徐蔚鴻，嚴(yán)金果

(長(zhǎng)沙理工大學(xué)計(jì)算機(jī)與通信工程學(xué)院， 湖南 長(zhǎng)沙 410114)

1 引言

智能視頻監(jiān)控系統(tǒng)研究的主要內(nèi)容是對(duì)監(jiān)控視頻中運(yùn)動(dòng)的人和物進(jìn)行檢測(cè)、跟蹤與識(shí)別等。而對(duì)運(yùn)動(dòng)目標(biāo)的實(shí)時(shí)檢測(cè)是其他一切工作的必要前提，檢測(cè)效果將直接影響后續(xù)工作的準(zhǔn)確性。運(yùn)動(dòng)目標(biāo)實(shí)時(shí)檢測(cè)是指在視頻序列中實(shí)時(shí)地抽取出與背景存在相對(duì)運(yùn)動(dòng)的前景目標(biāo)，為以后的目標(biāo)識(shí)別做準(zhǔn)備。

在實(shí)際應(yīng)用中，由于場(chǎng)景多樣性、準(zhǔn)確性以及實(shí)時(shí)性對(duì)運(yùn)動(dòng)目標(biāo)檢測(cè)效果的影響，近年來(lái)國(guó)內(nèi)外學(xué)者對(duì)此做了深入的研究。目前，運(yùn)動(dòng)目標(biāo)檢測(cè)常用的方法有光流法[1]、幀間差分法[2,3]、背景差分法[4～8]。其中，光流法適用于攝像機(jī)運(yùn)動(dòng)的情況，但其算法的時(shí)間復(fù)雜度高，目前很難實(shí)現(xiàn)對(duì)運(yùn)動(dòng)目標(biāo)的實(shí)時(shí)檢測(cè)[9]。幀間差分法適用于環(huán)境動(dòng)態(tài)變化，快速提取運(yùn)動(dòng)目標(biāo)輪廓，但分割后容易在運(yùn)動(dòng)目標(biāo)實(shí)體內(nèi)產(chǎn)生空洞，即不能完整地檢測(cè)出運(yùn)動(dòng)目標(biāo)[10]。背景差分法是目前運(yùn)動(dòng)目標(biāo)檢測(cè)最流行的一種方法，適用于背景相對(duì)穩(wěn)定及攝像頭靜止的情況。彩色圖像HSV自適應(yīng)混合高斯建模算法[11]是背景差分中的一種，其對(duì)圖像進(jìn)行Hue、Saturation、Value分離后進(jìn)行自適應(yīng)混合高斯建模，但是計(jì)算量大難以實(shí)現(xiàn)對(duì)運(yùn)動(dòng)目標(biāo)的實(shí)時(shí)檢測(cè)。幀間差分中的三幀差分算法[12]雖然能快速檢測(cè)出運(yùn)動(dòng)目標(biāo)的輪廓，但檢測(cè)的目標(biāo)容易出現(xiàn)空洞。

針對(duì)上述存在的不足，本文進(jìn)行了如下兩點(diǎn)改進(jìn)，首先用基于HIS分離的分塊建模思想代替?zhèn)鹘y(tǒng)混合高斯模型逐點(diǎn)建模方式以減小計(jì)算量，其次運(yùn)用三幀差分的思想快速提取運(yùn)動(dòng)目標(biāo)輪廓。仿真實(shí)驗(yàn)表明該算法能快速有效地提取出目標(biāo)，完整且輪廓清晰。

2 傳統(tǒng)混合高斯模型與幀間差分原理和各自的不足之處

2.1 傳統(tǒng)混合高斯模型原理與其不足

混合高斯背景建模算法[13]是由Stauffer C和Grimson W E L等人提出的。該算法認(rèn)為視頻序列中同一位置像素值在時(shí)間軸上服從高斯分布，對(duì)每一像素顏色值序列{X1,X2,…,Xt}均由k個(gè)高斯分布來(lái)建立模型，則當(dāng)前像素值Xt的概率為：

(1)

其中,K為高斯分布個(gè)數(shù)(經(jīng)驗(yàn)值為3～5)，wi,t為第i個(gè)高斯分布的權(quán)值，μi,t為均值，η(Xt,μi,t,∑i,t)為高斯概率密度函數(shù),計(jì)算如式(2)所示：

(2)

ωk,t=(1-α)ωk,t-1+α(Mk,t)

(3)

μt=(1-ρ)μt-1+ρXt

(4)

(5)

ρ=αη(Xt|μk,σk)

(6)

其中,?、ρ為學(xué)習(xí)率；對(duì)參數(shù)Mk,t，模型匹配時(shí)取1，否則為0，其權(quán)值按式(3)更新，均值與方差均保持不變。若前k個(gè)高斯分布都不匹配且k

按優(yōu)先級(jí)(ω/σ)由高到低對(duì)高斯模型重新排列，那么取前B個(gè)高斯模型組合的背景，如式(7)：

(7)

在進(jìn)行目標(biāo)檢測(cè)時(shí)，如果某個(gè)像素點(diǎn)的觀察值與這B個(gè)高斯模型中的任意一個(gè)匹配，則認(rèn)為該像素點(diǎn)屬于背景點(diǎn)；否則屬于前景點(diǎn)。由以上分析可知，模型在每一幀都要對(duì)每個(gè)像素計(jì)算一次更新速率α與標(biāo)準(zhǔn)差ρ，當(dāng)中涉及到平方、開(kāi)方以及指數(shù)等運(yùn)算，這樣大大增加了計(jì)算量。因此，采用傳統(tǒng)混合高斯模型的背景差分法很難達(dá)到實(shí)時(shí)性的要求；同時(shí)，經(jīng)典模型只有對(duì)環(huán)境變化較慢的情況檢測(cè)效果較理想，在環(huán)境變化較快的情況下檢測(cè)的目標(biāo)輪廓清晰度難以符合其后識(shí)別工作的要求。

2.2 三幀差分算法與其不足

幀差法的基本原理是利用視頻序列中連續(xù)相鄰兩幀圖像f(x,y,t)、f(x,y,t-1)進(jìn)行差分處理后得到差圖像D1(x,y,Δt)：

D1(x,y,Δt)=|f(x,y,t)-f(x,y,t-1)|

(8)

與f(x,y,t)、f(x,y,t+1)差分后的圖像D2(x,y,Δt)進(jìn)行或運(yùn)算后得到差分圖像D(x,y,Δt)；然后進(jìn)行自適應(yīng)閾值處理得到清晰運(yùn)動(dòng)目標(biāo)輪廓；最后進(jìn)行數(shù)學(xué)形態(tài)學(xué)處理得到初步運(yùn)動(dòng)目標(biāo)圖像。

三幀差分法的引入是因?yàn)楫?dāng)運(yùn)動(dòng)目標(biāo)速度較慢時(shí)，目標(biāo)出現(xiàn)的區(qū)域變化不大，容易形成類似于隨機(jī)噪聲的孤立點(diǎn)，因此我們通常取連續(xù)的三幀圖像進(jìn)行相鄰的兩兩差分后，對(duì)兩個(gè)差分結(jié)果進(jìn)行或運(yùn)算。再對(duì)差分結(jié)果進(jìn)行自適應(yīng)閾值分割，最后進(jìn)行腐蝕與膨脹的數(shù)學(xué)形態(tài)學(xué)處理得到運(yùn)動(dòng)目標(biāo)的基本輪廓。

3 本文算法分析

3.1 基于分塊的HSI混合高斯模型

HSI三通道分離的混合高斯背景建模對(duì)每個(gè)分量逐點(diǎn)進(jìn)行建模，因此其算法的時(shí)間復(fù)雜度較大，即實(shí)時(shí)性較差。本文研究的算法主要是針對(duì)攝像機(jī)靜止時(shí)拍攝下來(lái)的視頻，這樣檢測(cè)運(yùn)動(dòng)目標(biāo)所考慮的背景也就基本保持固定，只會(huì)因?yàn)闃?shù)葉的搖擺、窗戶的晃動(dòng)等情況產(chǎn)生局部細(xì)微的變化，大部分背景基本不變。因此，本文對(duì)HSI自適應(yīng)混合高斯背景建模進(jìn)行了改進(jìn)，對(duì)HSI三通道分離后對(duì)各分量做分塊處理。因?yàn)楫?dāng)分塊較小時(shí)塊中每個(gè)像素值變化就很小，因此可以用每塊的幾何中心像素點(diǎn)的像素值來(lái)代替它所在塊像素點(diǎn)的像素值進(jìn)行混合高斯背景建模處理。

設(shè){X1,X2,…,Xt}={I(x0,y0,i)|1≤i≤t}為視頻幀中(x0,y0)點(diǎn)在t時(shí)刻之前像素值的集合，對(duì)t時(shí)刻視頻幀圖像的像素點(diǎn)按從上到下、從左到右分成大小為(2L+1)*(2L+1)的小方塊，對(duì)邊界不夠塊大小的情況，其值用0填充，則從左到右的第L+1、從上到下的第L+1個(gè)像素就是本方塊的幾何中心像素值，本文取它作為其所在方塊的有效像素值。在本文實(shí)驗(yàn)中L取2，這在很大程度上減小了計(jì)算量。

3.2 算法思想

混合高斯模型算法主要應(yīng)用于環(huán)境變化較慢的場(chǎng)景，從文獻(xiàn)[11]中可知，HSV自適應(yīng)的混合高斯模型檢測(cè)算法在較少背景變化下運(yùn)動(dòng)目標(biāo)的檢測(cè)效果較理想，改進(jìn)的背景差分算法主要利用HSI三通道分離的自適應(yīng)混合高斯模型來(lái)提取背景模型。這里，通過(guò)在建模前引入分塊處理的思想使檢測(cè)速率得到了明顯的提高，再引入了三幀差分算法提取運(yùn)動(dòng)目標(biāo)輪廓，因此改進(jìn)的運(yùn)動(dòng)目標(biāo)檢測(cè)新算法能更快速、更準(zhǔn)確地提取出運(yùn)動(dòng)目標(biāo)。

改進(jìn)算法基本步驟如下：

第一步：對(duì)輸入的智能監(jiān)控視頻序列進(jìn)行預(yù)處理，包括提取視頻幀圖像基本信息，以及根據(jù)經(jīng)驗(yàn)初始化所需的模型參數(shù)。

第二步：對(duì)第一步后的結(jié)果進(jìn)行灰度變換，通過(guò)三幀差分法(連續(xù)的三幀圖像進(jìn)行相鄰兩幀之間的兩兩差分后再對(duì)差分后的圖像進(jìn)行或運(yùn)算)能有效地檢測(cè)出運(yùn)動(dòng)目標(biāo)輪廓；然后采用自適應(yīng)的閾值分割方法(OSTU算法)對(duì)三幀差分后的圖像進(jìn)行閾值分割處理，得到二值化的灰度圖像即前景運(yùn)動(dòng)目標(biāo)，自適應(yīng)閾值比固定閾值適應(yīng)性更強(qiáng)，能很好地適應(yīng)背景環(huán)境的變化；最后對(duì)結(jié)果進(jìn)行數(shù)學(xué)形態(tài)學(xué)方法(膨脹和腐蝕)處理孤立的噪聲點(diǎn)。

第三步：對(duì)第一步后的結(jié)果進(jìn)行HSI的三通道分離，得到視頻幀圖像的Hue、Saturation、Intensity分量，各分量矩陣按3.1節(jié)所提的分塊算法進(jìn)行分塊處理；然后用自適應(yīng)混合高斯建模進(jìn)行背景建模來(lái)提取背景模型，得到初步的檢測(cè)目標(biāo)后進(jìn)行數(shù)學(xué)形態(tài)學(xué)處理。

第四步：將第二步和第三步的初步檢測(cè)結(jié)果進(jìn)行或運(yùn)算，再進(jìn)行腐蝕與膨脹的數(shù)學(xué)形態(tài)學(xué)處理，從而得到最終的運(yùn)動(dòng)目標(biāo)實(shí)時(shí)檢測(cè)結(jié)果。

改進(jìn)算法程序流程圖如圖1所示。

Figure 1 Flow chart of improved algorithm圖1 改進(jìn)算法流程圖

4 實(shí)驗(yàn)結(jié)果與分析

實(shí)驗(yàn)在Intel Core i5-2450M@2.5 GHz處理器、內(nèi)存4 GB，Windows 7 64位操作系統(tǒng)、Visual Studio 2008的環(huán)境下，基于Intel開(kāi)源的計(jì)算機(jī)視覺(jué)庫(kù)OpenCV編程實(shí)現(xiàn)。

為了驗(yàn)證本文算法的高效性與實(shí)時(shí)性，本實(shí)驗(yàn)選取了兩組存在較少背景變化環(huán)境下的視頻序列進(jìn)行運(yùn)動(dòng)目標(biāo)檢測(cè)，其中一組室內(nèi)環(huán)境實(shí)驗(yàn)結(jié)果如圖2和圖3，其幀寬度為320、幀高度為240；另外一組室外環(huán)境實(shí)驗(yàn)結(jié)果如圖4和圖5，其幀寬度為384、幀高度為288。圖2和圖3的室內(nèi)環(huán)境中背景很少發(fā)生變化，圖2第370幀圖像的檢測(cè)結(jié)果中： 圖2b檢測(cè)到較多的非運(yùn)動(dòng)目標(biāo)的像素，如人的兩腳之間存在非常明顯的拖影，圖2d中人體輪廓較清晰，相比HSV自適應(yīng)混合高斯模型，準(zhǔn)確性也有明顯的提高，而圖2c中檢測(cè)的人體很不完整，漏檢率較高，難以準(zhǔn)確地識(shí)別；圖3室內(nèi)場(chǎng)景第780幀的實(shí)驗(yàn)檢測(cè)結(jié)果也說(shuō)明本文改進(jìn)算法在檢測(cè)準(zhǔn)確性、目標(biāo)輪廓清晰度上相對(duì)經(jīng)典算法有明顯的改善。圖2與圖3實(shí)驗(yàn)表明了室內(nèi)環(huán)境中在較少背景變化的情況下，本文改進(jìn)算法提高了檢測(cè)目標(biāo)的準(zhǔn)確性，同時(shí)也改善了目標(biāo)輪廓丟失較嚴(yán)重的問(wèn)題。室外場(chǎng)景的監(jiān)控視頻序列的檢測(cè)結(jié)果如圖4第350幀和圖5第780幀，場(chǎng)景中也存在較少的背景變化。從檢測(cè)的結(jié)果集中可以看出，室外場(chǎng)景中的檢測(cè)效果也基本符合上述規(guī)律。綜上所述，相對(duì)經(jīng)典混合高斯模型算法，本文提出的改進(jìn)背景差分算法在背景變化較少的情況下，目標(biāo)檢測(cè)準(zhǔn)確率以及目標(biāo)輪廓清晰度方面均有較明顯的提高。

Figure 2 Experiment of the 370 frame in door video sequence圖2 室內(nèi)視頻序列第370幀實(shí)驗(yàn)圖

Figure 3 Experiment of the 780 frame in door video sequence圖3 室內(nèi)視頻序列第780幀實(shí)驗(yàn)圖

Figure 4 Experiment of the 350 frame in outdoor video sequence圖4 室外視頻序列第350幀實(shí)驗(yàn)圖

Figure 5 Experiment of the 780 frame in outdoor video sequence圖5 室外視頻序列第760幀實(shí)驗(yàn)圖

由于算法在混合高斯建模過(guò)程之前進(jìn)行了分塊處理，節(jié)省了大量的計(jì)算，因此本文改進(jìn)算法的檢測(cè)速率有明顯的提高。對(duì)傳統(tǒng)混合高斯模型算法、HSV自適應(yīng)混合高斯建模算法與本文算法進(jìn)行檢測(cè)速率的實(shí)驗(yàn)，表1是三種算法對(duì)室內(nèi)視頻序列和室外視頻序列進(jìn)行平均檢測(cè)速率實(shí)驗(yàn)的結(jié)果。從表1中可以看出，相比傳統(tǒng)混合高斯模型算法和HSV自適應(yīng)混合調(diào)節(jié)建模算法，本文改進(jìn)算法的檢測(cè)速率提高相當(dāng)明顯，實(shí)時(shí)性得到了明顯的改善。

Table 1 Average rate of all the algorithms for video processing表1 各算法對(duì)視頻處理的平均速率 幀/s

綜合上述檢測(cè)效果的分析與檢測(cè)速率的對(duì)比，相比傳統(tǒng)混合高斯模型算法、HSV自適應(yīng)的混合高斯建模算法，本算法能更快速、更準(zhǔn)確地檢測(cè)出運(yùn)動(dòng)目標(biāo)，因此本文改進(jìn)算法在工程實(shí)際中具有一定的實(shí)用價(jià)值。

5 結(jié)束語(yǔ)

針對(duì)傳統(tǒng)混合高斯模型對(duì)目標(biāo)輪廓清晰度小、實(shí)時(shí)性較差的情況，提出了一種基于HSI混合高斯背景模型與三幀差分相融合的運(yùn)動(dòng)目標(biāo)實(shí)時(shí)檢測(cè)算法。算法在確保能檢測(cè)出的運(yùn)動(dòng)目標(biāo)完整、輪廓清晰與便于識(shí)別的情況下減小了計(jì)算量，降低了算法的時(shí)間復(fù)雜度，顯著地改善了運(yùn)動(dòng)目標(biāo)檢測(cè)的實(shí)時(shí)效果。本文算法改進(jìn)了混合高斯背景建模算法檢測(cè)效果不理想、時(shí)間復(fù)雜度高的不足。通過(guò)實(shí)驗(yàn)表明，本文算法在較少的背景變化情況下檢測(cè)的高效性與準(zhǔn)確性，在智能視頻監(jiān)控系統(tǒng)中有一定實(shí)際意義。

[1] Lopez S, Horstrand P, Callico G M, et al. A low-computational-complexity algorithm for hyperspectral endmember extraction:Modified vertex component analysis[C]∥IEEE Geoscience and Remote Sensing Letter,2012,9(3):502-506.

[2] Gan Ming-gang, Chen Jie, Liu Jin, et al. Moving object detection algorithm based on three-frame-differencing and edge information[J]. Journal of Electronics & Information Technology, 2010, 32(4):894-897.(in Chinese)

[3] Kartika I, Mohamed S S. Frame differencing with post-processing techniques for moving object detection in outdoor environment[C]∥Proc of IEEE 7th International Colloquium on Signal Processing and its Applications,2011:172-176.

[4] Stauffer C, Grimson W E L. Learning patterns of activity using real-time tracking[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2000,22(8):747-757.

[5] Lee D S. Effective Gaussian mixture learning for video background subtraction[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence,2005,27(5):827-832.

[6] Li Bin,Zhong Run-tian,Wang Xian-ji,et al.A continuous optimization algorithm based on progressive estimation of Gaussian mixture model[J]. Chinese Journal of Computers, 2007, 30(6):979-985.(in Chinese)

[7] Jin Guang-zhi, Shi Lin-suo, Bai Xiang-feng, et al. New objects detection system based on mixture Gaussian model[J]. Journal of Computer Applications, 2011, 31(12):3360-3362.(in Chinese)

[8] Tsai Du-Ming, Lai Shia-Chih. Independent component analysis-based background subtraction for indoor surveillance[J].IEEE Transactions on Image Processing, 2009,18(1):158-167.

[9] Zhang Qiu-jia, Wang Hong, Liu Wei, et al. Moving object

detection optical flow vectors compensation model [J]. Laser & Infraed, 2011, 41(11):1263-1266. (in Chinese)

[10] Zhang Zheng-hua,Xu Ye,Su Quan,et al.Moving object detection based on background subtraction and hybrid frame differencing[J]. Journal of Signal and Information Processing, 2012, 42(8):14-17. (in Chinese)

[11] Lin Qing, Xu Zhu, Wang Shi-tong, et al. Moving objects detection of adaptive Gaussian mixture models on HSV[J]. Computer Science, 2010, 37(10):254-256. (in Chinese)

[12] Li Ying-hong, Xiong Chang-zhen, Yin Yi-xin, et al. Moving object detection based on edged mixture Gaussian models[J]. Journal of System Simulation,2009,21(suppl 1):72-74. (in Chinese)

[13] Stauffer C, Grimson W E L. Adaptive background mixture models for real-time tracking[C]∥ Proc of IEEE International Conference on Computer Vision and Pattern Recognition,1999:246-252.

[14] Bailo G, Bariani M, Ijas P,et al. Background estimation with Gaussian distribution for image segmentation, a fast approach[C]∥Proc of IEEE International Workshop on Measurement Systems for Homeland Security, 2005:2-5.

附中文參考文獻(xiàn)：

[2] 甘明剛，陳杰，劉勁，等. 一種基于三幀差分和邊緣信息的運(yùn)動(dòng)目標(biāo)檢測(cè)方法[J]. 電子與信息學(xué)報(bào), 2010, 32(4):894-897.

[6] 李斌，鐘潤(rùn)添，王先基，等. 一種基于遞增估計(jì)GMM的連續(xù)優(yōu)化算法[J]. 計(jì)算機(jī)學(xué)報(bào), 2007, 30(6):979-985.

[7] 金廣智，石林鎖，白向峰，等. 基于混合高斯模型的新型目標(biāo)檢測(cè)[J]. 計(jì)算機(jī)應(yīng)用,2011, 31(12):3360-3362.

[9] 張秋佳，王虹，劉威，等. 光流向量補(bǔ)償模型的運(yùn)動(dòng)目標(biāo)檢測(cè)[J]. 激光與紅外,2011, 41(11):1263-1266.

[10] 張正華，許曄，蘇權(quán)，等. 基于背景差分和混合幀差的運(yùn)動(dòng)目標(biāo)檢測(cè)[J]. 信號(hào)與信息處理，2012，42(8)：14-17.

[11] 林慶，徐柱，王士同，等. HSV自適應(yīng)混合高斯模型的運(yùn)動(dòng)目標(biāo)檢測(cè)[J]. 計(jì)算機(jī)科學(xué)，2010，37(10)：254-256.

[12] 李穎宏，熊昌鎮(zhèn)，尹怡欣，等. 一種基于邊緣高斯混合模型的運(yùn)動(dòng)目標(biāo)檢測(cè)方法[J]. 系統(tǒng)仿真學(xué)報(bào)，2009，21(Suppl 1)：72-74.