游佩佩, 何建農(nóng)

(福州大學(xué)數(shù)學(xué)與計(jì)算機(jī)科學(xué)學(xué)院， 福建 福州　350116)

?

基于雙向分析的KGMM運(yùn)動(dòng)目標(biāo)檢測(cè)算法

游佩佩, 何建農(nóng)

(福州大學(xué)數(shù)學(xué)與計(jì)算機(jī)科學(xué)學(xué)院， 福建 福州350116)

針對(duì)傳統(tǒng)的目標(biāo)檢測(cè)算法往往是順著時(shí)間軸方向從過(guò)去到現(xiàn)在分析視頻序列， 而忽略當(dāng)前幀之后的逆向視頻幀信息， 對(duì)于復(fù)雜場(chǎng)景下的背景突變或光照變化的運(yùn)動(dòng)目標(biāo)檢測(cè)等方面存在不足. 提出了基于雙向分析的(KGMM)運(yùn)動(dòng)目標(biāo)檢測(cè)方法. 在KGMM模型基礎(chǔ)上， 加入向后分析建立混合高斯模型， 有效解決了較強(qiáng)的背景擾動(dòng)和環(huán)境的復(fù)雜變化帶來(lái)檢測(cè)效果不好的問(wèn)題， 提高了算法的適應(yīng)性. 向前分析模型與向后分析模型共享一個(gè)高斯分布集， 減少了高斯分布個(gè)數(shù)， 保證了算法的運(yùn)行速度. 實(shí)驗(yàn)結(jié)果表明, 改進(jìn)的算法檢測(cè)效果更理想.

混合高斯模型; 雙向建模; 運(yùn)動(dòng)目標(biāo)檢測(cè)

0　引言

基于圖像序列的運(yùn)動(dòng)目標(biāo)檢測(cè)是智能視頻監(jiān)控、 交通檢測(cè)及步態(tài)識(shí)別等領(lǐng)域的重要研究?jī)?nèi)容. 目前主要的運(yùn)動(dòng)目標(biāo)檢測(cè)方法有光流法、 幀差法、 背景差分法. 光流法需多次迭代運(yùn)算， 計(jì)算復(fù)雜耗時(shí)， 一般難以實(shí)現(xiàn)實(shí)時(shí)檢測(cè)， 算法抗噪聲等干擾能力較差， 實(shí)際應(yīng)用較少[1]. 幀差法檢測(cè)出的運(yùn)動(dòng)目標(biāo)位置不精確， 一般不能完全提取出所有相關(guān)特征像素點(diǎn)， 容易出現(xiàn)空洞現(xiàn)象等[2]. 背景差分法直接通過(guò)比較當(dāng)前幀與背景模型之間差別來(lái)實(shí)現(xiàn)對(duì)運(yùn)動(dòng)目標(biāo)檢測(cè)， 具有數(shù)據(jù)運(yùn)算量較小、 實(shí)現(xiàn)簡(jiǎn)單提取目標(biāo)比較精準(zhǔn)等優(yōu)點(diǎn)[3].

背景差分法的核心在于背景提取. 經(jīng)典的背景建模方法有基于統(tǒng)計(jì)的高斯混合模型方法[4-6]， 能較好地描述多模態(tài)的背景分布， 對(duì)處理背景輕微擾動(dòng)等情形有較好的應(yīng)用效果. 文獻(xiàn)[7]提出的在線K均值聚類混合高斯模型(K-means Gaussian mixture model， KGMM)采用在線K均值聚類對(duì)混合高斯模型進(jìn)行初始化， 在一定程度上提高了檢測(cè)的準(zhǔn)確度. 但是對(duì)于復(fù)雜場(chǎng)景下的背景突變、 光照變化等問(wèn)題， 上述兩種方法只采用當(dāng)前幀之前的幀信息來(lái)檢測(cè)當(dāng)前幀的像素點(diǎn)， 而背景的某些變化導(dǎo)致的像素值變化可能在當(dāng)前幀檢測(cè)不到卻在之后幾幀中表現(xiàn)出來(lái)[8]， 這樣會(huì)造成檢測(cè)效果不夠準(zhǔn)確. 為此， 本文在KGMM模型基礎(chǔ)上， 在時(shí)間軸上采用雙向分析法， 綜合考慮當(dāng)前幀之前以及之后的幀信息對(duì)當(dāng)前幀像素值的影響并進(jìn)行分析， 建立雙向KGMM模型， 提高了算法對(duì)復(fù)雜背景擾動(dòng)的魯棒性. 向前和向后分析共享一個(gè)高斯分布集并同時(shí)對(duì)像素點(diǎn)進(jìn)行檢測(cè)， 且根據(jù)相鄰像素點(diǎn)間的空間位置相關(guān)性采用隔點(diǎn)建模， 減少了模型的高斯分布個(gè)數(shù)， 提高了算法的運(yùn)行速度.

1　傳統(tǒng)的基于KGMM的背景建模算法

混合高斯模型是通過(guò)多個(gè)高斯分布模態(tài)的加權(quán)混合對(duì)每個(gè)像素點(diǎn)進(jìn)行建模來(lái)重建復(fù)雜變化的背景， 根據(jù)像素點(diǎn)在時(shí)間軸上組成的序列與背景模型中不同高斯分布匹配的頻率， 不斷更新模型中各個(gè)高斯分布的參數(shù). 其中， 高斯分布的個(gè)數(shù)K一般取為3～5個(gè)， 本文用在線K均值方差聚類法初始化模型參數(shù)，K由聚類個(gè)數(shù)決定， 最大不超過(guò)5.

1.1KGMM模型的初始化

(1)

那么把該像素t時(shí)刻的值歸為第i個(gè)聚類， 同時(shí)更新第i個(gè)聚類的相關(guān)參數(shù). 聚類結(jié)束后， 根據(jù)每個(gè)像素對(duì)應(yīng)的聚類個(gè)數(shù)確定該像素處的高斯分布個(gè)數(shù)， 并用每個(gè)聚類所對(duì)應(yīng)的RGB彩色向量均值、 方差和樣本個(gè)數(shù)來(lái)初始化對(duì)應(yīng)的高斯分布的均值、 方差和權(quán)重. 其中xt為t時(shí)刻某位置處的樣本像素值， μi, t為對(duì)應(yīng)的均值，δi, t為方差，T1為樣本與聚類中心均值允許的最大誤差.

1.2背景的提取與更新

K個(gè)高斯分布按照優(yōu)先級(jí)λi, t=ωi, t/δi, t從高到低排序(ωi, t，δi, t分別為各高斯分布的權(quán)值和方差), 取前B個(gè)高斯分布聯(lián)合生成背景:

(2)

其中，T2為背景選取閾值(0

在模型匹配過(guò)程中， 高斯分布權(quán)重按照下式進(jìn)行更新:

(3)

其中:α為權(quán)值的更新速率;Mi, t在匹配的分布中取值為1， 其余分布取0. 對(duì)匹配的高斯分布的均值和方差按照式(4)、 (5)分別進(jìn)行更新， 不匹配的高斯成分保持不變.

(4)

(5)

(6)

式(3)～(6)中有兩個(gè)重要的參數(shù)， 分別是權(quán)值更新速率α和均值、 方差的更新速率β，α通過(guò)式(6)決定β的大小， 它們決定著背景模型的更新速度.

1.3模型匹配及前景檢測(cè)

將當(dāng)前像素值xi, t與K個(gè)高斯分布按優(yōu)先級(jí)以下式進(jìn)行匹配:

(7)

若xi, t與K個(gè)高斯分布中屬于背景中某個(gè)高斯分布匹配， 則該像素點(diǎn)為背景點(diǎn). 否則其被檢測(cè)為前景點(diǎn).

2　基于雙向分析的KGMM背景建模算法

KGMM算法使用在線聚類對(duì)各個(gè)高斯模型進(jìn)行初始化， 減少了人工初始化模型帶來(lái)的誤差， 有效地提高了檢測(cè)的準(zhǔn)確度， 但是對(duì)復(fù)雜場(chǎng)景比較敏感. 為了提高KGMM算法對(duì)背景擾動(dòng)的魯棒性和檢測(cè)的準(zhǔn)確性， 本文在KGMM算法的基礎(chǔ)上， 引入當(dāng)前幀之后的N幀圖像信息， 建立基于向前分析和雙向分析的雙向KGMM模型. 這里N越大， 向后分析得到的信息就越豐富， 檢測(cè)的結(jié)果更精準(zhǔn)， 卻增加了算法的復(fù)雜度， 所以要權(quán)衡N的取值. 分別對(duì)N=1, 2, 3進(jìn)行實(shí)驗(yàn)對(duì)比， 在實(shí)驗(yàn)部分詳細(xì)討論關(guān)于N的取值問(wèn)題.

2.1KGMM的向后分析模型

背景的某些突變?nèi)绻庹兆兓赡茉谥蟮膸讕瑘D像里體現(xiàn)出來(lái). 一般光照變化引起的像素值的變化與運(yùn)動(dòng)引起的像素值變化是不一樣的， 而從當(dāng)前幀的像素值來(lái)看卻是一樣的， 這些變化在未來(lái)幾幀的像素值會(huì)表現(xiàn)出來(lái)[8]. 傳統(tǒng)的KGMM方法只向前分析當(dāng)前像素點(diǎn)顯然會(huì)忽略掉背景的這些變化， 而向后分析則能檢測(cè)到. 向后分析模型是讀取當(dāng)前幀之后的N幀視頻圖像It+n(n=1, 2, …,N,t為當(dāng)前時(shí)刻), 對(duì)It+n對(duì)應(yīng)的像素點(diǎn)xi, t+n與高斯模型進(jìn)行匹配， 對(duì)匹配的高斯分布進(jìn)行參數(shù)的更新， 反之則不做任何操作. 其背景提取與前景點(diǎn)的分割與向前分析模型類似.

2.2雙向分析KGMM模型

雙向的KGMM模型是在所有高斯分布完成在線初始化之后， 向前與向后分析模型分別對(duì)像素值進(jìn)行檢測(cè)， 綜合兩個(gè)方向分析的結(jié)果最后判定像素點(diǎn)為前/背景點(diǎn)， 模型具體流程如圖1所示.

分段逆時(shí)對(duì)稱性是指從未來(lái)到現(xiàn)在的逆時(shí)序來(lái)觀察視頻序列， 由背景變化引起的像素值的變化在一小段時(shí)間內(nèi)往往呈現(xiàn)對(duì)稱的變化趨勢(shì)， 例如像素點(diǎn)亮度值變強(qiáng)或者變暗在一小段時(shí)間內(nèi)是重復(fù)出現(xiàn)的[8]. 由于背景的變化存在分段的逆時(shí)對(duì)稱性， 向前、 向后分析模型就能共享一個(gè)高斯分布集， 從而減少了模型的高斯分布個(gè)數(shù)， 減少內(nèi)存開銷.

2.3雙向分析KGMM實(shí)現(xiàn)步驟

1) 建模點(diǎn)的判斷. 首先判斷讀取的當(dāng)前像素點(diǎn)xi, t是否為建模點(diǎn)， 是建模點(diǎn)則進(jìn)行下一步的初始化， 反之不做處理. 非建模點(diǎn)的值將根據(jù)其四領(lǐng)域內(nèi)所有點(diǎn)的前/背景點(diǎn)的判定結(jié)果而判定為背景點(diǎn)或前景點(diǎn).

2) 雙向分析KGMM模型的初始化. 選取視頻序列前M幀進(jìn)行各像素的在線聚類， 對(duì)向前分析模型高斯分布參數(shù)進(jìn)行初始化.

3) 模型匹配與更新. 向前分析模型對(duì)當(dāng)前幀像素點(diǎn)進(jìn)行匹配， 匹配的高斯分布按照式(3)～(5)對(duì)之進(jìn)行更新， 不匹配的只對(duì)權(quán)值按照式(6)處理. 同時(shí)向后分析模型對(duì)It+n幀的對(duì)應(yīng)位置像素點(diǎn)做與向前分析相同的處理. 當(dāng)某個(gè)高斯分布同時(shí)被兩個(gè)模型匹配， 則任選其中一個(gè)點(diǎn)對(duì)其進(jìn)行更新. 當(dāng)兩個(gè)方向都沒(méi)有找到匹配的高斯分布時(shí)， 只在向前分析模型里加入新的高斯分布.

4) 背景的提取與目標(biāo)檢測(cè). 對(duì)各高斯分布的權(quán)值進(jìn)行歸一化處理， 然后將其按照優(yōu)先級(jí)λi, t=ωi, t/δi, t從高到低排序， 取前B個(gè)分布聯(lián)合生成背景， 將xi, t， xi, t+n再次匹配檢驗(yàn)， 如果存在一個(gè)匹配， 則認(rèn)為當(dāng)前幀像素點(diǎn)為背景點(diǎn)， 否則為前景點(diǎn).

4　實(shí)驗(yàn)結(jié)果與分析

對(duì)于本文提出的雙向KGMM方法， 選取視頻分析中常用的三個(gè)不同場(chǎng)景視頻序列進(jìn)行仿真實(shí)驗(yàn). 場(chǎng)景1為Samplevideo.avi視頻序列包含慢速運(yùn)動(dòng)的人(240×360, 15fps)， 場(chǎng)景2由http://cvrr.ucsd.edu/aton/shadow提供的標(biāo)準(zhǔn)測(cè)試序列包含高速行駛車輛的室外場(chǎng)景(240×360, 30fps)， 場(chǎng)景3是選自PETS2001視頻庫(kù)的測(cè)試視頻PetsD1TeC1(384×288, 25fps)[9]. 實(shí)驗(yàn)硬件平臺(tái)為Pentium(R)Dual-CoreT4500 2.3GHz處理器， 2G內(nèi)存, 軟件平臺(tái)為Matlab2010b.

為了驗(yàn)證本文方法的有效性， 對(duì)于以上三個(gè)場(chǎng)景的視頻序列分別進(jìn)行了實(shí)驗(yàn)對(duì)比. 圖2為實(shí)驗(yàn)結(jié)果對(duì)比圖. 其中圖2(a)、 (d)、 (g)分別為場(chǎng)景1、 2、 3的原始視頻第52、 108、 80幀， 圖2(b)、 (e)、 (h)分別為KGMM方法對(duì)場(chǎng)景1、 2、 3對(duì)應(yīng)幀的檢測(cè)結(jié)果， 圖2(c)、 (f)、 (i)分別為文本方法對(duì)場(chǎng)景1、 2、 3對(duì)應(yīng)幀的檢測(cè)結(jié)果. 這里本文方法N取1.

從視頻檢測(cè)結(jié)果來(lái)看， 無(wú)論是室內(nèi)慢速運(yùn)動(dòng)目標(biāo)還是室外快速運(yùn)動(dòng)目標(biāo)或者有強(qiáng)烈背景擾動(dòng)的復(fù)雜場(chǎng)景， 本文的方法檢測(cè)效果更好. 對(duì)于室內(nèi)慢速運(yùn)動(dòng)的人， 當(dāng)人幾乎靜止時(shí)，KGMM方法檢測(cè)的結(jié)果出現(xiàn)了目標(biāo)虛影， 這是對(duì)背景提取不夠準(zhǔn)確的結(jié)果. 而本文由于加入了向后分析， 充分利用了未來(lái)視頻幀的信息， 提取的背景更準(zhǔn)確， 從而檢測(cè)結(jié)果不會(huì)出現(xiàn)虛影， 噪聲更少. 對(duì)于復(fù)雜的室外場(chǎng)景，KGMM方法檢測(cè)結(jié)果都出現(xiàn)了大量噪聲， 甚至在背景擾動(dòng)比較厲害的第3個(gè)場(chǎng)景檢測(cè)中出現(xiàn)誤檢的現(xiàn)象， 而本文方法仍然保持了較好的魯棒性.

表1為兩種檢測(cè)方法所消耗的時(shí)間和高斯總數(shù)的對(duì)比結(jié)果. 從表1檢測(cè)所消耗的時(shí)間與所需的高斯分布總數(shù)來(lái)看， 本文方法比傳統(tǒng)KGMM檢測(cè)所需時(shí)間和占用的內(nèi)存更少， 檢測(cè)效率更高.

表1　傳統(tǒng)KGMM方法與本文方法檢測(cè)總時(shí)間和高斯總數(shù)的對(duì)比結(jié)果Tab.1　Comparison of detection time and Gassusion number from KGMM and proposed method

同時(shí)對(duì)N取1、 2和3， 選取了室內(nèi)場(chǎng)景1和室外場(chǎng)景2分別做了對(duì)比實(shí)驗(yàn)，對(duì)比結(jié)果詳見表2. 根據(jù)表2中對(duì)N不同取值的實(shí)驗(yàn)數(shù)據(jù)可以看出，N的取值越大檢測(cè)所消耗的時(shí)間越多、 占用的內(nèi)存也更大.

表2　本文方法中N取1、 2和3時(shí)檢測(cè)總時(shí)間和高斯總數(shù)的對(duì)比結(jié)果Tab.2　Comparison of detection time and Gassusion number from different N of proposed method

圖3為N分別取1、 2和3時(shí)對(duì)兩個(gè)場(chǎng)景的檢測(cè)結(jié)果. 如實(shí)驗(yàn)結(jié)果所示，N取值越大， 對(duì)背景擾動(dòng)的抑制效果越好， 檢測(cè)結(jié)果的噪聲也越少， 但是N=3時(shí)， 對(duì)背景過(guò)分學(xué)習(xí)導(dǎo)致了運(yùn)動(dòng)目標(biāo)的邊緣被判定為擾動(dòng)的背景， 檢測(cè)出來(lái)的運(yùn)動(dòng)目標(biāo)不夠完整. 而且對(duì)噪聲沒(méi)有很明顯的改善，N的取值根據(jù)不同的場(chǎng)景而選定， 權(quán)衡好檢測(cè)的實(shí)時(shí)性與準(zhǔn)確性. 本文建議N取1或2比較合理.

5　結(jié)語(yǔ)

針對(duì)復(fù)雜場(chǎng)景下背景的擾動(dòng)和變化對(duì)運(yùn)動(dòng)目標(biāo)檢測(cè)魯棒性的影響， 本文在KGMM模型基礎(chǔ)上加入了向后分析功能， 充分利用視頻序列上未來(lái)幀的像素信息， 建立雙向分析的KGMM檢測(cè)模型， 提高了檢測(cè)的準(zhǔn)確性. 向后分析模型與向前分析模型共享一個(gè)高斯分布集， 減少了本文方法的高斯分布總數(shù)從而提高了運(yùn)行速度. 本文還討論了N的取值問(wèn)題，N越大檢測(cè)結(jié)果的噪聲越少而消耗的時(shí)間與存儲(chǔ)空間也越多， 還可能出現(xiàn)對(duì)背景過(guò)分學(xué)習(xí)的現(xiàn)象， 因此建議N取1或2比較合理.

對(duì)多個(gè)不同場(chǎng)景的實(shí)驗(yàn)結(jié)果對(duì)比表明， 與傳統(tǒng)的KGMM方法相比， 本文方法對(duì)各個(gè)場(chǎng)景檢測(cè)出來(lái)的目標(biāo)均更準(zhǔn)確完整且噪聲很少， 模型高斯分布個(gè)數(shù)和算法檢測(cè)所需的時(shí)間更少， 具有更好的魯棒性和實(shí)時(shí)性， 在后期的跟蹤和識(shí)別中具有重要的參考價(jià)值.

[1] 黃士科, 陶琳, 張?zhí)煨? 一種改進(jìn)的基于光流的運(yùn)動(dòng)目標(biāo)檢測(cè)方法[J]. 華中科技大學(xué)學(xué)報(bào)(自然科學(xué)版), 2005, 33(5): 39-41.

[2] 邱道尹, 張文靜, 顧波, 等. 幀差法在運(yùn)動(dòng)目標(biāo)實(shí)時(shí)跟蹤中的應(yīng)用[J]. 華北水利水電學(xué)院學(xué)報(bào), 2009(3): 45-46.

[3] 李林, 盧煥章, 肖山竹, 等. 基于分級(jí)自適應(yīng)背景差分的運(yùn)動(dòng)目標(biāo)檢測(cè)[J]. 電視技術(shù), 2013, 37(7): 164-166.

[4] QIAO Y L, SONG X R. Moving target detection in complex background[J]. Research Journal of Information Technology, 2012, 4: 195-203.

[5] LIN C Y, CHANG W W, CHOU Y C. Bidirectional background modeling for video surveillance[J]. Journal of Electronic Science and Technology, 2012, 10(3): 232-237.

[6] VARADARAJAN S, MILLER P, ZHOU H. Spatial mixture of Gaussians for dynamic background modelling[C]// 2013 10th IEEE International Conference on Advanced Video and Signal Based Surveillance. [S.l.]: IEEE, 2013: 63-68.

[7] 李 明, 趙勛杰. 改進(jìn)的基于高斯混合模型的運(yùn)動(dòng)目標(biāo)檢測(cè)算法[J]. 計(jì)算機(jī)工程與應(yīng)用, 2011, 47(8): 204-206.

[8] SHIMADA A, NAGAHARA H, TANIGUCHI R. Background modeling based on bidirectional analysis[C]// 2013 IEEE Conference on Computer Vision and Pattern Recognition. [S.l.]: IEEE, 2013: 1 979-1 986.

[9] LIU C, YUEN P C, QIU G. Object motion detection using information theoretic spatio-temporal saliency[J]. Pattern Recognition, 2009, 42(11): 2 897-2 906.

(責(zé)任編輯： 林曉)

The dynamic target detection algorithm based on bidirectional KGMM

YOU Peipei, HE Jiannong

(College of Mathematics and Computer Science, Fuzhou University, Fuzhou, Fujian 350116, China)

For most traditional target detection methods, they prefer to use information observed in past frames when analyzing the video sequences instead of the opposite direction. As for suppressing strong background disturbance and complex environmental changes of background, the performs of KGMM do not so well . In order to solve the problem effectively, we proposed a bidirectional analysis method based on KGMM model which contains a backward establishment of Gaussian mixture model. Furthermore the forward analyzing model and backward analyzing model share one Gaussian distribution set, thus our method can reduce the number of Gaussian model and improve the operating speed. Experimental results show that the improved detection algorithm performs better.

Gaussian mixture model; bidirectional modeling; dynamic object detecting

10.7631/issn.1000-2243.2016.01.0040

1000-2243(2016)01-0040-05

2014-03-18

何建農(nóng)(1960-)， 副教授， 主要從事智能圖像處理、 信息安全,網(wǎng)絡(luò)GIS等方面研究， 42566374@qq.com

國(guó)家自然科學(xué)基金資助項(xiàng)目(51277032)

TP391

A