基于雙向分析的KGMM運動目標檢測算法

游佩佩, 何建農(nóng)

(福州大學(xué)數(shù)學(xué)與計算機科學(xué)學(xué)院， 福建 福州　350116)

?

基于雙向分析的KGMM運動目標檢測算法

游佩佩, 何建農(nóng)

(福州大學(xué)數(shù)學(xué)與計算機科學(xué)學(xué)院， 福建 福州350116)

針對傳統(tǒng)的目標檢測算法往往是順著時間軸方向從過去到現(xiàn)在分析視頻序列， 而忽略當前幀之后的逆向視頻幀信息， 對于復(fù)雜場景下的背景突變或光照變化的運動目標檢測等方面存在不足. 提出了基于雙向分析的(KGMM)運動目標檢測方法. 在KGMM模型基礎(chǔ)上， 加入向后分析建立混合高斯模型， 有效解決了較強的背景擾動和環(huán)境的復(fù)雜變化帶來檢測效果不好的問題， 提高了算法的適應(yīng)性. 向前分析模型與向后分析模型共享一個高斯分布集， 減少了高斯分布個數(shù)， 保證了算法的運行速度. 實驗結(jié)果表明, 改進的算法檢測效果更理想.

混合高斯模型; 雙向建模; 運動目標檢測

0　引言

基于圖像序列的運動目標檢測是智能視頻監(jiān)控、 交通檢測及步態(tài)識別等領(lǐng)域的重要研究內(nèi)容. 目前主要的運動目標檢測方法有光流法、 幀差法、 背景差分法. 光流法需多次迭代運算， 計算復(fù)雜耗時， 一般難以實現(xiàn)實時檢測， 算法抗噪聲等干擾能力較差， 實際應(yīng)用較少[1]. 幀差法檢測出的運動目標位置不精確， 一般不能完全提取出所有相關(guān)特征像素點， 容易出現(xiàn)空洞現(xiàn)象等[2]. 背景差分法直接通過比較當前幀與背景模型之間差別來實現(xiàn)對運動目標檢測， 具有數(shù)據(jù)運算量較小、 實現(xiàn)簡單提取目標比較精準等優(yōu)點[3].

背景差分法的核心在于背景提取. 經(jīng)典的背景建模方法有基于統(tǒng)計的高斯混合模型方法[4-6]， 能較好地描述多模態(tài)的背景分布， 對處理背景輕微擾動等情形有較好的應(yīng)用效果. 文獻[7]提出的在線K均值聚類混合高斯模型(K-means Gaussian mixture model， KGMM)采用在線K均值聚類對混合高斯模型進行初始化， 在一定程度上提高了檢測的準確度. 但是對于復(fù)雜場景下的背景突變、 光照變化等問題， 上述兩種方法只采用當前幀之前的幀信息來檢測當前幀的像素點， 而背景的某些變化導(dǎo)致的像素值變化可能在當前幀檢測不到卻在之后幾幀中表現(xiàn)出來[8]， 這樣會造成檢測效果不夠準確. 為此， 本文在KGMM模型基礎(chǔ)上， 在時間軸上采用雙向分析法， 綜合考慮當前幀之前以及之后的幀信息對當前幀像素值的影響并進行分析， 建立雙向KGMM模型， 提高了算法對復(fù)雜背景擾動的魯棒性. 向前和向后分析共享一個高斯分布集并同時對像素點進行檢測， 且根據(jù)相鄰像素點間的空間位置相關(guān)性采用隔點建模， 減少了模型的高斯分布個數(shù)， 提高了算法的運行速度.

1　傳統(tǒng)的基于KGMM的背景建模算法

混合高斯模型是通過多個高斯分布模態(tài)的加權(quán)混合對每個像素點進行建模來重建復(fù)雜變化的背景， 根據(jù)像素點在時間軸上組成的序列與背景模型中不同高斯分布匹配的頻率， 不斷更新模型中各個高斯分布的參數(shù). 其中， 高斯分布的個數(shù)K一般取為3～5個， 本文用在線K均值方差聚類法初始化模型參數(shù)，K由聚類個數(shù)決定， 最大不超過5.

1.1KGMM模型的初始化

(1)

那么把該像素t時刻的值歸為第i個聚類， 同時更新第i個聚類的相關(guān)參數(shù). 聚類結(jié)束后， 根據(jù)每個像素對應(yīng)的聚類個數(shù)確定該像素處的高斯分布個數(shù)， 并用每個聚類所對應(yīng)的RGB彩色向量均值、 方差和樣本個數(shù)來初始化對應(yīng)的高斯分布的均值、 方差和權(quán)重. 其中xt為t時刻某位置處的樣本像素值， μi, t為對應(yīng)的均值，δi, t為方差，T1為樣本與聚類中心均值允許的最大誤差.

1.2背景的提取與更新

K個高斯分布按照優(yōu)先級λi, t=ωi, t/δi, t從高到低排序(ωi, t，δi, t分別為各高斯分布的權(quán)值和方差), 取前B個高斯分布聯(lián)合生成背景:

(2)

其中，T2為背景選取閾值(0

在模型匹配過程中， 高斯分布權(quán)重按照下式進行更新:

(3)

其中:α為權(quán)值的更新速率;Mi, t在匹配的分布中取值為1， 其余分布取0. 對匹配的高斯分布的均值和方差按照式(4)、 (5)分別進行更新， 不匹配的高斯成分保持不變.

(4)

(5)

(6)

式(3)～(6)中有兩個重要的參數(shù)， 分別是權(quán)值更新速率α和均值、 方差的更新速率β，α通過式(6)決定β的大小， 它們決定著背景模型的更新速度.

1.3模型匹配及前景檢測

將當前像素值xi, t與K個高斯分布按優(yōu)先級以下式進行匹配:

(7)

若xi, t與K個高斯分布中屬于背景中某個高斯分布匹配， 則該像素點為背景點. 否則其被檢測為前景點.

2　基于雙向分析的KGMM背景建模算法

KGMM算法使用在線聚類對各個高斯模型進行初始化， 減少了人工初始化模型帶來的誤差， 有效地提高了檢測的準確度， 但是對復(fù)雜場景比較敏感. 為了提高KGMM算法對背景擾動的魯棒性和檢測的準確性， 本文在KGMM算法的基礎(chǔ)上， 引入當前幀之后的N幀圖像信息， 建立基于向前分析和雙向分析的雙向KGMM模型. 這里N越大， 向后分析得到的信息就越豐富， 檢測的結(jié)果更精準， 卻增加了算法的復(fù)雜度， 所以要權(quán)衡N的取值. 分別對N=1, 2, 3進行實驗對比， 在實驗部分詳細討論關(guān)于N的取值問題.

2.1KGMM的向后分析模型

背景的某些突變?nèi)绻庹兆兓赡茉谥蟮膸讕瑘D像里體現(xiàn)出來. 一般光照變化引起的像素值的變化與運動引起的像素值變化是不一樣的， 而從當前幀的像素值來看卻是一樣的， 這些變化在未來幾幀的像素值會表現(xiàn)出來[8]. 傳統(tǒng)的KGMM方法只向前分析當前像素點顯然會忽略掉背景的這些變化， 而向后分析則能檢測到. 向后分析模型是讀取當前幀之后的N幀視頻圖像It+n(n=1, 2, …,N,t為當前時刻), 對It+n對應(yīng)的像素點xi, t+n與高斯模型進行匹配， 對匹配的高斯分布進行參數(shù)的更新， 反之則不做任何操作. 其背景提取與前景點的分割與向前分析模型類似.

2.2雙向分析KGMM模型

雙向的KGMM模型是在所有高斯分布完成在線初始化之后， 向前與向后分析模型分別對像素值進行檢測， 綜合兩個方向分析的結(jié)果最后判定像素點為前/背景點， 模型具體流程如圖1所示.

分段逆時對稱性是指從未來到現(xiàn)在的逆時序來觀察視頻序列， 由背景變化引起的像素值的變化在一小段時間內(nèi)往往呈現(xiàn)對稱的變化趨勢， 例如像素點亮度值變強或者變暗在一小段時間內(nèi)是重復(fù)出現(xiàn)的[8]. 由于背景的變化存在分段的逆時對稱性， 向前、 向后分析模型就能共享一個高斯分布集， 從而減少了模型的高斯分布個數(shù)， 減少內(nèi)存開銷.

2.3雙向分析KGMM實現(xiàn)步驟

1) 建模點的判斷. 首先判斷讀取的當前像素點xi, t是否為建模點， 是建模點則進行下一步的初始化， 反之不做處理. 非建模點的值將根據(jù)其四領(lǐng)域內(nèi)所有點的前/背景點的判定結(jié)果而判定為背景點或前景點.

2) 雙向分析KGMM模型的初始化. 選取視頻序列前M幀進行各像素的在線聚類， 對向前分析模型高斯分布參數(shù)進行初始化.

3) 模型匹配與更新. 向前分析模型對當前幀像素點進行匹配， 匹配的高斯分布按照式(3)～(5)對之進行更新， 不匹配的只對權(quán)值按照式(6)處理. 同時向后分析模型對It+n幀的對應(yīng)位置像素點做與向前分析相同的處理. 當某個高斯分布同時被兩個模型匹配， 則任選其中一個點對其進行更新. 當兩個方向都沒有找到匹配的高斯分布時， 只在向前分析模型里加入新的高斯分布.

4) 背景的提取與目標檢測. 對各高斯分布的權(quán)值進行歸一化處理， 然后將其按照優(yōu)先級λi, t=ωi, t/δi, t從高到低排序， 取前B個分布聯(lián)合生成背景， 將xi, t， xi, t+n再次匹配檢驗， 如果存在一個匹配， 則認為當前幀像素點為背景點， 否則為前景點.

4　實驗結(jié)果與分析

對于本文提出的雙向KGMM方法， 選取視頻分析中常用的三個不同場景視頻序列進行仿真實驗. 場景1為Samplevideo.avi視頻序列包含慢速運動的人(240×360, 15fps)， 場景2由http://cvrr.ucsd.edu/aton/shadow提供的標準測試序列包含高速行駛車輛的室外場景(240×360, 30fps)， 場景3是選自PETS2001視頻庫的測試視頻PetsD1TeC1(384×288, 25fps)[9]. 實驗硬件平臺為Pentium(R)Dual-CoreT4500 2.3GHz處理器， 2G內(nèi)存, 軟件平臺為Matlab2010b.

為了驗證本文方法的有效性， 對于以上三個場景的視頻序列分別進行了實驗對比. 圖2為實驗結(jié)果對比圖. 其中圖2(a)、 (d)、 (g)分別為場景1、 2、 3的原始視頻第52、 108、 80幀， 圖2(b)、 (e)、 (h)分別為KGMM方法對場景1、 2、 3對應(yīng)幀的檢測結(jié)果， 圖2(c)、 (f)、 (i)分別為文本方法對場景1、 2、 3對應(yīng)幀的檢測結(jié)果. 這里本文方法N取1.

從視頻檢測結(jié)果來看， 無論是室內(nèi)慢速運動目標還是室外快速運動目標或者有強烈背景擾動的復(fù)雜場景， 本文的方法檢測效果更好. 對于室內(nèi)慢速運動的人， 當人幾乎靜止時，KGMM方法檢測的結(jié)果出現(xiàn)了目標虛影， 這是對背景提取不夠準確的結(jié)果. 而本文由于加入了向后分析， 充分利用了未來視頻幀的信息， 提取的背景更準確， 從而檢測結(jié)果不會出現(xiàn)虛影， 噪聲更少. 對于復(fù)雜的室外場景，KGMM方法檢測結(jié)果都出現(xiàn)了大量噪聲， 甚至在背景擾動比較厲害的第3個場景檢測中出現(xiàn)誤檢的現(xiàn)象， 而本文方法仍然保持了較好的魯棒性.

表1為兩種檢測方法所消耗的時間和高斯總數(shù)的對比結(jié)果. 從表1檢測所消耗的時間與所需的高斯分布總數(shù)來看， 本文方法比傳統(tǒng)KGMM檢測所需時間和占用的內(nèi)存更少， 檢測效率更高.

表1　傳統(tǒng)KGMM方法與本文方法檢測總時間和高斯總數(shù)的對比結(jié)果Tab.1　Comparison of detection time and Gassusion number from KGMM and proposed method

同時對N取1、 2和3， 選取了室內(nèi)場景1和室外場景2分別做了對比實驗，對比結(jié)果詳見表2. 根據(jù)表2中對N不同取值的實驗數(shù)據(jù)可以看出，N的取值越大檢測所消耗的時間越多、 占用的內(nèi)存也更大.

表2　本文方法中N取1、 2和3時檢測總時間和高斯總數(shù)的對比結(jié)果Tab.2　Comparison of detection time and Gassusion number from different N of proposed method

圖3為N分別取1、 2和3時對兩個場景的檢測結(jié)果. 如實驗結(jié)果所示，N取值越大， 對背景擾動的抑制效果越好， 檢測結(jié)果的噪聲也越少， 但是N=3時， 對背景過分學(xué)習(xí)導(dǎo)致了運動目標的邊緣被判定為擾動的背景， 檢測出來的運動目標不夠完整. 而且對噪聲沒有很明顯的改善，N的取值根據(jù)不同的場景而選定， 權(quán)衡好檢測的實時性與準確性. 本文建議N取1或2比較合理.

5　結(jié)語

針對復(fù)雜場景下背景的擾動和變化對運動目標檢測魯棒性的影響， 本文在KGMM模型基礎(chǔ)上加入了向后分析功能， 充分利用視頻序列上未來幀的像素信息， 建立雙向分析的KGMM檢測模型， 提高了檢測的準確性. 向后分析模型與向前分析模型共享一個高斯分布集， 減少了本文方法的高斯分布總數(shù)從而提高了運行速度. 本文還討論了N的取值問題，N越大檢測結(jié)果的噪聲越少而消耗的時間與存儲空間也越多， 還可能出現(xiàn)對背景過分學(xué)習(xí)的現(xiàn)象， 因此建議N取1或2比較合理.

對多個不同場景的實驗結(jié)果對比表明， 與傳統(tǒng)的KGMM方法相比， 本文方法對各個場景檢測出來的目標均更準確完整且噪聲很少， 模型高斯分布個數(shù)和算法檢測所需的時間更少， 具有更好的魯棒性和實時性， 在后期的跟蹤和識別中具有重要的參考價值.

[1] 黃士科, 陶琳, 張?zhí)煨? 一種改進的基于光流的運動目標檢測方法[J]. 華中科技大學(xué)學(xué)報(自然科學(xué)版), 2005, 33(5): 39-41.

[2] 邱道尹, 張文靜, 顧波, 等. 幀差法在運動目標實時跟蹤中的應(yīng)用[J]. 華北水利水電學(xué)院學(xué)報, 2009(3): 45-46.

[3] 李林, 盧煥章, 肖山竹, 等. 基于分級自適應(yīng)背景差分的運動目標檢測[J]. 電視技術(shù), 2013, 37(7): 164-166.

[4] QIAO Y L, SONG X R. Moving target detection in complex background[J]. Research Journal of Information Technology, 2012, 4: 195-203.

[5] LIN C Y, CHANG W W, CHOU Y C. Bidirectional background modeling for video surveillance[J]. Journal of Electronic Science and Technology, 2012, 10(3): 232-237.

[6] VARADARAJAN S, MILLER P, ZHOU H. Spatial mixture of Gaussians for dynamic background modelling[C]// 2013 10th IEEE International Conference on Advanced Video and Signal Based Surveillance. [S.l.]: IEEE, 2013: 63-68.

[7] 李 明, 趙勛杰. 改進的基于高斯混合模型的運動目標檢測算法[J]. 計算機工程與應(yīng)用, 2011, 47(8): 204-206.

[8] SHIMADA A, NAGAHARA H, TANIGUCHI R. Background modeling based on bidirectional analysis[C]// 2013 IEEE Conference on Computer Vision and Pattern Recognition. [S.l.]: IEEE, 2013: 1 979-1 986.

[9] LIU C, YUEN P C, QIU G. Object motion detection using information theoretic spatio-temporal saliency[J]. Pattern Recognition, 2009, 42(11): 2 897-2 906.

(責任編輯： 林曉)

The dynamic target detection algorithm based on bidirectional KGMM

YOU Peipei, HE Jiannong

(College of Mathematics and Computer Science, Fuzhou University, Fuzhou, Fujian 350116, China)

For most traditional target detection methods, they prefer to use information observed in past frames when analyzing the video sequences instead of the opposite direction. As for suppressing strong background disturbance and complex environmental changes of background, the performs of KGMM do not so well . In order to solve the problem effectively, we proposed a bidirectional analysis method based on KGMM model which contains a backward establishment of Gaussian mixture model. Furthermore the forward analyzing model and backward analyzing model share one Gaussian distribution set, thus our method can reduce the number of Gaussian model and improve the operating speed. Experimental results show that the improved detection algorithm performs better.

Gaussian mixture model; bidirectional modeling; dynamic object detecting

10.7631/issn.1000-2243.2016.01.0040

1000-2243(2016)01-0040-05

2014-03-18

何建農(nóng)(1960-)， 副教授， 主要從事智能圖像處理、 信息安全,網(wǎng)絡(luò)GIS等方面研究， 42566374@qq.com

國家自然科學(xué)基金資助項目(51277032)

TP391

A