甘沅民

（中北大學(xué) 信息與通信工程學(xué)院，山西太原 030051）

0 引言

近年來，基于紅外圖像序列的人體檢測(cè)技術(shù)被廣泛應(yīng)用于軍事、安全保衛(wèi)，以及人機(jī)交互等領(lǐng)域。紅外圖像能夠在黑暗或者存在煙霧的環(huán)境下看到在可見光領(lǐng)域沒辦法看到的感興趣目標(biāo)，加之近年來紅外成像器件價(jià)格不斷降低，使得紅外攝像機(jī)普及度越來越高?，F(xiàn)在，它己經(jīng)成為晝夜視頻監(jiān)控系統(tǒng)的重要組成部分。隨之而來的是，越來越多的研究者開始加大對(duì)紅外圖像中的人體檢測(cè)問題的研究力度。

紅外圖像并不像可見光成像那樣，具有成像質(zhì)量高、信噪比大、紋理信息多等多重優(yōu)點(diǎn)。紅外圖像目標(biāo)除了受表面溫度影響外，還容易受目標(biāo)表面特征朝向以及輻射波長(zhǎng)的影響。周圍環(huán)境中車輛、動(dòng)物、路燈、電器等各種熱源很容易對(duì)紅外圖像產(chǎn)生干擾，加之人體目標(biāo)邊緣模糊且常伴有光暈現(xiàn)象，使得紅外圖像中的人體檢測(cè)技術(shù)研究具有相當(dāng)大的挑戰(zhàn)性。紅外人體目標(biāo)檢測(cè)是指從圖像序列中將人體可能存在的感興趣區(qū)域從背景圖像中提取出來。目前，我們?cè)跀z像機(jī)靜止的情況下，常采用幀間差分法、背景差分法和光流法等檢測(cè)方法。在這幾種方法中，應(yīng)用最為廣泛的檢測(cè)方法就是幀間差法。該法的核心問題是如何快速、準(zhǔn)確地提取背景模型以及實(shí)現(xiàn)背景模型的更新的實(shí)時(shí)性，使背景模型盡可能地與視頻幀圖像的真實(shí)背景相似。其中，高斯混合模型法就是比較成功的一種，目前許多研究者對(duì)高斯混合模型提出一些改進(jìn)方法，但仍有一些不足需進(jìn)一步研究。本文基于此思想，提出一種基于改進(jìn)高斯混合模型的紅外人體檢測(cè)方法。

混合高斯模型是通過K個(gè)高斯型來表示圖像像素點(diǎn)特征信息的多維概率半?yún)?shù)函數(shù)算法。其通過在線學(xué)習(xí)更新各個(gè)分布參數(shù)有效地解決了多模態(tài)背景存在的問題。但它還存在收斂性慢，光線突變時(shí)，還極易受到變化背景像素點(diǎn)的干擾，進(jìn)而出現(xiàn)誤檢、漏檢。針對(duì)此，本文提出了一種將邊緣信息與高斯混合模型相結(jié)合的方法，增強(qiáng)了檢測(cè)效果。

1 混合高斯模型原理

通常，我們通過建立背景模型來實(shí)現(xiàn)背景中所監(jiān)控的目標(biāo)的提取，但往往實(shí)際背景并不一定是完全靜止的場(chǎng)景，常常會(huì)受到各種非監(jiān)控目標(biāo)的運(yùn)動(dòng)干擾，其反映在圖像上就是:覆蓋某些像素點(diǎn)的消失，導(dǎo)致其像素值發(fā)生比較大的變化。諸如此類的運(yùn)動(dòng)并不是我們感興趣的目標(biāo)，所以應(yīng)將其看作背景。但單模態(tài)由于其單峰分布的局限性在進(jìn)行背景建模時(shí)已經(jīng)設(shè)定除少量噪聲以外背景是靜止的，這樣就無(wú)法描述復(fù)雜的背景。考慮到多個(gè)單模態(tài)的集合可以對(duì)應(yīng)背景像素值分布的多峰，所以，我們就引入混合高斯來表征復(fù)雜背景中圖像像素點(diǎn)的變化情況。也正是基于此考慮，高斯混合模型才能利用多個(gè)單高斯函數(shù)之組合來完成多模態(tài)背景描述。

GMM的建模程序是 ：首先將圖像序列的像素值視為一組時(shí)間序列{X1, X2,…, Xt}={I(x0, y0, i)：≤i≤t},并且把同幀中各個(gè)像素值看成是相互獨(dú)立的，不同時(shí)刻的采樣值也是相互獨(dú)立且分布相同，用K個(gè)獨(dú)立的高斯分量來表示該分布。定義P(Xt)是K個(gè)高斯模型的概率函數(shù)的加權(quán)之和，代表了當(dāng)前像素值的概率函數(shù)，P(Xt)的數(shù)學(xué)表達(dá)式為：

其中，

其中T為預(yù)定閾值（0.5≤T≤1），T代表背景出現(xiàn)的概率。

2 邊緣檢測(cè)算法研究

圖像的邊緣檢測(cè)是所有基于邊界的圖像分割算法中最基本的處理算法，在對(duì)圖像進(jìn)行基于邊界的分割處理時(shí)，所要進(jìn)行的第一步便是對(duì)圖像進(jìn)行邊緣檢測(cè)處理。所謂圖像的邊緣，就是指圖像局部區(qū)域亮度變化最顯著的部分，該區(qū)域的灰度剖面一般可以看作是一個(gè)階躍，即從一個(gè)灰度值在很小的緩沖區(qū)域內(nèi)急劇變化到另一個(gè)灰度相差較大的灰度值。

邊緣檢測(cè)算法是圖像分割技術(shù)史上發(fā)展最早的，它以圖像的梯度信息為基礎(chǔ)，使用各種邊緣檢測(cè)模板，如常用的Robets算子、Prewitt算子、Sobel算子、Canny算子等檢測(cè)出圖像中目標(biāo)的邊界，完成目標(biāo)的分割。由于圖像邊緣是不同區(qū)域的交界處，其區(qū)域的灰度值變化最顯著，所能表征事物不同信息也最多。因此，我們可以用圖像邊緣來反映監(jiān)控目標(biāo)的基本特征。圖像的邊緣由奇異點(diǎn)或突變點(diǎn)構(gòu)成，也即是灰度函數(shù)的圖像灰度發(fā)生突變的地方。圖像灰度函數(shù)的梯度反映了圖像灰度的突變情況，所以可以用圖像局部微分技術(shù)來實(shí)現(xiàn)邊緣提取算法。眾多學(xué)者根據(jù)邊緣的特征特性和梯度理論，提出了許多經(jīng)典的邊緣提取算法。

假設(shè)函數(shù)I(i, j)是連續(xù)的，其在點(diǎn)(i, j)的梯度為一矢量。我們可以將其表示為：

在幾種常用的邊緣檢測(cè)算法中，Robets算子能很好地完成垂直和水平方向上的處理并能對(duì)邊緣進(jìn)行定位但具有漏檢且對(duì)偽邊緣檢測(cè)效果欠佳的缺點(diǎn)；Prewitt算子利用像素點(diǎn)的8個(gè)方向灰度加權(quán)差之和進(jìn)行邊緣提取，提高了準(zhǔn)確度，但存在漏檢和偽邊緣現(xiàn)象；Sobel算子空間上易于實(shí)現(xiàn)對(duì)邊緣提取準(zhǔn)確，并能有效平滑噪聲及大領(lǐng)域抗噪聲能力強(qiáng)，但存在偽邊緣且邊緣容易模糊，鄰域大和邊緣定位準(zhǔn)確度不高的缺點(diǎn)。相比較而言，Canny算子由于檢測(cè)精度非常高且信噪比較大被廣泛使用。本文就采用Canny算子來提取邊緣信息。

3 改進(jìn)的高斯混合模型

本算法中主要包括圖像預(yù)處理模塊、邊緣混合高斯模型的建立模塊、GMM參數(shù)的更新模塊和人體目標(biāo)提取模塊等4部分。

1)圖像預(yù)處理主要有邊緣信息的提取和對(duì)圖像的灰度化預(yù)處理。

2)引進(jìn)Canny邊緣檢測(cè)算子的混合高斯模型的建立:主要包括了檢驗(yàn)匹配和初始化2個(gè)步驟。一是檢驗(yàn)匹配條件:逐一對(duì)圖像幀的像素值Xt和與其相對(duì)應(yīng)的K個(gè)GMM匹配檢驗(yàn)，當(dāng)Xt與GMM中的第i個(gè)高斯分布Gi均值距離小于標(biāo)準(zhǔn)差的2.5倍時(shí)，就稱Gi與Xt匹配，否則就不匹配。二是初始化：圖像的第一幀的像素值作為K個(gè)GMM中的第一個(gè)對(duì)GMM中的某個(gè)高斯分布的均值進(jìn)行初始化，并對(duì)該分布的權(quán)值賦予比較大的值；其他GMM賦予比較小的相等的權(quán)值，而且與其對(duì)應(yīng)的高斯分布均值取零;GMM中所有高斯函數(shù)的方差賦予較大且相等初始化值。本文進(jìn)行實(shí)驗(yàn)時(shí)初始化取值如下：GMM中第一個(gè)高斯分布的權(quán)系數(shù)取1，其他取0；均值向量取0；協(xié)方差取一個(gè)較大的X0值。

3)前景目標(biāo)的提?。簩?duì)當(dāng)前像素點(diǎn)與背景模型精心匹配，當(dāng)不滿足匹配條件時(shí)就把該點(diǎn)歸類為前景目標(biāo)點(diǎn)，即人體目標(biāo)，同時(shí)去除當(dāng)前幀相對(duì)應(yīng)的圖像像素點(diǎn)的值。然后利用數(shù)學(xué)形態(tài)學(xué)方法對(duì)得到的圖像像素進(jìn)行腐蝕及膨脹處理。

4)改進(jìn)型GMM模型參數(shù)的更新：主要包括了高斯模型的均值μi,t更新·協(xié)方差矩陣權(quán)系數(shù)ωi,j的更新和學(xué)習(xí)因子α的在線動(dòng)態(tài)調(diào)整更新。

基于改進(jìn)的高斯混合模型流程圖如圖1所示。

圖1 改進(jìn)高斯混合模型流程圖

4 實(shí)驗(yàn)結(jié)果與分析

經(jīng)過多次實(shí)驗(yàn)表明，T的取值大小關(guān)系到算法檢驗(yàn)效果的好壞:如果我們給T賦值過大，權(quán)重很小的高斯分布就會(huì)被歸類為背景點(diǎn)，容易把前景目標(biāo)誤認(rèn)為是背景點(diǎn)。而T取值過小時(shí)，混合高斯分布就有可能被單高斯分布所代替。所以T值取得要適當(dāng)。當(dāng)T取的適當(dāng)時(shí)，由于多個(gè)高斯分布用來描述背景模型，所以多峰分布背景也可以得到有效處理，這樣背景就有很強(qiáng)的自適應(yīng)學(xué)習(xí)更新能力。此次實(shí)驗(yàn)我們?nèi)=0.8。

監(jiān)控場(chǎng)景背景的建立：在t時(shí)刻時(shí)，若圖像幀中的像素點(diǎn)值Xt與前B個(gè)高斯分布之一相匹配，則該圖像像素點(diǎn)就歸類為背景點(diǎn)。當(dāng)圖像像素的值和某個(gè)決策歸類為背景的模型相匹配時(shí)，就可以利用當(dāng)前圖像像素點(diǎn)或者此模型均值更新背景圖像相對(duì)應(yīng)的像素點(diǎn)，進(jìn)行背景的建立。在實(shí)驗(yàn)中，我們采用高斯模型中權(quán)值最大的均值進(jìn)行更新背景像素點(diǎn)。

前景人體目標(biāo)提?。涸趖時(shí)刻，如果圖像幀中的像素值Xt和該圖像幀像素的前B個(gè)高斯分布模型都不匹配，則該圖像像素點(diǎn)就歸類為前景人體目標(biāo)點(diǎn)。加入邊緣算子混合高斯模型與常規(guī)混合高斯模型的對(duì)比效果圖如圖2所示。從圖2中我們可以看出，加入邊緣信息的高斯混合模型檢測(cè)效果較好，加入邊緣算子有效的消除了光照陰影變化所帶來的影響。

圖2 陰影不顯著情況下邊緣目標(biāo)檢測(cè)

[1]張恒,胡文龍,丁赤飚.一種自適應(yīng)學(xué)習(xí)的混合高斯模型視頻目標(biāo)檢測(cè)算法[J].中國(guó)圖像圖形學(xué)報(bào),2010,15(4):631-636.

[2]周文玲,金紅艷,郭義江.一種快速的視頻剛體運(yùn)動(dòng)目標(biāo)檢測(cè)算法[J].計(jì)算機(jī)工程,2010,36(22).

[3]李少軍,朱振倡.采用粒子濾波的先跟蹤后檢測(cè)算法[J].紅外與激光上程,2009,38(2):352-357.

[4]梁光清.基于被動(dòng)式紅外探測(cè)器的人體識(shí)別技術(shù)研究[D].重慶:重慶大學(xué),2009.

[5]劉濤,呂江北,王書宏,盧煥章.基于TDRNN的大氣層外彈道式空間紅外目標(biāo)識(shí)別[J].電子與信息學(xué)報(bào),2010,33(1):80-85.

[6]王丹.基于各向異性高斯濾波的圖像邊緣檢測(cè)方法[D].西安:西安電子科技大學(xué),2010.

[7]楊曉.紅外圖像的目標(biāo)識(shí)別技術(shù)研究[D].太原:中北大學(xué),2009.

[8]鄒前進(jìn),馮亮,汪亞.紅外圖像空間噪聲分析和預(yù)處理方法改進(jìn)[J].應(yīng)用光學(xué),2007(7):426-430.