王杰，陳寧，李瀟崢，李旭亮

復雜光照條件下的運動目標檢測

王杰，陳寧，李瀟崢，李旭亮

（浙江科技學院機械與能源工程學院，浙江 杭州 310023）

為了解決視頻目標檢測中光照變化對目標檢測產(chǎn)生的影響，提出了一種考慮光照變化的運動目標檢測方法。首先確定光照變化的強度并進行分類，其次將圖片均勻分割成9塊區(qū)域并計算光照強度均值，最后根據(jù)相鄰幀光照強度變化量進而改變混合高斯模型的個數(shù)和學習率的大小。實驗結果表明，該方法與傳統(tǒng)混合高斯模型相比在不同光照條件下均具有較好的檢測效果。

復雜光照；目標檢測；混合高斯；學習率

在圖像分析與處理中，人們更希望獲取其感興趣區(qū)域。而常用的方法就是對圖像進行處理，突出有效目標去除無用的信息[1]。目前，常用的運動目標檢測方法有幀間差分法、光流法、背景差分法等[2]，但這些方法對光照變化場景中的目標圖像處理效果較差，存在目標漏檢、誤檢等諸多缺點。

針對上述問題文獻[3]采用自適應學習率的混合高斯模型進行背景建模，該方法可以一定程度上解決光照突變帶來的影響。文獻[4]采用邊緣描檢測和RGB顏色信息相結合的方式對前景和背景進行分割，進而實現(xiàn)目標檢測。文獻[5]根據(jù)最近觀察到的像素值的歷史值進行背景建模，隨著時間的推移逐漸更新背景。文獻[6]改進ViBe的視覺背景提取算法，根據(jù)光照變化的不同做出相應改進，提升了算法對光照變化的魯棒性。上述方法在不同程度上解決了光照變化的 影響，但算法存在計算量大、實用場景受限、檢測不完整等 問題。

基于以上學者研究存在的問題，混合高斯背景建模相對于其他檢測方式，可以更有效地檢測出光照變化區(qū)域的運動目標[7]。本文提出了改進的混合高斯模型前景檢測策略，來提高在復雜光照條件下前景目標檢測的準確性。

1 光照變化強度的判別

本文是利用相鄰兩幀間的對應像素點的灰度值的變化來確定視頻序列中的光照變化情況。在光照變化的像素中對灰度值變化的像素點進行統(tǒng)計，當灰度值變化超過一定閾值時，我們認為發(fā)生了光照變化；否則，認為光照無異常變 化。因此，進一步地將光照變化按程度分為緩慢變化和光照突變。

由于計算每個單獨像素點的計算量大，且易受噪聲的影響，而基于圖像分割的方法計算效率高、最逼近最優(yōu)解[8-9]，因此，將圖片分割成多個小塊，取小塊內(nèi)圖像灰度均值，根據(jù)文獻[9]提出的劃分方案將圖片平分為3×3的9塊區(qū)域，單獨運算每個區(qū)域內(nèi)灰度均值。

光照變化判別如式（1）所示：

式（1）中：t（，）為時刻幀第行第列區(qū)域像素灰度均值；1、2為閾值。

選取不同光照變化的像素幀并分別統(tǒng)計當前幀區(qū)域像素灰度均值（0～255），得到光照變化時與光照突變時像素區(qū)域灰度均值的變化量，經(jīng)試驗可得光照發(fā)生變化的閾值1=1.12，光照發(fā)生突變的閾值2=2.80。對于不同光照情況，采取不同背景更新策略。

2 混合高斯模型目標檢測

混合高斯背景模型的建立最主要的影響因素是混合高斯模型數(shù)量和背景的學習率。值一般取3～5，其值越大檢測效果越好，但計算量也越大，更新率通常取0.001～0.1，其決定了背景建模的速度，其取值過大會使算法無 法收斂，不利于目標檢測，取值過小會導致檢測錯誤率較 高[10-13]。因此，從這兩個參數(shù)入手對混合高斯模型算法進行改進。

當光照發(fā)生改變時，檢測到的前景目標會有較大變化，為了減小光照因素的影響，應對不同光照強度變化情況采取不同的更新策略。當背景光照發(fā)生緩慢變化時，為了盡快更新背景模型，應增大背景模型的更新率以更快地適應當前背景，從而更好地進行前景檢測[12]。當檢測到背景發(fā)生光照突變時模型背景已經(jīng)不能準確檢測真實背景，此時選擇增加一個高斯分布，并重新分配每一個高斯分布的權重，從而得到目標前景，當背景光照無異常時再去除一個與背景最不相近的高斯分布。

學習率選?。?/p>

實驗驗證當高斯分布數(shù)目=3時計算速度較快，且能夠較好地檢測出前景目標，因此本文選取高斯分布數(shù)目為3，由于混合高斯建模在初始的一定幀內(nèi)應選擇較大的學習率，因此在視頻初始化的前50幀選擇學習率=0.1。

混合高斯模型背景建模時，首先利用初始幀進行背景初始化。對前景檢測結果進行二值化處理和形態(tài)學操作得到前景目標。同時根據(jù)光照變化確定學習率和高斯分布個數(shù)，其他背景參數(shù)按照文獻[11]進行更新。

3 實驗及結果分析

本實驗所選用的硬件平臺的配置為Intel Core i5-9300H，CPU為2.4 GHz，RAM為8 GB，操作系統(tǒng)是Windows 10，軟件環(huán)境為OpenCV 4.2.0。

為了驗證本文算法的有效性，實驗以不同光照變化強度環(huán)境下的視頻序列作為研究對象。依次給出傳統(tǒng)混合高斯模型與本文改進算法的實驗結果，如圖1所示。

圖1 光照變化條件檢測結果

實驗結果表明，圖1中A1是在視頻中出現(xiàn)緩慢變化的光照強度下兩種方法檢測結果，可見傳統(tǒng)混合高斯目標檢測誤將部分背景檢測為前景。B1是在光照突變情況下的檢測結果，傳統(tǒng)檢測方法B2誤將大量背景檢測為前景，可見在光照變化場景下利用本文檢測方法均有明顯改善。

綜合以上實驗，本文所提出的方法能有效適應復雜光照環(huán)境下的目標檢測。

4 結語

本文提出了基于高斯混合模型的復雜光照條件下的目標檢測方法，針對運動目標檢測中由于光照變化造成目標提取錯誤率高的問題，對幀圖像光照變化強度進行分類討論，并分別設置不同的更新率和混合高斯模型個數(shù)進行背景模型更新。實驗表明，本文算法可以有效抑制光照變化對前景目標檢測的干擾，在復雜光照環(huán)境下可以更加完整地提取目標，在目標檢測正確性、抗誤檢性方面有較好的效果。但在光照突變時檢測仍存在空洞、不完整等缺點。接下來可將本文方法與其他檢測方法相結合進一步提升目標檢測的準確性和完整性。

［1］BOUWMANS T，PORIKLI F，F(xiàn)ERLIN B H.Background modeling and foreground detection for video surveillance || recent approaches in background modeling for static cameras［J］.Thierry bouwmans，2014（2）：1.

［2］曾冬冬.視頻監(jiān)控中的前景目標檢測算法研究［D］.北京：中國科學院大學（中國科學院長春光學精密機械與物理研究所），2019.

［3］郝曉麗，劉偉，牛保寧，等.基于自適應學習率的運動目標高效檢測算法［J］.電子科技大學學報，2020，49（1）：123-130.

［4］ALLEBOSCH G，HAMME D V，DEBOEVERIE F.C-EFIC:color and edge based foreground background segmentation with interior classification［C］//International joint conference on computer vision，imaging and computer graphics，2015.

［5］MARTIN H，PHILIPP T，GERHARD R.Background segmentation with feedback:the pixel-based adaptive segmenter［C］//Computer vision and pattern recognition workshops（CVPRW），2012 IEEE computer society conference on，providence，RI（US），2012：38-43.

［6］瞿中，柴國華，劉妍.改進光照魯棒的視覺背景提取算法［J］.計算機工程與設計，2019，40（4）：1046-1051，1189.

［7］ZHANG C，WU X P，GAO X P.An improved gaussian mixture modeling algorithm combining foreground matching and short-term stability measure for motion detection［J］. Multimedia tools and applications.part of springer nature，2019（6）：12.

［8］張中良.基于機器視覺的圖像目標識別方法綜述［J］.科技與創(chuàng)新，2016（14）：32-33.

［9］朱利偉，蔡曉東，梁奔香，等.面向人臉識別的分塊自適應光照處理算法［J］.電視技術，2015，39（5）：142-145.

［10］WANG M，JIN J S，HAN X.An algorithm of detecting moving foreground based on an improved gaussian mixture model［C］//Chinese conference on image and graphics technologies.springer singapore，2016.

［11］李笑，楊宇，徐一鳴.四幀間差分和改進混合高斯模型對運動目標的檢測［J］.科學技術與工程，2020，20（15）：6141-6150.

［12］王紅茹，童偉.基于改進高斯模型的目標檢測與陰影去除方法［J］.江蘇科技大學學報（自然科學版），2017，31（2）：172-177.

［13］夏瑩杰，歐陽聰宇.面向高速公路拋灑物檢測的動態(tài)背景建模方法［J］.浙江大學學報（工學版），2020，54（7）：1249-1255.

2095－6835（2021）06－0060－02

TP391.41

A

10.15913/j.cnki.kjycx.2021.06.020

王杰（1994—），男，在讀碩士，研究方向為智能交通。

李瀟崢（1990—），男，博士，教授，研究方向為智能交通。

〔編輯：張思楠〕