摘　要: 針對傳統(tǒng)混合高斯背景模型在多變場景下因背景模型更新不及時(shí)而存在的誤檢、漏檢等不足，提出一種改進(jìn)算法。該算法首先通過在高斯分布匹配過程中結(jié)合幀間差分獲取的幀間未變化區(qū)域與變化區(qū)域判斷像素點(diǎn)的區(qū)域類別，然后根據(jù)不同的像素區(qū)域類別執(zhí)行不同的背景更新策略，使背景的更新及時(shí)準(zhǔn)確地反映背景的變化。實(shí)驗(yàn)結(jié)果表明，該改進(jìn)混合高斯背景模型算法能有效地解決因目標(biāo)和背景相互轉(zhuǎn)化而出現(xiàn)的拖尾、影子以及運(yùn)動(dòng)目標(biāo)空洞等問題。
關(guān)鍵詞: 運(yùn)動(dòng)目標(biāo)檢測; 背景建模; 混合高斯模型; 幀間差分

    在智能監(jiān)控、人機(jī)交互、機(jī)器人視覺等研究應(yīng)用領(lǐng)域中，運(yùn)動(dòng)目標(biāo)檢測是一項(xiàng)基礎(chǔ)而又重要的技術(shù)，目前常用的方法有幀間差分法、背景減法和光流法。背景減法以其處理速度和性能的優(yōu)越性得到了廣泛的應(yīng)用。背景減法關(guān)鍵是如何建立背景模型和實(shí)時(shí)更新模型參數(shù)以適應(yīng)背景變化。STAUFFER C等人[1]提出的混合高斯背景模型(簡稱MGM)方法已發(fā)展成為目前常用的背景模型。該模型能夠在線更新模型參數(shù)和權(quán)重，有效地克服了光照變化、樹枝晃動(dòng)等因素的影響,但是該算法在處理一些復(fù)雜背景時(shí)容易產(chǎn)生孤立噪聲。國內(nèi)外學(xué)者對此提出了許多改進(jìn)方法。ZIVKOVIC Z等人[2]采用調(diào)整模式個(gè)數(shù)和學(xué)習(xí)速率的方法提高模型對背景變化的適應(yīng)能力，但容易將運(yùn)動(dòng)較慢、面積較大的目標(biāo)學(xué)習(xí)為背景，導(dǎo)致目標(biāo)檢測不完整。王永忠等人[3]提出了一種基于自適應(yīng)混合高斯模型的時(shí)空背景建模方法，有效地融合了像素在時(shí)空域的分布信息，但是該方法并沒有自適應(yīng)更新背景學(xué)習(xí)率。
     本文分析了傳統(tǒng)混合高斯背景模型采用一致的背景更新率而存在拖尾、影子和運(yùn)動(dòng)目標(biāo)空洞等問題，通過融合幀間差分法和混合高斯背景模型，提出一種改進(jìn)的運(yùn)動(dòng)目標(biāo)檢測算法。該算法通過改進(jìn)高斯分布的匹配和更新過程確定像素點(diǎn)所屬的區(qū)域類型，然后相應(yīng)地執(zhí)行不同的背景更新策略。


2 改進(jìn)的背景模型算法
     在背景模型的更新過程中，背景模型的每個(gè)點(diǎn)都受到了一個(gè)顏色序列的訓(xùn)練[4]，無論實(shí)際場景中該點(diǎn)是處于靜止背景區(qū)域還是運(yùn)動(dòng)目標(biāo)區(qū)域，訓(xùn)練的快慢取決于ω的值。對靜止的目標(biāo)或背景的訓(xùn)練是所希望的，此時(shí)取較大的ω;而對運(yùn)動(dòng)目標(biāo)的訓(xùn)練則是不希望的，此時(shí)取較小的ω或者不對背景進(jìn)行更新。因此，在傳統(tǒng)MGM中，采用統(tǒng)一的?琢對每個(gè)像素點(diǎn)進(jìn)行訓(xùn)練不能及時(shí)反映出背景的實(shí)際變化。為解決以上問題，在高斯分布的匹配過程中融入幀間差分來實(shí)現(xiàn)不同像素區(qū)域執(zhí)行不同的ω。
2.1 幀間差分
    幀間差分法是通過計(jì)算相鄰兩幀圖像之間的差值來獲得幀間變化區(qū)域的。從圖像序列中讀取兩幀圖像It(x,y)和It-1(x,y)，分別求出連續(xù)兩幀圖像的絕對差值灰度圖，設(shè)定閾值將差值圖像二值化，提取幀間變化區(qū)域:
  
其中，N為像素總個(gè)數(shù)，Tc表示區(qū)別前景與背景的變化閾值(這里取Tc=30)，如果Tc取值小，則可能會(huì)引入較多的噪聲；如果Tc取值大，則漏檢率會(huì)高。Tn為表示光線變化的添加項(xiàng)，光線變化大則Tn大，光線變化小則Tn接近于0。執(zhí)行結(jié)果如圖1所示。

     如圖1所示，圖1(c)通過幀間差分檢測出的汽車出現(xiàn)大片空洞，其像素值it(x,y)屬于Sud，通過引入的?字能在一定時(shí)間內(nèi)較好地保持it(x,y)的運(yùn)動(dòng)屬性。圖1(b)中的靜止車輛在圖1(c)中并沒有通過幀間差分檢測出來，如果這些車輛還沒有訓(xùn)練成背景(即沒有靜止足夠長的時(shí)間)，則這些車輛也屬于Sud，?字的引入也能保持車輛停止初期的運(yùn)動(dòng)連續(xù)性，利于后期的目標(biāo)跟蹤。
2.3 背景模型的更新
    對屬于Sbg的it(x,y),為了保持背景區(qū)域的穩(wěn)定性，避免引入噪聲，應(yīng)當(dāng)賦予屬于Sbg的it(x,y)較小的αbg。由于Subg是被覆蓋的背景恢復(fù)的區(qū)域，因此應(yīng)當(dāng)賦予Subg較大的αubg，使得背景能迅速地恢復(fù)，有效地解決拖尾、影子等誤檢問題。而對于Sm，為了減少運(yùn)動(dòng)目標(biāo)對背景的影響，即減少對運(yùn)動(dòng)目標(biāo)的訓(xùn)練，應(yīng)當(dāng)將檢測為運(yùn)動(dòng)目標(biāo)的像素點(diǎn)不再構(gòu)建新的高斯分布加入到混合高斯分布模型中，即不對背景模型進(jìn)行更新，這可以有效地解決大而慢的運(yùn)動(dòng)目標(biāo)尾部出現(xiàn)空洞的現(xiàn)象,尤其是當(dāng)it(x,y)的像素值與背景較接近時(shí)，如果不減少訓(xùn)練,就能在較快的時(shí)間內(nèi)把目標(biāo)訓(xùn)練成背景，導(dǎo)致出現(xiàn)漏檢。對于Sum,如果場景中的運(yùn)動(dòng)目標(biāo)經(jīng)常出現(xiàn)較長時(shí)間的停留，為了防止后期運(yùn)動(dòng)目標(biāo)跟蹤的丟失，應(yīng)取較小的?琢um；如果運(yùn)動(dòng)目標(biāo)檢測是單純運(yùn)動(dòng)檢測，則應(yīng)取較大的ωum，防止誤檢出靜止目標(biāo)。

      在第83幀，車輛a從靜止開始運(yùn)動(dòng)了一小段距離，傳統(tǒng)MGM算法檢測出車輛a出現(xiàn)了在原先靜止位置留下的一段影子，到第108幀時(shí)，甚至檢測出車輛a和影子a′分離現(xiàn)象，出現(xiàn)了較嚴(yán)重的誤檢問題，改進(jìn)的算法能較好解決此誤檢問題。在第83、108幀中，當(dāng)采用傳統(tǒng)MGM算法時(shí)，由于車輛b訓(xùn)練成背景過快，在車輛b的尾部出現(xiàn)空洞，車輛c尾部則沒有出現(xiàn)空洞，原因是車輛c與背景的像素值差別較大，訓(xùn)練成背景較慢。當(dāng)采用改進(jìn)算法后,能較好地解決目標(biāo)尾部空洞的問題，但是并沒有完全消除目標(biāo)空洞，這是因?yàn)槟繕?biāo)像素值與背景像素值相似的原因。第224幀，車輛d開始靜止，傳統(tǒng)的MGM算法對車輛d以α=0.005的背景更新速率慢慢地融入背景中，到第331幀時(shí)車輛d幾乎已經(jīng)完全融入背景，改進(jìn)后的算法由于引入了計(jì)數(shù)參數(shù)λ,車輛d并沒有馬上融入背景，而是等待一段時(shí)間(λ=100)后才以αum=0.002的更新率融入背景,此時(shí)融入背景的時(shí)間較慢。
    本文提出一種融合了混合高斯模型與幀間差分的改進(jìn)算法。該算法首先利用幀間差分法快速地獲取幀間變化區(qū)域的特點(diǎn)，結(jié)合混合高斯多分布模型的匹配過程，有效地判別出像素點(diǎn)所屬的區(qū)域，包括背景區(qū)域、背景顯露區(qū)域、運(yùn)動(dòng)目標(biāo)區(qū)域和靜止目標(biāo)區(qū)域；然后對各個(gè)區(qū)域執(zhí)行不同的背景更新策略，同時(shí)，對待定區(qū)域引入計(jì)數(shù)參數(shù)λ來區(qū)分靜止目標(biāo)為暫時(shí)靜止或者長期靜止。實(shí)驗(yàn)結(jié)果表明，該算法能有效地解決因背景更新不及時(shí)而出現(xiàn)的拖尾、影子、運(yùn)動(dòng)目標(biāo)空洞等現(xiàn)象，同時(shí)能控制靜止目標(biāo)融入背景的速度。
參考文獻(xiàn)
[1] STAUFFER C, GRIMSON W. Adaptive back ground mixture models for real-time tracking[C]. Proceedings of IEEE Conference on Computer Vision and Pattern Recognition. FortCollins, Colorado, USA,1999: 246-252.
[2] ZIVKOVIC Z. Recursive unsupervised learning of finitemixture models[J]. IEEE Transactions on PatternAnalysis and  Machine Intelligence, 2004,26(5):651-656.
[3] 王永忠, 梁彥, 潘泉,等. 基于自適應(yīng)混合高斯模型的時(shí)空背景建模[J]. 自動(dòng)化學(xué)報(bào), 2009,35(4):371-378.
[4] 劉亞,艾海舟,徐光祐.一種基于背景模型的運(yùn)動(dòng)目標(biāo)檢測與跟蹤算法[J]. 信息與控制, 2002,31(4):315-319.
[5] 朱明旱, 羅大庸, 曹倩霞. 幀間差分與背景差分相融合的運(yùn)動(dòng)目標(biāo)檢測算法[J]. 計(jì)算機(jī)測量與控制, 2005,13(3):215-217.