閆英戰(zhàn)， 楊 勇

(廣東科技學(xué)院計算機系，廣東東莞 523083)

基于風(fēng)險決策與混合高斯背景模型的前景目標突變快速檢測

閆英戰(zhàn)*， 楊 勇

(廣東科技學(xué)院計算機系，廣東東莞 523083)

將風(fēng)險決策引入前景目標的突變判斷中，通過設(shè)計一個時序計數(shù)器函數(shù)來記錄圖像上某一像素點被劃為前景的次數(shù)，當(dāng)次數(shù)大于某一閾值時，將該像素從前景點改判為背景點，可以估計該像素點為背景點的概率，做出風(fēng)險決策，以便及時更新混合高斯背景模型參數(shù)，減少多個高斯模型的高額計算量．最后通過實驗驗證了算法在目標檢測率和實時性方面的改進．

目標檢測； 混合高斯模型； 背景建模； 風(fēng)險決策

在運動目標檢測過程中，傳統(tǒng)采用的方法主要是幀間差分法、背景減除法[1]及光流法[2]．背景模型估計算法適用于攝像機靜止的情形，按照所處理背景的自身特性，可分為單模態(tài)和多模態(tài)兩種．前者在每個背景點上的顏色分布較集中，可用單個概率分布模型來描述(即只有一個模態(tài))，后者的分布則比較分散，需要多個分布模型來共同描述(具有多個模態(tài))．自然界中的許多景物和很多人造物體，如水面的波紋、搖擺的樹枝等，都呈現(xiàn)出多模態(tài)的特性[3]．最常用的描述背景點顏色分布的概率分布是高斯分布(正態(tài)分布)，目前大部分研究都集中于開發(fā)不同的背景模型，以期減少動態(tài)場景變化對于運動分割的影響．例如，STAUFFER與GRIMSON[1]利用自適應(yīng)的混合高斯背景模型對每個像素進行建模，并且利用在線估計來更新模型，從而可靠地處理了光照變化、背景混亂運動的干擾等影響．自適應(yīng)混合高斯背景模型具有良好的解析形式且運算效率高，因而優(yōu)于其他形式的背景模型．但是多高斯背景存在一些不足，由于它為視頻圖像每個像素點的每個R、G、B顏色通道都建立了一個包括K(K取3～5值)個高斯函數(shù)的混合高斯模型，模型過多，計算量會非常大，那么計算耗時就會很大，影響系統(tǒng)的工作效率和實時性．

文獻[4]將目標跟蹤分為以下幾類：目標進入場景、離開場景、單目標跟蹤、多目標跟蹤以及遮擋目標跟蹤等情況．目標檢測是跟蹤的前提，一個魯棒性強的目標跟蹤系統(tǒng)需要一個效率高、實時性強的目標檢測方法．本文針對當(dāng)有目標進入場景、離開場景的情況，提出了一種改進的高斯建模算法，將風(fēng)險決策應(yīng)用于前景目標的突變判斷中，引入一個時序計數(shù)器函數(shù)來記錄圖像上每一像素點被劃為前景的次數(shù)，其作用是用來判斷混合高斯模型中非運動目標像素點對跟蹤目標檢測的干擾．根據(jù)時序計數(shù)器函數(shù)和閾值計算像素點為前景或背景的概率，再通過風(fēng)險決策計算該像素點為前景或背景的風(fēng)險，據(jù)此能較準確地判斷該像素點，可以將原先錯判的前景點改判為背景點，及時更新混合高斯背景模型參數(shù)，以減少多個高斯模型的高額計算量．

1 自適應(yīng)混合高斯背景模型及更新

ωi,t=(1-α)ωi,t-1+α,

(1)

ui,t=(1-ρ)ui,t-1+ρXt，

(2)

(3)

其中α(0≤α≤1)是用戶定義的學(xué)習(xí)率，α的大小決定著背景更新的速度，α越大，更新速度越快．ρ≈α/ωi,t是參數(shù)學(xué)習(xí)率，如果沒有高斯分布和Xt匹配，則權(quán)值最小的高斯分布將被更新，新分布的均值為Xt，初始化一個較大的標準差σ0和較小的權(quán)值ω0，余下的高斯分布保持相同的均值和方差，但它們的權(quán)值會衰減，即按ωi,t=(1-α)ωi,t-1處理[6]．

2 基于風(fēng)險決策的混合高斯背景建模

在文獻[5]中采用式(1)～(3)這樣的背景更新機制,使混臺模型能適用于亮度發(fā)生漸變、物體運動速度適中的場景．然而，當(dāng)背景中有局部運動或是有新物體移入或現(xiàn)有物體移出當(dāng)前場景中時，場景中變動部分將不符合當(dāng)前的K個高斯分量，部分像素會被錯誤地劃分為前景或背景，為了減少這種錯誤劃分，在這里引入一個時序計數(shù)器函數(shù)f(x，t)記錄一個像素點被劃分為前景的次數(shù)，f(x，t)初值為0．

(4)

當(dāng)某像素點x的函數(shù)f(x,t)大于某一閾值Tt時，將該像素判別為背景像素，這是因為當(dāng)運動目標還沒有出現(xiàn)時，場景中部分判定為前景的像素是非目標運動物體(在本試驗采用的圖像中是指隨風(fēng)擺動的小草)的像素，實際上是背景像素，于是當(dāng)真正的運動前景目標出現(xiàn)時，能及時檢測到并按式(1)～(3)來更新高斯模型．為了自適應(yīng)調(diào)整系統(tǒng)的閾值，Tt為動態(tài)閾值，它由t-1時刻的像素個數(shù)及像素點的時序計數(shù)器函數(shù)值確定，

(5)

其中ni,t-1表示t-1時刻f(x,t-1)值為i的像素點個數(shù)，fmax(x,t-1)為t-1時刻各像素點的最大時序計數(shù)器函數(shù)值．

為了進一步研究當(dāng)有新物體移入或現(xiàn)有物體移出當(dāng)前場景時，我們引入風(fēng)險決策[7]應(yīng)用于前景目標的突變判斷中．風(fēng)險決策思想是在設(shè)計分類器的過程中，將考慮錯誤分類的風(fēng)險，不以最小錯誤率為目標，而以最小風(fēng)險為目標的一種決策方法．需要設(shè)計一個分類器來判別前景和背景兩種情況，這是一個模式識別中的決策問題，前景和背景為分類器的2個類別．顯然，將前景錯判為背景時會導(dǎo)致目標丟失，風(fēng)險度很高；而將背景錯判為前景最多使此幀的目標模板不更新，對整個前景目標跟蹤過程影響不大，因此風(fēng)險度較低．設(shè)[C1，C2]為圖像的前景和背景．(C1C2)表示將前景錯判為背景的風(fēng)險系數(shù)，(C2C1)表示將背景錯判為前景的風(fēng)險系數(shù)．P(C1|x)表示X像素點為前景的概率，P(C2|x)表示X像素點為背景的概率，P(C1|x)+P(C2|x)=1，P(C1|x)與P(C2|x)定義如下:

(6)

上式說明在式(4)中的某像素點的f(x,t)在真正目標出現(xiàn)前被判定為前景的頻率越高，它在目標消失的瞬間是背景的可能性越大．

根據(jù)風(fēng)險決策思想，將前景錯判為背景的風(fēng)險系數(shù)要大于將背景錯判為前景的風(fēng)險系數(shù)，在此取(C1C2)=6，(C2C1)=2．當(dāng)P(C1|x)(C2C1)>P(C2|x)(C1C2)時，說明x像素點判為前景像素的風(fēng)險要大于為背景的風(fēng)險，據(jù)此判斷該點為背景像素，反之，則判斷該點為前景像素．

3 結(jié)果與分析

在對真實監(jiān)控場景視頻進行實驗時，計算機的配置為處理器AMD Athlon(tm) XP 3200+1.53GHz，1GB內(nèi)存，操作系統(tǒng)為Microsoft Windows XP Professional，視頻圖像大小為320×240像素，程序編寫環(huán)境為VC++6.0，并結(jié)合Opencv實現(xiàn)．

為了檢驗基于風(fēng)險決策的多高斯建模算法對運動目標突變的檢測性能，本文在實驗中通過與傳統(tǒng)的混合高斯建模(K=3)進行對比，驗證其優(yōu)越性．

圖1 目標突然消失時背景建模檢測效果Figure 1 Background modeling and testing design sketch with the target disappearing

由圖1可看到用傳統(tǒng)高斯建模檢測出的目標效果：當(dāng)圖片右邊的汽車突然消失時消失了的汽車仍被檢測為前景目標，即為前一幀的檢測效果，這樣會導(dǎo)致跟蹤的實時性較差；而用本文算法能夠及時準確地檢測出汽車突然消失，如圖1(e)．圖1(d)和圖1(e)對比，可看出隨風(fēng)擺動的綠草被錯誤檢測為前景的概率大大降低．

圖2 傳統(tǒng)高斯建模算法和基于風(fēng)險決策的高斯建模算法檢測率與時間的數(shù)學(xué)關(guān)系

Figure 2 Mathematical relational graph of Traditional Gause’s modeling algorithm and Gause’s modeling algorithm based on risk-making between detection rate and time

圖3 目標突然出現(xiàn)時背景建模檢測效果Figure 3 Background modeling and testing design sketch with the target appearing

由圖2可見，2種算法在達到相同檢測率時，基于風(fēng)險決策的高斯建模算法檢測效率高，耗時短，實時性強．例：在檢測率為60%時，采用傳統(tǒng)的高斯建模算法耗時280 μs，而采用本文算法耗時48 μs；在檢測率為80%時，采用傳統(tǒng)算法耗時310 μs，而采用本文算法耗時70 μs．

由圖3可看到用傳統(tǒng)高斯建模檢測出的目標效果：當(dāng)圖片左上角的的汽車突然出現(xiàn)時出現(xiàn)的汽車仍被檢測為背景，即為前一幀的檢測效果，這樣會導(dǎo)致跟蹤的實時性較差；而用本文改進算法能夠較為準確地檢測出突然出現(xiàn)的汽車．

4 結(jié)束語

本文對自適應(yīng)混合高斯背景模型進行了改進，將風(fēng)險決策應(yīng)用于前景目標的突變判斷中，解決了目標突然出現(xiàn)或消失時混合高斯背景建模參數(shù)無法及時更新的問題．改進算法與傳統(tǒng)的混合高斯背景建模相比，在系統(tǒng)檢測率、實時性方面更加具有優(yōu)越性，使背景建模更加貼近實際應(yīng)用．

[1] STAUFFER C，GRIMSON W．Adaptive background mixture mode1s of real-time tracking[C]∥Proc IEEE Conference on Computer Vision and Pattern Recognition.Fort Collins，Colorado，1999:246-252．

[2] TOYAMA K，KRUMM J，BRUMITT B,et al.Wallflower:Principles and practice of background maintenance[C]∥The Proeeedings of the Seventh IEEE International Conference on Computer Vision.Corfu,Greece，1999:255-261．

[3] CHALIDABHONGSE T H，KIM K，HARWOOD D，et al．A perturbation method for evaluating background subtraction algorithms joint[C]∥IEEE International Workshop on Visual Surveillance and Performance Evaluation of Tracking and Surveillance(VS-PETS 2003).Nice，F(xiàn)rance,2003．

[4] 李崢.智能視頻監(jiān)控中的遮擋目標跟蹤技術(shù)研究[D].武漢：華中科技大學(xué)，2008．

[5] 劉鑫，劉輝，強振平，等．混合高斯模型和幀間差分相融合的自適應(yīng)背景模型[J]．中國圖象圖形學(xué)報，2008，13(4)：729-734.

LIU Xin，LIU Hui,QIANG Zhenping，et al．Adaptive background modeling based on mixture gaussian model and frame subtraction[J]．Journal of Image and Graphics，2008，13(4)：729-734.

[6] COLLINS R T,LIPTON A J,KANADE T.A system for video surveillance and monitoring[R].Pittsburgh:Robotics Institute,Carnegie Mellon University,2000.

[7] 周妍，胡波，張建秋．基于粒子濾波器和風(fēng)險決策跟蹤遮擋目標的方法[J]．電子學(xué)報,2007,35(2)：350-353．

ZHOU Yan，HU Bo，ZHANG Jianqiu．Tracking occlusive target method based on bayesian decision theory and particle filter[J]．Acta Electronica Sinica，2007，35(2)：350-353．

Keywords： target detection; GMM; background model; risk decision

【責(zé)任編輯 莊曉瓊】

FASTDETECTIONOFFOREGROUNDTARGETMUTATIONSBASEDONRISKDECISIONANDGAUSSIANMIXTUREBACKGROUNDMODEL

YAN Yingzhan*， YANG Yong

(Department of Computer Science, Guangdong University of Science and Technology， Dongguan, Guangdong 523083, China)

Risk decision is introduced to judge mutations of foreground target. A timing counter function is designed to record the times of a pixel judged as foreground pixel. When the times is greater than a certain threshold value， the pixel will be judged as a background pixel instead of a foreground pixel. So the probability of background pixel can be evaluated for making risk decision， in order to update the GMM parameters and reduce the large computation of the multiple Gaussian model. Finally， the algorithm is verified by experiments for the target detection rate and real-time improvements.

2010-09-07

國家基礎(chǔ)科學(xué)研究基金(A1420060159)

*通訊作者,749284297@qq.com

1000-5463(2011)02-0056-04

TP391.4

A