基于隨機(jī)背景建模的目標(biāo)檢測(cè)算法

楊 恒，王 超，姜文濤，劉培楨，孫小煒，紀(jì) 明

(西安應(yīng)用光學(xué)研究所，陜西 西安 710065)

?

基于隨機(jī)背景建模的目標(biāo)檢測(cè)算法

楊 恒，王 超，姜文濤，劉培楨，孫小煒，紀(jì) 明

(西安應(yīng)用光學(xué)研究所，陜西 西安 710065)

運(yùn)動(dòng)目標(biāo)檢測(cè)是智能視頻監(jiān)控系統(tǒng)中的重要步驟和前提。提出了一種基于隨機(jī)背景建模的非參數(shù)化建模算法，對(duì)場(chǎng)景中運(yùn)動(dòng)目標(biāo)進(jìn)行快速提取跟蹤。在初始化階段，從當(dāng)前像素的鄰域中隨機(jī)抽取樣本值作為背景模型；在模型更新階段，引入了隨機(jī)更新策略和背景傳播機(jī)制，能夠較好地抑制環(huán)境噪聲；在后處理階段，給出了一種基于積分圖的前景濾波優(yōu)化方法，進(jìn)一步濾除噪聲和填充前景空洞。實(shí)驗(yàn)結(jié)果表明，在復(fù)雜場(chǎng)景條件下，算法的目標(biāo)檢測(cè)性能明顯優(yōu)于其他幾種同類(lèi)算法，能夠較好地抑制噪聲干擾，具有較高的檢測(cè)正確率。對(duì)于360×288像素的測(cè)試視頻，算法的計(jì)算速度高達(dá)120 f/s，完全可以滿(mǎn)足實(shí)時(shí)應(yīng)用。

隨機(jī)背景建模；目標(biāo)檢測(cè)；智能監(jiān)控；積分圖

引言

智能視頻監(jiān)控已經(jīng)成為國(guó)內(nèi)外研究的熱點(diǎn)，并逐步在軍事和國(guó)民生產(chǎn)中發(fā)揮越來(lái)越重要的作用。在智能監(jiān)控系統(tǒng)中，視覺(jué)目標(biāo)檢測(cè)是一個(gè)重要的環(huán)節(jié)，是后續(xù)目標(biāo)跟蹤、目標(biāo)識(shí)別、行為分析、場(chǎng)景解釋的基礎(chǔ)。目標(biāo)檢測(cè)的任務(wù)就是分割和提取出場(chǎng)景中的運(yùn)動(dòng)目標(biāo)。國(guó)內(nèi)外學(xué)者近年來(lái)提出了大量目標(biāo)檢測(cè)方法，綜合起來(lái)大致可以分為4類(lèi)[1]：1) 基于幀差法的目標(biāo)檢測(cè)；2) 基于背景建模法的目標(biāo)檢測(cè)；3) 基于特征點(diǎn)的目標(biāo)檢測(cè)；4) 基于機(jī)器學(xué)習(xí)的目標(biāo)檢測(cè)算法。幀差法是將相鄰的2幀或者3幀進(jìn)行差分從而檢測(cè)出運(yùn)動(dòng)目標(biāo)。幀差法計(jì)算簡(jiǎn)單，易于實(shí)現(xiàn)，適用于攝相機(jī)靜止和環(huán)境變化較強(qiáng)的情況。但對(duì)于像素變化不明顯的點(diǎn)很難檢測(cè)到，容易產(chǎn)生空洞和雙影現(xiàn)象。背景建模算法也稱(chēng)為背景減除法，通過(guò)建立背景模型，把當(dāng)前幀與建立的背景模型做差分對(duì)比，差別大的部分被檢測(cè)為運(yùn)動(dòng)目標(biāo)。特征點(diǎn)檢測(cè)算法思路是通過(guò)檢測(cè)圖像中目標(biāo)的特征點(diǎn)，再與已知目標(biāo)特征點(diǎn)的匹配建立對(duì)應(yīng)關(guān)系，從而實(shí)現(xiàn)目標(biāo)檢測(cè)。常用的穩(wěn)定特征點(diǎn)有Moravec特征點(diǎn)、Harris特征點(diǎn)以及Scale Invariable Feature Transformation(SIFT)特征點(diǎn)。但是提取特征點(diǎn)的過(guò)程非常耗時(shí)，而且也需要開(kāi)辟額外的空間來(lái)存儲(chǔ)這些高維特征向量。基于機(jī)器學(xué)習(xí)目標(biāo)檢測(cè)算法是通過(guò)對(duì)某類(lèi)目標(biāo)樣本的大量學(xué)習(xí)獲得針對(duì)這類(lèi)目標(biāo)的分類(lèi)器，然后利用這個(gè)分類(lèi)器在視頻圖像中檢測(cè)這類(lèi)目標(biāo)?；跈C(jī)器學(xué)習(xí)的目標(biāo)檢測(cè)算法對(duì)檢測(cè)特定目標(biāo)(比如行人)具有很好的適應(yīng)性，但是這類(lèi)算法需要視頻場(chǎng)景圖像特征明顯，否則容易得到錯(cuò)誤分類(lèi)結(jié)果，因此對(duì)于運(yùn)動(dòng)小目標(biāo)的檢測(cè)效果不佳?？偟膩?lái)說(shuō)，在以上4類(lèi)目標(biāo)檢測(cè)方法中，基于背景建模的算法具有比較好的通用性，目標(biāo)檢測(cè)準(zhǔn)確且計(jì)算量小，特別適用于智能視頻監(jiān)控系統(tǒng)，具有比較高的實(shí)際應(yīng)用價(jià)值。

1 背景建模方法分類(lèi)

背景建模方法的基本策略是對(duì)圖像中的每一個(gè)像素建立分類(lèi)器，區(qū)分前景(運(yùn)動(dòng)目標(biāo))和背景(靜止或準(zhǔn)靜止場(chǎng)景)。學(xué)習(xí)的樣本為每個(gè)像素上的采樣值。利用這些樣本分類(lèi)器實(shí)時(shí)更新，以適應(yīng)場(chǎng)景的快速變化。背景建模算法又大致可以分為2大類(lèi)[2]：參數(shù)化背景建模和非參數(shù)化背景建模。

參數(shù)化背景建模的思想是為圖像中每個(gè)像素在時(shí)間序列上的變化建立一個(gè)參數(shù)化模型。參數(shù)化模型的好處是，可以用較少的存儲(chǔ)空間建立背景模型。Haritaoglu等人[3]提出的W4模型，將背景模型中每個(gè)像素點(diǎn)用3個(gè)值來(lái)描述：最大灰度值、最小灰度值和最大鄰間差分值。對(duì)當(dāng)前幀圖像，將輸入的像素值與最大和最小灰度值比較，若都小于最大鄰間差分值，則該像素判斷為背景。單高斯模型[4]是對(duì)每一個(gè)像素用高斯函數(shù)建模，每個(gè)像素的亮度值假設(shè)服從均值為μ和標(biāo)準(zhǔn)方差為σ的高斯分布，且每一點(diǎn)的高斯分布是獨(dú)立的。高斯模型的參數(shù)可以通過(guò)累積一定數(shù)量的初始幀來(lái)完成參數(shù)估計(jì)。對(duì)當(dāng)前像素，通過(guò)計(jì)算該像素與背景高斯均值的差異是否在標(biāo)準(zhǔn)差范圍內(nèi)，來(lái)判斷該像素屬于背景或者前景。但是由于復(fù)雜環(huán)境條件下，背景分布往往具有多峰分布特性。針對(duì)這個(gè)特性，研究者們又提出了混合高斯背景建模(Gaussian mixture model, GMM)算法[5]，其基本思想是使用多個(gè)高斯分布模型來(lái)表征圖像中每個(gè)像素點(diǎn)的背景分布，并通過(guò)新圖像像素值不斷更新每個(gè)高斯模型參數(shù)。如果當(dāng)前圖像像素與混合高斯模型相匹配，則判斷為背景。GMM算法能夠較好處理光照變化，抑制諸如樹(shù)葉輕微晃動(dòng)等外界環(huán)境影響，因此得到了較為廣泛的應(yīng)用。Varcheie等人[6]在GMM算法框架下，增加了基于區(qū)域顏色直方圖和紋理特征提取過(guò)程，進(jìn)一步去除虛假目標(biāo)，增強(qiáng)GMM算法目標(biāo)檢測(cè)準(zhǔn)確性。董小舒[7]等人提出一種結(jié)合邊緣檢測(cè)和鄰域方差的混合高斯模型算法，克服實(shí)際應(yīng)用中的光照和噪聲影響。

與參數(shù)化背景建模思想不同，非參數(shù)化背景建模則將像素點(diǎn)在時(shí)間域的變換看成是一個(gè)統(tǒng)計(jì)過(guò)程，且像素亮度的分布可能是時(shí)刻變化的，分布概率密度可以用非參數(shù)的方法估計(jì)出來(lái)，然后再和閾值比較，判斷是否為背景。碼書(shū)模型算法[8]利用量化和聚類(lèi)技術(shù)來(lái)構(gòu)建背景模型，通過(guò)對(duì)每個(gè)像素的空間和時(shí)間紋理信息進(jìn)行訓(xùn)練得到各個(gè)像素的碼書(shū)，每個(gè)碼書(shū)中包含若干個(gè)碼字，然后通過(guò)聚類(lèi)算法將像素中表示前景物體的碼字去掉，剩下的即是表示背景的碼書(shū)模型。Noh等人[9]提出了一種改進(jìn)的碼書(shū)模型，稱(chēng)為場(chǎng)景自適應(yīng)局部二元模式算法，該算法將像素的顏色和紋理信息聯(lián)合編碼，在判斷前景像素時(shí)可以提供更多的自適應(yīng)閾值，從而提高前景目標(biāo)檢測(cè)的精度。Chiu等人[10]也提出了一種非參數(shù)背景建模法，基于k均值算法對(duì)背景像素分類(lèi)，同時(shí)記錄每個(gè)類(lèi)屬性中像素個(gè)數(shù)，出現(xiàn)次數(shù)多的就標(biāo)記為背景。Godbehere等人[11]在彩色RGB空間構(gòu)建了非參數(shù)背景模型，并且使用貝葉斯決策估計(jì)方法對(duì)每個(gè)像素進(jìn)行前景和背景的類(lèi)別推斷。Bloisi等人[12]提出了一種稱(chēng)為獨(dú)立多峰背景減除算法(independent multimodal background subtraction, IMBS)。IMBS算法是通過(guò)在線聚類(lèi)方法為每一個(gè)像素建立背景模型，同時(shí)通過(guò)對(duì)彩色空間的變化檢測(cè)，有條件地更新背景模型。Barnich等人[13]提出了一種視覺(jué)背景提取算法(visual background extractor, VIBE)，該算法采用了隨機(jī)采樣的方法，以同等概率對(duì)背景進(jìn)行建模。

非參數(shù)化方法能夠適應(yīng)任意未知的數(shù)據(jù)分布，因此在復(fù)雜環(huán)境條件下的智能監(jiān)控系統(tǒng)應(yīng)用中往往具有更好的目標(biāo)檢測(cè)性能。本文受到文獻(xiàn)[13]啟發(fā)，提出一種非參數(shù)化的隨機(jī)背景建模算法(randomized background modeling, RBM)，對(duì)場(chǎng)景中的運(yùn)動(dòng)目標(biāo)進(jìn)行快速檢測(cè)提取。在背景初始化階段與文獻(xiàn)[13]類(lèi)似，也是利用當(dāng)前像素的鄰域隨機(jī)采樣建立初始背景模型；所不同的是在目標(biāo)檢測(cè)階段，引入了隨機(jī)更新策略和背景傳播機(jī)制，對(duì)背景模型進(jìn)行實(shí)時(shí)在線更新，同時(shí)抑制環(huán)境噪聲影響；此外，在目標(biāo)分割階段，還提出一種基于積分圖的前景濾波優(yōu)化方法，進(jìn)一步濾除噪聲和填充前景空洞，降低虛警和漏檢概率。實(shí)驗(yàn)結(jié)果驗(yàn)證了本文提出的算法在復(fù)雜背景條件下的智能視頻監(jiān)控系統(tǒng)中，具有較高的目標(biāo)檢測(cè)性能和實(shí)際應(yīng)用價(jià)值。

2 隨機(jī)背景建模算法

一個(gè)基于背景建模的目標(biāo)檢測(cè)系統(tǒng)應(yīng)該解決好3個(gè)基本問(wèn)題：1) 背景模型如何建立；2) 背景模型如何更新；3) 如何對(duì)前景目標(biāo)進(jìn)行濾波優(yōu)化。其中前2個(gè)問(wèn)題是背景建模方法最核心的問(wèn)題，直接關(guān)系到目標(biāo)檢測(cè)性能，第3個(gè)問(wèn)題是一個(gè)后處理過(guò)程，旨在濾除噪聲干擾和目標(biāo)空洞的填充。本文提出的算法稱(chēng)為隨機(jī)背景建模(RBM)算法，就是要解決上述3個(gè)問(wèn)題，首先根據(jù)相鄰像素之間具有空間相關(guān)性，利用鄰域像素的隨機(jī)采樣來(lái)獲得每個(gè)像素的樣本模型；然后設(shè)計(jì)了更加完善的更新機(jī)制，包括隨機(jī)替代策略和背景樣本傳播策略，目的是保證樣本衰減周期的一致性和抑制噪聲；最后利用積分圖技術(shù)對(duì)前景目標(biāo)進(jìn)行快速濾波優(yōu)化，抑制小噪聲點(diǎn)和填充目標(biāo)空洞。

2.1 背景模型建立

由于場(chǎng)景中光照條件變化，背景晃動(dòng)，鏡頭畸變?cè)肼暎约跋鄼C(jī)自身的抖動(dòng)等因素影響，在實(shí)際場(chǎng)景中對(duì)背景進(jìn)行建模是一件非常困難的事情。因此，把模型表征成為符合某個(gè)概率分布的函數(shù)，并用統(tǒng)計(jì)方法對(duì)參數(shù)進(jìn)行估計(jì)，效果都十分有限。本文的RBM算法是一種非參數(shù)背景建模算法，它并不試圖去估計(jì)背景像素的概率分布，而是直接采用一組樣本值對(duì)當(dāng)前像素進(jìn)行建模。參數(shù)化背景建模另一個(gè)缺點(diǎn)就是在初始化的時(shí)候，往往需要先累積一段時(shí)間的視頻幀，然后統(tǒng)計(jì)出模型初始化參數(shù)(比如GMM算法)，這使得系統(tǒng)在初始化的時(shí)候需要用戶(hù)等待。而且，如果場(chǎng)景發(fā)生了突變，比如突然開(kāi)燈，那么參數(shù)估計(jì)就不會(huì)準(zhǔn)確，這會(huì)造成目標(biāo)檢測(cè)性能下降。而RBM算法由于不需要估計(jì)模型參數(shù)，因此可以從單幀圖像就建立背景模型，在后續(xù)幀中再不停地更新模型樣本值，能夠快速地適應(yīng)場(chǎng)景各種變化。RBM算法基于以下2個(gè)假設(shè)：

假設(shè)1) 圖像中相同位置的像素值在時(shí)間軸上的變化規(guī)律具有重復(fù)性，即已經(jīng)出現(xiàn)過(guò)的像素值，在后續(xù)觀測(cè)中會(huì)有較高的概率再次出現(xiàn)。

假設(shè)2) 由于相鄰背景像素之間的空間相關(guān)性，鄰域像素模型中的樣本值也有比較大的概率出現(xiàn)當(dāng)前像素中。

這2個(gè)假設(shè)分別利用了像素在時(shí)間和空間上分布具有較強(qiáng)相關(guān)性的客觀事實(shí)。RBM算法在初始化背景模型建立時(shí)，就是在以當(dāng)前像素x及其8鄰域像素集合內(nèi)隨機(jī)采樣N次，獲得當(dāng)前像素的初始模型樣本集合S(x)={g1,g2, …,gN}。N取一個(gè)比較大的值N=16，目的是能保證背景模型適應(yīng)更復(fù)雜的場(chǎng)景環(huán)境。在初始化時(shí)，背景模型中會(huì)有較多的重復(fù)采樣值，但隨著時(shí)間推移，會(huì)有新的被判斷為背景的樣本值插入到模型集合中，更新掉舊的模型樣本。一般來(lái)說(shuō)，場(chǎng)景越復(fù)雜，背景模型中樣本取值會(huì)呈現(xiàn)多樣性；反之，場(chǎng)景越簡(jiǎn)單，背景模型中樣本取值會(huì)呈現(xiàn)單一性。因此，N的設(shè)定偏大可以使模型更好地適應(yīng)場(chǎng)景變化。RMB背景模型初始化算法如圖1所示。

對(duì)于當(dāng)前位置x處的像素亮度值g(x)，計(jì)算g(x)與背景模型S(x)中每個(gè)元素的歐式距離di=|g(x)-gi|，并統(tǒng)計(jì)距離小于閾值Td的個(gè)數(shù)Cnt=#{di|di

2.2 背景模型的更新策略

背景模型的更新是背景建模算法中最重要的環(huán)節(jié)，通過(guò)新的觀測(cè)值不斷更新背景模型，以使得模型能夠自適應(yīng)場(chǎng)景的動(dòng)態(tài)變化，從而使系統(tǒng)真正具備智能化的自動(dòng)目標(biāo)檢測(cè)功能。因此必須精心設(shè)計(jì)一個(gè)好的更新策略。

另外，更新策略還要考慮到對(duì)鬼影噪聲的快速抑制，鬼影指的是本來(lái)在場(chǎng)景中靜止的物體，突然運(yùn)動(dòng)起來(lái)(比如停車(chē)場(chǎng)的汽車(chē)，或者風(fēng)吹過(guò)的樹(shù)葉)，而留下的虛假前景。由于RBM算法建模是從系統(tǒng)工作的第1幀就開(kāi)始的，因此必須提供一個(gè)有效地快速抑制鬼影的更新策略，否則在實(shí)際應(yīng)用中會(huì)產(chǎn)生大量虛警。為此RBM設(shè)計(jì)了一種稱(chēng)為背景傳播的更新策略，即每次判斷為背景的像素，不但隨機(jī)更新當(dāng)前像素的背景模型，還在其周?chē)?鄰域中隨機(jī)挑選一個(gè)像素，更新其背景模型。這樣設(shè)計(jì)的思想是以真實(shí)背景去滲透周?chē)袼?，并逐漸傳播到更遠(yuǎn)的位置，這樣就可以快速有效抑制掉鬼影噪聲。整個(gè)RBM的更新方法見(jiàn)圖2。

2.3 基于積分圖的前景濾波優(yōu)化

經(jīng)過(guò)背景更新步驟后，系統(tǒng)可以輸出前景為白，背景為黑的二值圖像了，但是由于復(fù)雜外部環(huán)境造成的影響，使得前景二值圖中還存在一些孤立的噪聲干擾和目標(biāo)空洞。常用的解決辦法是使用形態(tài)學(xué)濾波算法，先對(duì)二值圖像進(jìn)行腐蝕運(yùn)算消除孤立噪聲點(diǎn)，再進(jìn)行膨脹運(yùn)算填充目標(biāo)空洞。這種串行的做法最明顯的缺點(diǎn)就是，前面的腐蝕運(yùn)算雖然能去掉孤立噪聲點(diǎn)，但同時(shí)會(huì)將完整的目標(biāo)割裂成幾個(gè)部分，而后續(xù)的膨脹操作不一定會(huì)將分裂的目標(biāo)給連接起來(lái)，這就必然會(huì)影響檢測(cè)效果。RBM算法給出一種基于積分圖的前景濾波優(yōu)化算法，第1次遍歷圖像計(jì)算積分圖，第2次遍歷圖像就可以很小的計(jì)算量(每個(gè)像素點(diǎn)僅做3個(gè)加法，1次判斷)同時(shí)完成孤立點(diǎn)去除和空洞填充這2種濾波功能。圖3給出了具體的RBM濾波優(yōu)化方法。

輸入：圖像高H，圖像寬W，包含前景和噪聲的二值圖像seg＿img＿old[H][W]，鄰域半徑R=7，判斷閾值Tc=0．1輸出：完成濾波的二值圖像seg＿img＿new[H][W]1 計(jì)算二值圖像seg＿img＿old的積分圖itg＿img：對(duì)于某一點(diǎn)(x，y)處的積分itg＿img[x][y]定義為該點(diǎn)上邊和左邊的像素和，即itg＿img[y][x]=∑xi≤x，y1≤yseg＿img＿old[y1][x1]，采用如下遞推公式計(jì)算積分圖： s[y][x]=s[y-1][x]+seg＿img＿old[y][x]itg＿img[y][x]=itg＿img[y][x-1]+s[y][x]{，且s[-1][x]=0，itg＿img[y][-1]=02 for(i=1，2，…，H){3 for(j=1，2，…，W){ D[i][j]=∑i+Ry=i-R∑j+Rx=j-Rseg＿img＿old[y][x]4 =itg＿img[i-R][j-R]+itg＿img[i+R][j+R] -itg＿img[i-R][j+R]-itg＿img[i+R][j-R]5 if(D[i][j]≥(2R+1)2Tc)6 seg＿img＿new[i][j]=1；7 else8 seg＿img＿new[i][j]=0；9 }10 }。

圖3 RBM前景濾波優(yōu)化算法

Fig.3 Foreground filtering optimized algorithm of RBM

3 實(shí)驗(yàn)結(jié)果與分析

本實(shí)驗(yàn)使用的測(cè)試數(shù)據(jù)來(lái)自標(biāo)準(zhǔn)數(shù)據(jù)庫(kù)[14]和自拍攝的一段馬路監(jiān)控視頻。為了客觀評(píng)價(jià)RBM算法性能，我們還實(shí)現(xiàn)了經(jīng)典的參數(shù)化背景建模GMM[5]算法，2種非參數(shù)化建模IMBS[12]算法和VIBE算法[13]。實(shí)驗(yàn)在普通PC機(jī)環(huán)境上運(yùn)行，其配置是Intel雙核CPU E6750@2.66GHZ和2G內(nèi)存。算法程序采用VC++編寫(xiě)。

3.1 背景噪聲抑制結(jié)果比較

我們挑選了標(biāo)準(zhǔn)測(cè)試數(shù)據(jù)庫(kù)中的2個(gè)視頻序列：highway和boats。highway是高速公路上的一段監(jiān)控視頻，圖像分辨率是320×240像素，場(chǎng)景中主要目標(biāo)是來(lái)往車(chē)輛，背景干擾主要是樹(shù)葉的晃動(dòng)和光照變化，圖4給出了在highway測(cè)試序列上的輸入圖像、GMM算法檢測(cè)結(jié)果、IMBS算法檢測(cè)結(jié)果、VIBE算法檢測(cè)結(jié)果以及本文提出的RBM算法在未開(kāi)啟濾波優(yōu)化和開(kāi)啟濾波優(yōu)化功能的目標(biāo)檢測(cè)結(jié)果?？梢钥闯霰疚奶岢龅腞BM算法要明顯優(yōu)于另外3種算法，即使沒(méi)有開(kāi)啟前景濾波優(yōu)化功能，RBM也能夠有效抑制掉絕大多數(shù)背景噪聲，得到比較干凈的前景目標(biāo)，在加入前景濾波優(yōu)化功能后，RBM算法可以進(jìn)一步去除孤立噪聲點(diǎn)，同時(shí)填充前景目標(biāo)中的空洞。

圖4 4種算法在標(biāo)準(zhǔn)測(cè)試序列highway上的目標(biāo)檢測(cè)結(jié)果比較Fig.4 Object detection results comparison of 4 algorithms on highway test sequence

boats標(biāo)準(zhǔn)測(cè)試序列是河岸邊上的一段監(jiān)控視頻，圖像分辨率是320×240像素，場(chǎng)景比較復(fù)雜，最大的噪聲干擾是來(lái)自河水的波紋干擾，其次是岸上樹(shù)葉的晃動(dòng)，主要目標(biāo)是岸上來(lái)往行人和車(chē)輛，圖5給出了在boats測(cè)試序列上的輸入圖像，GMM算法檢測(cè)結(jié)果、IMBS算法檢測(cè)結(jié)果、VIBE算法檢測(cè)結(jié)果以及本文提出的RBM算法在未開(kāi)啟濾波優(yōu)化和開(kāi)啟濾波優(yōu)化的目標(biāo)檢測(cè)結(jié)果?？梢钥闯霰疚奶岢龅腞BM算法性能是最優(yōu)的，在沒(méi)有開(kāi)啟前景濾波優(yōu)化功能時(shí)，RBM比其它3種算法在濾除背景噪聲方面更加有效，但還是留下了不少水波噪聲沒(méi)有抑制掉。當(dāng)開(kāi)啟前景濾波優(yōu)化功能后，RBM算法就可以非常好地抑制掉水波噪聲了，大幅度降低了虛警率。

圖5 4種算法在標(biāo)準(zhǔn)測(cè)試序列boats上的目標(biāo)檢測(cè)結(jié)果比較Fig.5 Object detection results comparison of 4 algorithms on boats test sequence

3.2 目標(biāo)檢測(cè)系統(tǒng)中的效果驗(yàn)證

為了驗(yàn)證RBM算法在實(shí)際監(jiān)控系統(tǒng)中的性能，我們還拍攝了一段馬路監(jiān)控視頻。視頻背景是室外的街道，人流量和車(chē)流量都比較大，而且人

和車(chē)經(jīng)常邊走邊停，視頻分辨率是360×288像素。圖6給出了在這段實(shí)際監(jiān)控視頻上，本文RBM算法在幾個(gè)圖像幀上的運(yùn)動(dòng)目標(biāo)檢測(cè)效果截圖。最左邊一列是原始視頻圖像，中間一列是檢測(cè)出的前景目標(biāo)的二值圖，最右邊一列是提取運(yùn)動(dòng)目標(biāo)外接矩形的檢測(cè)結(jié)果。從給出的實(shí)驗(yàn)結(jié)果可以看出，RBM算法可以給出非常令人滿(mǎn)意的目標(biāo)檢測(cè)結(jié)果，無(wú)論是大型目標(biāo)(如公共汽車(chē))和微小目標(biāo)(如遠(yuǎn)處的行人)，還是快速目標(biāo)(疾馳的小汽車(chē))和慢速目標(biāo)(行走緩慢的行人)，RBM算法都可以準(zhǔn)確檢測(cè)出來(lái)。此外，在這段視頻序列上，RBM的目標(biāo)檢測(cè)速度達(dá)到了120 fps，完全可以滿(mǎn)足智能監(jiān)控系統(tǒng)對(duì)實(shí)時(shí)性應(yīng)用的要求。

圖6 在馬路監(jiān)控視頻序列上RBM算法的運(yùn)動(dòng)目標(biāo)檢測(cè)結(jié)果Fig.6 Moving object detection results of RBM algorithm on real surveillance video sequence

4 結(jié)論

基于背景建模的運(yùn)動(dòng)目標(biāo)檢測(cè)算法由于其檢測(cè)效果好且計(jì)算速度快的優(yōu)點(diǎn)，在實(shí)際智能視頻監(jiān)控系統(tǒng)中得到廣泛應(yīng)用。本文針對(duì)實(shí)際復(fù)雜環(huán)境下，背景很難用參數(shù)化模型進(jìn)行準(zhǔn)確描述的問(wèn)題，提出了一種隨機(jī)背景建模的非參數(shù)化算法。在建模初始化階段，從當(dāng)前像素及其鄰域中隨機(jī)抽取像素樣本作為背景模型，充分利用了像素的時(shí)空相關(guān)性；在模型更新階段，隨機(jī)更新當(dāng)前像素的模型樣本，并隨機(jī)選取鄰域點(diǎn)的背景模型進(jìn)行更新，這樣既保證了每個(gè)樣本的衰減周期的一致性，又能夠快速抑制鬼影和噪聲；在后處理階段，本文還給出一個(gè)基于積分圖的前景濾波優(yōu)化方法，可以快速抑制掉孤立噪聲，同時(shí)填充前景空洞。實(shí)驗(yàn)結(jié)果表明本文提出的算法在室外比較復(fù)雜的環(huán)境條件下，具有比較好的目標(biāo)檢測(cè)性能。

[1] Kim I S, Choi H S, Yi K M, et al. Intelligent visual surveillance—a survey[J]. International Journal of Control, Automation, and Systems, 2010,8(5): 926-939.

[2] Elgammal A. Background subtraction: theory and practice[J]. Augmented Vision and Reality, 2014,6: 1-21.

[3] Haritaoglu I, Harwood D, Davis L. W4: real-time surveillance of people and their activities[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2000, 22(8):809-830.

[4] Forsyth D A, Ponce J. Computer vision a modern approach [M]. Upper Saddle River:Prentice Hall, 2002.

[5] Shah M, Deng J, Woodford B J. Localized adaptive learning of mixture of Gaussians models for background extraction[C]. USA：IEEE, 2010:1-8.

[6] Varcheie P, Sills-Lavoie M, Bilodeau G A. A multiscale region-based motion detection and background subtraction algorithm[J].Sensors, 2010, 10(2): 1041-1061.

[7] Dong Xiaoshu,Chen Gang,Bian Zhiguo.Improved moving object detection method based on Gaussian mixture mode[J].Journal of Applied Optics,2012,33(5):877-883. 董小舒, 陳崗, 卞志國(guó). 一種改進(jìn)的基于混合高斯模型的運(yùn)動(dòng)目標(biāo)檢測(cè)方法[J]. 應(yīng)用光學(xué), 2012,33(5):877-883.

[8] Wu Mingjun, Peng Xianrong. Spatio-temporal context for codebook-based dynamic background subtraction[J]. International Journal of Electronics and Communications, 2010,64(8):739-747.

[9] Noh S J, Jeon M. A new framework for background subtraction using multiple cues[J].Proceedings of the 11th Asian Conference on Computer Vision, 2013:493-506.

[10]Chiu C C,Ku M Y, Liang L W. A robust object segmentation system using a probability-based background extraction algorithm[J].IEEE Transactions on Circuits and Systems for Video Technology, 2010,20(4): 518-528.

[11]Godbehere A B, Matsukawa A, Goldberg K. Visual tracking of human visitors under variable-lighting conditions for a responsive audio art installation[J]. IEEE, 2012: 4305-4312.

[12]Bloisi D, Iocchi L. Independent multimodal background subtraction[C].Berlin:Springer, 2012:39-44.

[13]Barnich O, Droogenbroeck M V. VIBE: a powerful random technique to estimate the background in video sequences[C]. USA：IEEE, 2009: 945-948.

[14]Goyette N, Jodoin P M, Porikli F, et al. Changedetection.net: a new change detection benchmark dataset[C]. USA：IEEE,2012: 16-21.

Object detection based on randomized background modeling algorithm

Yang Heng, Wang Chao, Jiang Wentao, Liu Peizhen, Sun Xiaowei, Ji Ming

(Xi’an Institute of Applied Optics, Xi’an 710065, China)

Moving object detection is a key step in the system of intelligent visual surveillance. A randomized background nonparametric modeling algorithm was proposed for object fast detection application. In the initialization stage, a set of values were randomly taken in the neighborhood of the current pixel. In the update stage, a reasonable randomized updating and background samples propagation mechanism were introduced, which could restrain the scene noise effectively. In the post-processing stage, a foreground optimized filter based on the integral image was designed to further remove the noises and fill the holes of the objects. Experimental results show that the performance of the proposed algorithm is significantly superior to other similar algorithms. It can further restrain noise and has high detection precision. In addition, for 320×240 pixel format video stream, the computing of the proposed detection algorith can reach up to 120 fps, which can fully meet the requirement of the real-time application system.

randomized background modeling; object detection; intelligent visual surveillance; integral image

1002-2082(2015)06-0880-08

2014-04-16；

2015-05-17

陜西省青年科技新星基金(2015KJXX-62)

楊恒(1980-)，男，河南鄭州人，博士，高工，主要從事圖像處理和機(jī)器學(xué)習(xí)領(lǐng)域研究。E-mail：yh3191@sina.com

TN911.4；TP391

A

10.5768/JAO201536.0602001