)用性和有效性。

道路背景提取；單高斯模型；混合高斯模型

在城市道路視頻監(jiān)控中，運(yùn)動(dòng)車輛的有效檢測(cè)、道路背景提取是進(jìn)行車輛跟蹤、識(shí)別等交通監(jiān)控后續(xù)處理的基礎(chǔ)[1]。運(yùn)動(dòng)車輛的檢測(cè)方法目前大致有光流場(chǎng)法、相鄰幀差法和背景減法[2]。光流場(chǎng)法運(yùn)算相對(duì)復(fù)雜，若沒有特定的硬件支持一般很難滿足實(shí)時(shí)處理的要求[3]。相鄰幀差算法是最簡(jiǎn)便的一種方法，檢測(cè)速度快、對(duì)光照不敏感、對(duì)環(huán)境變化的適應(yīng)能力較強(qiáng)，但對(duì)靜止或者運(yùn)動(dòng)速度慢的車輛檢測(cè)效果較差，容易產(chǎn)生空洞[4]。背景減法是利用當(dāng)前實(shí)時(shí)拍攝的含有運(yùn)動(dòng)車輛的道路圖像與實(shí)際獲取的道路背景參考圖像之間的差分來檢測(cè)運(yùn)動(dòng)車輛的一種技術(shù)，這種檢測(cè)方法在道路背景提取的實(shí)際應(yīng)用中會(huì)遇到幾個(gè)關(guān)鍵問題：一是如何建立道路背景模型和實(shí)時(shí)更新模型參數(shù)以適應(yīng)道路背景的變化；二是這些背景變化包括場(chǎng)景的光照變化(如陽光強(qiáng)弱和方向的改變、照明燈具的開關(guān)等)和場(chǎng)景構(gòu)成的改變(如由紅燈或上下客引起的車輛停止等)。這些外在環(huán)境的實(shí)時(shí)改變，都會(huì)影響運(yùn)動(dòng)目標(biāo)檢側(cè)的準(zhǔn)確性。本文提出了一種基于混合高斯模型的道路背景提取方法，該方法在提取道路背景時(shí)可以隨車輛的走停及時(shí)更新，并且能抑制非靜止背景物體的干擾，使提取出來的道路背景更加精確。

1 單高斯背景模型

高斯模型就是利用高斯概率密度函數(shù)(正態(tài)分布曲線)精確地量化事物，將一個(gè)事物分解為若干個(gè)基于高斯概率密度函數(shù)形成的數(shù)學(xué)模型。單高斯模型是一種圖像處理背景提取的處理方法。對(duì)一個(gè)道路背景圖像，特定像素灰度的分布服從高斯分布，即道路背景圖像像素點(diǎn)(x,y)的灰度B(x,y)滿足：B(x,y)～N(u,σ)。這樣道路背景模型每個(gè)像素點(diǎn)的屬性包括2個(gè)參數(shù)：灰度平均值u和灰度標(biāo)準(zhǔn)差σ，有關(guān)系式

(1)

式中u(x,y)為像素點(diǎn)(x,y)處的像素灰度均值；σ(x,y)為像素點(diǎn)(x,y)處的像素灰度標(biāo)準(zhǔn)差；T為預(yù)定的背景閾值。

對(duì)于給定的圖像B，如果像素點(diǎn)(x,y)的灰度B(x,y)滿足式(1)，則認(rèn)為像素點(diǎn)(x,y)是背景點(diǎn)，反之則認(rèn)為該點(diǎn)是前景點(diǎn)(即運(yùn)動(dòng)目標(biāo)點(diǎn))。

同時(shí)，隨著時(shí)間的推移，受光線、天氣等因素的影響，道路背景圖像也會(huì)發(fā)生緩慢的變化。隨著背景圖像的變化，也要不斷更新各個(gè)像素點(diǎn)的參數(shù)，因此有

ut+1(x,y)=aut(x,y)+(1-a)Bt+1(x,y),

式中ut(x,y) 、ut+1(x,y)分別為第t幀、(t+1)幀圖像像素點(diǎn)(x,y)的像素灰度均值；a為更新參數(shù)，反應(yīng)背景變化的速度；Bt+1(x,y)為第(t+1)幀圖像像素點(diǎn)(x,y)的灰度值。

一般情況下，不更新σ(x,y)(實(shí)驗(yàn)中發(fā)現(xiàn)，σ(x,y)更新與否，道路背景提取效果變化不大)。

單高斯模型處理方法簡(jiǎn)便，對(duì)道路圖像背景提取的處理速度也很快，但單高斯模型法難以抵抗非靜止背景物體的干擾，且易受時(shí)走時(shí)停的車輛的影響，不能及時(shí)的更新背景[5]。對(duì)于大多數(shù)道路背景來說，隨著時(shí)間的推移道路背景是緩慢變化的，如果仍然使用單高斯模型將會(huì)使提取的背景與實(shí)際背景不同，對(duì)道路的監(jiān)控造成影響。

2 混合高斯背景模型

2.1混合高斯模型

混合高斯模型是單高斯模型的延伸，由于混合高斯模型能夠平滑地逼近任意形狀的密度分布，因此近年來常被用在圖像識(shí)別等方面，并且得到較好的效果。

道路背景圖像中的各個(gè)像素點(diǎn)分別用由M(M一般取3～5)個(gè)高斯分布構(gòu)成的混合高斯模型來建模，即

2.2混合高斯模型的參數(shù)初始化

一般規(guī)定，混合高斯模型中一個(gè)高斯分布的均值等于輸入視頻第一幀所對(duì)應(yīng)的像素值，其它為0，即

對(duì)各高斯模型的權(quán)重系數(shù)的初始化就是對(duì)道路背景的分布進(jìn)行先驗(yàn)概率的估值。在對(duì)權(quán)重系數(shù)初始化時(shí)，一般是將第一個(gè)高斯模型的權(quán)重系數(shù)取較大值，其它M-1個(gè)高斯分布的權(quán)重系數(shù)取較小值，即

式中ω為介于0和1之間的常數(shù)。

2.3混合高斯模型的參數(shù)更新

對(duì)于當(dāng)前圖像B中的某一像素點(diǎn)(x,y)，如果判斷出該像素點(diǎn)的混合高斯模型中至少有一個(gè)高斯分布與該像素點(diǎn)灰度值B(x,y)匹配，此時(shí)對(duì)混合高斯模型的參數(shù)進(jìn)行更新。

1)更新與混合高斯模型中匹配的高斯分布Nk(B(x,y),uk(x,y),σk(x,y))的均值uk(x,y)和標(biāo)準(zhǔn)差σk(x,y)，有

對(duì)于當(dāng)前圖像B中的某一像素點(diǎn)(x,y)，如果判斷出該像素點(diǎn)的混合高斯模型中沒有與該像素點(diǎn)灰度值B(x,y)匹配的高斯分布，那么此時(shí)的混合高斯模型的參數(shù)更新規(guī)則是將最不可能代表背景分布過程的高斯分布Nk(B(x,y),uk(x,y),dk(x,y))重新賦值，即

(2)

(3)

3 道路背景提取及運(yùn)動(dòng)目標(biāo)分割

(4)

式(4)的含義是M個(gè)高斯分布從大到小排序后，從前往后各個(gè)高斯分布的權(quán)重系數(shù)求和，當(dāng)權(quán)重系數(shù)的和第一次≥T(0.5≤T≤1)時(shí)結(jié)束，N即是已經(jīng)進(jìn)行求和的高斯分布的個(gè)數(shù)。

如果像素灰度值Bt+1(x,y)與混合高斯模型中前N個(gè)高斯分布中的一個(gè)或一個(gè)以上匹配，則判定該點(diǎn)為背景點(diǎn)，此時(shí)的背景點(diǎn)G(t+1)(x,y)、前景點(diǎn)Q(t+1)(x,y)更新為

如果像素灰度值Bt+1(x,y)與混合高斯模型中前N個(gè)高斯分布中的任何一個(gè)都不匹配，則判定該點(diǎn)為前景點(diǎn)，此時(shí)的背景點(diǎn)G(t+1)(x,y)、前景點(diǎn)Q(t+1)(x,y)更新為

式中Gt(x,y)為輸入第t幀圖像時(shí)像素點(diǎn)(x,y)對(duì)應(yīng)的背景點(diǎn)。

4 MATLAB仿真實(shí)驗(yàn)及結(jié)果分析

為了驗(yàn)證基于混合高斯模型的道路背景提取方法的效果，采用MATLAB軟件進(jìn)行編程仿真實(shí)驗(yàn)。即在計(jì)算機(jī)上對(duì)一段視頻文件進(jìn)行基于混合高斯模型的道路背景提取及目標(biāo)檢測(cè)實(shí)驗(yàn)。仿真實(shí)驗(yàn)條件說明如下：

1)仿真實(shí)驗(yàn)在Intel(R) Core(TM) i5-2430 CPU的計(jì)算機(jī)上，使用MATLAB 7.10.0(R2010a)軟件進(jìn)行。

2)用于仿真實(shí)驗(yàn)的視頻共有400幀圖像。

3)仿真實(shí)驗(yàn)中T、M、Cvar、ω、λ各個(gè)參數(shù)的取值分別為2.5、3、6、0.5、0.01。

圖1為基于混合高斯模型的道路背景提取方法仿真實(shí)驗(yàn)流程圖。

圖1 混合高斯模型仿真實(shí)驗(yàn)流程圖

圖2為基于混合高斯模型的仿真試驗(yàn)圖像。同時(shí)，為了說明本文論述的背景提取方法的有效性，將試驗(yàn)中所用的視頻文件在相同硬、軟件環(huán)境下進(jìn)行基于單高斯模型的道路背景提取及目標(biāo)檢測(cè)的仿真試驗(yàn)，仿真試驗(yàn)圖像如圖3所示。

圖2 基于混合高斯模型的仿真試驗(yàn)圖像

圖3 基于單高斯模型的仿真試驗(yàn)圖像

對(duì)仿真試驗(yàn)結(jié)果進(jìn)行以下幾點(diǎn)分析：

1)基于混合高斯模型的道路背景提取仿真試驗(yàn)用時(shí)為100 s。根據(jù)視頻文件幀數(shù)和試驗(yàn)用時(shí)計(jì)算得到仿真試驗(yàn)每s運(yùn)算處理4幀圖像。一般情況下1臺(tái)普通攝像機(jī)每s拍攝25～30幀圖像，從實(shí)時(shí)拍攝視頻中的5幀圖像中抽取1幀圖像來進(jìn)行背景提取及目標(biāo)檢測(cè)運(yùn)算。如果需要進(jìn)行實(shí)時(shí)背景提取和運(yùn)動(dòng)目標(biāo)檢測(cè)，則1 s內(nèi)至少需要實(shí)時(shí)運(yùn)算處理5幀圖像。這比本文的仿真試驗(yàn)中每s運(yùn)算處理4幀圖像至少還需要多運(yùn)算處理1幀圖像。說明在本文進(jìn)行的基于混合高斯模型的道路背景提取仿真實(shí)驗(yàn)的時(shí)間成本是比較高的。

2)對(duì)比圖2、3可以發(fā)現(xiàn)，圖2中提取的道路背景圖像更接近真實(shí)的道路背景，檢測(cè)到的運(yùn)動(dòng)目標(biāo)更清晰。因此基于混合高斯模型的道路背景提取方法能夠更好的提取出道路背景以及識(shí)別出運(yùn)動(dòng)目標(biāo)。

3)從圖2、3中可以看到，行駛在道路上的汽車由于燈光或陽光產(chǎn)生的陰影使檢測(cè)出來的運(yùn)動(dòng)目標(biāo)的輪廓與實(shí)際運(yùn)動(dòng)目標(biāo)的輪廓不同。運(yùn)動(dòng)目標(biāo)檢測(cè)圖中連同汽車的陰影一塊顯示出來，即把運(yùn)動(dòng)目標(biāo)的陰影也當(dāng)成了運(yùn)動(dòng)目標(biāo)。如果馬路上行駛的2輛汽車靠的很近，其中1輛汽車的陰影將這2輛汽車連接在一起。在這種情況下，這2輛汽車在目標(biāo)檢測(cè)圖中就有可能是連在一起的一個(gè)整體，2輛汽車被當(dāng)作一個(gè)運(yùn)動(dòng)目標(biāo)對(duì)待。這會(huì)對(duì)運(yùn)動(dòng)目標(biāo)檢測(cè)的準(zhǔn)確性產(chǎn)生一定的影響。

5 結(jié)語

道路背景的提取與實(shí)時(shí)更新對(duì)運(yùn)動(dòng)車輛等目標(biāo)的準(zhǔn)確檢測(cè)有著重要的影響?；诨旌细咚鼓Ｐ偷牡缆繁尘疤崛》椒?，能對(duì)道路背景進(jìn)行實(shí)時(shí)的更新與重建，對(duì)道路背景的提取和運(yùn)動(dòng)目標(biāo)的檢測(cè)結(jié)果比較理想。但基于高斯模型的背景提取方法會(huì)使道路上運(yùn)動(dòng)的車輛由于燈光或陽光產(chǎn)生的陰影對(duì)運(yùn)動(dòng)目標(biāo)的檢測(cè)產(chǎn)生一定的影響，這是后續(xù)研究中有待改進(jìn)的一個(gè)方面。

[1]Boors A G, Pitas I. Prediction and Tracking of Moving Objects in Image Sequences[J].IEEE Transactions on Image Processing，2000，9(8)：1441-1445．[2]王建飛，楊文幫.基于自適應(yīng)混合高斯模型背景提取的研究[J].中國科技博覽，2013(21):66-67.

[3]王天旭,周煦林,崔麗潔，等. 基于背景模型的車輛目標(biāo)檢測(cè)[J].微電子學(xué)與計(jì)算機(jī)，2011，28(7):65-67.

[4]楊丹，余盂澤.車輛視頻檢測(cè)及陰影去除[J].計(jì)算機(jī)工程與設(shè)計(jì)，201l，32(6)：2072-2079．

[5]楊裙,史忠科.基于改進(jìn)單高斯模型法的交通背景提取[J].光子學(xué)報(bào),2009，38(5)：1293-1296.

(責(zé)任編輯：楊秀紅)

ResearchonRoadBackgroundExtractionMethodBasedonGaussianMixtureModel

HUANGGuo-lang,PANJie,XUXiao-nan

(SchoolofAutomobile,Chang′anUniversity,Xi′an710064,China)

Aiming at the shortcomings of the road background extraction method based on the single Gaussian model, this article proposes a road background extraction method based on the Gaussian mixture model. It adopts the Gaussian mixture model made up of the multiple Gaussian distributions to represent the each pixel point of the road background image, and conducts simulation experiments for the algorithm by using MATLAB. The experimental results certify the practicality and effectiveness of the road background extraction method based on the Gaussian mixture model.

road background extraction; single Gaussian model; Gaussian mixture model

2014-02-19

黃國浪(1988—)，男，陜西靖邊人，長(zhǎng)安大學(xué)碩士研究生，主要研究方向?yàn)槌鞘械缆方煌ㄏ到y(tǒng)規(guī)劃與管理.

10.3969/j.issn.1672-0032.2014.01.009

TP391.41;U495

A

1672-0032(2014)01-0039-05