余長(zhǎng)生, 秦倫明

(上海電力大學(xué) 電子與信息工程學(xué)院, 上海 200090)

近幾年,機(jī)器視覺(jué)領(lǐng)域發(fā)展尤為迅速,而運(yùn)動(dòng)目標(biāo)檢測(cè)作為機(jī)器視覺(jué)研究的一個(gè)不可分割的重要分支,有著十分廣闊的應(yīng)用前景。文獻(xiàn)[1]最早提出了用于背景建模的混合高斯模型(Gaussian Mixture Model,GMM),在運(yùn)動(dòng)目標(biāo)檢測(cè)領(lǐng)域應(yīng)用廣泛。文獻(xiàn)[2]通過(guò)結(jié)合codebook模型和GMM來(lái)確定合適的參數(shù)值,改進(jìn)了GMM的效率。文獻(xiàn)[3]將幀間差分圖像與視覺(jué)背景提取差分圖像進(jìn)行邏輯運(yùn)算來(lái)去除鬼影。文獻(xiàn)[4]在文獻(xiàn)[1]的基礎(chǔ)上,將每幀圖像區(qū)分為背景區(qū)域、背景顯露區(qū)域和運(yùn)動(dòng)物體區(qū)域,在快速變換的場(chǎng)景下有較好的檢測(cè)效果。文獻(xiàn)[5]提出了一種非參數(shù)模型,通過(guò)粒子濾波更新參考數(shù)據(jù)的位置,可以加快處理速度。

運(yùn)動(dòng)目標(biāo)檢測(cè)最經(jīng)典的方法包括幀間差分法、背景差分法和光流法。三幀差分法(Three-frame Difference Method,TFDM)是幀間差分法的一種。該方法相較于其他幾種算法有著計(jì)算量小、抗干擾能力強(qiáng)等優(yōu)點(diǎn),但是該方法目標(biāo)檢測(cè)不完整,檢測(cè)結(jié)果存在空洞現(xiàn)象。為了改進(jìn)檢測(cè)效果,考慮將TFDM和一些好的建模方法相結(jié)合,其中最典型的就是混合高斯背景建模法,從而可以有效地提取出完整目標(biāo)。本文采用兩種算法相結(jié)合(TFDM& GMM算法)來(lái)改善TFDM固有的檢測(cè)目標(biāo)不完整的問(wèn)題。

1 三幀差分法

TFDM是一種通過(guò)對(duì)視頻圖像序列的連續(xù)幾幀圖像做差分運(yùn)算以獲取運(yùn)動(dòng)目標(biāo)輪廓的方法。當(dāng)監(jiān)控場(chǎng)景中有目標(biāo)運(yùn)動(dòng)時(shí),相鄰幀圖像之間會(huì)出現(xiàn)較為明顯的差別,兩幀相減,可求得圖像對(duì)應(yīng)位置像素值差的絕對(duì)值,判斷其是否大于某一閾值,如果該絕對(duì)值大于預(yù)先設(shè)置的閾值,則該像素點(diǎn)屬于前景,否則屬于背景。

TFDM就是取連續(xù)的3幀圖像進(jìn)行2次差分運(yùn)算,再將2次差分得到的結(jié)果進(jìn)行與運(yùn)算即可得到運(yùn)動(dòng)目標(biāo)[6]。TFDM的具體計(jì)算公式如下。

第k幀和第k-1幀的差分為

Dk(x,y)=

(1)

式中:fk(x,y)——第k幀圖像;

fk-1(x,y)——第k-1幀圖像;

T——預(yù)先設(shè)置好的閾值,若差分結(jié)果大于T就取1,否則取0。

第k+1幀和第k幀的差分為

Dk+1(x,y)=

(2)

式中:fk+1(x,y)——第k+1幀圖像。

將Dk(x,y)和Dk+1(x,y)取與運(yùn)算即可得到檢測(cè)結(jié)果,即

Mk(x,y)=Dk(x,y)∩Dk+1(x,y)

(3)

2 混合高斯模型

GMM最早是在1999年由SRAUFFER C和GRIMSON W提出的。其算法的核心思想是:在一段時(shí)間的視頻圖像中,對(duì)于每一個(gè)像素點(diǎn),用一個(gè)混合高斯分布模型來(lái)描述其樣本灰度值序列的分布情況是合理的。因?yàn)槊恳粋€(gè)像素點(diǎn)的GMM參數(shù)都是不同的,所以GMM能準(zhǔn)確反映各個(gè)像素點(diǎn)不同的分布情況[7]。

2.1 模型定義

圖像中每一個(gè)像素點(diǎn)的像素值不同,對(duì)于每一個(gè)像素點(diǎn),可以用K(一般為3～5)個(gè)高斯分布的加權(quán)和來(lái)模擬該點(diǎn)的像素值[4]。t時(shí)刻的像素值xt屬于背景的概率p(xt)為

式中:ωi,t——t時(shí)刻第i個(gè)高斯分布的權(quán)重;

η(xt,μi,t,τi,t)——t時(shí)刻第i個(gè)高斯分布;

μi,t,τi,t——均值和協(xié)方差矩陣;

I——像素的顏色值。

2.2 模型學(xué)習(xí)

算法運(yùn)行時(shí),每讀入一幀樣本,都要對(duì)樣本進(jìn)行模型匹配,其目的是能更好地對(duì)前景和背景進(jìn)行判定。其匹配的公式為

xt∈[μi,t-1-2.5σi,μi,t-1+2.5σi]

(7)

式中:σi——第i個(gè)高斯分布的標(biāo)準(zhǔn)差,1

xt代表t時(shí)刻的像素值,如果該像素值滿足式(7),則更新該分布的ωi,t;若不滿足,則增加一個(gè)新的分布來(lái)代替原來(lái)權(quán)值最小的高斯分布。

權(quán)值更新公式[8]為

ωi,t=(1-α)ωi,t-1+αMi,t

(8)

式中:α——學(xué)習(xí)速率;

Mi,t——第i高斯分布在t時(shí)刻的偏置。

用戶可以根據(jù)不同的應(yīng)用場(chǎng)景來(lái)設(shè)定不同的學(xué)習(xí)速率。對(duì)于環(huán)境復(fù)雜、背景變化快的場(chǎng)景,α的取值可以大一點(diǎn)。此外,當(dāng)滿足式(7)時(shí),Mi,t=1,否則Mi,t=0。

2.3 前景提取

一般而言,背景像素值變化不大。反映時(shí)間占有率的指標(biāo)主要有權(quán)重ω與標(biāo)準(zhǔn)差σ。首先需要計(jì)算出ω/σ2的值[9-10],然后根據(jù)其結(jié)果的大小來(lái)進(jìn)行排序,權(quán)重大的靠前,再選取大于閾值T前B個(gè)高斯模型作為背景模型。其中B的計(jì)算公式為

(9)

閾值T一般根據(jù)經(jīng)驗(yàn)選取0.85,但如果場(chǎng)景發(fā)生變化,0.85的閾值就不再適用,需要通過(guò)實(shí)驗(yàn)來(lái)選取合適的閾值。得到用來(lái)匹配的背景模型后,可將像素值代入式(10)進(jìn)行匹配,匹配成功的像素則判斷為背景,否則判斷為前景。

|Xt-μi,t-1|≤2.5σi,t-1

(10)

其中,1

3 混合高斯模型結(jié)合三幀差分法

利用TFDM可以快速地檢測(cè)出運(yùn)動(dòng)目標(biāo),對(duì)環(huán)境變化也有較好的適應(yīng)能力[11];混合高斯模型可以檢測(cè)到較為完整的運(yùn)動(dòng)目標(biāo)。將兩者的優(yōu)點(diǎn)相結(jié)合,可以使檢測(cè)到的運(yùn)動(dòng)目標(biāo)更加完整,檢測(cè)效果受噪聲的影響較小。具體算法流程如圖1所示。

圖1 TFDM& GMM算法流程

輸入視頻序列后,分別采用TFDM和GMM算法將兩種算法得到的結(jié)果進(jìn)行邏輯或運(yùn)算,通過(guò)先膨脹后腐蝕[11]的處理方式,可以填充細(xì)小的空洞,連接臨近物體,就能得到較為完整的運(yùn)動(dòng)目標(biāo)。

4 實(shí)驗(yàn)結(jié)果及分析

本文分別用傳統(tǒng)的TFDM和GMM算法以及TFDM& GMM算法對(duì)同一視頻文件進(jìn)行測(cè)試。其中:圖2為第412幀圖像采用傳統(tǒng)TFDM和GMM算法以及TFDM& GMM算法得出的檢測(cè)效果圖;圖3為第575幀圖像采用傳統(tǒng)TFDM和GMM算法以及TFDM& GMM算法得出的檢測(cè)效果。圖4是對(duì)檢測(cè)結(jié)果進(jìn)行的描邊處理效果圖。視頻流幀速率為10幀/s。本次測(cè)試的結(jié)果均用二值化[12]表示,白色表示檢測(cè)到的目標(biāo),黑色即為背景,便于觀察。

圖2 采用3種算法對(duì)第412幀圖像的檢測(cè)效果

圖2(a)中,傳統(tǒng)TFDM能準(zhǔn)確地檢測(cè)到行人,但檢測(cè)到的運(yùn)動(dòng)目標(biāo)出現(xiàn)斷裂,不連續(xù)且有空洞現(xiàn)象。圖2(b)是采用GMM算法的檢測(cè)結(jié)果,相比于傳統(tǒng)的TFDM,GMM算法能較好地獲取到完整的運(yùn)動(dòng)目標(biāo),但8個(gè)目標(biāo)中有3個(gè)目標(biāo)內(nèi)部存在空洞。圖2(c)是采用TFDM& GMM算法得到的結(jié)果,可以明顯看到,所得到的檢測(cè)結(jié)果相比于傳統(tǒng)TFDM有了很大的改進(jìn),檢測(cè)結(jié)果右上角的3個(gè)運(yùn)動(dòng)目標(biāo)信息完整,輪廓清晰,8個(gè)目標(biāo)內(nèi)部均無(wú)空洞現(xiàn)象。

圖3(b)中,能明顯觀察到圖中有許多噪點(diǎn)影響檢測(cè)效果,這些噪點(diǎn)是外界的噪聲所引起的,這也是GMM算法的一個(gè)缺點(diǎn),抗外界的干擾能力較差。而圖3(a)采用傳統(tǒng)TFDM則可以很好地抑制外界噪聲的干擾。由圖3(c)可以看到,TFDM& GMM算法既能獲取到較為完整的運(yùn)動(dòng)目標(biāo),且噪點(diǎn)明顯減少,故本文算法可以較好地抑制外界噪聲的干擾。

圖3 采用3種算法對(duì)第575幀圖像的檢測(cè)效果

圖4是對(duì)檢測(cè)到的運(yùn)動(dòng)目標(biāo)進(jìn)行的描邊處理,主要運(yùn)用了OpenCV里的findContours函數(shù)和cvtColor函數(shù)[13]。findContours函數(shù)可以從二值圖像中找出運(yùn)動(dòng)目標(biāo)的輪廓,再利用cvtColor函數(shù)對(duì)檢測(cè)到的輪廓進(jìn)行顏色轉(zhuǎn)換,從而可以更加清晰地看到運(yùn)動(dòng)目標(biāo)。

圖4 描邊效果示意

根據(jù)測(cè)試結(jié)果來(lái)看,本文算法還存在一些問(wèn)題,如圖3(c)中,除了檢測(cè)到的運(yùn)動(dòng)目標(biāo)外,還可以看到一條白色的虛影。這是微風(fēng)吹動(dòng)其他物體所引起的誤檢測(cè)?？梢酝ㄟ^(guò)設(shè)置動(dòng)態(tài)閾值來(lái)減小外部因素對(duì)檢測(cè)效果的影響[14],這是今后的工作重點(diǎn)和研究方向。

5 結(jié) 語(yǔ)

本文提出了一種將TFDM與GMM相結(jié)合的算法。該算法將TFDM和GMM算法得到的結(jié)果進(jìn)行或運(yùn)算,最后通過(guò)形態(tài)學(xué)處理即可得到較為完整的運(yùn)動(dòng)目標(biāo)。將本文算法與單獨(dú)使用其中一種方法得到的檢測(cè)結(jié)果進(jìn)行了對(duì)比,結(jié)果表明,相較于單獨(dú)使用兩種算法,本文算法的檢測(cè)效果好,優(yōu)化了檢測(cè)目標(biāo)不完整的問(wèn)題以及檢測(cè)目標(biāo)出現(xiàn)空洞的現(xiàn)象,同時(shí)也減少了噪聲的干擾。