李曉瑜, 馬大中, 付英杰

(東北大學(xué) a. 材料電磁過程研究教育部重點(diǎn)實(shí)驗(yàn)室; b. 信息科學(xué)與工程學(xué)院, 沈陽 110819)

0 引 言

運(yùn)動(dòng)目標(biāo)檢測是智能視頻監(jiān)控中至關(guān)重要的環(huán)節(jié), 是后續(xù)運(yùn)動(dòng)目標(biāo)的跟蹤、 識別和行為分析的基礎(chǔ)[1]。運(yùn)動(dòng)目標(biāo)檢測作為計(jì)算機(jī)視覺技術(shù)的重要分支之一, 主要是對視頻監(jiān)控中的運(yùn)動(dòng)目標(biāo), 如人或交通工具, 進(jìn)行實(shí)時(shí)檢測, 并將運(yùn)動(dòng)目標(biāo)與背景區(qū)分開, 也是當(dāng)前著重研究的熱點(diǎn)問題之一[2-4]。目前, 常用的運(yùn)動(dòng)目標(biāo)檢測方法有： 背景差分法、 檢測線法、 光流法和幀差法等, 背景差分法和幀差法是眾多方法中應(yīng)用較為廣泛的方法[5-7]。

背景差分法最核心的問題是如何快速、 準(zhǔn)確地獲得圖像中的背景模型, 以及如何對圖像中的背景模型進(jìn)行實(shí)時(shí)更新, 從而區(qū)分出視頻圖像中的運(yùn)動(dòng)目標(biāo)[8]。在眾多背景模型中, 混合高斯背景模型是一種較為經(jīng)典的背景模型, 用于背景相對復(fù)雜情況下的運(yùn)動(dòng)目標(biāo)檢測[9], 根據(jù)視頻中的每個(gè)像素點(diǎn)在時(shí)域上的分布情況構(gòu)建各個(gè)像素點(diǎn)的顏色分布模型, 以此達(dá)到背景建模的目的, 且多模態(tài)下的混合高斯背景模型具有一定的魯棒性[10]。目前對混合高斯背景模型建模及參數(shù)初始化方法大多為傳統(tǒng)方法, 即忽略模型中不同高斯分布可能出現(xiàn)的先驗(yàn)概率, 所有分布的參數(shù)初始化為相同值[11,12]。在幀差法方面, 由于該方法檢測到的運(yùn)動(dòng)目標(biāo)經(jīng)常存在裂痕和空洞, 運(yùn)動(dòng)目標(biāo)的位置和大小不夠精確等缺點(diǎn)[13], 研究人員又在幀差法的基礎(chǔ)上提出了三幀差分法運(yùn)動(dòng)目標(biāo)檢測, 選取連續(xù)三幀視頻圖像進(jìn)行差分運(yùn)算, 消除由于運(yùn)動(dòng)而顯露背景影響, 從而提取精確的運(yùn)動(dòng)目標(biāo)輪廓信息, 解決了幀差法存在的不足。

盡管如此, 在運(yùn)動(dòng)目標(biāo)檢測方面, 混合高斯背景模型和三幀差分法仍存在一些不足。文獻(xiàn)[14]使用傳統(tǒng)方法對混合高斯背景模型進(jìn)行參數(shù)初始化, 即對模型中每個(gè)高斯分布初始化相同的均值、 方差與權(quán)重, 該方法背景建立時(shí)間較長, 不利于背景的迅速建立與恢復(fù)。當(dāng)監(jiān)控場景發(fā)生光線突變時(shí), 基于混合高斯背景模型運(yùn)動(dòng)目標(biāo)檢測方法會(huì)出現(xiàn)大量的誤檢[15]。文獻(xiàn)[16]所述的基于混合高斯模型的運(yùn)動(dòng)目標(biāo)檢測方法, 雖然解決了光線突變時(shí)的誤檢問題, 但是當(dāng)視頻畫面中靜止的物體突然開始移動(dòng)時(shí), 檢測到的運(yùn)動(dòng)目標(biāo)會(huì)出現(xiàn)“鬼影”現(xiàn)象。三幀差分法能夠適應(yīng)監(jiān)控場景的光線突變現(xiàn)象, 并且能及時(shí)區(qū)分靜止目標(biāo)突然運(yùn)動(dòng)后新顯露出的背景區(qū)域[17], 但當(dāng)監(jiān)控場景處于復(fù)雜環(huán)境時(shí), 背景模型實(shí)時(shí)動(dòng)態(tài)變化, 三幀差分法的效果處理效果很差。

針對上述問題, 筆者提出了一種基于三幀差分的混合高斯背景模型運(yùn)動(dòng)目標(biāo)檢測算法。首先設(shè)計(jì)了一種基于統(tǒng)計(jì)方法的混合高斯背景建模方法, 利用背景像素點(diǎn)的灰度值在實(shí)際視頻序列中多次出現(xiàn)的特點(diǎn), 提高了混合高斯背景模型參數(shù)初始化的速度與準(zhǔn)確性。然后實(shí)現(xiàn)對圖像背景區(qū)域、 運(yùn)動(dòng)區(qū)域和背景顯露區(qū)域進(jìn)行劃分, 并且在不同光照階段針對不同區(qū)域動(dòng)態(tài)調(diào)整模型參數(shù)更新學(xué)習(xí)率, 提高背景的建立與更新速度。最后設(shè)置圖像前景檢測比例閾值以及受光照影響圖像幀數(shù)閾值, 獲取當(dāng)前幀圖像所處光照階段并推測之后圖像狀態(tài), 減少了光線突變對運(yùn)動(dòng)目標(biāo)檢測準(zhǔn)確性的影響。

1 問題描述

1.1 傳統(tǒng)混合高斯背景模型建模

在混合高斯背景模型中, 某像素點(diǎn)顏色存在M個(gè)狀態(tài), 且k(k=1,2,…,M)表示其中某一狀態(tài), 多維隨機(jī)變量X表示該像素點(diǎn)所呈現(xiàn)出的具體顏色,t(t=1,2,…)時(shí)刻的像素值即為多維隨機(jī)變量X的采樣值, 并使用該采樣值對當(dāng)前像素點(diǎn)的狀態(tài)k進(jìn)行估計(jì)。

假設(shè)多維隨機(jī)變量X的概率密度函數(shù)使用M個(gè)高斯函數(shù)表示, 每個(gè)高斯函數(shù)對應(yīng)一種可能的狀態(tài), 不同時(shí)刻t所得到的像素采樣值之間相互獨(dú)立, 并與隨機(jī)變量X同分布。p(k,t)表示t時(shí)刻像素值可能與第k個(gè)狀態(tài)對應(yīng)的先驗(yàn)概率, 因此利用wk,t=p(k,t)表示第k個(gè)高斯分布的權(quán)重。η(Xt,θk,t)表示X服從的概率密度函數(shù),θk,t=(μk,t,Σk,t)表示第k個(gè)高斯分布的均值與協(xié)方差。η(Xt,μk,t,Σk,t)的函數(shù)表達(dá)式如下

wk=1/M

(3)

μk=255(k/M)k=1,2,…,M

(4)

在實(shí)際應(yīng)用中, 背景環(huán)境往往存在著樹枝晃動(dòng)、 電子屏幕閃爍、 水波擾動(dòng)等情況, 背景像素點(diǎn)會(huì)呈現(xiàn)雙峰或多峰的情況, 混合高斯背景模型適用于這種復(fù)雜的運(yùn)動(dòng)場景, 尤其是存在微小重復(fù)運(yùn)動(dòng)的監(jiān)控場景。但是, 傳統(tǒng)混合高斯模型建模初始化方法背景建立時(shí)間較長, 不利于背景的迅速建立和恢復(fù)。

1.2 基于統(tǒng)計(jì)方法的混合高斯背景模型建模

針對傳統(tǒng)模型參數(shù)初始化方法的不足, 筆者設(shè)計(jì)了基于統(tǒng)計(jì)方法的混合高斯模型參數(shù)初始化方法, 其在對模型參數(shù)進(jìn)行初始化時(shí), 引入兩個(gè)累加器矩陣A1、A2用以記錄灰度值滿足相應(yīng)規(guī)則的像素點(diǎn)的個(gè)數(shù), 矩陣的各元素與圖像的各像素點(diǎn)相對應(yīng)。累加器矩陣A1、A2各位置元素值的更新方式為

在對累加器矩陣A1、A2各位置元素值進(jìn)行更新后, 還需按如下方式對累加器矩陣A1、A2所對應(yīng)的均值進(jìn)行更新, 即

其中x為當(dāng)前幀圖像每個(gè)像素點(diǎn)的灰度值。μ為與累加器矩陣A1對應(yīng)的平均灰度值,μ′為與累加器矩陣A2對應(yīng)的平均灰度值, 累加器矩陣A1對應(yīng)的初始平均灰度值設(shè)置為第1幀圖像的灰度值, 累加器矩陣A2對應(yīng)的初始平均灰度值設(shè)置為第1次啟動(dòng)A2時(shí)當(dāng)前幀圖像的灰度值。a、λ為常數(shù), 通常取值為4～10、2.5。

在初始化訓(xùn)練結(jié)束時(shí), 按

初始化混合高斯模型中的其中一個(gè)高斯分布, 并且計(jì)算出相應(yīng)的方差σ2。而混合高斯模型中的其他高斯分布按

進(jìn)行初始化。其中wM為最大的權(quán)重值,σM為較大的方差, 通常取值為5～6,ε為權(quán)重較小值, 通常取值為0.001。

混合高斯背景模型更新時(shí)需要對每個(gè)高斯分布的參數(shù)以及權(quán)重進(jìn)行更新。在獲取一幀新的圖像后, 將其像素點(diǎn)與混個(gè)高斯模型中的M個(gè)高斯分布進(jìn)行匹配。若像素點(diǎn)與某一高斯分布滿足

|xt-μk,t-1|<λσk,t-1

(9)

其中μk,t-1為第k個(gè)高斯分布在t-1時(shí)刻的均值,λ為自定義的閾值, 一般取2.5,σk,t-1為第k個(gè)高斯分布在時(shí)刻t-1的標(biāo)準(zhǔn)差。則認(rèn)為像素點(diǎn)與該高斯分布是匹配的, 并按

所示方式對該高斯分布進(jìn)行參數(shù)更新。其中α代表權(quán)重學(xué)習(xí)率, 0≤α≤1,α決定著權(quán)重的更新速度, 并且會(huì)影響高斯分布的更新速度,ρ代表參數(shù)學(xué)習(xí)率,ρ=α/wk,t。

當(dāng)xt與所有高斯分布均不匹配時(shí), 使用新的高斯分布代替權(quán)重最小的高斯分布。新高斯分布的均值初始化為xt, 標(biāo)準(zhǔn)差σ0初始化為較大值, 通常取值為5～6, 權(quán)重w0初始化為較小值, 通常取值為0.001, 如此取值以保護(hù)原有較優(yōu)高斯分布。其余高斯分布的均值和方差保持不變, 但這些高斯分布的權(quán)重需要按如下方式進(jìn)行衰減

wk,t=(1-α)wk,t-1

(11)

更新混合高斯背景模型的各參數(shù)后, 需要對所有高斯分布的權(quán)重進(jìn)行歸一化處理

其中?k,t為t時(shí)刻第k個(gè)高斯分布的優(yōu)先級, 對所有分布按優(yōu)先級?k,t排序, 被匹配次數(shù)多的高斯分布權(quán)重wk,t增大, 方差σk,t減小, 其對應(yīng)的分布優(yōu)先級?k,t也增大。

若前Bcnt個(gè)高斯分布滿足

所示的條件, 則這Bcnt個(gè)分布被認(rèn)為是背景對應(yīng)分布, 剩下的M-Bcnt個(gè)分布被認(rèn)為是運(yùn)動(dòng)目標(biāo)對應(yīng)的分布。其中τ為示自定義的權(quán)重閾值, 它決定著代表背景的高斯分布權(quán)重之和的最小值?；诮y(tǒng)計(jì)方法的混合高斯背景模型參數(shù)優(yōu)化算法流程如下。

算法1 基于統(tǒng)計(jì)方法的混合高斯背景模型參數(shù)優(yōu)化算法。

變量： 當(dāng)前圖像灰度值x, 累加器矩陣A1、A2, 均值μ、 方差σ2、 權(quán)重w。

結(jié)果： 混合高斯模型參數(shù)μk、σk、wk(k=1,2,…,M)。

在體系建設(shè)過程中要打破職能部門之間的界限，才能將控制置于醫(yī)院經(jīng)濟(jì)活動(dòng)的全過程，形成主要領(lǐng)導(dǎo)負(fù)責(zé)，分管領(lǐng)導(dǎo)主抓，專職部門牽頭推動(dòng)，各職能部門分工負(fù)責(zé)，全院職工共同參與的內(nèi)控格局，最終實(shí)現(xiàn)“全員參與，共同實(shí)施”的目標(biāo)。這樣就能夠做到將內(nèi)部控制責(zé)任進(jìn)行明確，各參與人都能夠意識到自己的到位，到時(shí)候只需要內(nèi)部控制部門根據(jù)相應(yīng)的制度進(jìn)行考核就能夠與達(dá)到將內(nèi)部控制責(zé)任明確到各個(gè)職工中，最終為內(nèi)部控制的追責(zé)體系的構(gòu)建打下堅(jiān)實(shí)的基礎(chǔ)。

1) 初始化累加器矩陣A1、A2及其對應(yīng)的均值μ、μ′;

2) 依據(jù)式(5)和式(6)條件對累加器矩陣矩陣A1、A2各位置元素及其對應(yīng)的均值μ、μ′進(jìn)行訓(xùn)練更新;

3) 根據(jù)式(7)描述的μ、μ′的關(guān)系對模型中一組μk、σk、wk進(jìn)行初始化;

4) 根據(jù)式(8)對模型中其他高斯分步進(jìn)行初始化;

5) 遞推： 利用式(10)對混合高斯模型參數(shù)μ、σ2、w進(jìn)行迭代更新;

綜上所述, 通過基于統(tǒng)計(jì)方法的混合高斯背景建模, 可在模型初始化的過程中既對模型參數(shù)進(jìn)行優(yōu)化, 建模后立即得到相對傳統(tǒng)建模方法較優(yōu)的背景模型, 從而使得背景模型能快速且準(zhǔn)確的建立并更新。

2 基于三幀差分的混合高斯背景模型運(yùn)動(dòng)目標(biāo)檢測算法設(shè)計(jì)

實(shí)現(xiàn)基于三幀差分的混合高斯背景模型運(yùn)動(dòng)目標(biāo)檢測算法要解決如下兩個(gè)關(guān)鍵問題： 首先是如何劃分圖像中的背景區(qū)域、 運(yùn)動(dòng)目標(biāo)區(qū)域和背景顯露區(qū)域； 其次是如何準(zhǔn)確的判斷是否發(fā)生了光照突變。

在對圖像的不同區(qū)域進(jìn)行區(qū)分時(shí), 首先假設(shè)xt-1、xt、xt+1分別代表t-1、t、t+1時(shí)刻的3幀圖像, 并對其中相鄰的兩幀圖像做差分運(yùn)算, 其過程如圖1所示。

然后對上述運(yùn)算得到的差分圖像dt-1,t、dt,t+1做二值化及形態(tài)學(xué)處理, 得到rt-1,t和rt,t+1, 并對二者進(jìn)行與運(yùn)算, 得到三幀差分的結(jié)果rt。

圖1 三幀差分法示意圖Fig.1 Three image difference methodschematic diagram

通過理論分析和大量實(shí)驗(yàn)研究發(fā)現(xiàn), 當(dāng)發(fā)生光照突變時(shí), 通常會(huì)對突變后的20～70幀視頻畫面的目標(biāo)檢測產(chǎn)生嚴(yán)重影響, 一般會(huì)將60%以上的視頻畫面檢測為前景, 嚴(yán)重時(shí)會(huì)將整幅畫面檢測為前景。所以可以依據(jù)整幅畫面中被檢測為前景部分所占畫面的比例判斷是否發(fā)生了光照突變。設(shè)光照突變閾值為T=60%, 通過光照突變后視頻幀數(shù)計(jì)數(shù)器的值nL判斷當(dāng)前幀圖像是否處于光照突變后受影響嚴(yán)重階段內(nèi)。

若nL≤nc, 則當(dāng)前圖像處于光照突變后受影響嚴(yán)重階段。此時(shí)利用三幀差分法處理當(dāng)前圖像, 得到的前景運(yùn)動(dòng)目標(biāo)作為當(dāng)前幀的運(yùn)動(dòng)目標(biāo)檢測結(jié)果, 并且采用較大的學(xué)習(xí)率對混合高斯背景模型的參數(shù)進(jìn)行更新。

若nL>nc, 則當(dāng)前圖像已經(jīng)超出了光照突變后受影響嚴(yán)重階段, 此時(shí)計(jì)算當(dāng)前幀圖像背景模型中被檢測為前景運(yùn)動(dòng)目標(biāo)的區(qū)域占整幅畫面的比例A。

1) 若A>T, 說明發(fā)生了光照突變, 將計(jì)數(shù)器nL置零, 并進(jìn)入到上述發(fā)生光照突變的處理階段進(jìn)行處理。

2) 若A

對利用上述設(shè)計(jì)的背景更新算法獲得的二值圖像進(jìn)行以下處理即可準(zhǔn)確的表征運(yùn)動(dòng)目標(biāo)的信息。首先, 求出二值圖像R(x,y)行和列的大小m和n, 創(chuàng)建標(biāo)記矩陣Zm×n, 并且初始化為0。對二值圖像R(x,y)進(jìn)行逐行逐列掃描, 找到第1個(gè)R(x,y)=1且Z(x,y)=0的種子點(diǎn)(x1,y1), 此時(shí)置Z(x,y)=1, 表示該像素點(diǎn)已經(jīng)被檢測。搜索該像素點(diǎn)的8個(gè)鄰域點(diǎn), 即對Z(x,y)=1的8個(gè)領(lǐng)域點(diǎn)進(jìn)行搜索, 逐步標(biāo)記包含(x1,y1)的整個(gè)連通區(qū)域, 將該區(qū)域中所有點(diǎn)對應(yīng)的標(biāo)記置為1, 并記錄該連通區(qū)域面積、 最小和最大行列號信息。然后, 繼續(xù)對R進(jìn)行掃描, 尋找下一個(gè)未被檢測到的種子點(diǎn)(xi,yi)(i=1,2,3,…,ncon,ncon為連通區(qū)域的個(gè)數(shù)), 重復(fù)上述步驟直到整個(gè)R被掃描完。

則將i和j連通區(qū)域合并。式(15)表示, 若兩個(gè)連通域的中心距小于各自長邊半徑之和時(shí), 則認(rèn)為這兩個(gè)連通域?qū)儆谕粋€(gè)目標(biāo)并將其合并, 合并后取它們的最大區(qū)域。合并后的連通區(qū)域坐標(biāo)如

所示?；谌龓罘值幕旌细咚鼓Ｐ捅尘澳Ｐ瓦\(yùn)動(dòng)目標(biāo)檢測算法流程圖如圖2所示。

圖2 基于三幀差分的混合高斯模型背景模型運(yùn)動(dòng)目標(biāo)檢測算法流程圖Fig.2 Flow chart of moving target detection algorithm for background model of mixed Gauss model based on three frame difference

3 實(shí)驗(yàn)結(jié)果與分析

為對筆者設(shè)計(jì)的運(yùn)動(dòng)目標(biāo)檢測算法進(jìn)行分析, 檢驗(yàn)算法在處理光照突變和長期靜止目標(biāo)突然運(yùn)動(dòng)這兩種情況時(shí)的效果, 分別采用兩段視頻對算法進(jìn)行實(shí)驗(yàn), 并將實(shí)驗(yàn)結(jié)果與傳統(tǒng)混合高斯背景運(yùn)動(dòng)目標(biāo)檢測算法的檢測結(jié)果進(jìn)行比較與分析。測試視頻信息如表1所示。

表1 視頻信息

算法實(shí)驗(yàn)測試的硬件環(huán)境為： Windows7 64位操作系統(tǒng)、 Intel(R) Celeron(R) CPU G1610 @ 2.60 GHz CPU、 10 GByte內(nèi)存。編程工具及使用的算法及庫文件為VS2013和OpenCV2.4.11。算法參數(shù)如表2所示。

表2 算法參數(shù)

對于有光照突變場景的測試視頻LightSwitch.avi, 兩種算法實(shí)驗(yàn)得到的測試結(jié)果如圖3所示。從圖3中可見, 視頻第295幀發(fā)生了光照突變。傳統(tǒng)混合高斯背景模型將大多數(shù)的背景錯(cuò)誤地檢測為前景, 二值化圖片呈現(xiàn)出大片白色區(qū)域, 結(jié)果圖片上運(yùn)動(dòng)目標(biāo)標(biāo)記框包含了整幅圖片。此外, 由于傳統(tǒng)算法在發(fā)生光照突變后, 背景更新學(xué)習(xí)率不變, 背景更新速度太慢, 導(dǎo)致目標(biāo)檢測直到第363幀才恢復(fù)正常, 誤檢現(xiàn)象持續(xù)時(shí)間較長。而改進(jìn)的運(yùn)動(dòng)目標(biāo)檢測算法在發(fā)生光照突變后使用三幀差分法進(jìn)行運(yùn)行目標(biāo)檢測, 三幀差分法可以良好適應(yīng)光照突變現(xiàn)象, 所以在光照突變發(fā)生后的第二幀運(yùn)動(dòng)目標(biāo)檢測就恢復(fù)正常。而且, 改進(jìn)的算法在光照突變后對視頻畫面的不同區(qū)域采用不同的背景更新學(xué)習(xí)率, 使背景模型的建立與更新更加準(zhǔn)確和迅速, 檢測到的二值圖像更加緊湊, 噪點(diǎn)更少, 提高了運(yùn)動(dòng)目標(biāo)檢測的準(zhǔn)確性與穩(wěn)定性。

圖3 光照突變對混合高斯背景模型的影響Fig.3 Influence of illumination mutation on mixed Gaussian background model

對于有長期靜止目標(biāo)突然運(yùn)動(dòng)場景的測試視頻cmera2.avi, 兩種算法實(shí)驗(yàn)得到的測試結(jié)果如圖4所示?？梢? 由于傳統(tǒng)混合高斯背景模型對視頻圖像的所有區(qū)域采用同樣的更新學(xué)習(xí)率, 目標(biāo)在第99幀突然由靜止轉(zhuǎn)為運(yùn)動(dòng)時(shí), 在背景模型更新過程中出現(xiàn)了“鬼影”現(xiàn)象。而改進(jìn)的算法由于在背景模型更新時(shí)對圖像中不同的區(qū)域采用不同的學(xué)習(xí)率, 在靜止目標(biāo)突然運(yùn)動(dòng)時(shí), 背景顯露區(qū)域得到迅速更新, 背景的建立迅速準(zhǔn)確且穩(wěn)定, 檢測得到的二值圖像也較為準(zhǔn)確, 消除了鬼影現(xiàn)象。

圖4 突發(fā)運(yùn)動(dòng)對混合高斯背景模型的影響Fig.4 Influence of burst motion on mixed Gaussian background model

4 結(jié) 語

針對傳統(tǒng)混合高斯背景模型的光照突變誤檢問題以及突然運(yùn)動(dòng)物體的“鬼影”現(xiàn)象, 設(shè)計(jì)了一種基于三幀差分的混合高斯背景模型運(yùn)動(dòng)目標(biāo)檢測算法。首先, 針對混合高斯背景模型傳統(tǒng)初始化方法的不足, 設(shè)計(jì)了一種基于統(tǒng)計(jì)方法的模型參數(shù)初始化方法, 并對混合高斯背景模型進(jìn)行建模。然后, 在利用運(yùn)動(dòng)區(qū)域百分比判斷時(shí)候發(fā)生光照突變以及利用三幀差分法劃分圖像不同區(qū)域的基礎(chǔ)上, 設(shè)計(jì)了基于三幀差分的混合高斯背景模型運(yùn)動(dòng)目標(biāo)檢測算法, 該算法根據(jù)圖像是否發(fā)生了光照突變, 對圖像的不同區(qū)域采用不同的學(xué)習(xí)率, 提高背景模型的更新速度, 對視頻監(jiān)控中的運(yùn)動(dòng)目標(biāo)進(jìn)行檢測。最后, 經(jīng)過實(shí)驗(yàn)分析, 該算法可有效解決傳統(tǒng)混合高斯背景模型的光線突變現(xiàn)象和“鬼影”問題。