高遠+路楊+李佩琛

摘 要：在視頻運動目標(biāo)檢測中，混合高斯模型是一種目前較常用的建模方法。針對混合高斯模型實時性不強等缺陷，文章提出了一種基于三幀差分和混合高斯建模的運動目標(biāo)檢測方法。實驗證明，這種算法在自適應(yīng)性、實時性、正確率等方面都有了很大改進，并且可以減少部分的噪聲。

關(guān)鍵詞：三幀差分；混合高斯模型；幀運動量；運動目標(biāo)檢測

中圖分類號：TP39 文獻標(biāo)志碼：A 文章編號：2095-2945（2017）31-0021-03

引言

隨著監(jiān)控技術(shù)的快速發(fā)展，人們安全意識的普遍提高，監(jiān)控攝像頭早已遍布大街小巷，對視頻運動目標(biāo)的檢測和提取成為了重要的研究方向。運動目標(biāo)檢測是指在視頻序列中提取與背景存在相對運動的目標(biāo)，是進行目標(biāo)追蹤、目標(biāo)識別等處理的基礎(chǔ)。

目前常用的運動目標(biāo)檢測方法主要分為三類[1]，包括光流法、幀間差分法和背景減除法。其中光流法利用運動目標(biāo)隨時間變化的矢量特征檢測運動區(qū)域，能夠在攝像機運動的情況下檢測出目標(biāo)，但計算復(fù)雜、硬件要求較高。幀間差分法[2]用圖像時間序列相鄰的幀圖像相減，通過相減后的差分圖像獲取運動輪廓，計算簡單，實時性較強。背景減除法[3]則需要預(yù)先構(gòu)建背景，通過當(dāng)前幀圖像和背景相減所得差分圖像檢測運動目標(biāo)，能較準(zhǔn)確提取目標(biāo)，但對背景變化敏感，如光照變化、樹枝搖動都能引起背景變化，需及時更新背景，所以背景模型的建立至關(guān)重要。Stauffer和Crimson提出的混合高斯模型背景建模（GMM）[4-6]，是目前一種較常用的背景建模方法，該方法具有較強的魯棒性，但對運動物體在場景中靜止或者靜止物體的突然運動檢測失效，并且有著初始學(xué)習(xí)速度慢、學(xué)習(xí)速率固定等缺陷。

針對幀間差分法和背景減除法的不足，提出了一種基于三幀差分和混合高斯建模的運動目標(biāo)檢測方法，通過三幀差分所得差分圖像統(tǒng)計幀運動量，根據(jù)幀運動量的變化自適應(yīng)調(diào)節(jié)混合高斯模型的學(xué)習(xí)速率，實驗證明新方法在實時性、自適應(yīng)性、正確率等方面都有了改進。

1 基本方法

1.1 算法思想

本文算法主要由幀間差分法、運動量統(tǒng)計、混合高斯建模、背景提取和更新、形態(tài)學(xué)處理等部分組成。首先根據(jù)三幀差分得到差分圖像，根據(jù)差分圖像運動區(qū)域統(tǒng)計幀運動量，然后由運動量變化動態(tài)調(diào)節(jié)混合高斯建模的學(xué)習(xí)速率，再由混合高斯模型所得前景圖像與差分圖像進行邏輯與運算，最后對所得圖像進行形態(tài)學(xué)閉運算和降噪處理，其中三幀差分法和混合高斯模型建模是本算法的核心和關(guān)鍵。

1.2 三幀差分提取差分圖像

幀間差分法通過計算視頻相鄰兩幀圖像之間像素值的差值提取運動區(qū)域，通過計算差分圖像能快速檢測出目標(biāo)的運動區(qū)域，但往往提取的目標(biāo)區(qū)域比實際情況要大，并且不能檢測到重疊部分，導(dǎo)致出現(xiàn)“雙影”和“空洞”現(xiàn)象。三幀差分法是幀間差分法的改進，選取時間序列連續(xù)的三幀圖像并分別將相鄰兩幀相減，將兩幅相減后的圖像二值化后進行邏輯與運算得到運動目標(biāo)輪廓，最后進行填充、去噪聲、閉運算等操作，能較好的檢測出運動目標(biāo)的形狀輪廓。

1.3 混合高斯建模

混合高斯建模是基于像素樣本統(tǒng)計信息的背景建模方法，利用像素在較長時間內(nèi)大量樣本值的概率密度等統(tǒng)計信息（如模式數(shù)量、每個模式的均值和標(biāo)準(zhǔn)差）對每個像素點建立高斯分布統(tǒng)計模型，用當(dāng)前幀的像素值更新高斯模型參數(shù)，統(tǒng)計差分進行目標(biāo)像素判斷。

1.4 根據(jù)幀運動量改變學(xué)習(xí)速率

在建立混合高斯模型的參數(shù)中，學(xué)習(xí)速率α對背景模型的影響巨大。學(xué)習(xí)速率代表了模型更新時舊數(shù)據(jù)對模型的影響，反應(yīng)了模型對環(huán)境變化的適應(yīng)快慢。對于復(fù)雜場景，運動目標(biāo)數(shù)量較多時要增大學(xué)習(xí)速率以增強模型的敏感性，以保證運動目標(biāo)出現(xiàn)和離開及時更新；對于運動目標(biāo)較少、較為簡單的場景，要設(shè)置較小的學(xué)習(xí)速率以保證背景的穩(wěn)定，不會將運動目標(biāo)的暫時停留判斷為背景。傳統(tǒng)混合高斯模型的學(xué)習(xí)速率通常固定，并不能滿足實際需求，本文引入幀運動量以動態(tài)改變學(xué)習(xí)速率α。幀運動量表示差分圖像中運動區(qū)域像素數(shù)和所有像素總數(shù)的比值，反映了運動目標(biāo)區(qū)域在整幀圖像中的變化情況。對形態(tài)學(xué)處理和連通域合并后的差分圖像B可以根據(jù)下面公式得到運動量M：

根據(jù)統(tǒng)計出的幀運動量，計算前后兩幀的運動量變化率R1以及過往20幀的運動量的平均變化率R2。當(dāng)某幀運動量較高甚至接近1時，說明幾乎整個畫面都發(fā)生了變化，這種一般是由于光照變化導(dǎo)致，正常情況下的運動目標(biāo)不可能占據(jù)整個屏幕，此時學(xué)習(xí)速率要取較大的值，本文取值0.5。當(dāng)R1和R2同時小于0.3時，表明場景處于平穩(wěn)運動中，背景更新的速度較慢，通常α取值0.05，當(dāng)R1或R2大于等于0.3時，表明當(dāng)前場景背景更新速度較快，這時適當(dāng)增大學(xué)習(xí)速率α的值以適應(yīng)環(huán)境變化。

1.5 三幀差分法和混合高斯模型的結(jié)合

將自適應(yīng)的混合高斯模型所得運動區(qū)域圖像與三幀差分法差分圖像進行邏輯與運算，然后將圖像進行形態(tài)學(xué)處理、濾波降噪等操作，最后得到運動目標(biāo)圖像。本文算法的流程圖如圖1。

2 實驗結(jié)果及分析

本文實驗選取的編程工具eclipse，采用opencv3.1作為基礎(chǔ)算法庫， 選取了768x576.avi和VISOR數(shù)據(jù)集中幀率為幀率24幀/s、分別率320X240的Laboratory_raw.avi、highwayI_raw.avi測試視頻進行處理，分別使用幀間差分法、傳統(tǒng)混合高斯建模和本文方法進行實驗，部分實驗結(jié)果如圖2。

通過實驗結(jié)果可以看出，幀間差分法檢測結(jié)果產(chǎn)生的“雙影”和“空洞”現(xiàn)象較明顯，傳統(tǒng)混合高斯建模實時性不強，提取目標(biāo)噪聲較多。本文算法通過結(jié)合兩種方法，消除“雙影”和“空洞”現(xiàn)象，在目標(biāo)運動速度較慢的場景，查全率和查準(zhǔn)率比傳統(tǒng)算法明顯提高，檢測效果提升顯著，而對于運動目標(biāo)速度過快的場景，效果并不理想。

3 結(jié)束語

本文提出了一種三幀差分和混合高斯建模相結(jié)合的運動目標(biāo)提取方法，根據(jù)差分圖像幀運動量動態(tài)調(diào)節(jié)混合高斯模型學(xué)習(xí)速率，改進了傳統(tǒng)混合高斯建模，實時性、自適應(yīng)性和正確率等方面都有所提高。

參考文獻：

[1]黃凱奇，陳曉棠，康運鋒，等.智能視頻監(jiān)控技術(shù)綜述[J].計算機學(xué)報，2015.

[2]莫林，廖鵬，劉勛.一種基于背景減除與三幀差分的運動目標(biāo)檢測算法[J].微計算機信息，2009，25（4-3）.

[3]李剛，邱尚斌.于背景差法和幀間差法的運動目標(biāo)檢測方法[J].儀器儀表學(xué)報，2006，8.

[4]Stauffer C， Grimson WEL， Adaptive background mixture models for real-time tracking， In Proceedings of IEEE Conference on Com Puter Vision and pattern Recognition， 1999：246-252.

[5]華媛蕾，劉萬軍.改進混合高斯模型的運動目標(biāo)檢測算法[J].計算機應(yīng)用，2014，34（2）.

[6]丁亮.視頻檢索技術(shù)在視頻圖像偵查中的應(yīng)用研究[D].江蘇科技大學(xué)，2015.

[7]王文新.海量視頻摘要及檢索關(guān)鍵技術(shù)研究與實現(xiàn)[D].南京郵電大學(xué)，2015.

[8]韓小萱.高效監(jiān)控視頻摘要的關(guān)鍵技術(shù)研究[D].南京郵電大學(xué)，2015.endprint