基于混合高斯模型的儲(chǔ)物柜存取貨行為檢測(cè)方法

林淦斌

摘 要：針對(duì)儲(chǔ)物柜存取貨物場(chǎng)景的實(shí)際情況和人員行為的特點(diǎn)，提出一種通過融合時(shí)間調(diào)整機(jī)制控制前景融入背景的改進(jìn)型混合高斯建模檢測(cè)方法，并引入手臂識(shí)別機(jī)制。融合時(shí)間調(diào)整機(jī)制減小了由于人員停止運(yùn)動(dòng)而錯(cuò)誤決策為背景的可能性；手臂識(shí)別算法模型有效地識(shí)別人員伸手動(dòng)作。實(shí)驗(yàn)結(jié)果表明，該方法可以簡(jiǎn)單有效地從連續(xù)的圖像序列中檢測(cè)出人員在儲(chǔ)物柜場(chǎng)景下的存取貨物行為。

關(guān)鍵詞：混合高斯模型 時(shí)間調(diào)整機(jī)制 手臂識(shí)別 存取貨行為檢測(cè)

中圖分類號(hào)：TP391 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1674-098X（2015）01（c）-0052-03

儲(chǔ)物柜場(chǎng)景存取貨物行為檢測(cè)的主要任務(wù)是從連續(xù)的圖像序列中判別出從運(yùn)動(dòng)到靜止于儲(chǔ)物柜前并伸出胳膊打開儲(chǔ)物柜存取貨物的人員。傳統(tǒng)監(jiān)控應(yīng)用場(chǎng)景下，攝像頭常開記錄下每一個(gè)時(shí)刻攝像頭覆蓋區(qū)域的畫面；然而，當(dāng)事件未發(fā)生時(shí)候所獲取的視頻往往沒有任何價(jià)值而又無差別地占用了存儲(chǔ)空間，且長(zhǎng)時(shí)間處于工作狀態(tài)下的攝像頭功耗較大。儲(chǔ)物柜場(chǎng)景下，通常關(guān)心的是儲(chǔ)物柜中的貨物是否被誤取，因此只需有人員打開儲(chǔ)物柜事件發(fā)生時(shí)觸發(fā)攝像頭記錄存儲(chǔ)當(dāng)前時(shí)刻視頻以供翻查佐證?；谠搼?yīng)用場(chǎng)景，檢測(cè)系統(tǒng)需要實(shí)現(xiàn)兩個(gè)功能：首先，如何把從運(yùn)動(dòng)到靜止于儲(chǔ)物柜前的人員從圖像序列中提取出來；其次，如何從提取出來的人員前景圖像中判別人員是否有伸出胳膊動(dòng)作從而觸發(fā)攝像頭錄像并存儲(chǔ)。

根據(jù)儲(chǔ)物柜存取貨物場(chǎng)景的實(shí)際情況和人員行為的特點(diǎn)，本文改進(jìn)傳統(tǒng)的混合高斯模型，提出一種通過融合時(shí)間調(diào)整機(jī)制控制前景融入背景的改進(jìn)型混合高斯建模檢測(cè)方法，并引入手臂識(shí)別機(jī)制，具體檢測(cè)流程如圖1所示。實(shí)驗(yàn)結(jié)果表明該方法有良好的魯棒性和自適應(yīng)性，可用于儲(chǔ)物柜場(chǎng)景存取貨物行為檢測(cè)。

1 改進(jìn)型混合高斯背景模型

1.1 混合高斯背景模型

背景模型對(duì)目標(biāo)的識(shí)別和跟蹤至關(guān)重要。目前已有的大多數(shù)背景提取算法或基于靜態(tài)背景，或計(jì)算復(fù)雜，難以應(yīng)用于光照緩慢變化和背景存在小幅度重復(fù)運(yùn)動(dòng)視頻的實(shí)時(shí)處理。其中，背景差法[1]對(duì)環(huán)境的變化（如光照等）較敏感，且分割精度易受噪聲影響。幀差法[2]不能完全提取出所有相關(guān)的特征像素點(diǎn)，在運(yùn)動(dòng)實(shí)體內(nèi)部容易產(chǎn)生空洞現(xiàn)象。光流法[3]需要多次迭代運(yùn)算，時(shí)間消耗大?；旌细咚鼓Ｐ蚚4]由于采用多個(gè)高斯分布加權(quán)建模，能夠描述像素值分布的雙峰或多峰狀態(tài)，對(duì)背景的自適應(yīng)性高，在時(shí)空效率都適中的情況下能提供相對(duì)精確的背景模型，而引起了眾多從事目標(biāo)檢測(cè)與跟蹤[5-6]、視頻監(jiān)控[7]等相關(guān)領(lǐng)域的專家和學(xué)者的關(guān)注。

單高斯背景模型（Single Gaussian Background Model，SGBM）的基本思想是：將圖像中每一個(gè)像素點(diǎn)的顏色值看成是一個(gè)隨機(jī)過程X，并假設(shè)該點(diǎn)的某一像素值出現(xiàn)的概率服從高斯分布。混合高斯背景模型（Gaussian Mixture Model）是在SGBM中將單個(gè)高斯分布作為相應(yīng)某一像素值的概率密度分布，對(duì)其進(jìn)行了擴(kuò)展，通過多個(gè)高斯概率密度函數(shù)的加權(quán)平均來平滑地近似任意形狀的密度分布函數(shù)。令I(lǐng)（x，y，t）表示像素點(diǎn)（x，y）在t時(shí)刻的像素值，則有

其中α為學(xué)習(xí)率，取值在0～1之間。如果第i個(gè)高斯分布與當(dāng)前像素匹配，則Di，t=1，否則Di，t=0。

1.2 基于融合時(shí)間調(diào)整機(jī)制的背景模型

儲(chǔ)物柜場(chǎng)景中經(jīng)常存在人員突然停止并長(zhǎng)時(shí)間站立在某柜子前的情況，混合高斯模型很難正確檢測(cè)出運(yùn)動(dòng)速度緩慢的物體，尤其當(dāng)運(yùn)動(dòng)目標(biāo)突然停止運(yùn)動(dòng)時(shí)，容易把靜止目標(biāo)融入背景。本文根據(jù)該場(chǎng)景的特點(diǎn)，對(duì)傳統(tǒng)的混合高斯模型進(jìn)行了改進(jìn)，具體步驟如下：

背景學(xué)習(xí)階段——由于儲(chǔ)物柜場(chǎng)景中背景相對(duì)固定，不會(huì)經(jīng)常發(fā)生變化，所以可以在背景學(xué)習(xí)階段賦值很高的學(xué)習(xí)率α快速建立背景；而且，該階段中越靠前出現(xiàn)的圖片幀是背景的可能性越大，因此算法中設(shè)置越靠前的圖片幀學(xué)習(xí)率越大，并設(shè)置一個(gè)學(xué)習(xí)周期。

背景更新階段——儲(chǔ)物柜場(chǎng)景中時(shí)常會(huì)出現(xiàn)人員突然停止并長(zhǎng)時(shí)間站立在某柜子前的情況，因此該階段算法中通過設(shè)置很小的學(xué)習(xí)率來避免將靜止的人員融入背景。

通過如上所述的融合時(shí)間調(diào)整機(jī)制，可以十分簡(jiǎn)便且有效地控制儲(chǔ)物柜場(chǎng)景中前景融入背景的時(shí)間。

1.3 實(shí)驗(yàn)結(jié)果

為了檢驗(yàn)算法的有效性，在VC++2010平臺(tái)下，分別對(duì)傳統(tǒng)混合高斯背景模型和本文改進(jìn)方法進(jìn)行實(shí)驗(yàn)。實(shí)驗(yàn)數(shù)據(jù)所拍攝視頻片段每幀圖像大小為640×480像素。視頻流中進(jìn)入場(chǎng)景的人員在363幀停止行進(jìn)站立于儲(chǔ)物柜前進(jìn)行操作，直到597幀之后繼續(xù)有大幅度動(dòng)作。圖2為部分實(shí)驗(yàn)結(jié)果，圖縱列分別表示363幀、390幀、420幀和596幀的前景提取結(jié)果。對(duì)比實(shí)驗(yàn)結(jié)果可以看出該文方法可以正確檢測(cè)出長(zhǎng)時(shí)間靜止人員。

2 手臂識(shí)別算法模型

2.1 算法流程

手部識(shí)別算法是基于站立在儲(chǔ)物柜前人員的高斯前景圖像進(jìn)行分析的。根據(jù)前景提取結(jié)果經(jīng)由數(shù)學(xué)形態(tài)學(xué)平滑處理后，對(duì)每一個(gè)目標(biāo)利用“爬蟲法”[8]提取出目標(biāo)外接矩形框作為興趣區(qū)域，隨后對(duì)區(qū)域內(nèi)前景進(jìn)行手部識(shí)別。具體算法分析流程如下：

在高斯前景圖像上，對(duì)矩形框區(qū)域進(jìn)行分析；

在矩形框區(qū)域，對(duì)高斯前景圖像做X軸和Y軸投影；

在X軸的投影上，分析投影的柱狀圖取閾值thr（thr可根據(jù)實(shí)際情況訓(xùn)練調(diào)試），將柱狀圖中各柱體同thr比較，提取出小于thr的柱子X坐標(biāo)；

分析上一步提取出的柱子，檢測(cè)其連通性，提取出連通區(qū)最長(zhǎng)的一段，認(rèn)為該段就是手臂；

分析最長(zhǎng)段的兩端，如果一端柱狀圖明顯高于另一端，那么就認(rèn)為該端是身體軀干部分，另外一端是手部。

2.2 實(shí)驗(yàn)結(jié)果

依據(jù)上述算法流程，實(shí)驗(yàn)結(jié)果分別選取一幀進(jìn)行顯示，效果圖如圖3所示。圖中紅色方框表示所識(shí)別到的胳膊部分，黃色方框表示在胳膊基礎(chǔ)上進(jìn)一步識(shí)別到的手部大致位置。實(shí)驗(yàn)結(jié)果表明，該算法可以有效地從提取出來的人員前景圖像中判別人員是否有伸出胳膊動(dòng)作。

3 結(jié)束語

該文提出一種通過融合時(shí)間調(diào)整機(jī)制控制前景融入背景的改進(jìn)型混合高斯建模檢測(cè)方法，并引入手臂識(shí)別算法模型。融合時(shí)間調(diào)整機(jī)制控制了前景融入背景的時(shí)間，減小了由于人員停止運(yùn)動(dòng)而錯(cuò)誤決策為背景的可能性；手臂識(shí)別算法模型有效地識(shí)別人員伸手動(dòng)作。實(shí)驗(yàn)結(jié)果表明，這套方法可以簡(jiǎn)單有效地從連續(xù)的圖像序列中檢測(cè)出人員在儲(chǔ)物柜場(chǎng)景下的存取貨物行為。

參考文獻(xiàn)

[1] Haritaoglu I，Harwood D， Davis L S G.A human body part labeling system using silhouettes[C]//Fourteenth International Conference on Pattern Recognition，1998：77-82.

[2] 洪炳熔，賀懷清.虛擬人的步行和跑步運(yùn)動(dòng)控制方法的研究[J].高科技通訊，2001（3）：91-95.

[3] Meyer D，Denzler J，Niemann H.Model based extraction of articulated objects in image sequences for gait analysis[C]//Proc IEEE International Conference on Image Processing，Santa Barbara，California，1997：78-81.

[4] 李志慧，張長(zhǎng)海，曲昭偉，等.交通流視頻檢測(cè)中背景模型與陰影檢測(cè)算法[J].吉林大學(xué)學(xué)報(bào)：工學(xué)版，2006，36（6）：993-997.

[5] 王勇，譚毅華，田金文.基于陰影消除和混合高斯模型的視頻分割算法[J].光電工程，2008，35（3）：21-25.

[6] 彭可，陳燕紅，唐宜清.一種室內(nèi)環(huán)境的運(yùn)動(dòng)目標(biāo)檢測(cè)混合算法[J].計(jì)算機(jī)工程與應(yīng)用，2008，44（5）：239-241.

[7] Pavlidis I，Morellas V，Tsiamyrtzis P，et al.Urban surveillance system：From the laboratory to the commercial world[J].Proceedings of the IEEE，2001，89（10）：1478-1497.

[8] 崔鳳魁，張豐收，白露，等.二值圖像目標(biāo)鄰域點(diǎn)法邊界跟蹤算法[J].洛陽工學(xué)院學(xué)報(bào)，2001，22（1）：28-30.