徐 偉，謝正光，張 輝，馬文萱

(南通大學(xué)電子信息學(xué)院，江蘇南通 226019)

在視覺(jué)監(jiān)控系統(tǒng)中，往往需要對(duì)運(yùn)動(dòng)目標(biāo)進(jìn)行檢測(cè)、跟蹤、分類和分析等，而運(yùn)動(dòng)目標(biāo)檢測(cè)的準(zhǔn)確性直接影響著后續(xù)的操作。為了適應(yīng)復(fù)雜多變的場(chǎng)景變化，最常用的方法就是對(duì)背景建模，然后利用背景差分檢測(cè)出運(yùn)動(dòng)物體。因此研究出良好的背景提取算法和自適應(yīng)的背景更新模型是非常重要的［1］。

近年來(lái)，很多研究者針對(duì)實(shí)際的應(yīng)用場(chǎng)景提出了許多不同的背景建模方法［2］，現(xiàn)有的背景建模方法主要有中值法［3］、均值法［4］、核密度估計(jì)法［5］、RunningAvg 背景更新算法［6］、近似中值濾波［7］、碼本模型［8］、混合高斯模型［9］等。其中，中值法、均值法和核密度估計(jì)法主要是通過(guò)存儲(chǔ)大量過(guò)去時(shí)刻的圖像序列，并根據(jù)這些連續(xù)圖像對(duì)應(yīng)像素的統(tǒng)計(jì)特性來(lái)估計(jì)背景模型的，這種方法能防止單幀圖形的干擾，但占用內(nèi)存較大。RunningAvg更新算法是用當(dāng)前幀與前面幀進(jìn)行加權(quán)迭代來(lái)更新背景，其優(yōu)點(diǎn)是背景更新速度很快，但背景中容易產(chǎn)生拖影現(xiàn)象。遞歸類方法，如近似中值濾波、碼本模型、混合高斯模型等，需要的存儲(chǔ)空間較少，根據(jù)當(dāng)前幀的像素遞歸地更新背景模型，這使得前面幀在建模時(shí)出現(xiàn)的錯(cuò)誤會(huì)對(duì)背景造成長(zhǎng)時(shí)間的影響，而大部分方法是使用權(quán)重來(lái)去除這種錯(cuò)誤反饋的。其中，由于混合高斯模型對(duì)于處理復(fù)雜、緩慢變化的背景有較好的效果，因此被廣泛應(yīng)用于背景建模中。但傳統(tǒng)的混合高斯背景模型對(duì)場(chǎng)景的突然變化敏感性不強(qiáng)，不能實(shí)時(shí)更新。針對(duì)此問(wèn)題，一些研究學(xué)者也根據(jù)各自的應(yīng)用進(jìn)行了改進(jìn)［10-11］。如文獻(xiàn)［10］中通過(guò)混合高斯和幀間差分相融合的自適應(yīng)背景模型，對(duì)不同區(qū)域采取不同的背景更新策略，有效地解決了場(chǎng)景中物體由靜止轉(zhuǎn)為運(yùn)動(dòng)狀態(tài)這種情況所引起的背景變化，但此方法中目標(biāo)的檢測(cè)和提取易受顏色變化閾值的影響，對(duì)場(chǎng)景中物體由運(yùn)動(dòng)轉(zhuǎn)為靜止?fàn)顟B(tài)的情況并未給出滿意的解決方法。

本文結(jié)合RunningAvg更新算法能快速更新背景的特點(diǎn)，提出了一種基于混合高斯的快速背景更新方法。這里旨在解決場(chǎng)景中運(yùn)動(dòng)物體駛停和靜止物體駛離兩種情況所引起的背景變化問(wèn)題。針對(duì)RunningAvg背景中存在的拖影現(xiàn)象和混合高斯對(duì)場(chǎng)景突然變化更新速度慢的問(wèn)題，本文通過(guò)以下步驟來(lái)解決:1)建立兩幅背景，用它們的二值化差分圖像DB來(lái)獲取背景變化區(qū)域，將DB與前景的二值化圖像FB邏輯“與”來(lái)消除變化區(qū)域中存在的拖影現(xiàn)象;2)用狀態(tài)表保存變化區(qū)域信息，根據(jù)背景變化區(qū)域的變化情況，通過(guò)狀態(tài)表更新機(jī)制對(duì)背景模型進(jìn)行有選擇地更新。

1 背景變化區(qū)域提取及相關(guān)算法介紹

考慮在同一場(chǎng)景中，如果同時(shí)對(duì)場(chǎng)景的變化區(qū)域進(jìn)行背景更新，RunningAvg方法僅需要很少的幀數(shù)就可以完成背景更新，而混合高斯模型需要很長(zhǎng)時(shí)間才能實(shí)現(xiàn)。根據(jù)兩幅背景更新速度的不同，可以用它們的差分圖像來(lái)獲取變化區(qū)域。本文的算法流程如圖1所示。

圖1 算法流程圖

1.1 背景的建立與RunningAvg背景更新算法

在算法實(shí)現(xiàn)過(guò)程中，首先用RunningAvg背景更新算法建立背景圖像BAvg。RunningAvg背景更新算法［6］首先將視頻圖像第一幀作為初始背景，通過(guò)對(duì)下一幀進(jìn)行加權(quán)迭代得到背景，每個(gè)像素更新的具體規(guī)則如下

式中:Bn(i，j)為第n幀更新后的背景值;Bn－1(i，j)為第n－1幀的背景值;In(i，j)為當(dāng)前視頻幀的灰度值;α為更新速率。

為了減小場(chǎng)景中環(huán)境變化和物體緩慢運(yùn)動(dòng)對(duì)背景更新造成的影響，本文對(duì)α進(jìn)行了如下改進(jìn)

接著，對(duì)差分圖像D進(jìn)行二值化處理，得到DB。這里用OSTU方法［12］選取出的閾值為25，此時(shí)的圖像分割效果最佳。如果存在背景變化，則DB中會(huì)存在白色(即像素值為255)的區(qū)域，然而B(niǎo)Avg中存在拖影現(xiàn)象，所以DB中包括變化區(qū)域、部分拖影和噪聲等。此時(shí)用原圖像與BGauss進(jìn)行背景差分，再經(jīng)二值化得到前景圖像FB，它包括變化區(qū)域和噪聲等，那么可以對(duì)FB和DB進(jìn)行邏輯“與”操作，如式(4)所示，從而消除了拖影帶來(lái)的影響，使提取的變化區(qū)域更準(zhǔn)確

最后，由于圖像中存在噪聲，所以在DB中往往會(huì)存在一些孤立的噪聲點(diǎn)和小面積噪聲，本文采用形態(tài)學(xué)腐蝕和膨脹去除［12］，這樣提取的目標(biāo)更加合理，再對(duì)DB進(jìn)行目標(biāo)分割和連通域標(biāo)定，在一定幀數(shù)后，可以得到穩(wěn)定的背景變化區(qū)域，如果此時(shí)DB中有白色區(qū)域面積大于設(shè)定的閾值(本文取200)，則判斷有背景變化發(fā)生。j)|+|In(i，j)－In－1(i，j)|，常數(shù)(α1，α2)∈(0，1)，這樣可以更準(zhǔn)確地控制背景圖像的更新。

另外，用混合高斯模型建立的背景圖像BGauss來(lái)初始化背景模型?；旌细咚鼓Ｐ偷幕舅枷胧鞘褂枚鄠€(gè)高斯分布表示序列圖像中每個(gè)像素點(diǎn)的特征，如果當(dāng)前幀中的某像素的特征與高斯分布相匹配，則被判定為背景像素，否則為前景像素。更多有關(guān)混合高斯模型的知識(shí)可參考文獻(xiàn)［1］。

1.2 背景變化區(qū)域提取及拖影消除

在背景變化區(qū)域提取階段，對(duì)RunningAvg背景BAvg和背景模型BGauss，進(jìn)行差分處理，得到差分圖像D

2 背景模型中變化區(qū)域的更新

2.1 背景變化情況判斷

當(dāng)檢測(cè)到有背景變化發(fā)生時(shí)，靜止物體駛離和運(yùn)動(dòng)物體停留這兩種情況都能引起背景變化，所以需要對(duì)兩種情況進(jìn)行區(qū)分，從而實(shí)現(xiàn)背景模型的準(zhǔn)確更新。

首先，由差分圖像DB獲取變化區(qū)域，用Canny算法提取變化區(qū)域的邊緣輪廓特征。然后對(duì)混合高斯背景的對(duì)應(yīng)區(qū)域提取邊緣輪廓特征，如果存在與變化區(qū)域相似的邊緣輪廓特征，這說(shuō)明高斯背景中該區(qū)域原來(lái)是有靜止物體存在的，可以判定背景變化是靜止物體駛離引起的;否則，在混合高斯圖像中并未檢測(cè)到變化區(qū)域的邊緣特征，可以判定是運(yùn)動(dòng)物體停留所引起的變化。

2.2 狀態(tài)表初始化

在檢測(cè)出背景變化區(qū)域后，為了檢測(cè)這些區(qū)域的變化情況，本文用狀態(tài)表來(lái)保存變化區(qū)域的信息。狀態(tài)表結(jié)構(gòu)如下所示:

其中status的作用是表示背景變化區(qū)域的狀態(tài)，本文設(shè)有stop，leave和unknow三種狀態(tài)。另外，通過(guò)下面的步驟完成狀態(tài)表初始化:

1)在首次檢測(cè)到有背景變化時(shí)，需要對(duì)圖像DB進(jìn)行目標(biāo)分割和連通域標(biāo)定，去除不符合要求的小面積區(qū)域，再用邊緣檢測(cè)來(lái)檢測(cè)出連通域的輪廓，得到其最小外接矩形。

2)利用Hu矩求出目標(biāo)區(qū)域的質(zhì)心坐標(biāo)點(diǎn)等信息，對(duì)得到的目標(biāo)區(qū)域按區(qū)域面積大小設(shè)置唯一ID號(hào)。根據(jù)引起背景變化情況的不同，進(jìn)行如下處理:如果是靜止物體離開(kāi)場(chǎng)景，則將status標(biāo)記為unknow狀態(tài)，設(shè)置update為false;如果是運(yùn)動(dòng)物體停留，則將status標(biāo)記為stop狀態(tài)，設(shè)置update為false。此外，由于場(chǎng)景中存在運(yùn)動(dòng)物體停留一段時(shí)間后又駛離場(chǎng)景的情況，所以需要對(duì)此時(shí)的高斯背景進(jìn)行備份，以便后續(xù)處理。

3)將這些信息保存到狀態(tài)表中，完成狀態(tài)表的初始化工作。

2.3 變化區(qū)域匹配算法

當(dāng)場(chǎng)景中某時(shí)刻有可能出現(xiàn)多個(gè)變化區(qū)域(包括已更新至狀態(tài)表的區(qū)域和新增區(qū)域)，通過(guò)對(duì)此時(shí)狀態(tài)表中已更新的區(qū)域和已檢測(cè)到的變化區(qū)域進(jìn)行區(qū)域匹配操作，并增加質(zhì)心距離的判斷，從而準(zhǔn)確地從多個(gè)目標(biāo)區(qū)域中將新增區(qū)域檢測(cè)出來(lái)并更新至狀態(tài)表中。

Hu M.K.在1961年利用代數(shù)不變矩理論構(gòu)造出7個(gè)不變矩(簡(jiǎn)稱Hu矩)具有旋轉(zhuǎn)，縮放和平移不變性，并由此引起了廣大研究者對(duì)不變矩的研究興趣［13-14］。

利用二階和三階歸一化中心矩可以構(gòu)造7個(gè)不變矩M1～M7，具體的Hu矩理論知識(shí)可參考文獻(xiàn)［13］。本文通過(guò)比較兩個(gè)目標(biāo)區(qū)域的Hu矩的相似度來(lái)實(shí)現(xiàn)區(qū)域匹配操作的，表達(dá)式如下

2.4 變化區(qū)域的更新

通過(guò)狀態(tài)表更新機(jī)制來(lái)控制背景模型中變化區(qū)域的更新。對(duì)狀態(tài)表的準(zhǔn)確更新是得到穩(wěn)定背景的前提，所以在背景模型和狀態(tài)表完成初始化后，狀態(tài)表的更新可以分為場(chǎng)景中目標(biāo)駛停檢測(cè)和目標(biāo)駛離檢測(cè)兩種情況:

1)目標(biāo)駛停檢測(cè)

如圖2所示，每間隔T1幀，完成目標(biāo)駛停檢測(cè)，并實(shí)現(xiàn)狀態(tài)表的更新后，對(duì)于狀態(tài)表中未被更新至背景模型的靜止物體區(qū)域，利用此時(shí)已穩(wěn)定更新至RunningAvg背景中的靜止物體區(qū)域來(lái)更新背景模型中的對(duì)應(yīng)區(qū)域，并將該區(qū)域的update狀態(tài)設(shè)為true。

2)目標(biāo)駛離檢測(cè)

一旦狀態(tài)表初始化完畢，每隔T1幀，如果DB中存在靜止物體駛離所引起變化的背景區(qū)域。則與圖2類似，利用區(qū)域匹配算法對(duì)物體駛離區(qū)域完成狀態(tài)表更新和背景模型更新，標(biāo)記該區(qū)域status狀態(tài)為leave，設(shè)置update為true。

此外，由于場(chǎng)景中可能存在物體停留一段時(shí)間后又駛離的情況，所以每隔T2幀(T2?T1)，遍歷狀態(tài)表中status狀態(tài)標(biāo)記為stop的變化區(qū)域，對(duì)原圖像相應(yīng)區(qū)域做三幀差分處理［15］，并經(jīng)二值化得到圖像C，統(tǒng)計(jì)C中對(duì)應(yīng)的各目標(biāo)區(qū)域中像素值為255點(diǎn)的總數(shù)，如果小于區(qū)域面積的15%，就判定該目標(biāo)區(qū)域仍保持停留狀態(tài)，不做任何處理;否則判定該區(qū)域目標(biāo)駛離場(chǎng)景，用已備份的高斯背景來(lái)更新背景模型中對(duì)應(yīng)的背景暴露區(qū)域，并標(biāo)記該區(qū)域status狀態(tài)為leave，將update設(shè)為true。

按照上述的方法進(jìn)行狀態(tài)表更新后，可以實(shí)現(xiàn)背景模型及時(shí)準(zhǔn)確的更新。

3 實(shí)驗(yàn)結(jié)果及分析

本文主要是在計(jì)算機(jī)視覺(jué)類庫(kù)OpenCV的基礎(chǔ)上，通過(guò)Visual C++6.0編程來(lái)實(shí)現(xiàn)上述算法的，其中T1=210，T2=3。測(cè)試視頻的大小是384×288像素點(diǎn)，幀率是30幀/秒(f/s)，這段測(cè)試視頻描述的內(nèi)容是車輛A和車輛B一先一后停留在場(chǎng)景中，經(jīng)過(guò)較長(zhǎng)的一段時(shí)間后，車輛B駛離了場(chǎng)景，而車輛A一直沒(méi)有離開(kāi)。實(shí)驗(yàn)結(jié)果如圖3所示。

圖3 背景模型更新的實(shí)驗(yàn)結(jié)果圖

從圖3中可以看出，在背景模型和狀態(tài)表都完成初始化后，當(dāng)場(chǎng)景中出現(xiàn)運(yùn)動(dòng)物體駛停時(shí)，經(jīng)過(guò)較短的時(shí)間，本文的算法就可以完成背景模型的更新，如圖3g和圖3i所示;而傳統(tǒng)的混合高斯背景如圖3k所示，車輛A只是部分被更新至背景中而已。另外，當(dāng)場(chǎng)景中出現(xiàn)運(yùn)動(dòng)物體先停留一段時(shí)間后又駛離背景的情況(如車輛B)，那么傳統(tǒng)的混合高斯背景中并未記錄到車輛B的狀態(tài)變化信息;本文建立的背景模型可以記錄到車輛B的狀態(tài)變化信息并及時(shí)地完成背景更新，如圖3i和圖3l所示。

4 結(jié)束語(yǔ)

本文所建立的背景模型能夠?qū)?chǎng)景的突然變化有快速準(zhǔn)確的反應(yīng)能力，對(duì)于非背景變化區(qū)域也可以擁有混合高斯模型穩(wěn)定可靠的背景。實(shí)驗(yàn)結(jié)果表明，本文提出的方法不僅能夠及時(shí)準(zhǔn)確地更新背景變化區(qū)域，同時(shí)也避免了拖影現(xiàn)象帶來(lái)的影響，而且在狀態(tài)表中可以詳細(xì)記錄背景變化區(qū)域的變化信息，方便后續(xù)的研究。本文的方法可以應(yīng)用于車輛停車檢測(cè)和拋灑物檢測(cè)等交通事件檢測(cè)領(lǐng)域。

:

［1］楊寧，楊敏.基于改進(jìn)的混合高斯模型的運(yùn)動(dòng)目標(biāo)提取［J］.計(jì)算機(jī)技術(shù)與發(fā)展，2012，22(7):20-23.

［2］薛茹，宋煥生，張環(huán).基于像素的背景建模方法綜述［J］.電視技術(shù)，2012，36(13):39-47.

［3］ CUCCHIARA R，GRANA C，PICCARDI M，et al.Detecting moving objects，ghosts and shadows in video streams［J］.Pattern Analysis and Machine Intelligence，2003，25(10):1337-1342.

［4］孫永生，劉大健，秦蒙.多幅圖像中值法在濾除噪聲中的應(yīng)用［J］.電視技術(shù)，2012，36(23):15-17.

［5］ KASHANI H B.Background estimation in kernel space［J］.International Journal of Pattern Recognition and Artificial Intelligence，2011，25(1):1-35.

［6］ ZHENG Yi，F(xiàn)AN Liangzhong.Moving object detection based on running average background and temporal difference［C］//Proc.International Conference on Intelligent Systems and Knowledge Engineering(ISKE).Hangzhou:IEEE Press，2010:270-272.

［7］ KIM K，CHALIDABHONGSE T H，HARWOOD D，et al.Real-time foreground-background segmentation using codebook model［J］.Special Issue on Video Object Processing，2005，11(3):172-185.

［8］ MCFARLANE N J B，SCHOELD C P.Segmentation and tracking of piglets in image［J］.Machine Vision and Applications，1995，8(3):187-193.

［9］ MORDE A，MA X，GULER S.Learning a background model for change detection［C］//Proc.IEEE Computer Society Conference on Computer Vision and Pattern Recognition Workshops(CVPR Workshops).［S.l.］:IEEE Press，2012:15-20.

［10］劉鑫，劉輝，強(qiáng)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(guó)圖象圖形學(xué)報(bào)，2008，13(4):729-734.

［11］付榮.視頻運(yùn)動(dòng)目標(biāo)檢測(cè)中背景提取算法的研究［D］.西安:西安電子科技大學(xué)，2011.

［12］史忠科，曹力.交通圖像檢測(cè)與分析［M］.北京:科學(xué)出版社，2007:24-33.

［13］張偉，何金國(guó).Hu不變矩的構(gòu)造與推廣［J］.計(jì)算機(jī)應(yīng)用，2010，30(9):2449-2452.

［14］ HUANG Zhihu，LENG Jinsong.Analysis of Hu’s moment invariants on image scaling and rotation［C］//Proc.2010 2nd International Conference on Computer Engineering and Technology.Chengdu:IEEE Press，2010:476-480.

［15］丁磊，宮寧生.基于改進(jìn)的三幀差分法運(yùn)動(dòng)目標(biāo)檢測(cè)［J］.電視技術(shù)，2013，37(1):151-153.