基于混合高斯模型的運(yùn)動目標(biāo)檢測算法

趙群

渤海船舶職業(yè)學(xué)院，遼寧葫蘆島 125003

基于混合高斯模型的運(yùn)動目標(biāo)檢測算法

趙群

渤海船舶職業(yè)學(xué)院，遼寧葫蘆島 125003

針對攝像機(jī)在靜止條件下的自適應(yīng)運(yùn)動目標(biāo)檢測，提出一種改進(jìn)的運(yùn)動目標(biāo)檢測算法。首先，針對高斯混合背景建模初期背景建模效果不理想的問題，利用統(tǒng)計的方法得到背景模型，根據(jù)背景圖像建立高斯混合模型；在模型學(xué)習(xí)方面，為均值與方差設(shè)置了不同的學(xué)習(xí)率。針對傳統(tǒng)的LBP算子的缺陷，提出了一種改進(jìn)的紋理特征算子，將其與HSV顏色空間去陰影的方法相結(jié)合，從而實(shí)現(xiàn)對陰影的檢測與去除，利用隨機(jī)Hough算子對圓的檢測原理，在運(yùn)動目標(biāo)檢測的基礎(chǔ)之上，實(shí)現(xiàn)對人頭的邊緣檢測。實(shí)驗(yàn)結(jié)果表明：該算法可以很好地檢測出運(yùn)動目標(biāo)，并能夠有效去除運(yùn)動目標(biāo)包含的陰影區(qū)域，從而實(shí)現(xiàn)人頭區(qū)域的檢測。

目標(biāo)檢測；自適應(yīng)高斯混合模型；陰影檢測；LBP算子；紋理特征算子；邊緣檢測

基于序列圖像的運(yùn)動目標(biāo)檢測是計算機(jī)視覺領(lǐng)域的重要組成部分。其中，最常用的方法是利用場景進(jìn)行背景建模再用背景減除法提取運(yùn)動目標(biāo)，而在實(shí)際場景中，背景常常因?yàn)楣庹盏淖兓蛘吣承ο蟮妮p微擾動而有所改變，因此，背景模型的建立和模型參數(shù)的實(shí)時更新是背景相減法中最重要的2個問題［1-3］。目前，高斯混合模型法是背景建模的方法中比較成功的一種。但高斯混合背景模型無法消除陰影的干擾，通常陰影也被檢測為運(yùn)動目標(biāo)的一部分，這樣將影響對運(yùn)動目標(biāo)的進(jìn)一步處理和分析。

1 改進(jìn)的高斯混合模型背景建模

1.1 背景模型初始化

C.Stauffer［4］最早提出了高斯混合背景模型。設(shè)在t時刻，像素點(diǎn)（x，y）的概率值為

式中：K為高斯混合模型中高斯分布的個數(shù)；wi，t、ui，t和∑i，t分別為t時刻高斯混合模型中第i個高斯分布的權(quán)重均值和協(xié)方差矩陣；η為高斯分布的概率密度函數(shù)。

運(yùn)用高斯混合模型進(jìn)行背景建模，在模型建立初期，很可能會有運(yùn)動目標(biāo)的“鬼影”留在背景圖像中。文中在視頻初期的N幀圖像序列中，利用中值法提取背景圖片，并對背景圖片的每個像素點(diǎn)進(jìn)行高斯混合背景建模，以背景圖片中每個像素點(diǎn)的像素值作為均值，并賦以方差和權(quán)重，運(yùn)用中值法的結(jié)果更新高斯背景模型，從而避免了運(yùn)動目標(biāo)被一起更新到背景里去。

1.2 背景模型更新及模型選擇

在t時刻，將當(dāng)前幀像素值It（x，y）與該像素點(diǎn)對應(yīng)的高斯混合模型的各個高斯模型進(jìn)行比較，如式（1）所示：

采用一種新的自適應(yīng)學(xué)習(xí)率，為權(quán)重、均值和方差分別設(shè)置不同的學(xué)習(xí)率，若滿足式（1），按式（2）更新參數(shù)：

反之，It（x，y）與任一高斯分布都不匹配，那么均值和方差保持不變，權(quán)值按式（3）進(jìn)行更新：

若當(dāng)前像素It（x，y）與所有模型均不匹配，則添加一個新的模型，用它替換比值中最小的高斯模型，設(shè)定替換的新模型的均值為It（x，y），并賦予其較大的初始方差和較小的權(quán)值。

2 陰影去除及運(yùn)動目標(biāo)檢測

2.1 局部二值均值模式（A-LBP）

LBP作為一種紋理描述算子通常用于度量和提取圖像局部的紋理信息［5］。LBP算子雖然具有很多優(yōu)點(diǎn)，但是在某些特定的情況下，會丟失紋理的特征信息。針對LBP的缺點(diǎn)，本文提出一種改進(jìn)后的局部二值平均模式，不但將傳統(tǒng)算子的編碼分類方式進(jìn)行了改進(jìn)，而且融合了中心像素和鄰域像素的平均值，可以更好地描述紋理特征。公式表示為其中閾值T的選取可以依據(jù)實(shí)際場景中背景圖像的情況。

2.2 陰影檢測

本文選擇在HSV顏色空間進(jìn)行陰影檢測。將文獻(xiàn)［6］中提到的HSV顏色空間陰影檢測算法與A-LBP紋理特征陰影檢測算法相融合，具體步驟如下：

1）H、S、V和Hb、Sb、Vb分別為當(dāng)前幀和背景幀的色調(diào)、飽和度和亮度的分量。根據(jù)陰影在HSV顏色空間的特征初步檢測陰影區(qū)域，計算公式如下：

2）在初步檢測陰影區(qū)域后，利用A-LBP算子分別提取陰影區(qū)域像素塊和相應(yīng)的背景區(qū)域像素塊的紋理直方圖特征，計算2個直方圖特征的卡方距離。如果距離小于設(shè)定的閾值，則該點(diǎn)是陰影點(diǎn)，否則判定為運(yùn)動點(diǎn)。

一千多年間，小商橋經(jīng)歷了難以計數(shù)的自然災(zāi)害襲擊，也曾受到多次戰(zhàn)爭破壞，卻一直承擔(dān)著溝通南北交通的繁重任務(wù)，為歷代官道之咽喉。小商橋之所以能屹立千年而不倒，主要有以下兩個原因：

式中：Y、B分別代表陰影區(qū)和相應(yīng)背景區(qū)像素塊的直方圖。

圖1是采集的一段室內(nèi)視頻流，intelligentroom_ raw視頻，圖像分別包括視頻流的原始圖像，提取出的運(yùn)動前景，利用HSV顏色空間和LBP相結(jié)合去除陰影后的運(yùn)動目標(biāo)，以及利用HSV顏色空間和A-LBP相結(jié)合去除陰影后的運(yùn)動目標(biāo)，可以看出本文提出的A-LBP改進(jìn)算子在特征檢測的陰影去除方面效果更好。

圖1 室內(nèi)視頻流

3 隨機(jī)霍夫變換的人頭檢測技術(shù)

1990年，L.Xu等人提出了隨機(jī)霍夫變換（RHT）的概念。隨機(jī)霍夫變換對圓進(jìn)行檢測的具體步驟如下：

1）設(shè)D為圖像中所有邊緣像素的集合，初始化參數(shù)單元集P＝NULL，K為循環(huán)次數(shù)，K＝0。

2）從D中隨機(jī)抽取3個點(diǎn)。

3）計算這3個采樣點(diǎn)所確定的特征參數(shù)p，如果可以計算出p，則執(zhí)行步驟4）；否則跳到步驟7）。

5）將p對應(yīng)的計數(shù)值置為1，并插入P中，然后轉(zhuǎn)到步驟7）。

6）將pc所對應(yīng)的計數(shù)值加1，然后和閾值Nt比較，如果小于閾值Nt，則繼續(xù)執(zhí)行步驟7）；否則，刪除pc以及它在P中所對應(yīng)的存儲單元，然后轉(zhuǎn)到步驟8）。

7）計算k＝k＋1，如果k≥ksmax，在P中找出pc，pc的計數(shù)值是P中最大的值，然后執(zhí)行步驟8）；否則，跳到2）。

8）pc是候選圓的參數(shù)，如果pc對應(yīng)圓上的邊緣點(diǎn)數(shù)Me滿足條件Me＞Mmin則轉(zhuǎn)到步驟9）。

9）參數(shù)pc代表真實(shí)圓參數(shù)，從D中去掉那些落在參數(shù)pc對應(yīng)特征上的點(diǎn)，查看已經(jīng)檢測到的圓的數(shù)目和規(guī)定的數(shù)目是否一致，若一致，結(jié)束；否則重置P＝NULL，k＝0，并且跳轉(zhuǎn)到步驟2）。

上面的步驟中，kmax是對一個圓檢測的過程中所能允許的最大循環(huán)次數(shù)，Me是圖像空間中落在候選圓上的點(diǎn)數(shù)，Mmin是圓必須的最小點(diǎn)數(shù)，一般是2πλ。

4 實(shí)驗(yàn)結(jié)果與分析

圖2是利用隨機(jī)霍夫變換進(jìn)行人頭檢測的仿真效果圖。圖2中的6幅圖像分別是原始圖像；利用第1節(jié)改進(jìn)算法檢測出來的前景區(qū)域；利用第2節(jié)算法去除陰影后的運(yùn)動目標(biāo)；利用Canny算子進(jìn)行邊緣檢測的結(jié)果；利用霍夫變換對圓進(jìn)行檢測并用白色圓環(huán)標(biāo)記；根據(jù)圖（e）中檢測到的類圓區(qū)域的大小和位置，在原始圖像中標(biāo)記出來，標(biāo)記的區(qū)域就是相應(yīng)的人頭檢測的區(qū)域，及人頭所在的位置。

圖2 人頭檢測仿真效果圖

根據(jù)圖2的仿真結(jié)果可以看出，本文提出的檢測方法可以有效的去處陰影部分，完整提取前景目標(biāo)，并且利用隨機(jī)霍夫變換準(zhǔn)確進(jìn)行人頭檢測，實(shí)驗(yàn)效果良好。

5 結(jié)束語

本文針對傳統(tǒng)的混合高斯模型，提出了一種改進(jìn)算法，利用該算法進(jìn)行運(yùn)動目標(biāo)的檢測。主要研究了復(fù)雜場景下的背景建模方法以及運(yùn)動陰影的檢測和去除，并且將其應(yīng)用到實(shí)際的人頭檢測試驗(yàn)。本文雖然改進(jìn)了基于高斯混合模型的運(yùn)動目標(biāo)檢測算法，但是，只是針對目標(biāo)檢測過程中出現(xiàn)的某些問題，在其他的方面，還需要提高改進(jìn)：基于混合高斯模型的運(yùn)動目標(biāo)檢測，當(dāng)運(yùn)動目標(biāo)和背景的差異較小，顏色相近時，檢測的誤差比較大，檢測效果不佳，以后應(yīng)該在這方面進(jìn)行研究；本文進(jìn)行的運(yùn)動目標(biāo)檢測只是一個最初階段的研究。對于一個完善的目標(biāo)檢測系統(tǒng)來說，除了檢測提取前景目標(biāo)，還應(yīng)該對目標(biāo)進(jìn)行后續(xù)的高級處理工作，比如目標(biāo)的分類、目標(biāo)跟蹤以及行為理解等方面。

［1］朱帆，田紅彥，周張鈺.視頻監(jiān)控的全數(shù)字化與發(fā)展［J］.中國西部科技，2011，6（2）：1-3.

［2］GEORGIOSS，MICHAIL K，EVANGELOLS L，et al.2D and 3D，motion tracking in digital video［M］//Handbook of Image and Video Processing.Burlington：Elsevier Aca-demic Press，2008：491-517.

［3］SONKA M，HLAVAC V，BOYLER.圖像處理、圖像分析與機(jī)器視覺［M］.艾海舟，武勃，譯.2版.北京：人民郵電出版社，2003：59-71.

［4］STAUFFER C，GRIMSON W E L.Adaptive background mixturemodels for real-time tracking［C］//Proceedings IEEE Conference on Computer Vision and Pattern Recogni-tion.Cambridge，UK，1999：245-251.

［5］OJALA T，PIETIKAINENM，HARWOOD D.A comparative study of texturemeasureswith classification based on feature distributions［J］.Pattern Recognition，1996，29（1）：51-59.

［6］林慶，徐柱，王士同，等.HSV自適應(yīng)混合高斯模型的運(yùn)動目標(biāo)檢測［J］.計算機(jī)科學(xué)，2010，37（10）：254-256.

［7］湯中澤，張春燕，申傳家，等.幀差法和Mean-shift相結(jié)合的運(yùn)動目標(biāo)自動檢測與跟蹤［J］.科學(xué)技術(shù)與工程，2010，24（8）：5895-5899.

［8］牛武澤，石林鎖，金廣智，等.融合時空信息的運(yùn)動目標(biāo)檢測算法［J］.計算機(jī)工程，2011，37（18）：171-176.

［9］TALUKDER A，GOLDBERGS，MATTHIESL，etal.Real-time detection of moving objects in a dynamic seen from moving robotic vehicles［C］//IEEE／RSJ International Con-ference on Intelligent Robots and Systems.Las Vegas，USA，2003：1308-1313.

［10］KUMAR P，SENGUPTA K，LEE A.A comparative study of different color space for foreground and shadow detection for rrafficmonitoring system［J］.The IEEE 5thInternation-al Conference on Intelligent Transportation Systems.Singa-pore，2002：100-105.

Moving object detection algorithm based on Gaussian m ixturemodel

ZHAO Qun
Bohai Shipbuilding Vocational College，Huludao 125003，China

Under the static condition of a camera for adaptive moving target detection，this paper puts forward an improved algorithm formoving object detection.Firstof all，considering that in the early stage of Gaussianmixture backgroundmodeling，the background modeling effect is not ideal，the background model is obtained by statistical method at the beginning of the video sequence，and then Gaussian mixturemodels are set up for the background im-age；then，in aspect of themodel learning，different rates of learning are set for themean and variance in order to improve the convergence rate of the background model.In view of the defects of the traditional LBP operator，an improved texture feature operator is proposed.This improved operator is combined with the method of removing shadow area of the HSV color space，thereby to detect and get rid of the shadow，and further to achieve detection of the edge of human head according to the principle of random Hough operator’s detection of the ring.The experi-mental results show that the proposed algorithm can well detectmoving targets，and can effectively remove the shad-ow in themoving object and thereby to achieve the detection of head area.

target detection；adaptive gaussian mixturemodel；shadow detection；LBP operator；texture operator；edge detection

TN911

：A

：1009-671X（2015）01-019-05

10.3969／j.issn.1009-671X.201405003

http：//www.cnki.net／kcms／detail／23.1191.U.20150118.1258.003.htm l

2014-05-05.

日期：2015-01-18.

趙群（1979-），男，講師.

趙群，E-mail：zhaoqun2011＠163.com.