基于改進混合高斯模型的運動目標檢測方法①

張國平, 高兆彬(中國石油大學(華東) 計算機與通信工程學院, 青島 266580)

基于改進混合高斯模型的運動目標檢測方法①

張國平, 高兆彬
(中國石油大學(華東) 計算機與通信工程學院, 青島 266580)

針對傳統(tǒng)高斯模型易將背景顯露區(qū)域檢測為前景問題與對復雜場景下噪音處理效果差的缺陷, 提出了一種混合了三幀差算法的改進混合高斯模型算法. 利用三幀差算法快速確定背景顯露區(qū)域與前景的優(yōu)勢, 提高了算法對背景顯露區(qū)域的適應性; 提出一種背景模式鄰域更新法, 提高了對復雜背景噪音的抗干擾性. 通過實驗證明, 該算法與傳統(tǒng)方法相比, 在復雜背景下減少了大量噪音, 學習周期短, 提高了對天氣、攝像頭震動等干擾的抗性, 優(yōu)化了背景顯露引起的“影子”噪音問題.

混合高斯模型; 運動目標檢測; 幀差法; 復雜背景; 鄰域更新法

1 前言

人類接收外界信息有80%以上是來自視覺, 視覺是人類最重要的交流方式. 而傳統(tǒng)的攝像頭監(jiān)控系統(tǒng),達不到人類的智能程度, 很難滿足人們對智能監(jiān)控的要求, 智能視覺監(jiān)視系統(tǒng)成為一門熱門的研究課題.其中, 運動目標的檢測是整個系統(tǒng)的最底層, 也是整個系統(tǒng)的基礎, 一種好的目標檢測算法可以提高整個系統(tǒng)的性能. 目前常用的運動目標檢測算法有背景差法[1-3]、幀差法[4-7]、光流場法[8-10]和統(tǒng)計模型算法[11]等.

混合高斯背景模型最早由Stauffer等人在文獻[12]中提出, 在固定攝像頭的交通監(jiān)控中, 基于混合高斯模型的背景差分法是一種常用的方法, 該方法為每個像素點建立一個高斯模型, 具有對背景自適應性高、更全面的描述復雜背景的優(yōu)點. 同時針對不同場景, 對于混合高斯模型算法存在的缺陷, 很多文獻[13-15]都給出了自己的改進方法. 文獻[13]利用混合高斯模型與幀差算法結(jié)合區(qū)分背景顯露區(qū)域與前景區(qū)域; 文獻[14]利用分塊思想改進混合高斯模型, 加快背景的收斂, 提高了計算速度; 文獻[15]中提出的利用幀間差法, 快速分離前景目標建立簡單背景模型的方法, 節(jié)約背景的學習時間. 以上算法沒有利用低復雜度算法兼顧改進傳統(tǒng)高斯模型的存在一些缺陷: 1)在復雜的背景下, 傳統(tǒng)混合高斯模型算法收斂速度慢, 對因天氣如, 樹木擺動、水溫波動等此類因素引起的噪音的收斂速度慢, 處理效果較差; 2)對震動引起的攝像頭的輕微震動適應性差; 3)當靜止物體突然運動逃離背景時, 傳統(tǒng)算法可能會把背景顯露區(qū)域檢測為前景, 因此產(chǎn)生類似于“影子”的噪音. 如何降低這些因素影響達到更高效的追蹤效果, 是本文研究的重心.

本文通過提出一種新的鄰域更新法改進傳統(tǒng)高斯模型的背景模式, 建立區(qū)域像素點之間的聯(lián)系, 優(yōu)化上面提出的問題1)和問題2); 利用三幀差算法檢測背景顯露區(qū)域來調(diào)整背景模式的學習率來優(yōu)化問題3),提高背景顯露區(qū)域的收斂速率.

2 傳統(tǒng)混合高斯背景模型

混合高斯模型能有效適應光線變化和多模態(tài)場景,抗干擾性強. 它是一種直觀的概率密度模型, 反映了某段時間內(nèi)圖像運動的統(tǒng)計特征.

2.1 背景圖像的生成

背景圖像中的每一幀與每一個像素值并不是一成不變, 由于天氣等變化因素的影響, 會使背景像素變化.

在混合高斯模型中, 對圖像中每個像素點建立K個高斯模型, 為了保持合適空間與時間復雜度, K的取值在3-5之間, 對于每個像素點Xt, 用K個高斯分布函數(shù)的概率密度函數(shù)加權和來建模:

其中k為分布模式總數(shù), η(xt, μi,t, τi,t)為t時刻第i個高斯分布, μi,t為其均值, τi,t為其協(xié)方差矩陣, δi,t為方差, I為三維單位矩陣, ωi,t為t時刻第i個高斯分布的權重, K個高斯模型的權值和應該為1.

2.2 混合高斯模型參數(shù)更新

對每個像素值Xt與K個模型進行匹配, 如果∣Xt-μi,t-1∣≤ 2.5σi,t-1則匹配成功, 如果K個模型都不匹配,則認為匹配失敗.

若匹配成功, 對于所有模型按照公式(4)進行權值的更新; 未匹配模型均值μ與標準差σ不變, 對于匹配的模式Mk,t=1,未匹配的模式Mk,t=0并按照公式(5)和(6)分別更新均值μ和方差σ:

以上公式之中, α為學習率, 本文設置為0.01.

若匹配失敗, 則權重最小的模式將被替換, 即該模式的均值為當前像素值, 標準差為初始較大值, 權重為較小值.

2.3 背景模型選擇及前景檢測

各個模式根據(jù)ω/α2按照降序排列, 權重大、標準差小的模式排列靠前, 選前B個模式作為背景, B滿足如下公式, 其中參數(shù)T標示背景所占比例:

將像素點與前B個高斯分布進行匹配, 如果匹配成功, 則該點為背景點, 否則該點被檢測為前景點. 2.4 一種創(chuàng)新的背景模式鄰域更新法

在傳統(tǒng)的混合高斯模型中, 認為像素之間相互獨立, 各點之間像素沒有聯(lián)系. 對于水紋, 樹葉波動等因素的影響, 混合高斯模型具有一定的抗干擾性, 但在復雜背景下的適應能力比較差, 產(chǎn)生大量噪音; 而對于意外的攝像頭小幅度震動產(chǎn)生的噪音是致命的.以上問題可以總結(jié)為像素點的小幅度移動產(chǎn)生的影響, 針對以上情況我們設計背景模式鄰域更新法, 每個像素點的取值會考慮它周圍八個點的像素值, 在小區(qū)域內(nèi)建立了一種邏輯聯(lián)系, 對以上問題進行優(yōu)化.

圖 1 像素點F(x,y)的八鄰域及權值

在背景圖像的生成時, 我們對于每一個像素Xi在匹配成功的時候, 我們用公式:

來代替Xi代入公式(4) (5) (6)更新背景模式, 在新增背景模式時也利用該公式作為均值建立背景模式. 式(9)中映射F代表對應點的像素值, 映射w代表對應點的權值, Σ w=1. 改進的混合高斯背景建模, 建立了像素點之間的邏輯聯(lián)系, 對于因攝像頭震動、樹葉搖晃引起的噪音有更好的自適應性, 復雜度小, 學習周期更短.

3 利用三幀差算法快速更新背景顯露區(qū)域

3.1 三幀差分法

三幀差分算法是相鄰兩幀差分算法的一種改進方法, 它選取連續(xù)三幀視頻圖像進行差分運算, 能夠消除由于運動而顯露背景影響, 從而提取精確的運動目標輪廓信息. 該算法的基本原理是是先選取視頻圖像序列中連續(xù)三幀圖像并分別計算相鄰兩幀的差分圖像,然后將差分圖像通過選取適當?shù)拈撝颠M行二值化處理,得到二值化圖像, 最后在每一個像素點得到的二值圖像進行邏輯與運算, 獲取共同部分, 從而獲得運動目標的輪廓信息.

其中最關鍵的就是閾值T的選取問題, 實驗中,閾值過小會產(chǎn)生較多噪音, 閾值過大會使大量的運動點被忽略; 同時由于在差分結(jié)果圖像中前景區(qū)域像素灰度值變化比較大且混合高斯模型不能自適應消除,背景區(qū)域的變化較小滿足高斯分布, 所以對我們可以采用3σ準則設定閾值門限. 閾值T=3σ, σ為差分圖像背景區(qū)域的方差.

3.2 利用幀差法確定背景顯露區(qū)域

利用三幀差算法, 快速確定運動目標區(qū)域與背景顯露區(qū)域. 提取連續(xù)的三幀圖像:I(k-1),I(k),I(k+1)

由此我們可以得到運動的背景顯露區(qū)域(BG)與運動區(qū)域(FG):

3.3 改進背景顯露區(qū)域?qū)W習率

在檢測大而慢的運動目標或者由靜止轉(zhuǎn)化為運動狀態(tài)的目標時, 傳統(tǒng)高斯模型檢測會出現(xiàn)“影子”現(xiàn)象,將背景顯露區(qū)域檢測為運動目標, 在更新率不變的情況下, 背景模型需要一段時間去適應. 為了快速去除“影子”影響, 本文對不同區(qū)域運用不同的學習率α.

對于運動區(qū)域FG, 采用與背景相同的固定的更新律; 對于背景顯露區(qū)域BG采用新的背景更新率. 由靜止狀態(tài)轉(zhuǎn)變?yōu)檫\動狀態(tài)的目標會因背景顯露造成大量噪音, 在背景顯露區(qū)域BG, 對于權值采用以下更新策略:

在背景顯露區(qū)域進行利用上式更新率加快該像素點的更新, 給該像素值一個較高的權值, 縮短了學習周期.

4 檢測算法流程圖

本文算法通過循環(huán)的獲取視頻每幀圖像, 利用三幀差算法快速確定其背景顯露區(qū)域, 提高背景顯露區(qū)域的學習率, 利用鄰域更新法更新背景模式. 背景模式更新完成后, 再利用背景差分法匹配出前景目標.具體的流程圖如圖2所示.

圖2 本文算法流程圖

5 實驗結(jié)果

5.1 實驗一

汽車運動后的第八幀圖像如圖3所示, 我們對圖3紅色區(qū)域內(nèi)兩種算法處理的效果進行比較.

傳統(tǒng)算法處理效果如圖4所示; 本文算法處理效果如圖5所示. 由圖4與圖5得對比可以看出, 對于復雜背景, 本文的算法比傳統(tǒng)的混合高斯模型具有更好的抗噪效果, 在圖4下方有大量因樹木擺動引起的噪音; 而利用改進算法對于風力引起植物的晃動有更好的適應性.

圖3 汽車開始運動后的第8幀(原圖)

圖4 傳統(tǒng)混合高斯模型對紅色區(qū)域處理的結(jié)果

圖5 本文算法對紅色區(qū)域處理的結(jié)果

由圖6和圖7相比我們可以看出, 本文算法在靜止物體運動后第8幀消除了影子, 而傳統(tǒng)算法在第17幀才達到圖7效果, 收斂速度提高2.1倍, 更快的消除了背景顯露區(qū)域引起的“影子”噪音.

圖6 截取圖4中汽車細節(jié)

圖7 截取圖5汽車細節(jié)

當出現(xiàn)因為攝像頭震動產(chǎn)生的噪音時, 兩種算法的處理結(jié)果如圖8和圖9所示.

由圖8與圖9的對比可以看出, 本文算法對攝像頭在復雜背景下的小幅度震動有更好的適應性, 更適應實際需求.

圖8 傳統(tǒng)高斯模型對震動處理結(jié)果(第26幀)

圖9 本文算法處理結(jié)果(第26幀)

5.2 實驗二

我們對一段不存在前景的視頻進行試驗, 測試兩種算法背景模式描述的準確程度. 視頻中存在天氣造成的水紋、植物擺動等干擾因素, 采用系統(tǒng)抽樣的方法, 從100幀中抽取十幀對噪音點數(shù)量進行比較, 每幀共921600個像素點. 該視頻中一輛普通轎車占像素點在1200-1500之間. 提高率計算公式:

提高率(%)=(傳統(tǒng)算法噪音點數(shù)－本文算法噪音點數(shù))/ 傳統(tǒng)算法噪音點數(shù)

表1 噪音統(tǒng)計結(jié)果

根據(jù)表1數(shù)據(jù)計算得到傳統(tǒng)算法的期望、方差分別為3494, 1134.4; 本文算法期望, 方差分別為158.6, 22.98. 綜合來看本文算法的噪音數(shù)量, 穩(wěn)定性都要優(yōu)于傳統(tǒng)算法.

6 結(jié)語

本文提出了一種更適合于處理復雜背景的改進的混合高斯模型算法, 本算法結(jié)合三幀差算法與一種新的背景模式鄰域更新法改進了傳統(tǒng)混合高斯模型算法.提高了復雜背景下對于水紋、樹木晃動以及攝像頭震動等引起的噪音的適應性和收斂速率, 并且能更快的處理由于靜止物體開始運動產(chǎn)生的“影子”噪音問題,更適合于實際的運動目標檢測.

1 Wu JR, Du XL, Liu HT. An improved adaptive background modeling algorithm based on Kalman filter. Transducer & Micro System Technologies, 2012.

2 Kirch W, Spahn H, Ohnhaus EE, et al. An approach to motion vehicle detection in complex factors over highway surveillance video. 2009 International Joint Conference on Computational Sciences and Optimization. IEEE Computer Society. 2009. 520–523.

3 Li GM, Li Y, Xiao WM. A background modeling algorithm based on pixel frequency. Asia-Pacific Youth Conference on Communication Technology. 2010.

4 Zhan C, Duan X, Xu S, et al. An improved moving object detection algorithm based on frame difference and edge detection. International Conference on Image and Graphics. 2007. 519–523.

5 Chen C, Zhang X. Moving vehicle detection based on union of three-frame difference. Advancesin Electronic Engineering, Communication and Management, 2012, (2): 459–464.

6 Migliore DA, Matteucci M, Naccari M. A revaluation of frame difference in fast and robust motiondetection. Polymer International, 2006, 51(2): 105–110.

7 Zhang L, Shao Z, Wu JD, et al. A moving object detection method based on improved three-frame difference algorithm and edge information. International Conference on Advances in Mechanical Engineering and Industrial Informatics. Atlantis Press. 2015.

8 李廣,馮燕.基于SIFT特征匹配與K-均值聚類的運動目標檢測.計算機應用,2012,32(10):2824–2826.

9 Bhattacharyya S, Maulik U, Dutta P. High-speed target tracking by fuzzy hostility-induced segmentation of optical flow field. Applied Soft Computing, 2009, 9(1): 126–134.

10 Baby RM, Ahamed RR. Optical flow motion detection on raspberry pi. Fourth International Conference on Advances in Computing and Communications. 2014.

11林洪文,涂丹,李國輝.基于統(tǒng)計背景模型的運動目標檢測方法.計算機工程,2003,29(16):97–99.

12 Stauffer C, Grimson WEL. Adaptive Background Mixture Models for Real-Time Tracking. IEEE Conference on Computer Vision and Pattern Recognition, IEEE Computer Society. 1999. 2246.

13劉靜.混合高斯模型背景法的一種改進算法.計算機工程與應用,2010,46(13):168–170.

14張燕平,白云球,趙勇,等.應用改進混合高斯模型的運動目標檢測.計算機工程與應用,2010,46(34):155–157.

15 Migliore DA, Matteucci M, Naccari M. A revaluation of frame difference in fast and robust motiondetection. Polymer International, 2006, 51(2): 105–110.

Improved Moving Object Detection Method Based on Gaussian Mixture Model

ZHANG Guo-Ping, GAO Zhao-Bin
(College of Computer and Communication Engineering, China University of Petroleum, Qingdao 266580, China)

For the traditional Gaussian mixture model, it is prone to detect the background as the foreground region and has poor effect in complex background, so this paper puts forward an improved algorithm combined with three frame difference method. First, we use the three frame difference method to improve adaptation of the revealed background region. Second, we use the means of background neighborhoods update to improve the resistance to complex background noise. The experiments prove that compared with the traditional method, the improved algorithm reduces large amount of noise and shortens learning cycle, and improves resistance to the weather and camera shake, optimizing the noise caused by background region revealed.

Gaussian mixture model; moving object detection; frame difference method; complex background; neighborhood update

2016-07-12;收到修改稿時間:2016-08-08

10.15888/j.cnki.csa.005693