一種基于改進的混合高斯模型的運動目標(biāo)檢測算法

李旭健+張叢靜

摘 要：在計算機視覺應(yīng)用中，復(fù)雜場景運動目標(biāo)檢測是視頻監(jiān)控、目標(biāo)追蹤的基礎(chǔ)，也是智能視頻監(jiān)控領(lǐng)域的研究熱點之一。針對現(xiàn)有運動目標(biāo)檢測算法中陰影干擾和參數(shù)初始化粗糙的問題，在混合高斯背景建模的基礎(chǔ)上采用HSV顏色空間替換原有的RGB顏色模式，并提出一種結(jié)合K均值算法與EM算法的參數(shù)初始化方法。實驗表明，該算法可以有效抑制場景中運動物體的陰影干擾，檢測結(jié)果更加精確，對復(fù)雜場景下的運動目標(biāo)有較好的檢測效果。

關(guān)鍵詞關(guān)鍵詞：混合高斯模型；目標(biāo)檢測；EM算法；HSV顏色空間

DOIDOI：10.11907/rjdk.161863

中圖分類號：TP312

文獻(xiàn)標(biāo)識碼：A ：1672-7800（2016）008-0010-03

0 引言

新一代智能視頻監(jiān)控技術(shù)的應(yīng)用范圍越來越廣，涉及計算機視覺、模式識別、人工智能、圖像處理等各個領(lǐng)域，其中運動目標(biāo)的實時檢測是一個基礎(chǔ)而又關(guān)鍵的環(huán)節(jié)[1]。目前，在固定攝像頭的監(jiān)控系統(tǒng)中，主要采用的檢測技術(shù)有光流法、幀差法和背景差法。Stauffer基于背景差法最早提出用混合高斯建模來描述漸變的動態(tài)背景，對圖像中像素采用固定數(shù)量的高斯分布，該方法能適應(yīng)緩慢的光照變化，有較好的自適應(yīng)能力[2]。

由于RGB顏色空間對運動目標(biāo)的陰影識別能力很差，所以傳統(tǒng)的混合高斯算法無法有效地抑制陰影，目標(biāo)檢測效果不是很理想。而HSV空間對運動目標(biāo)陰影有很好的識別能力，能有效抑制陰影的干擾。因此本文采用HSV混合高斯建模替代原有的RGB顏色模式，并針對傳統(tǒng)EM算法對初始化敏感和運行速度慢的問題，提出一種結(jié)合K均值算法與EM算法參數(shù)初始化的改進算法。一方面降低了EM算法對初始值的依賴性；另一方面，也有效提高了收斂速度及混合高斯模型參數(shù)估計值的精度。實驗表明該算法能有效抑制陰影干擾，對室外復(fù)雜場景下的運動目標(biāo)有較好的檢測效果和魯棒性。

1 基于改進混合高斯模型的運動目標(biāo)檢測算法

本文算法主要分3個階段，第一階段建立背景模型，將RGB顏色模型轉(zhuǎn)化為HSV模式，采用HSV混合高斯建模；第二階段結(jié)合K均值算法與EM算法完成參數(shù)的初始化；第三階段完成運動目標(biāo)像素值匹配和混合高斯背景模型的更新工作。具體流程見圖1。

1.2 K均值與EM算法結(jié)合的模型參數(shù)初始化

傳統(tǒng)高斯分布利用K均值算法初始化參數(shù)，該方法對噪聲和孤立點數(shù)據(jù)敏感，在復(fù)雜場景中的誤差較大[5]。文獻(xiàn)[6]利用最大期望（EM）算法初始化參數(shù)，該算法精準(zhǔn)度較高，收斂穩(wěn)定，但運行速度慢且對參數(shù)初始值敏感，初始化的設(shè)定會對結(jié)果產(chǎn)生很大的影響。文獻(xiàn)[7]利用K均值算法對EM算法進行初始化，解決了計算速度慢的問題，但在選取聚類中心時，隨機抽取樣本值以及采用矩估計法計算參數(shù)迭代的初始值，使得參數(shù)估計不夠準(zhǔn)確。

本文結(jié)合K均值算法與EM算法初始化模型參數(shù)，利用K均值算法先給出混合數(shù)據(jù)的一個粗略分類，按照分類數(shù)據(jù)給出參數(shù)的原始估計值，作為 EM算法迭代的初始值。由于抽取的像素樣本不知道歸類于哪個分布，引入隱藏變量，計算隱藏變量的對數(shù)似然函數(shù)的期望，即每個像素屬于不同模型的概率，最后利用上步求得的最大似然值重新估計參數(shù)的值，如此反復(fù)，直到收斂[9]。該算法加快了EM算法的迭代速度，而且使得初始化結(jié)果更加精確。具體步驟如下：

2 實驗結(jié)果與分析

為檢測本文算法對運動目標(biāo)的有效性，對該算法進行實驗驗證。實驗計算機CPU為Pentium（R） E5300 2.80GHZ，內(nèi)存為2.00GB，仿真軟件為Matlab7.0，對算法進行檢測時，假定各像素之間相互獨立。

混合高斯模型的最大高斯分布的上限為5，初始權(quán)值取0.3。本次實驗采取了3段視頻，視頻信息如表1所示，檢測效果如圖2所示。

圖2 為兩種方法在3個測試集進行應(yīng)用的結(jié)果，分別為單獨行駛的車輛Free.avi視頻，多車輛行駛Busy.avi視頻和正常車流量檢測視頻Normal.avi。針對每一個視頻，給出了測試圖像、傳統(tǒng)混合高斯分布背景模型、傳統(tǒng)混合高斯分布的前景檢測效果和本文算法的前景檢測效果?？v向效果比對，由于Free.avi視頻中道路上沒有多余的車輛，檢測較為明顯；而Busy.avi視頻中因為車輛較多，受相互疊加的陰影影響，檢測效果稍差；Normal.avi檢測出了主體目標(biāo)，效果較好，但是存在明顯的噪聲和空洞。橫

向比對，從檢測圖像（b）、（c）中可以看出，傳統(tǒng)的混合高斯模型算法能夠識別運動目標(biāo)，但是存在明顯的陰影噪聲和大量空洞[11]，目標(biāo)物體檢測不連貫，并且存在漏檢現(xiàn)象。圖像（d）為本文的檢測算法，可以看出，改進后的混合高斯算法，抑制陰影的效果較為明顯，檢測的準(zhǔn)確性也有較大提升，不足之處在于依然存在部分空洞和噪聲，需要后續(xù)處理。

3 結(jié)語

本文提出了一種基于改進的混合高斯模型的運動目標(biāo)檢測算法，采用HSV混合高斯建立背景模型，將RGB顏色模型轉(zhuǎn)化為HSV模式，結(jié)合K均值算法與EM算法完成參數(shù)初始化，最后完成運動目標(biāo)像素值匹配和背景模型的更新。實驗證明，在室外正常陽光照射下，該算法可以有效抑制運動目標(biāo)陰影，檢測結(jié)果也更加準(zhǔn)確，具有良好的魯棒性。

參考文獻(xiàn)：

[1]楊婷婷.交叉口區(qū)域多運動車輛跟蹤與交通事件檢測[D].合肥：中國科學(xué)技術(shù)大學(xué)，2015.

[2]柯佳，詹永照，陳瀟君，等.軌跡和多標(biāo)簽超圖配對融合的視頻復(fù)雜事件檢測[J].中國圖象圖形學(xué)報，2013（12）：26-32.

[3]林慶，徐柱，王士同，等. HSV自適應(yīng)混合高斯模型的運動目標(biāo)檢測[J]. 計算機科學(xué)，2010（10）：254-256，290.

[4]吳文星. 基于超聲電機的視頻運動目標(biāo)跟蹤系統(tǒng)[D].南京：南京航空航天大學(xué)，2012.

[5]LIY， LI L.A novel split and merge EM algorithm for gaussianmixture model [C].Proceedings of the 5th International Conference on Natural Computation，2009：479-483.

[6]李百惠，楊庚. 混合高斯模型的自適應(yīng)前景提取[J]. 中國圖象圖形學(xué)報，2013（18）：1620-1627.

[7]王軍，柳紅巖.基于三目視覺系統(tǒng)的車輛導(dǎo)引方法[J].計算機應(yīng)用.2014（6）：54-57.

[8]邵奇可，周宇，李路，等.復(fù)雜場景下自適應(yīng)背景減除算法[J]. 中國圖象圖形學(xué)報，201（6）：756-763.

[9]李百惠，楊庚. 混合高斯模型的自適應(yīng)前景提取[J]. 中國圖象圖形學(xué)報，2013（12）：1620-1627.

[10]黃文麗，范勇，李繪卓，等. 改進的混合高斯算法[J]. 計算機工程與設(shè)計，2011（2）：592-595.

[11]范文超，李曉宇，魏凱，等.基于改進的高斯混合模型的運動目標(biāo)檢測[J]. 計算機科學(xué)，2015（5）：286-288，319.

[12]李鴻. 基于混合高斯模型的運動檢測及陰影消除算法研究[D].天津：中國民航大學(xué)，2013.

（責(zé)任編輯：陳福時）