基于自適應(yīng)混合高斯的改進(jìn)三幀差分算法

楊嘉琪，韓曉紅

(太原理工大學(xué) 大數(shù)據(jù)學(xué)院，山西 晉中030600)

0 引 言

目前，運(yùn)動(dòng)目標(biāo)檢測(cè)常用算法有背景差分法、幀間差分法及光流法[1-4]。背景差分法簡(jiǎn)單、算法復(fù)雜度低，但對(duì)光照引起的動(dòng)態(tài)環(huán)境敏感，需要依靠穩(wěn)定的背景模型來(lái)獲得完整的目標(biāo)特征[5]。文獻(xiàn)[6]提出一種可自動(dòng)更新速率的混合高斯背景模型，該方法減弱了噪聲對(duì)模型建立的干擾，但目標(biāo)邊緣信息缺失，算法復(fù)雜度仍較高。幀間差分法實(shí)時(shí)性好，對(duì)動(dòng)態(tài)環(huán)境的適應(yīng)性強(qiáng)，但易出現(xiàn)空洞和誤檢現(xiàn)象[7]。文獻(xiàn)[8]中采用三幀差分法與魯棒主成分分析(RPCA)相結(jié)合的方法。該算法簡(jiǎn)單易行，能準(zhǔn)確提取運(yùn)動(dòng)目標(biāo)輪廓，但目標(biāo)信息提取不完整。文獻(xiàn)[9,10]提出三幀差分與邊緣提取相結(jié)合的運(yùn)動(dòng)目標(biāo)檢測(cè)算法，提高了目標(biāo)檢測(cè)的準(zhǔn)確性，但空洞問(wèn)題仍然存在。光流法可在未知場(chǎng)景信息的情況下檢測(cè)出運(yùn)動(dòng)目標(biāo)，但其計(jì)算量大、算法復(fù)雜度高，導(dǎo)致可用性和實(shí)時(shí)性差[11-13]。而背景差分法與幀間差分法因其實(shí)時(shí)性較好、算法復(fù)雜度低，在現(xiàn)實(shí)生活中的應(yīng)用范圍更廣[14]。

本文提出基于自適應(yīng)混合高斯的改進(jìn)三幀差分運(yùn)動(dòng)目標(biāo)檢測(cè)算法，解決了三幀差分法在對(duì)運(yùn)動(dòng)緩慢的物體進(jìn)行檢測(cè)時(shí)無(wú)法完整獲取運(yùn)動(dòng)目標(biāo)，容易出現(xiàn)空洞及誤檢現(xiàn)象，以及背景差分法對(duì)光照引起的動(dòng)態(tài)環(huán)境敏感，需要依靠穩(wěn)定的背景模型來(lái)獲得完整目標(biāo)特征的問(wèn)題。

1 基于自適應(yīng)混合高斯的改進(jìn)三幀差分算法

本文提出基于自適應(yīng)混合高斯的改進(jìn)三幀差分運(yùn)動(dòng)目標(biāo)檢測(cè)算法，算法的改進(jìn)如下：

(1)該算法為了彌補(bǔ)傳統(tǒng)三幀差分中相鄰幀間進(jìn)行差分所產(chǎn)生的空洞問(wèn)題，改進(jìn)了圖像幀的差分方式，采用任意兩幀進(jìn)行差分，由此豐富差分圖像所包含的目標(biāo)信息，提高目標(biāo)獲取的可行性。

(2)提出自適應(yīng)學(xué)習(xí)率的混合高斯背景建模，引入幀數(shù)閾值TH，在前TH幀與后TH幀采用不同的學(xué)習(xí)率，當(dāng)幀數(shù)小于閾值時(shí)，由于初始幀中通常存在運(yùn)動(dòng)物體，應(yīng)采用較大的更新率以去除初始幀中的干擾像素，在一定程度上減少算法因物體發(fā)生“忽然”運(yùn)動(dòng)而造成的誤判；當(dāng)背景模型趨于穩(wěn)定之后，以像素點(diǎn)與背景模型間的比配度為依據(jù)對(duì)模型學(xué)習(xí)率進(jìn)行更新，從而實(shí)現(xiàn)背景模型的自適應(yīng)選擇。

(3)為解決目標(biāo)邊緣間斷、不連續(xù)的問(wèn)題，采用Canny算子提取邊緣信息，并與三幀差分結(jié)合，由此豐富目標(biāo)的邊緣信息，使得目標(biāo)輪廓的提取更加準(zhǔn)確。最后對(duì)所得圖像進(jìn)行形態(tài)學(xué)膨脹與腐蝕操作，獲得前景信息，即為運(yùn)動(dòng)目標(biāo)。

1.1 融合邊緣提取的三幀差分算法

傳統(tǒng)的三幀差分算法相比較幀間差分算法，有效豐富了所提取的前景信息，增加了檢測(cè)的準(zhǔn)確性，在一定程度減小了幀間差分算法所造成的空洞現(xiàn)象[15]。但是所提取的運(yùn)動(dòng)目標(biāo)邊緣模糊、不連續(xù)，而且在3幀差分中閾值的選取尤為重要，固定的閾值在提取目標(biāo)時(shí)容易造成缺失，使信息不完整，同時(shí)，空洞現(xiàn)象仍然存在。因此本文對(duì)傳統(tǒng)的三幀差分進(jìn)行改進(jìn)，在原算法只有相鄰幀間進(jìn)行差分的基礎(chǔ)上，增加存在間隔的兩幀圖像的差分運(yùn)算，可使差分圖像所包含的目標(biāo)信息更加豐富，從而減小因物體運(yùn)動(dòng)緩慢所造成的空洞問(wèn)題。同時(shí)采用自適應(yīng)閾值——最大類(lèi)間方差法(OTSU)對(duì)差分圖像二值化，實(shí)現(xiàn)對(duì)圖像中像素點(diǎn)的準(zhǔn)確分類(lèi)。并針對(duì)三幀差分后目標(biāo)邊緣像素不清晰的問(wèn)題，通過(guò)Canny算子彌補(bǔ)不足，使得物體的邊緣連續(xù)且平滑，豐富所需的目標(biāo)信息。

算法描述如下：

(1)首先從經(jīng)過(guò)預(yù)處理后的視頻序列中提取連續(xù)的3幀圖像Ik-2、Ik-1、Ik，對(duì)相鄰幀進(jìn)行差分運(yùn)算，如式(1)所示

Dk1(x,y)=|Ik-1(x,y)-Ik-2(x,y)|Dk2(x,y)=|Ik(x,y)-Ik-1(x,y)|Dk3(x,y)=|Ik(x,y)-Ik-2(x,y)|

(1)

式中：Ik-2(x,y)為前一幀的灰度圖，Ik-1(x,y)為中間幀的灰度圖，Ik(x,y)為當(dāng)前幀的灰度圖，Dk1(x,y)為Ik-1與Ik-2的差分圖像，Dk2(x,y)為Ik與Ik-1的差分圖像，Dk3(x,y)為Ik與Ik-2的差分圖像。

(2)隨機(jī)初始化一個(gè)閾值T，對(duì)差分圖像進(jìn)行分割，計(jì)算圖像中目標(biāo)像素點(diǎn)的占比及平均灰度w0、μ0；背景像素點(diǎn)的占比及平均灰度w1、μ1，圖像的總平均灰度記為μ,g為類(lèi)間方差。如式(2)所示

(2)

不斷改變閾值T的值，從0-255進(jìn)行遍歷，方差g代表了前景與背景之間的差異，故當(dāng)g最大時(shí)，其灰度值T為最佳閾值。

(3)將差分后的圖像Dk1(x,y)、Dk2(x,y)、Dk3(x,y)分別與自適應(yīng)閾值T進(jìn)行比較來(lái)確定背景區(qū)域和前景區(qū)域。當(dāng)某一像素點(diǎn)的值大于閾值T時(shí)，說(shuō)明該像素點(diǎn)發(fā)生了變化，可確定其為目標(biāo)像素；當(dāng)某一像素點(diǎn)的值小于閾值T時(shí)，說(shuō)明像素點(diǎn)未變化，則確定其為背景像素。如式(3)所示

(3)

(4)使用Canny算子提取當(dāng)前幀的邊緣信息C，先將邊緣圖像與二值圖像Rk2進(jìn)行“或”運(yùn)算，補(bǔ)充其目標(biāo)輪廓，再將剩余二值圖像“或”運(yùn)算得到較為豐富的目標(biāo)內(nèi)容，最后確定兩者的相交區(qū)域，得到目標(biāo)圖像O，以精確目標(biāo)內(nèi)容。差分結(jié)果與邊緣信息的融合方式為

O=(Rk1orRk3)&(Rk2orC)

(4)

1.2 基于自適應(yīng)學(xué)習(xí)率的混合高斯背景建模

改進(jìn)后的三幀差分算法雖然一定程度上減少了傳統(tǒng)三幀差分造成的目標(biāo)缺失，但仍然存在“空洞”問(wèn)題。而背景差分能夠有效提取圖像的前景信息，保證所獲取目標(biāo)的完整性，因此將背景差分與三幀差分相結(jié)合尤為必要，從而解決三幀差分算法中的“空洞”問(wèn)題[16]。背景差分法是將當(dāng)前幀與所建立的背景模型進(jìn)行差分運(yùn)算，以此來(lái)檢測(cè)運(yùn)動(dòng)目標(biāo)。

設(shè)視頻幀序列建立的背景模型為Ib(x,y)，當(dāng)前幀為Ik(x,y)，將Ik(x,y)與Ib(x,y)按式(5)進(jìn)行差分運(yùn)算

Dk(x,y)=|Ik(x,y)-Ib(x,y)|

(5)

將得到的差分圖像按式(6)進(jìn)行二值化，二值化后的圖像進(jìn)行形態(tài)學(xué)處理即可得到運(yùn)動(dòng)目標(biāo)

(6)

式中：Dk(x,y)為差分圖像，Rk(x,y)為二值圖像，T2為選取的閾值。

背景差分的關(guān)鍵點(diǎn)是背景模型的建立，傳統(tǒng)的方法是選用最初的、無(wú)運(yùn)動(dòng)目標(biāo)的視頻圖像作為背景模型，此方法只適用于靜態(tài)環(huán)境下的目標(biāo)檢測(cè)，在動(dòng)態(tài)環(huán)境中無(wú)法有效提取目標(biāo)，且容易受到環(huán)境噪音的影響。因此本文采用混合高斯背景建模法，它可以根據(jù)視頻環(huán)境，動(dòng)態(tài)建立背景模型，并隨著目標(biāo)圖像的變換，不斷更新所建立的模型，將不屬于運(yùn)動(dòng)目標(biāo)的背景變化過(guò)濾，有效減少了視頻圖像中噪音對(duì)目標(biāo)提取的干擾。

同時(shí)，為解決混合高斯背景建模中學(xué)習(xí)率α較低時(shí)，模型更新不及時(shí)，容易出現(xiàn)“鬼影”現(xiàn)象及適應(yīng)動(dòng)態(tài)環(huán)境的能力較弱的問(wèn)題；α取值過(guò)大時(shí)，容易出現(xiàn)誤檢的問(wèn)題。本文采用自適應(yīng)學(xué)習(xí)率的背景建模方法，引入幀數(shù)閾值TH，在閾值前后采用不同的學(xué)習(xí)率，在模型在初期創(chuàng)建時(shí)，由于初始背景通常存在運(yùn)動(dòng)物體，需要通過(guò)加快模型的學(xué)習(xí)率，通過(guò)背景模型的不斷更新去除物體運(yùn)動(dòng)狀態(tài)轉(zhuǎn)換帶來(lái)的干擾及模型中存在的無(wú)關(guān)因素；在背景模型逐步穩(wěn)定后，為適應(yīng)動(dòng)態(tài)背景，選擇目標(biāo)像素點(diǎn)與背景模型間的匹配次數(shù)作為學(xué)習(xí)率設(shè)定的依據(jù)，實(shí)現(xiàn)自適應(yīng)更新。模型學(xué)習(xí)率如式(7)所示

(7)

式中：λ1，λ2為常數(shù)，f為幀數(shù)，ΔF為學(xué)習(xí)率更新的參考量，ΔF如式(8)所示

ΔF=(2n-t)

(8)

式中：n為不匹配次數(shù)，t為匹配次數(shù)。當(dāng)檢測(cè)效果不佳時(shí)，像素點(diǎn)的不匹配次數(shù)增多，模型的學(xué)習(xí)率將得到提升，從而增加對(duì)環(huán)境的適應(yīng)性；當(dāng)檢測(cè)結(jié)果較好時(shí)，像素點(diǎn)的匹配次數(shù)增多，模型學(xué)習(xí)率降低，從而減少模型快速更新造成的目標(biāo)漏檢，保證了算法的可靠性。

算法描述如下：

混合高斯模型是通過(guò)建立多個(gè)高斯函數(shù)來(lái)對(duì)某一像素點(diǎn)的分布進(jìn)行表示，從而準(zhǔn)確反映整幅圖像的變化。在圖像中應(yīng)用多個(gè)高斯分布函數(shù)可以有效抑制動(dòng)態(tài)環(huán)境所產(chǎn)生的細(xì)微噪聲，減弱背景的影響。

對(duì)于隨機(jī)變量x，x的數(shù)據(jù)集{x1,x2,x3…xn}，xt={rt,gt,bt}為t時(shí)刻像素的樣本，則單個(gè)采樣點(diǎn)xt其服從的混合高斯分布概率密度函數(shù)為

(9)

τi,t=δi,tI

式中：K為高斯模型總數(shù)，η為t時(shí)刻第i個(gè)高斯分布，wi,t為t時(shí)刻第i個(gè)高斯分布的權(quán)重，μi,t為其均值，τi,t為其協(xié)方差矩陣，δi,t為方差。

模型的匹配與更新：

用當(dāng)前幀中的像素點(diǎn)與所建立的K個(gè)高斯分布進(jìn)行匹配，直到找到與像素點(diǎn)相匹配的高斯分布，如式(10)所示

|xt-μi,t-1|≤D·σi,t-1

(10)

式中：D為置信參數(shù)，一般取2.5，σi,t-1為t-1時(shí)刻第i個(gè)高斯分布的標(biāo)準(zhǔn)差。

如果某一高斯分布滿(mǎn)足上述要求，則對(duì)該高斯分布的參數(shù)進(jìn)行更新，如式(11)所示

wi,t=(1-α)wi,t-1+αMi,t

μi,t=(1-ρ)μi,t-1+ρxt

(11)

式中：α為學(xué)習(xí)速率，ρ=α·η為參數(shù)的更新速率，Mi,t取1。

背景模型的建立：

當(dāng)像素點(diǎn)與K個(gè)高斯分布都不匹配時(shí)，需要?jiǎng)?chuàng)建新的高斯分布，用以取代權(quán)值較小的高斯分布，新高斯分布的均值為當(dāng)前像素的像素值，并進(jìn)行參數(shù)的歸一化處理。

之后，按照公式λi,t=wi,t/σi,t計(jì)算各個(gè)高斯分布的優(yōu)先級(jí)，均值大，標(biāo)準(zhǔn)差小的高斯分布排列在前。在其中將前B個(gè)高斯分布組成背景模型，并將xt與其匹配，當(dāng)其中任意一個(gè)高斯模型滿(mǎn)足特定條件時(shí)，則判定當(dāng)前像素點(diǎn)為背景點(diǎn)，否則判定其為前景點(diǎn)。高斯分布的選擇如式(12)所示

(12)

式中：b為初始參數(shù)，T3為預(yù)先設(shè)定的閾值。

1.3 算法的模塊構(gòu)建

本文算法由3個(gè)模塊構(gòu)成，分別為三幀差分模塊、背景差分模塊、邊緣提取模塊，如圖1所示為算法的模塊構(gòu)建。其中，三幀差分模塊采用任意兩幀視頻圖像進(jìn)行差分運(yùn)算并二值化，由此豐富差分結(jié)果，一定程度上彌補(bǔ)由于物體運(yùn)動(dòng)緩慢所造成的空洞問(wèn)題，避免漏檢現(xiàn)象；邊緣提取模塊采用Canny算子提取當(dāng)前幀的目標(biāo)邊緣，抑制噪聲引起的偽邊緣，使得邊緣細(xì)化，呈現(xiàn)出完整的目標(biāo)輪廓；背景差分模塊中選用混合高斯背景建模的方法實(shí)現(xiàn)背景模型的自適應(yīng)更新，通過(guò)對(duì)不同時(shí)期的高斯模型設(shè)定相匹配的學(xué)習(xí)速率，加快模型的收斂速度，使獲得的目標(biāo)信息更加完整，消除物體運(yùn)動(dòng)造成的“鬼影”。針對(duì)三幀差分模塊所提取的目標(biāo)輪廓不連續(xù)，且不完整的問(wèn)題，采用三幀差分模塊與邊緣提取模塊相結(jié)合的方式，依靠邊緣提取模塊所獲得的邊緣信息，完善目標(biāo)輪廓，豐富邊緣圖像，提高算法的實(shí)時(shí)性。同時(shí)，為了進(jìn)一步解決三幀差分模塊中所存在的“空洞”現(xiàn)象，將其與背景差分模塊結(jié)合，通過(guò)背景差分模塊對(duì)前景圖像提取的完整性，彌補(bǔ)三幀差分模塊目標(biāo)信息提取不完整的弊端，完善目標(biāo)信息，增加算法在動(dòng)態(tài)環(huán)境中的提取效率，有效提高對(duì)運(yùn)動(dòng)目標(biāo)的檢測(cè)精度。由于目標(biāo)圖像中存在噪聲干擾的問(wèn)題，將所得結(jié)果再采用形態(tài)學(xué)濾波進(jìn)行處理。先通過(guò)膨脹將前景區(qū)域進(jìn)行擴(kuò)充，使目標(biāo)區(qū)域中斷裂的部分連接起來(lái)，再采用腐蝕將前景區(qū)域(白色區(qū)域)進(jìn)行縮減，消除目標(biāo)區(qū)域中不相關(guān)的細(xì)節(jié)，使得被處理后的圖像可以將運(yùn)動(dòng)目標(biāo)信息完整呈現(xiàn)出來(lái)。

圖1 模塊構(gòu)建

2 實(shí)驗(yàn)結(jié)果及分析

本文實(shí)驗(yàn)在配置為CPU類(lèi)型corei5-8300H，內(nèi)存容量8 GB，顯存容量4 GB，顯卡類(lèi)型1050Ti，固態(tài)硬盤(pán)512 G的Windows操作系統(tǒng)上實(shí)現(xiàn)，使用了matlab2018b和Visio等軟件開(kāi)發(fā)工具，算法的初始參數(shù)中λ1=15，λ2=0.03，TH=18。

2.1 驗(yàn)證基于自適應(yīng)學(xué)習(xí)率的混合高斯背景建模

為驗(yàn)證基于自適應(yīng)學(xué)習(xí)率的混合高斯背景建模的可行性，本文選用CDW-2014數(shù)據(jù)集中的視頻作為實(shí)驗(yàn)數(shù)據(jù)，分別用文獻(xiàn)[5]、文獻(xiàn)[6]及本文算法對(duì)視頻中的第40、第60、第80幀圖像進(jìn)行處理，實(shí)驗(yàn)結(jié)果如圖2所示。

圖2 算法對(duì)比

由上述實(shí)驗(yàn)可知，文獻(xiàn)[5]所用算法可以有效消除背景噪聲的干擾(晃動(dòng)的燈)，且目標(biāo)特征提取較為完整，但邊緣信息缺失嚴(yán)重；文獻(xiàn)[6]提取的運(yùn)動(dòng)目標(biāo)較文獻(xiàn)[5]更為完整，目標(biāo)邊緣較為平滑，但仍存在部分信息缺失的問(wèn)題；本文算法在提高檢測(cè)精度的同時(shí)，通過(guò)與邊緣提取的結(jié)合，所得目標(biāo)輪廓清晰、完整。

為驗(yàn)證算法的有效性，本文用目標(biāo)完整度來(lái)評(píng)價(jià)算法的檢測(cè)效果，即所檢測(cè)到的目標(biāo)像素點(diǎn)占總目標(biāo)像素的比例，其結(jié)果見(jiàn)表1。

表1 目標(biāo)完整度

表1為不同幀數(shù)下各算法的目標(biāo)完整度，由表1可知，文獻(xiàn)[5]所得目標(biāo)完整度較低，沒(méi)有充分提取目標(biāo)特征。文獻(xiàn)[6]的目標(biāo)完整度較文獻(xiàn)[5]有所提升，但仍存在不足。本文算法所得目標(biāo)更為完整，與實(shí)際目標(biāo)相符。

2.2 驗(yàn)證基于邊緣提取的三幀差分算法

為驗(yàn)證基于邊緣提取的三幀差分的可行性，選用CDW-2014數(shù)據(jù)集中的視頻作為實(shí)驗(yàn)數(shù)據(jù)，分別用傳統(tǒng)三幀差分、Canny算子及本文算法對(duì)視頻中的第30、第40、第50幀圖像進(jìn)行處理，實(shí)驗(yàn)結(jié)果如圖3所示。

圖3 算法對(duì)比

由上述實(shí)驗(yàn)可知，傳統(tǒng)三幀差分算法由于相鄰幀間差分，所得運(yùn)動(dòng)目標(biāo)空洞現(xiàn)象嚴(yán)重，且部分目標(biāo)輪廓獲取不完整；Canny算子較為完整的提取了目標(biāo)邊緣，但存在部分干擾像素點(diǎn)；本文算法在完整獲取目標(biāo)邊緣的同時(shí)一定程度上減少了空洞現(xiàn)象的影響。

2.3 運(yùn)動(dòng)目標(biāo)檢測(cè)的多場(chǎng)景驗(yàn)證

為驗(yàn)證本文算法的性能，選取了不同背景的視頻圖像作為檢測(cè)數(shù)據(jù)，分別文獻(xiàn)[6]、文獻(xiàn)[7]及本文算法對(duì)檢測(cè)數(shù)據(jù)進(jìn)行處理并分析實(shí)驗(yàn)結(jié)果。

2.3.1 靜態(tài)背景的運(yùn)動(dòng)目標(biāo)檢測(cè)

本實(shí)驗(yàn)選用靜態(tài)背景下同一視頻圖像的不同幀作為實(shí)驗(yàn)數(shù)據(jù)，分別使用3種算法進(jìn)行檢測(cè)并對(duì)比結(jié)果，驗(yàn)證本文算法在靜態(tài)環(huán)境中有更好的檢測(cè)準(zhǔn)確度，更高的目標(biāo)完整度。

實(shí)驗(yàn)1結(jié)果如圖4所示，在對(duì)背景穩(wěn)定的視頻圖像提取運(yùn)動(dòng)目標(biāo)時(shí)，采用文獻(xiàn)[6]算法獲取了目標(biāo)圖像的大部分信息，但其邊緣信息不完整，出現(xiàn)間斷與丟失現(xiàn)象；采用文獻(xiàn)[7]算法對(duì)于目標(biāo)邊緣的獲取更為有效，減少了內(nèi)部信息的丟失，但由于鄰近幀間位移較小，仍有部分信息未充分獲取；使用本文算法，目標(biāo)的完整度得到提升，“空洞”問(wèn)題得到有效解決，且物體的邊緣信息完整。

圖4 靜態(tài)背景算法對(duì)比

2.3.2 動(dòng)態(tài)背景的運(yùn)動(dòng)目標(biāo)檢測(cè)

本實(shí)驗(yàn)選用動(dòng)態(tài)背景下同一視頻圖像的不同幀作為實(shí)驗(yàn)數(shù)據(jù)，分別使用3種算法進(jìn)行檢測(cè)并對(duì)比結(jié)果，以此驗(yàn)證本文算法在復(fù)雜環(huán)境的檢測(cè)中可以有效消除背景噪音對(duì)檢測(cè)結(jié)果的影響，保證所提取目標(biāo)的完整性。

實(shí)驗(yàn)2結(jié)果如圖5所示，文獻(xiàn)[6]算法所提取的運(yùn)動(dòng)目標(biāo)較為完整，由于采用了混合高斯背景建模的方法，對(duì)于圖像中出現(xiàn)的細(xì)微噪聲有較好的去除能力(如：搖晃的樹(shù)葉)，但目標(biāo)細(xì)節(jié)處理不準(zhǔn)確，邊緣粗糙，同時(shí)在目標(biāo)與背景顏色相近時(shí)，會(huì)丟失部分信息。文獻(xiàn)[7]算法獲取的目標(biāo)輪廓更為清晰，并且通過(guò)與邊緣信息的結(jié)合，使得目標(biāo)邊緣連續(xù)且完整，但在目標(biāo)內(nèi)部出現(xiàn)了空洞問(wèn)題。通過(guò)本文算法處理后的視頻信息，更為充分提取圖像中的目標(biāo)信息，在消除背景噪音的同時(shí)較大程度緩解了邊緣粗糙與內(nèi)部缺失的問(wèn)題，得到了完整的運(yùn)動(dòng)目標(biāo)。

圖5 動(dòng)態(tài)背景算法對(duì)比

表2為3種算法在實(shí)驗(yàn)1及實(shí)驗(yàn)2中檢測(cè)結(jié)果的完整度對(duì)比。

表2 3種算法目標(biāo)完整度

由表2可知，不同背景下本文算法所得目標(biāo)的完整度明顯高于文獻(xiàn)[6]及文獻(xiàn)[7]，表明本文算法的檢測(cè)準(zhǔn)確率更高，能很好地適應(yīng)不同環(huán)境下的目標(biāo)檢測(cè)。

為進(jìn)一步驗(yàn)證本文算法的優(yōu)越性，本文選用精準(zhǔn)率(precision)、召回率(recall)、F-Measure作為算法的評(píng)價(jià)指標(biāo)，兩者的定義如式(13)所示

(13)

式中：TP為準(zhǔn)確檢測(cè)到的目標(biāo)數(shù)，F(xiàn)P為錯(cuò)誤檢測(cè)的目標(biāo)人數(shù)，F(xiàn)N為未檢測(cè)出的目標(biāo)人數(shù)，F(xiàn)-Measure為精確率與召回率的加權(quán)調(diào)和平均,其值越大代表算法越可靠。

表3為各算法在實(shí)驗(yàn)1及實(shí)驗(yàn)2中每隔10幀獲取各算法的查全率、查準(zhǔn)率、F值，并求平均值。從表3中可知，由于視頻中檢測(cè)物體的相對(duì)位移較小，文獻(xiàn)[7]算法相比文獻(xiàn)[6]算法在檢測(cè)過(guò)程中丟失的目標(biāo)數(shù)更少，漏檢率降低，召回率較高；文獻(xiàn)[6]算法檢測(cè)精確度較文獻(xiàn)[7]算法有所提高，但在目標(biāo)與背景間的色差度降低時(shí)，仍存在一定程度的漏檢率；本文算法結(jié)合兩者的優(yōu)勢(shì)，在檢測(cè)率方面得到有效提升，并能完整獲得目標(biāo)輪廓，保證了目標(biāo)的完整性。

表3 算法評(píng)價(jià)結(jié)果

綜合以上實(shí)驗(yàn)，將文獻(xiàn)[6]、文獻(xiàn)[7]及本文所提算法在統(tǒng)一實(shí)驗(yàn)條件下檢測(cè)運(yùn)動(dòng)目標(biāo)消耗時(shí)間進(jìn)行對(duì)比，如圖6所示。由于文獻(xiàn)[7]算法復(fù)雜度低，計(jì)算簡(jiǎn)單，在實(shí)際檢測(cè)過(guò)程中效率高，平均檢測(cè)速率為12.32幀/s；文獻(xiàn)[6]算法，采用改進(jìn)后的背景差分方法，復(fù)雜度有所下降，但仍保持較繁瑣的檢測(cè)步驟，模型更新速度慢，檢測(cè)所用時(shí)間最多，平均檢測(cè)速率為6.76幀/s；本文算法實(shí)現(xiàn)了三幀差分與混合高斯背景建模的結(jié)合，一定程度上增加了算法的檢測(cè)時(shí)間，復(fù)雜度較文獻(xiàn)[7]算法有所增加，但檢測(cè)所需時(shí)間明顯低于文獻(xiàn)[6]算法，且檢測(cè)準(zhǔn)確度與實(shí)用性得到提升，檢測(cè)速率為10.32幀/s。

圖6 算法檢測(cè)時(shí)間

3 結(jié)束語(yǔ)

本文提出了基于自適應(yīng)混合高斯的改進(jìn)三幀差分目標(biāo)檢測(cè)算法，該算法對(duì)傳統(tǒng)三幀差分中相鄰幀間進(jìn)行差分的方式予以調(diào)整，轉(zhuǎn)變?yōu)槿我鈨蓭g進(jìn)行差分，由此增加差分圖像所包含的目標(biāo)內(nèi)容，減少“空洞”，并采用最大類(lèi)間方差法(OTSU)實(shí)現(xiàn)閾值的自動(dòng)選取，從而使得二值圖像達(dá)到最佳。所得結(jié)果通過(guò)與Canny算子邊緣信息的結(jié)合，細(xì)化目標(biāo)邊緣，使目標(biāo)信息更加完整；同時(shí)為了進(jìn)一步消除三幀差分算法中的“空洞”問(wèn)題，采用自適應(yīng)學(xué)習(xí)率的混合高斯背景建模，由此豐富圖像中的目標(biāo)信息，保證所提取前景的完整性。該算法將三幀差分高效性、快速性等優(yōu)勢(shì)與混合高斯背景建模對(duì)復(fù)雜環(huán)境的高適應(yīng)性、對(duì)運(yùn)動(dòng)目標(biāo)提取的完整性結(jié)合，實(shí)驗(yàn)結(jié)果表明，本文算法能夠在背景復(fù)雜、噪音強(qiáng)度高的環(huán)境下較為完整獲取目標(biāo)內(nèi)容，準(zhǔn)確度與完整性都得到了保證。