趙澤壹，路 綱

(1.陜西師范大學(xué) 現(xiàn)代教學(xué)技術(shù)教育部重點(diǎn)實(shí)驗(yàn)室，陜西 西安 710119;2.陜西師范大學(xué) 計(jì)算機(jī)科學(xué)學(xué)院，陜西 西安 710119)

0 引 言

在計(jì)算機(jī)視覺領(lǐng)域，運(yùn)動(dòng)目標(biāo)檢測是熱門的研究方向。解決這個(gè)問題的算法有很多，總得來說可以分為三類，分別是光流法[1-2]、幀差法[3-4]、背景消減法[5-14]。在觀察者和場景之間發(fā)生相對運(yùn)動(dòng)時(shí)，視覺場景中物體表面和邊緣可以建立明顯的運(yùn)動(dòng)模型。光流法利用這樣的運(yùn)動(dòng)模型進(jìn)行運(yùn)動(dòng)目標(biāo)檢測，易受到噪聲干擾且計(jì)算成本高。幀差法通過計(jì)算相鄰兩幀之間的不同信息來捕捉運(yùn)動(dòng)目標(biāo)，具有計(jì)算速度快、對光照變化穩(wěn)定性強(qiáng)的優(yōu)點(diǎn)，但不能夠很好地適用于運(yùn)動(dòng)目標(biāo)快速移動(dòng)的場景，對于紋理信息較少的運(yùn)動(dòng)目標(biāo)也容易產(chǎn)生空洞。背景消減法通過對當(dāng)前圖像像素強(qiáng)度與相應(yīng)的背景進(jìn)行比較，從而實(shí)現(xiàn)對運(yùn)動(dòng)目標(biāo)的檢測。因?yàn)閷τ谶\(yùn)動(dòng)目標(biāo)檢測具有非常好的魯棒性，所以應(yīng)用非常廣泛。背景消減法的關(guān)鍵步驟在于背景建模過程。文獻(xiàn)[5]提出利用混合高斯方法對背景進(jìn)行建模。混合高斯方法在視頻序列中對運(yùn)動(dòng)目標(biāo)進(jìn)行檢測[11-14]，通過對真實(shí)場景的背景進(jìn)行建模并不斷更新，可以有效克服因?yàn)橄鄼C(jī)抖動(dòng)而產(chǎn)生的微小擾動(dòng)噪聲。但是混合高斯方法對于快速的光照變化較為敏感。文獻(xiàn)[6-10]提出了對混合高斯方法的改進(jìn)策略，但這些方法仍然是對圖片的每一個(gè)像素進(jìn)行處理，更新每一個(gè)像素的概率密度函數(shù)，計(jì)算代價(jià)非常大。

在上述研究基礎(chǔ)上，文中提出一種基于塊模型的運(yùn)動(dòng)目標(biāo)檢測方法。通過幀差法初步確定運(yùn)動(dòng)目標(biāo)在當(dāng)前幀的位置，利用二值化圖像計(jì)算當(dāng)前幀每個(gè)網(wǎng)格中動(dòng)態(tài)點(diǎn)的數(shù)量，即信息度，將所有圖像塊分為3類，分別是背景塊、運(yùn)動(dòng)塊、準(zhǔn)運(yùn)動(dòng)塊。針對不同類型圖像塊構(gòu)建不同的混合高斯更新策略：背景塊中利用較少的像素信息更新混合高斯模型、運(yùn)動(dòng)目標(biāo)塊區(qū)域不更新混合高斯模型。并通過實(shí)驗(yàn)對該算法進(jìn)行驗(yàn)證。

1 混合高斯模型

混合高斯模型的理論基礎(chǔ)是任何類型的概率分布模型都能夠用多個(gè)高斯分布進(jìn)行近似表示。在場景背景建模過程中，利用多個(gè)帶有權(quán)值的高斯模型之和的形式構(gòu)建混合高斯模型公式，進(jìn)而表達(dá)在視頻圖像上相同位置像素的強(qiáng)度值?；旌细咚鼓Ｐ椭械膮?shù)可以在不需要對視頻幀進(jìn)行緩存的條件下對參數(shù)自適應(yīng)地進(jìn)行更新。以處理灰度圖像的視頻序列為例對混合高斯模型進(jìn)行描述，可以根據(jù)該例導(dǎo)出彩色圖像視頻序列混合高斯模型。

1.1 混合高斯模型建立及其參數(shù)更新

在時(shí)間維度上捕獲圖像序列I={I1,I2,…,It}，其中t表示采樣時(shí)間。圖像It中每個(gè)像素Xt灰度值的概率分布是：

(1)

每個(gè)像素的k個(gè)高斯分布總是按wi,t/σi,t由大到小排列。

當(dāng)一個(gè)新的圖片被捕獲時(shí)，它的每個(gè)像素都需要與其對應(yīng)的高斯模型進(jìn)行比較，看像素的灰度是否滿足|Xt-μi,t-1|<δσi,t-1，其中r是一個(gè)可以根據(jù)實(shí)際情況設(shè)定的閾值，一般取值范圍是2.5～3.5。當(dāng)?shù)趇個(gè)高斯模型與當(dāng)前像素Xt匹配時(shí)，則對第i個(gè)高斯模型的參數(shù)均值和協(xié)方差進(jìn)行更新，公式如下：

wi,t=(1-α)wi,t-1+αMi,t

(3)

μi,t=(1-ρ)μi,t-1+ρXt

(4)

(5)

在像素Xt對應(yīng)的混合高斯模型中沒有一個(gè)高斯模型滿足|Xt-μi,t-1|<δσi,t-1的條件下，判斷高斯模型的數(shù)目是否等于最大數(shù)值K，如果當(dāng)前模型的數(shù)量小于K，則用這個(gè)像素的灰度值作為高斯分布的均值，再加上一個(gè)較大的協(xié)方差、當(dāng)前最小權(quán)值建立一個(gè)新的高斯分布。在更新完成后對混合高斯模型的權(quán)值進(jìn)行歸一化。

1.2 背景模型構(gòu)建與運(yùn)動(dòng)目標(biāo)檢測

所有的高斯分布函數(shù)都按照公式wi,t/σi,t進(jìn)行從大到小的排序。在k個(gè)高斯分布函數(shù)中，假設(shè)權(quán)值最大的M個(gè)高斯分布函數(shù)構(gòu)建了背景模型。

(6)

其中，T是一個(gè)背景模型中所有高斯模型的權(quán)值之和最小值。在像素對應(yīng)的混合高斯模型中，1-M個(gè)高斯模型集合接近于理想背景模型，k-M個(gè)高斯模型集合更加接近于運(yùn)動(dòng)目標(biāo)模型。因此可以對每個(gè)像素點(diǎn)進(jìn)行過濾，如果它的灰度與前1-M個(gè)高斯模型匹配，那么這個(gè)點(diǎn)是背景點(diǎn)，反之是運(yùn)動(dòng)目標(biāo)點(diǎn)，從而實(shí)現(xiàn)運(yùn)動(dòng)目標(biāo)的檢測。

2 基于圖像塊的混合高斯模型運(yùn)動(dòng)目標(biāo)檢測

基于混合高斯模型的運(yùn)動(dòng)目標(biāo)檢測算法，對每一個(gè)像素都建立混合高斯模型，在求解過程中消耗大量的計(jì)算資源。雖然它能夠在一定程度上提升算法對環(huán)境的適應(yīng)能力，但仍然具有對光照敏感、靜態(tài)物體變?yōu)檫\(yùn)動(dòng)物體時(shí)產(chǎn)生鬼影等缺點(diǎn)。現(xiàn)在有很多改進(jìn)的混合高斯模型運(yùn)動(dòng)目標(biāo)檢測算法，雖然能夠在一定程度上克服光照變化、鬼影等問題，但仍然是在時(shí)間域上對每一個(gè)像素建立混合高斯模型，沒有考慮同一幀內(nèi)像素點(diǎn)在空間域上相鄰點(diǎn)具有的相關(guān)性。在文中提出的基于分塊模型的運(yùn)動(dòng)目標(biāo)檢測算法中，利用幀差法對運(yùn)動(dòng)目標(biāo)進(jìn)行預(yù)先估計(jì)，從而確定當(dāng)前幀空間域上像素點(diǎn)之間的相關(guān)性，并將其加入到混合高斯模型的參數(shù)更新過程中。同時(shí)對運(yùn)動(dòng)目標(biāo)所處的圖像塊進(jìn)行單獨(dú)處理而不是對整幅圖像進(jìn)行處理，可以在降低計(jì)算復(fù)雜性的基礎(chǔ)上提升混合高斯模型運(yùn)動(dòng)檢測算法的性能。

算法大致流程如下：

(1)利用幀差法檢測運(yùn)動(dòng)目標(biāo)；

(2)對圖像進(jìn)行分塊，計(jì)算每個(gè)圖像塊的信息值并對其進(jìn)行分類；

(3)對不同類別的圖像塊采用不同的混合高斯模型參數(shù)更新策略。

本節(jié)使用的圖片是視頻序列“Intelligent room”中的第108幀和第109幀，如圖1所示。

2.1 幀差法初步檢測運(yùn)動(dòng)目標(biāo)

幀差法假設(shè)相鄰兩幀之間背景圖像像素點(diǎn)位置不發(fā)生變化，而運(yùn)動(dòng)點(diǎn)在像素位置發(fā)生位移，利用相鄰兩幀It-1和It的灰度差，通過閾值比較從而估計(jì)出運(yùn)動(dòng)目標(biāo)的位置，如式7：

(7)

其中，ac為運(yùn)動(dòng)目標(biāo)位置初步檢測范圍；T為灰度變化閾值。

T的取值對之后的處理非常關(guān)鍵，當(dāng)取值太大時(shí)運(yùn)動(dòng)目標(biāo)易出現(xiàn)空洞、裂紋等現(xiàn)象。將T設(shè)為自適應(yīng)的閾值后，容易增加算法在此處的計(jì)算復(fù)雜性，從而造成過多的計(jì)算資源浪費(fèi)。這個(gè)步驟中只是對運(yùn)動(dòng)目標(biāo)進(jìn)行初步的檢測，所以設(shè)T=3σ+μ。

2.2 圖像塊分類方法

相鄰兩幀圖像It-1和It通過幀差法獲取幀圖像It所對應(yīng)的含有運(yùn)動(dòng)目標(biāo)的二值圖像frame_difft，假設(shè)圖像frame_difft的大小為m×n,那么可以依據(jù)尺寸為m'×n'的模板獲取m''×n''個(gè)圖像塊m。其中第(k,j)圖像塊表示為D(k,j)，1≤k≤m,1≤j≤n。文中通過式8對背景塊、運(yùn)動(dòng)塊、準(zhǔn)動(dòng)態(tài)塊進(jìn)行分類。

(8)

其中，Dbg、Dyd、Dzyd分別表示背景塊集合、運(yùn)動(dòng)塊集合、準(zhǔn)運(yùn)動(dòng)塊集合；T1、T2分別是3類圖像塊之間的區(qū)分閾值。

2.3圖像塊自適應(yīng)混合高斯模型構(gòu)建及其參數(shù)更新

當(dāng)捕獲圖像后，通過幀差法與網(wǎng)格化可以獲得具有信息值的圖像塊，如圖1(c)所示。如果D(k,j)是背景塊,如圖1(d)中A區(qū)域，那么讓該塊內(nèi)所有像素點(diǎn)對應(yīng)一個(gè)混合高斯模型。采用5點(diǎn)法對該模型的參數(shù)進(jìn)行更新，公式如下：

(9)

創(chuàng)建新的高斯模型時(shí)利用5個(gè)點(diǎn)的灰度均值作為高斯模型均值，采用較大的協(xié)方差。如果D(k,j)是動(dòng)態(tài)塊，圖1(d)中B1、B2、B3、B4、B6、B7、B9區(qū)域，則混合模型中的參數(shù)保持不變，從而保留對靜態(tài)背景的估計(jì)能力。如果D(k,j)是準(zhǔn)動(dòng)態(tài)塊，圖1(d)中B5區(qū)域，則選取該塊周圍的、除去運(yùn)動(dòng)塊的8鄰近圖像塊，圖1(d)中B8區(qū)域，作為準(zhǔn)動(dòng)態(tài)塊處理區(qū)域，對該區(qū)域進(jìn)行均值濾波處理，等預(yù)處理后，對其塊中的每個(gè)像素點(diǎn)進(jìn)行混合高斯模型建立與更新，從而保證算法的性能。

圖1 基于信息度的圖像塊分類過程

2.4 背景模型構(gòu)建與運(yùn)動(dòng)目標(biāo)檢測

如果D(k,j)是背景塊，那么該區(qū)域大部分像素點(diǎn)屬于背景區(qū)域，所以將其作為背景區(qū)域處理；如果D(k,j)是動(dòng)態(tài)塊，那么該區(qū)域作為運(yùn)動(dòng)目標(biāo)顯示；如果D(k,j)是準(zhǔn)動(dòng)態(tài)塊，則對該圖像塊除去運(yùn)動(dòng)塊的8鄰近圖像塊，作為準(zhǔn)動(dòng)態(tài)塊處理區(qū)域，對該區(qū)域進(jìn)行均值濾波處理，等預(yù)處理后，對該區(qū)域每個(gè)像素對應(yīng)的混合高斯模型進(jìn)行排序，依據(jù)式6構(gòu)建背景模型。如果該區(qū)域中的像素點(diǎn)滿足|Xt-μi,t-1|<δσi,t-1，那么該像素點(diǎn)屬于運(yùn)動(dòng)目標(biāo)，否則屬于背景。

3 實(shí)驗(yàn)結(jié)果與分析

文中利用從公開數(shù)據(jù)集中選取的兩個(gè)室內(nèi)視頻序列和一個(gè)室外視頻序列，對提出的方法進(jìn)行有效性和準(zhǔn)確性驗(yàn)證。其中視頻序列“Intelligent room”和“Laboratory”屬于室內(nèi)場景，視頻序列“Campus”屬于室外場景。實(shí)驗(yàn)程序用C++編寫，運(yùn)行在Intel Core i5-2400,3.10 GHz,4 G內(nèi)存，64位，unbuntu14.04LTS的PC機(jī)上。與相鄰幀差法與傳統(tǒng)的混合高斯背景建模方法進(jìn)行對比。

3.1 實(shí)時(shí)性

表1中給出了文中算法、相鄰幀差法、混合高斯算法在處理不同場景視頻序列時(shí)的單幀平均運(yùn)行時(shí)間(single frame average run time，SFA)?？梢悦黠@看出，文中算法處理速度比混合高斯方法快。主要原因在于文中算法采用了基于信息度的分塊處理，對不同類型的圖像塊采用不同的混合高斯模型，對于靜態(tài)塊和運(yùn)動(dòng)塊可以花費(fèi)很少的時(shí)間建立構(gòu)建含有更少噪聲的背景模型。

表1 各算法檢測時(shí)間 ms

3.2 精準(zhǔn)性

文中使用兩個(gè)標(biāo)準(zhǔn)來評估提出的算法模型。一個(gè)是識別率(TPR)，另一個(gè)是誤檢率(FPR)，公式如下：

(10)

(11)

其中，TP表示檢測到的屬于運(yùn)動(dòng)物體的像素?cái)?shù)量；FN表示未檢測到的屬于運(yùn)動(dòng)物體的像素?cái)?shù)量；TN表示對實(shí)際中屬于運(yùn)動(dòng)物體的像素?cái)?shù)量；FP表示檢測到的作為移動(dòng)對象的屬于背景的像素的錯(cuò)誤檢測數(shù)。

表2 識別率

在不同場景下不同算法所對應(yīng)的TPR與FPR值分別記錄在表2、表3中。從表2中可以看出，文中算法相比相鄰幀差法、混合高斯算法具有較高的識別率。這主要是因?yàn)槲闹兴惴▽τ诓煌愋偷膱D像塊采用不同的混合高斯模型，對于背景塊可以除去噪聲的干擾，運(yùn)動(dòng)塊可以加強(qiáng)空洞識別。同時(shí)從表3可以看出，文中算法相比相鄰幀差法和混合高斯算法還具有較低的誤檢率。這主要是因?yàn)槲闹兴惴▽τ诓煌愋偷膱D像塊采用不同的混合高斯模型，對于背景塊與動(dòng)態(tài)塊可以在很大程度上除去噪聲的干擾。

表3 誤檢率

3.3 有效性

將相鄰幀差法、混合高斯模型算法與文中算法模型在不同場景下進(jìn)行運(yùn)動(dòng)目標(biāo)檢測，其檢測結(jié)果如圖2～4所示。從實(shí)驗(yàn)結(jié)果可以看出，文中算法能夠較為良好地檢測運(yùn)動(dòng)目標(biāo)，消除不明顯的陰影干擾，但對于明顯陰影的檢測可用性沒有得到改善。該算法的結(jié)果中存在一些空洞?？傮w而言，該算法的檢測可用性優(yōu)于相鄰幀差法與混合高斯模型算法。

圖2 視頻序列“Intelligent room”中第109幀

圖3 視頻序列“Laboratory”中第93幀

圖4 視頻序列“Campus”中第58幀

4 結(jié)束語

提出了一種基于信息度對圖像進(jìn)行分塊的混合高斯模型運(yùn)動(dòng)檢測算法。相比傳統(tǒng)的混合高斯模型運(yùn)動(dòng)檢測算法，該算法場景中不同區(qū)域采用不同的模型構(gòu)建方法，從而提高運(yùn)動(dòng)目標(biāo)檢測算法的性能。對于準(zhǔn)運(yùn)動(dòng)塊及其鄰域塊的單獨(dú)處理可以在減少計(jì)算資源的情況下采用更多的算法策略提升性能。通過實(shí)驗(yàn)參數(shù)化比較表明，該算法具有較好的效果。