寧 正， 牛宏俠， 張肇鑫

(1.蘭州交通大學(xué)自動(dòng)控制研究所,甘肅 蘭州 730070；2.甘肅省高原交通信息工程及控制重點(diǎn)實(shí)驗(yàn)室，甘肅 蘭州 730070)

0 引 言

隨著計(jì)算機(jī)和多媒體技術(shù)的發(fā)展，機(jī)器視覺已在工業(yè)、農(nóng)業(yè)、安全等各個(gè)領(lǐng)域得到廣泛應(yīng)用[1]。運(yùn)動(dòng)目標(biāo)跟蹤作為計(jì)算機(jī)視覺研究的熱點(diǎn)關(guān)鍵技術(shù)，在安全系統(tǒng)、交通控制等領(lǐng)域得到了廣泛的應(yīng)用[2,3]。隨著中國(guó)高速鐵路的發(fā)展，鐵路的安全性越來越受到鐵路安全部門的重視。任何侵入鐵路限界的異物都會(huì)嚴(yán)重威脅鐵路運(yùn)營(yíng)的安全，準(zhǔn)確檢測(cè)侵限異物是高速鐵路安全運(yùn)營(yíng)的基本保障[4]。混合高斯模型(Gaussian mixture model,GMM)[4～7]是一種半?yún)?shù)的估計(jì)方法，通過新的學(xué)習(xí)分布替代舊的高斯分布，是研究運(yùn)動(dòng)目標(biāo)檢測(cè)的最有效方法之一[8]，而背景模型建立的好壞直接影響運(yùn)動(dòng)目標(biāo)檢測(cè)率的高低[9]。程健等人利用粒子群算法優(yōu)化高斯混合模型，實(shí)現(xiàn)視頻背景分離[10]。劉冬提出了一種動(dòng)態(tài)背景建模方法，降低了模型復(fù)雜度和解決前景消融問題[11]。文獻(xiàn)[12]利用空間鄰域像素相關(guān)性實(shí)現(xiàn)了動(dòng)態(tài)背景更新，取得了較好的檢測(cè)效果。張學(xué)武等人[13]提出一種改進(jìn)的具有一定自適應(yīng)功能的高斯背景建模法，并成功運(yùn)用于交通流檢測(cè)中。上述算法都是在特定環(huán)境下進(jìn)行的，由于鐵路場(chǎng)景的復(fù)雜性，軌道周邊設(shè)備電磁噪聲以及雨雪等惡劣的自然氣候的干擾，使得前景目標(biāo)檢測(cè)不完整，消融前景目標(biāo)，限制了混合高斯模型在鐵路場(chǎng)景的直接應(yīng)用。

本文提出了基于改進(jìn)的混合高斯背景模型的異物入侵檢測(cè)算法，并應(yīng)用于室外軌道異物檢測(cè)和室內(nèi)環(huán)境目標(biāo)檢測(cè)。首先，為消除背景干擾點(diǎn)，提出將小波變換閾值算法運(yùn)用到建模過程中，減小了因環(huán)境變化和設(shè)備噪聲產(chǎn)生的前景消融；然后進(jìn)行基于鄰域平均算法的像素修正算法，將修正后的像素作為混合高斯背景模型進(jìn)行建模，最后進(jìn)行形態(tài)學(xué)處理和差分處理獲得前景異物目標(biāo)。

1 混合高斯模型

混合高斯模型是通過構(gòu)建多個(gè)單高斯函數(shù)來擬合視頻幀像素點(diǎn)的灰度分布，定義為

(1)

對(duì)像素點(diǎn)x，計(jì)算對(duì)應(yīng)Gmm的概率值，并二值化得到檢測(cè)結(jié)果。一般取2.5σ為二值化門限。模型的訓(xùn)練和更新公式為

(2)

(3)

2 改進(jìn)的混合高斯背景模型

2.1 基于小波變換的干擾點(diǎn)抑制算法

本文提出將小波變換原理運(yùn)用到背景模型建立過程中，針對(duì)室外環(huán)境因素和設(shè)備因素干擾規(guī)律不規(guī)則、分散的特點(diǎn)，利用考慮原始圖像信息先驗(yàn)知識(shí)的Bayes理論來解決，并且針對(duì)該理論固有的小波分解層閾值設(shè)置不合理的問題，改進(jìn)了其算法。傳統(tǒng)的基于先驗(yàn)知識(shí)的Bayes風(fēng)險(xiǎn)最小的條件下干擾點(diǎn)抑制閾值為

(4)

(5)

σX(m0,n0)為當(dāng)前像素點(diǎn)標(biāo)準(zhǔn)差，公式為

(6)

式中L=max(50,0.02M2)。

由于估計(jì)信息是在服從廣義高斯分布的前提下提出的，根據(jù)統(tǒng)計(jì)特征分析，估計(jì)信息和原始圖像信息f大概率相似，即滿足

(7)

為了能夠找到最佳估計(jì)信息，通過添加權(quán)值因子C來尋求最優(yōu)的估計(jì)信息，即

(8)

式中C的取值與視頻幀圖像有關(guān)，本文通過實(shí)驗(yàn)驗(yàn)證，取C=0.8較合適。

小波變換處理后，不同視頻圖像呈現(xiàn)出不同分布特征，即平滑區(qū)信息集中在低頻子帶，紋理和邊緣區(qū)信息集中在高頻子帶。鐵路背景視頻幀軌道紋理和邊緣眾多，當(dāng)視頻圖像背景模型處于紋理和邊緣區(qū)較少、平滑區(qū)較多的情況，信息集中在低頻子帶；當(dāng)背景視頻幀背景模型處于紋理和邊緣區(qū)較多、平滑區(qū)較少的情況，其中就有一部分前景和邊緣信息處于高頻子帶?？紤]目標(biāo)層間特性，對(duì)背景模型進(jìn)行小波變換后，干擾點(diǎn)能量在每層小波中是不同的。實(shí)驗(yàn)發(fā)現(xiàn)，分解層數(shù)越高，干擾點(diǎn)能量越高。顯然，對(duì)每個(gè)分解層設(shè)置統(tǒng)一閾值是欠合理的。因此，當(dāng)前景目標(biāo)出現(xiàn)后，目標(biāo)邊緣信息增多后，應(yīng)調(diào)節(jié)閾值以便能夠更好地保留目標(biāo)邊緣特性，避免去除干擾點(diǎn)的同時(shí)造成漏檢。對(duì)式(8)作進(jìn)一步的改進(jìn)，即

(9)

式中j為小波分解層數(shù)，Q為比例系數(shù)，本文取Q=0.85。

2.2 基于鄰域平均算法的像素修正

為減弱在目標(biāo)檢測(cè)過程中前景目標(biāo)檢測(cè)不全的問題，針對(duì)視頻圖像前景目標(biāo)鄰近像素點(diǎn)相關(guān)的特性，提出基于鄰域平均算法的像素修正。本文算法的主要目的是能夠在目標(biāo)出現(xiàn)后，避免前景目標(biāo)檢測(cè)中出現(xiàn)漏檢的情況。

采用模板計(jì)算的思想來實(shí)現(xiàn)鄰域空間運(yùn)算，將像素點(diǎn)通過與本身相鄰的點(diǎn)進(jìn)行估計(jì)，以其像素點(diǎn)值為中心選定鄰域計(jì)算當(dāng)前像素值。鄰域空間平均算法可描述為

(10)

式中P為視頻幀像素點(diǎn)移動(dòng)窗口的像素和，本文通過實(shí)驗(yàn)仿真分析取值i,j=±1,P=9。

2.3 算法步驟與流程

算法主要由四部分組成：視頻圖像提取、像素點(diǎn)修正、背景模型建立、運(yùn)動(dòng)目標(biāo)檢測(cè)，如圖1所示。

圖1 算法流程

1)視頻幀提取：采集視頻圖像，取前幾幀視頻圖像進(jìn)行模型初始化，作為初始背景圖像。

2)像素點(diǎn)修正：對(duì)步驟(1)提取的視頻幀，利用2.1節(jié)和2.2節(jié)中改進(jìn)的小波變換原理和鄰域平均算法進(jìn)行干擾點(diǎn)抑制和修正像素點(diǎn)。

3)背景模型建立：根據(jù)混合高斯背景模型，按照式(2)和式(3)分別進(jìn)行均值和方差的更新，判斷出前景點(diǎn)。

4)運(yùn)動(dòng)目標(biāo)檢測(cè)：利用當(dāng)前幀圖像與更新后的背景圖像做差，超過閾值則為前景點(diǎn)，否則為背景點(diǎn)。

3 實(shí)驗(yàn)結(jié)果與分析

為驗(yàn)證所提方法的魯棒性和有效性，進(jìn)行了兩種不同的目標(biāo)檢測(cè)視頻圖像實(shí)驗(yàn)，分別為室外正常天氣目標(biāo)檢測(cè)和室外小雪天氣目標(biāo)檢測(cè)。測(cè)試平臺(tái)為在Intel?CoreTM2 i5—3210 M CPU @2.50 GHz，8 GB RAM，Windows7 OS 的PC上，測(cè)試環(huán)境為MATLAB 2015b?，F(xiàn)場(chǎng)視頻拍攝設(shè)備為SONY DSC—WX350數(shù)碼照相機(jī)，現(xiàn)場(chǎng)拍攝對(duì)象為在校學(xué)生，視頻格式為AVI制式。小波函數(shù)選取“dB4”小波基函數(shù)，分解為2層小波系數(shù)。

圖2所示分別為采集的室外正常天氣條件和小雪天氣條件干擾抑制效果對(duì)比。由圖2可知，本算法在不同的環(huán)境條件下，干擾明顯減小，更加有利于后期前景目標(biāo)的檢測(cè)。

圖2 干擾抑制效果對(duì)比

圖3為采集的兩種不同背景視頻進(jìn)行的前景目標(biāo)檢測(cè)效果圖，其中，圖3(a)～(e)為正常天氣條件下第64幀目標(biāo)檢測(cè)對(duì)比圖，圖3(f)～(j)為小雪條件下第41幀目標(biāo)檢測(cè)對(duì)比圖。由圖3可知，本文方法提取的前景目標(biāo)更加清晰，前景輪廓更加完整，也更加說明了本文算法在背景建模方面的準(zhǔn)確性。

圖3 目標(biāo)檢測(cè)對(duì)比

為了對(duì)本文算法有客觀的評(píng)價(jià)，采用前景誤檢率(target false positive rate,VTFPR)為評(píng)價(jià)指標(biāo)。VTFPR為屬于目標(biāo)的像素點(diǎn)被誤判為背景的百分比，計(jì)算公式為

(11)

式中T為通過Photoshop軟件人工標(biāo)注獲得的前景目標(biāo)區(qū)域面積，T1為算法檢測(cè)到的前景目標(biāo)的面積。

計(jì)算得到的前景誤檢率如圖4所示，分析可知，本文算法與傳統(tǒng)混合高斯模型算法相比，前景誤檢率明顯降低，而傳統(tǒng)混合高斯模型算法前景誤檢率偏高。

圖4 前景誤檢率對(duì)比

計(jì)算序列的平均前景誤檢率，圖5(a)中的平均前景誤檢率由91.44 %下降到了33.59 %，降低了57.85個(gè)百分點(diǎn)，圖5(b)中的平均前景誤檢率由73.20 %下降到了18.18 %，降低了55.02個(gè)百分點(diǎn)。實(shí)驗(yàn)結(jié)果表明，本文方法相比傳統(tǒng)方法更切合實(shí)際環(huán)境，模型準(zhǔn)確度更高。

圖5 室內(nèi)環(huán)境下第35幀目標(biāo)檢測(cè)對(duì)比

為了更加說明本文算法的適用性，將本文算法應(yīng)用于室內(nèi)環(huán)境目標(biāo)檢測(cè)，所得到的相關(guān)結(jié)果如圖5,圖6所示。分析可知室內(nèi)環(huán)境下平均前景誤檢率由83.51 %下降到了23.78 %，降低了59.73個(gè)百分點(diǎn)。

圖6 前景誤檢率對(duì)比

4 結(jié) 論

本文提出了一種引入小波變換和鄰域平均法的改進(jìn)混合高斯背景模型，利用小波變換原理消除背景建模過程中的干擾點(diǎn)，利用鄰域平均算法修正像素點(diǎn)。采用改進(jìn)混合高斯模型，能夠?qū)＿^程中的干擾點(diǎn)起到抑制的作用，減小前景消融效果，避免影響前景目標(biāo)檢測(cè)。與傳統(tǒng)混合高斯模型方法相比，前景目標(biāo)檢測(cè)更加完整。