夏麗娟， 姚明磊， 張曉玲

(江蘇理工學(xué)院機械工程學(xué)院,江蘇 常州 213000)

0 引言

隨著視覺領(lǐng)域的快速發(fā)展，全景視覺和運動目標(biāo)檢測成為當(dāng)前研究和討論的重點，它能夠在水平方向 360°和垂直方向240°的區(qū)域內(nèi)獲取場景中的高分辨率圖像和視頻，可以有效克服傳統(tǒng)視覺傳感器只能檢測部分信息的缺點，因此，如何提高其運動目標(biāo)檢測的精準性和可靠性成為研究重點。一般來說獲取全景視覺的為魚眼鏡頭[1]，它的廣闊視角使得其在機器人導(dǎo)航[2]、智能視頻監(jiān)控[3]、航空航天[4]等領(lǐng)域得到廣泛運用。

在運動目標(biāo)檢測方法中經(jīng)常使用的是幀差法[5]、光流法[6-7]、背景減除法[8]。其中，幀差法的原理是對像素點進行處理，作為前景對象的圖像的相鄰兩幀的像素值差異很大，這種方法的優(yōu)點在于操作簡單、速度快，但是提取到的前景對象容易出現(xiàn)空洞，正是因為存在這種不足，所以這種方法一般用于精度要求不高的初級提取操作；光流法的計算過程復(fù)雜，并且對使用的設(shè)備條件有比較高的要求，難以得到實時檢測結(jié)果；關(guān)于背景減除法，STAUFFER等[9]提出的等高斯模型方法最為流行，混合高斯模型使用一個或多個高斯模型描述時間序列中的像素。特別地，像素值在給定的時間段內(nèi)波動很大，并且大多數(shù)典型區(qū)域使用多個高斯分布建模。對于變化的場景高斯混合模型通過模型的自動更新，產(chǎn)生的結(jié)果相較于其他傳統(tǒng)背景模型準確率和穩(wěn)定性有所提高，但是不足之處依然存在：得到的結(jié)果中前景目標(biāo)中有空洞，輪廓不連續(xù)；由于模型采用統(tǒng)一的刷新率，無法及時地更新運動目標(biāo)移動而暴露的區(qū)域，從而導(dǎo)致此區(qū)域被錯誤地歸類為前景。

面對以上這些問題，針對應(yīng)用在全景圖像上的運動目標(biāo)的檢測，本文提出基于全景圖像改進的運動目標(biāo)檢測方法，改進的方法是將五幀差分法和混合高斯模型結(jié)合起來，五幀差分法可以利用連續(xù)多幀之間的檢測提高獲取目標(biāo)的完整度，有效克服空洞現(xiàn)象；混合高斯背景模型的改進解決了運動目標(biāo)出現(xiàn)在檢測結(jié)果中的重影現(xiàn)象，降低背景中出現(xiàn)的干擾，再通過形態(tài)學(xué)處理得到最終結(jié)果。實驗表明，本文方法更加著重于前景檢測率，得到更加精準和可靠的檢測結(jié)果。

1 傳統(tǒng)混合高斯模型

混合高斯背景建模[10]是一種基于像素模型的統(tǒng)計數(shù)據(jù)來表示背景的方法，它利用大量像素在長時間內(nèi)大量樣本值的概率密度等統(tǒng)計信息來表示背景，然后通過統(tǒng)計變量來確定目標(biāo)像素，從而獲得前景目標(biāo)，過程如圖1所示。

圖1 混合高斯建模的基礎(chǔ)流程圖Fig.1 Basic flow chart of Gaussian mixture modeling

1.1 混合高斯背景建模理論

在圖像序列中，對于任意的像素點(x0,y0)來說，隨著時間的推移形成一個“像素序列”，表達形式如下

{X1,…,Xt}={I(x0,y0,i):1≤i≤t}

(1)

式中，I(x0,y0,i)表示的是對應(yīng)像素點(x0,y0)的像素值，并且將這一系列像素點用K個高斯模型來近似，觀測到的像素值Xt的概率可以表示為

(2)

(3)

1.2 背景模型的參數(shù)更新

將每一幀的像素值Ii(x,y)所計算的高斯分布遵循優(yōu)先級進行降序排列，若像素值與高斯分布匹配，那么滿足式(4)，對第1個匹配的高斯分布按式(5)-式(8)更新高斯混合模型參數(shù),即

|It(x,y)-ui,t-1|

(4)

wi,t=(1-α)wi,t-1+α

(5)

μ=(1-β)μi，t-1+βIi(x,y)

(6)

(7)

β=αη(It(x,y))|μ,δi,t

(8)

式中:α為學(xué)習(xí)速率，0≤α≤1，表示高斯混合背景模型的更新速率；β為更新率，是由α和η(Xt,μi,t,Σi，t)所決定的。

1.3 前景分割

隨著背景模型的更新，Xt對應(yīng)的分布權(quán)重會增加，從而降低方差并且提高優(yōu)先級，則所用時間最長的高斯分布擁有最大的優(yōu)先級，說明該高斯分布最接近原背景。將所有的高斯分布按降序排列時，離背景最近的高斯分布是前景，所以放在前面，反之，越靠近后面的高斯分布越不可能正確表示背景。因此用前B個分布來表示背景，即

(9)

式中，T為閾值，表示創(chuàng)建背景所需的最小權(quán)重比，當(dāng)T取值很小時，表示背景用一個高斯分布來表示，當(dāng)T取值較大時，表示背景用多個高斯分布來表示。在上述T個分布中至少有一個分布與像素值Xt相匹配，那么就將此像素點判斷為背景點；反之為前景點，以此來實現(xiàn)前景分割。背景圖像中像素值Xb,t表示為

(10)

2 結(jié)合五幀差分法改進的混合高斯背景建模

本文方法是混合高斯建模方法和五幀差分法的結(jié)合，并且最后對結(jié)果進行形態(tài)學(xué)處理，得到最終目標(biāo)結(jié)果，流程如圖2所示。

圖2 本文方法流程圖Fig.2 Flow chart of the proposed algorithm

2.1 改進的自適應(yīng)混合高斯模型

檢測到的圖像會產(chǎn)生重影現(xiàn)象是因為穩(wěn)定不變的學(xué)習(xí)速率，而重影的產(chǎn)生會對檢測結(jié)果的準確性造成影響。如果學(xué)習(xí)速率太高，模型更新的速度會太快，將檢測目標(biāo)與背景混淆；如果學(xué)習(xí)速率太低，背景模型更新速度會變慢，造成背景模型的變化不符合實際場景，導(dǎo)致沒有準確判斷出被檢測目標(biāo)的背景，影響檢測結(jié)果。因此，對學(xué)習(xí)速率使用不同的更新方法，即

(11)

式中:N檢為當(dāng)前檢測幀的圖像總像素數(shù)；N全為指定檢測目標(biāo)的像素數(shù)，根據(jù)目標(biāo)像素在整個圖像幀所有像素的比例來分配學(xué)習(xí)速率。在檢測的第一階段，檢測目標(biāo)還沒有在背景中，目標(biāo)像素在整個圖像中的占比低，λ值較小，需要有較快的更新速度來加速消除“鬼影”，這種情況下有必要加大學(xué)習(xí)速率；當(dāng)目標(biāo)進入背景時，目標(biāo)像素的占比高，λ值較大，背景模型趨于穩(wěn)定，這種情況下有必要降低學(xué)習(xí)速率，以便不將檢測目標(biāo)設(shè)置為背景。

每個像素包含若干個固定的高斯分布，它在執(zhí)行流程操作的實現(xiàn)中會占用大量系統(tǒng)資源，因此，通過刪除多余的高斯分布來減少運算。每相隔y幀，則對高斯分布進行掃描，檢查所有的高斯分布的權(quán)重，權(quán)重公式為wi,t=(1-α)wi,t-1。若存在高斯分布滿足

(12)

則判斷其為多余的高斯分布，并將其刪除。

2.2 五幀差分法

幀間差分法是通過對相鄰兩幀或多個圖像幀進行差分運算從而得到檢測目標(biāo)的方法。在檢測過程中，多幀連續(xù)檢測能更好地減少目標(biāo)空洞問題，提升目標(biāo)檢測精度。兩幀差分法[11-12]可以方便快捷地檢測出運動目標(biāo)，但會出現(xiàn)明顯的空洞和雙陰影，準確率低。不同于兩幀差分的是三幀差分法[13],通過3幅連續(xù)的視頻圖像進行差分操作，與固定閾值進行比較，然后再細分。雖然雙影現(xiàn)象[14]得到改善，但是不足之處是仍然存在空洞。在此基礎(chǔ)上，五幀差分法[15-16]可以有效解決目標(biāo)中出現(xiàn)空洞問題。取連續(xù)的5幀圖像Ik-2(x,y),Ik-1(x,y),Ik(x,y),Ik+1(x,y),Ik+2(x,y)以第k幀圖像作為當(dāng)前幀，分別與前2幀和后2幀進行差分和二值化運算，即

(13)

(14)

(15)

(16)

得到差分后的圖像g1k,g2k,g3k,g4k，M為固定的二值化閾值。最后，為了使獲得的目標(biāo)空洞更少，使用先“與”后 “或”的邏輯操作，即

g1∩g2=k1

(17)

g3∩g4=k2

(18)

k1∪k2=K

(19)

得到最終的差分圖像K。

3 實驗結(jié)果及分析

為驗證本文方法，采用如下仿真實驗進行比較分析。在本次實驗中使用的計算機CPU為AMD Ryzen-7-4800H-with-Radon-Graphics 2.90 GHz，仿真軟件openCV3.4.1,VS2017,獲取全景圖像所使用的魚眼鏡頭型號為FE185C086HA-1 F1.8/2.7 mm，相機型號為acA1600-20uc-Basler ace，最高分辨率為1626像素×1234像素。

實驗1 本實驗針對2段使用魚眼相機獲取的視頻進行對比，分別采用幀間差分法、傳統(tǒng)高斯混合模型以及本文改進方法進行測試，然后將實驗得到的結(jié)果進行對比，第1段視頻實驗結(jié)果對比如圖3所示。

圖3 實驗結(jié)果對比Fig.3 Comparison of experimental results

在上述實驗中，運動目標(biāo)勻速移動，并且在移動過程中有小部分障礙物遮掩。從效果圖中可以發(fā)現(xiàn)，在獲取的全景圖像中，目標(biāo)檢測的準確率會受到影響。幀間差分法所得到的目標(biāo)結(jié)果中存在巨大空洞且不連貫，輪廓粗大與實際有出入，傳統(tǒng)的高斯混合模型重影現(xiàn)象嚴重，而且存在噪聲干擾。而本文方法明顯優(yōu)于前兩種，改進的高斯混合模型不僅使得運動目標(biāo)檢測結(jié)果的完整度得到改善，并且對于噪聲的去除也有所提高，在有遮擋物的情況下依然可以檢測到目標(biāo)，可以使檢測結(jié)果更加精確。

實驗2 為了驗證運動目標(biāo)移動速度對本文方法的影響，仿真實驗中使用魚眼鏡頭分別對步行和跑步時的目標(biāo)進行檢測。實驗對比結(jié)果如圖4所示。

圖4 速度對檢測結(jié)果影響Fig.4 Effect of speed on test results

在上述仿真實驗中，對于魚眼鏡頭獲取的全景圖像，在實驗1中使用幀間差分法，運動目標(biāo)速度慢時檢測不到對象，實驗2中目標(biāo)人物步行和跑步時，速度變化由慢到快，檢測結(jié)果并未受到明顯影響，運動目標(biāo)邊緣輪廓流暢，提取的目標(biāo)信息內(nèi)容比較豐富，可見，改進后方法明顯優(yōu)于其他實驗方法。

通過識別率P和誤檢率F對改進方法的效率和準確度進行分析評估，具體計算過程為

(20)

(21)

式中:M為正確檢測出的前景像素點數(shù)；N為未被檢測出的前景像素點數(shù)；D為檢測錯誤的個數(shù)。表1所示為3種方法的識別率和誤檢率。

表1 3種方法的識別率和誤檢率Table 1 Recognition rate and false detection rate of three methods %

從表1中可以明顯看出，3種不同方法的識別率接近，在實驗中都可以檢測出運動目標(biāo)，但是在誤檢率上有明顯差距，本文方法既可以滿足一定的識別率，也可以降低誤檢率，檢測結(jié)果較為精準。

4 結(jié)束語

本文提出基于全景圖像的運動目標(biāo)檢測改進方法，將五幀差分法和混合高斯背景模型法結(jié)合起來，利用形態(tài)學(xué)對結(jié)果進行處理，得到最終的目標(biāo)檢測結(jié)果，在運動目標(biāo)的檢測結(jié)果的完整度上有一定提高，在一定程度上有效克服空洞現(xiàn)象，同時，混合高斯的自適應(yīng)學(xué)習(xí)率可以減少運動目標(biāo)出現(xiàn)在檢測結(jié)果中的重影現(xiàn)象，提高目標(biāo)檢測精度和速度，降低背景造成的干擾。實驗結(jié)果表明，本文方法更加著重于前景檢測率，得到更加精準和可靠的檢測，效果上比其他檢測方法更可靠，總體來說，本文方法可以滿足在全景領(lǐng)域的應(yīng)用，使得全景圖像的應(yīng)用更為廣泛，但面對復(fù)雜的背景變化對全景圖像帶來的影響需要在未來的研究中進一步改進和提高。