郭俊,，王平

　?。ㄎ魅A大學(xué) 電氣與電子信息學(xué)院，四川 成都610039）

      摘要：提出了一種改進(jìn)的混合高斯背景模型方法,，克服了傳統(tǒng)混合高斯背景建模方法計(jì)算時(shí)間長的缺點(diǎn),。通過對視頻圖像中運(yùn)動(dòng)目標(biāo)區(qū)域進(jìn)行背景建模，減小了每一幀的背景建模區(qū)域,，同時(shí)在提取運(yùn)動(dòng)目標(biāo)區(qū)域前先對初提取的前景目標(biāo)進(jìn)行中值濾波,，減小運(yùn)動(dòng)目標(biāo)區(qū)域的范圍，進(jìn)一步壓縮了背景建模的時(shí)間,。最后通過與時(shí)間平均背景建模和傳統(tǒng)混合高斯背景建模方法進(jìn)行比較,，驗(yàn)證了本文算法的高效性,。

　　關(guān)鍵詞：運(yùn)動(dòng)目標(biāo)檢測；運(yùn)動(dòng)目標(biāo)區(qū)域,；背景減除法,；混合高斯背景模型

0引言

　　視頻圖像運(yùn)動(dòng)目標(biāo)檢測就是將運(yùn)動(dòng)目標(biāo)從視頻序列圖像背景中分離出來，是運(yùn)動(dòng)目標(biāo)識(shí)別與跟蹤的基礎(chǔ)［12］,。其中圖像序列中有運(yùn)動(dòng)目標(biāo)經(jīng)過的區(qū)域稱為前景,，其余部分為背景。高效而準(zhǔn)確地檢測并提取前景目標(biāo)是視頻圖像運(yùn)動(dòng)目標(biāo)分析技術(shù)的核心部分之一,，也是計(jì)算機(jī)視覺和圖像理解的熱點(diǎn)和難點(diǎn)之一,。

　　目前常用的檢測算法有三種：幀差分法［3］、光流法［4］以及背景減除法［5］,。幀差分法比較適用于分析簡單場景,，并且提取到的目標(biāo)不完整，一般用來進(jìn)行初提取工作,；而光流法往往采用迭代法進(jìn)行計(jì)算,，且對光照、陰影等比較敏感,，使用范圍比較?。欢尘皽p除法操作簡單,，建模方式多種多樣,，所以使用最為廣泛。背景減除法將新一幀圖像與所建立的背景模型進(jìn)行比較,，若相同位置的像素灰度值的差大于提前設(shè)置的閾值,，則認(rèn)為這個(gè)像素點(diǎn)來自于前景，否則是背景,。而一幅圖片中所有來自前景的坐標(biāo)就構(gòu)成了前景區(qū)域,。背景減除法的核心技術(shù)在于背景模型的建立和更新，不同的背景建模方式產(chǎn)生的處理時(shí)間和處理效果各不相同,。STAUFFER C等人提出的混合高斯背景建模方法［67］是目前較為成功的方法之一,。它的理論依據(jù)在于不同的圖片中相同坐標(biāo)處的像素值必然服從于一個(gè)或者多個(gè)高斯分布，通過對每個(gè)坐標(biāo)處建立幾個(gè)高斯函數(shù),，能有效地建立一個(gè)具有很高魯棒性的背景模型,。當(dāng)然由此也造成了該方法計(jì)算的復(fù)雜性。

　　本文通過減小背景建模區(qū)域來達(dá)到縮短檢測時(shí)間的目的,，通過幀差分法對運(yùn)動(dòng)前景區(qū)域進(jìn)行初提取,，通過膨脹和腐蝕等形態(tài)學(xué)操作［8］使離散的前景像素點(diǎn)合并為一塊或者幾塊區(qū)域，然后對這些區(qū)域進(jìn)行混合高斯背景建模,，能較好地減小算法的計(jì)算量,，同時(shí)也能達(dá)到同樣的檢測效果,。

1傳統(tǒng)混合高斯背景建模理論

　　參考文獻(xiàn)［2］中使用M個(gè)高斯函數(shù)構(gòu)成的混合高斯背景模型來表示一個(gè)坐標(biāo)處像素在時(shí)間域上的概率分布，記t時(shí)刻坐標(biāo)(x,y)處像素灰度值為ft(x,y),，則坐標(biāo)(x,y)處像素灰度值為ft(x,y)的概率P(ft)用式（1）表示：

　　式中M是高斯模型的個(gè)數(shù),，ωl為第l個(gè)高斯分布的權(quán)重，ηl(ft,μl,t,σl,t)是第l個(gè)高斯密度函數(shù),，用式（2）表示：

　　式中μl,t是該高斯分布的均值，σl,t是方差,。

　　判定原則如下：對于待檢測圖片中的ft(x,y),，求出能代表其背景分布的M個(gè)高斯函數(shù)，將這些函數(shù)按ω/σ值的大小排序,，取比值大的前B個(gè)高斯函數(shù)組成該點(diǎn)背景的混合高斯模型,，如果ft(x,y)與其該背景模型中的第k(k≤B)個(gè)高斯分布匹配，則認(rèn)為該點(diǎn)是背景,，否則為前景,。匹配準(zhǔn)則如下：

　　式中λ來自于經(jīng)驗(yàn)。

　　背景更新：新一幀圖像檢測完成后,，若ft(x,y)被認(rèn)為來自于前景,，也就是說該點(diǎn)對應(yīng)模型的前B個(gè)高斯分布中沒有一個(gè)與之匹配，則用一個(gè)新的高斯分布來替換ω/σ值最小的那個(gè)分布,，其均值為ft(x,y),，并賦予一個(gè)較大的方差和較小的權(quán)重。

　　參數(shù)更新：

　　與ft(x,y)匹配的高斯函數(shù)按下式更新：

　　圖3對視頻ccbr.avi進(jìn)行的算法仿真結(jié)果圖不能與ft(x,y)匹配的高斯函數(shù)按下式更新：

　　ω′l(x,y)=(1-α)ωl(x,y)(7)

　　然后歸一化權(quán)值,。式中α,、ρ為學(xué)習(xí)速度，來自于經(jīng)驗(yàn),。

2改進(jìn)的混合高斯背景建模

　　需要檢測的視頻里面每一幀圖像只有部分區(qū)域中存在運(yùn)動(dòng)目標(biāo),，常用的混合高斯背景模型都是對整幅圖像進(jìn)行背景建模，其中很大一部分是沒有必要的,，本文則是提前將視頻圖像中有運(yùn)動(dòng)前景的區(qū)域提取出來并通過膨脹和腐蝕操作確保提取的前景區(qū)域一定包括了運(yùn)動(dòng)前景,，然后對運(yùn)動(dòng)前景區(qū)域進(jìn)行混合高斯背景建模，進(jìn)而提取出運(yùn)動(dòng)前景,。

　　提取運(yùn)動(dòng)前景區(qū)域采用幀差法,，其包括兩幀幀差法和三幀幀差法，其中三幀幀差法提取到的只有運(yùn)動(dòng)前景的一部分,，比較之下,，本文采用兩幀幀差法提取，并通過形態(tài)學(xué)操作,，得到運(yùn)動(dòng)前景區(qū)域,，通過C4模塊進(jìn)行存儲(chǔ),，然后利用混合高斯背景建模模塊，只對提取出的前景區(qū)域進(jìn)行處理,，得到運(yùn)動(dòng)前景,。改進(jìn)的基于混合高斯背景建模的運(yùn)動(dòng)目標(biāo)檢測的設(shè)計(jì)流程圖如圖1所示。

　　首先記t時(shí)刻和t+1時(shí)刻輸入的連續(xù)兩幀圖像分別為x和y,，灰度化處理分別記為m和n,，然后將m和n數(shù)據(jù)類型轉(zhuǎn)化為雙精度型，并存儲(chǔ)到q和w中,，記c(i,j)=|q(i,j)-w(i,j)|,根據(jù)c(i,j)與設(shè)置的閾值th比較分析,，判斷該像素點(diǎn)是前景還是背景。整幅圖片處理完成后即得到初提取的前景二值圖像C,，對圖像C采用3×3中值濾波［6］處理,，然后進(jìn)行膨脹和閉運(yùn)算操作，得到初提取的前景區(qū)域C3,，并最終將前景區(qū)域信息存儲(chǔ)到文件C4中,，即完成了對運(yùn)動(dòng)目標(biāo)區(qū)域的提取操作。然后混合高斯背景建模模塊對原始視頻的C4前景區(qū)域進(jìn)行背景建模,，最終完成對前景圖像的準(zhǔn)確提取,。

3結(jié)果分析

　　本實(shí)驗(yàn)采用MATLAB 2014a進(jìn)行編程，并在Inter 3.4 GHz處理器,、4 GB內(nèi)存的PC上進(jìn)行仿真,，使用的視頻速率為20幀/s，原始經(jīng)典混合高斯背景建模和改進(jìn)后的混合高斯背景建模所選高斯函數(shù)均為4個(gè),，初始標(biāo)準(zhǔn)差為6,，前景閾值th=λσk，λ=2.5,，學(xué)習(xí)率α=0.01,，方差學(xué)習(xí)率ρ=0.03。視頻首先經(jīng)過C4區(qū)域提取模塊,，提取出運(yùn)動(dòng)目標(biāo)區(qū)域,，然后背景建模模塊通過對C4區(qū)域進(jìn)行前景提取，最后檢測出運(yùn)動(dòng)前景二值圖像［9］,，并將結(jié)果由四個(gè)輸出視頻（原始視頻,、灰度處理視頻、前景區(qū)域視頻和前景二值圖像視頻）顯示出來,。本文實(shí)驗(yàn)共采用了三種方法進(jìn)行仿真模擬：時(shí)間平均模型法［1］,、混合高斯模型法以及本文所介紹方法，對復(fù)雜背景視頻Traffic.avi和簡單背景視頻ccbr.avi進(jìn)行了處理,，圖2和圖3分別是選擇Traffic.avi的第175幀圖像和ccbr.avi的第50幀進(jìn)行算法仿真的結(jié)果從圖中可以看出,，本實(shí)驗(yàn)完全能達(dá)到混合高斯模型的效果,，而從表1的分析數(shù)據(jù)可以看出，本實(shí)驗(yàn)所用時(shí)間遠(yuǎn)遠(yuǎn)小于傳統(tǒng)的混合高斯背景建模法,。 

　　從實(shí)驗(yàn)數(shù)據(jù)可以看出,，通過對運(yùn)動(dòng)物體運(yùn)動(dòng)區(qū)域的提取來進(jìn)行混合高斯背景建模可以有效縮短前景提取時(shí)間,，而且越是簡單的背景,，節(jié)約的處理時(shí)間越明顯。

　　4結(jié)論

　　本文為了克服傳統(tǒng)混合高斯模型方法計(jì)算量大的缺點(diǎn),，提出了對運(yùn)動(dòng)目標(biāo)所在區(qū)域建立背景模型的方法,，通過與時(shí)間平均模型和混合高斯模型進(jìn)行實(shí)驗(yàn)仿真對比，結(jié)果證明了本文所用方法的有效性,。

參考文獻(xiàn)

　　［1］ 趙春暉,潘泉,梁彥,等.視頻圖像運(yùn)動(dòng)目標(biāo)分析［M］. 北京：國防工業(yè)出版社, 2011.

　?。?］ 杜文略,劉建梁,沈三民,，等.基于FPGA的運(yùn)動(dòng)目標(biāo)檢測系統(tǒng)設(shè)計(jì)［J］.電子技術(shù)應(yīng)用,2014,40(11):3638,42.

　　［3］ LIPON A, FUJIYOSHI H,，PATIL R. Moving target classification and tracking from real time video ［C］.Proceedings of IEEE Workshop Applications of Computer Vision,，Los Alamitos，CA,，1998:814.

　?。?］ BROX T, BRUHN A, PAPENBERG N, et al. High accuracy optical flow estimation based on a theory for warping［C］. Proceedings of 8th European Conference on Computer Vision, 2004：2536.