论文部分内容阅读
摘 要：本文结合背景差分法及混合高斯背景建模基本理论，分析了背景差分法的运动目标检测效果依赖于背景的缺点。为了实现更准确的检测，本文用混合高斯加权建模的方法构建背景，并将其应用于单目摄像机背景下的运动目标检测。与一定的后处理结合后，该方法得到了较为清晰和完整的运动目标，为进一步深入分析和研究运动目标打下基础。
关键词：背景差分法、混合高斯模型、目标检测
1.前言
随着计算机科学技术的发展，视频监控已经从军事、交通、科研等领域向人们的日常生活渗透。如何自动识别监控目标，实现监控智能化已经成为计算机应用技术之图形图像处理研究领域的一大热门课题。运动目标检测就是实现检测并提取出与背景存在相对运动的目标的技术。它是对运动目标进行行为理解和分析的前提和基础[1]，是监控智能化应用和发展的重要研究内容。
目前，运动目标检测常用的方法主要是：帧间差分法[2]、背景差分法[3]和光流法[4]。其中，因受计算复杂，抗造性能差且不利于实现等条件的制约，光流法一般不适用于视频序列图像中的运动目标检测。在差分方法中，帧间差分法检测比较容易受到运动目标的速度的影响，无法对运动速度过快或过慢的目标进行正确检测。三帧差分在检测较大面积的运动物体时，容易出现目标“空洞”，不利于后期运动目标的识别和分析。与帧间差分相比，背景差分法检测出来的运动目标信息更完整，位置更准确，且操作简单，在运动目标的深入研究中有较大的优势。
2.背景差分法
背景差分法[3]是在运动目标检测方面最常用的方法之一，它的基本理念是通过判断当前帧和背景帧的对应像素点的变化程度来判断运动目标是否存在。如果对应的像素点变化值小于指定阈值，则该像素将标记为背景像素，否则为前景像素。其算法具体描述如下：
①获取某一时刻t的背景帧Bt（x，y）；
②获取与① 中对应时刻t的当前帧Pt（x，y）；
③将俩者进行差分运算，得到其的相对变化结果：
（1）
④選用阈值T对③中的得到的相对变化结果进行二值化，根据二值化来判断对应像素点是背景像素还是前景像素，从而得到目标二值化图像：
（2）
其执行流程及实现效果如图1、图2所示：
根据上面实验可以发现，背景差分法的算法比较简单，容易操作，可以较快实现检测目的。而且检测出来的运动目标信息完整，位置准确，非常有助于进一步对目标进行识别与分析。此外，从理论上说，只要能有合适的背景和经过相应的图像后期处理，运动目标就能被较快、较准的检测出来。
但是，通过对其进一步深入分析，就可以发现：背景差分法检测的效果对背景的依赖非常大。首先，在相机拍摄位置不变的情况下，背景差分法的检测需要一个纯粹的、没有任何运动目标的背景帧，或者需要一个可以提供准确且稳定背景的算法[5]。其次，背景差分法检测的是背景帧与当前帧的区别，如果一直不更新背景，那么对新加入视频后静止不动的目标就一直无法排除。最后，如果一直固定检测背景帧不变，那么实际背景中的光线变化、背景扰动等客观事物的变化将会以目标的形式出现在目标检测的结果上，干扰检测，甚至直接导致运动目标检测失败。
因此，在实际的背景差分法应用中，我们需要用一个合适的模型来描述背景，并在检测过程中不断对其进行更新，以便其更贴近于实际背景，提高目标检测的准确性和鲁棒性。
3.混合高斯背景建模
在对背景进行建模的方法中，最经典的是Stauffer和Grimson提出的自适应混合高斯模型[6，7]。它基本的理念是：每一个像素点的特征都通过用K个高斯模型加权建模进行表示，再通过分析该像素点的变化情况来确定背景点与前景点。其算法的具体描述为：
①背景建模：当前像素点出现的概率是K个高斯分布的加权建模，可用以下公式表示：
（1）
其中K表示高斯分布的个数。（一般来说，K值越大，一个像素点的特征描述所含有的高斯分布就越多，则描述出来的背景与实际背景就越接近。但K值越大，意味着每个像素点的建模计算就越复杂，对系统的内存和计算速度的要求就越高，否则就无法实现实时背景建模的要求，从而导致无法准确的检测出运动目标。在实际应用中，一般会根据系统硬件情况及实践经验，将K的取值范围制定为 。）此外， 表示对应的第i个高斯函数的权值， 则表示第i个高斯分布函数，其具体公式为：
（2）
4.后处理
在数学形态学[8]中，膨胀和腐蚀是对二值图像处理进行滤波的基本操作。膨胀操作的基本理念是通过增加目标的像素点，从而实现消除目标中的空洞和间隙。与膨胀相反的是，腐蚀则是通过减少目标的像素点，从而实现消除目标中的噪声点。它们的基本定义为：
一般来说，膨胀和腐蚀只能处理较小面积的空洞和噪声点，对于相对较大面积的噪声点和目标黑洞，则需采用连通性的原则来处理。即先对原始二值图像进行连通性分析，通过计算各连通区域的面积来判断该对象是否为后处理对象。当其连通面积大于设定阈值时，则不需要进行任何处理。当面积小于设定阈值时则对该像素进行相应的取反操作，从而实现填充空洞和消除噪声的影响[9]。
5.基于混合高斯模型的运动目标的检测
结合前面的学习和分析，本文先采用混合高斯加权建模的方式来构建背景，然后用该背景进行背景差分法对运动目标进行检测。此外，对前期检测出来的结果进行相应的后处理，从而实现运动目标的检测和识别。其具体的流程图及实验结果如下图3、图4所示：
图4 混合高斯背景建模检测效果图
Figure4 mixgaussian background model test rendering
从实验结果发现：在摄像机固定的情况下，与传统的背景差分法相比，利用混合高斯背景建模的差分法具有更强的鲁棒性和准确性。它通过用多个高斯分布加权构建实时背景，更贴近实际场景；同时减少了光线变化、空气流动及相机抖动这些客观事物对检测过程的干扰，避免了对新加入后静止不动的目标的误判发生。一定程度上减少了背景差分法对纯粹背景的依赖。同时经过膨胀、腐蚀和连通性分析等后期处理之后，得到了较清晰和完整的运动目标，为进一步研究运动目标的特征提取和目标的识别打下基础。 6.结论
本文首先对运动目标检测方面使用最广泛的背景差分法进行学习，通过实例来分析其存在的优缺点以及改进的方向。然后对混合高斯背景建模基本理论进行分析后，并通过实例实现了基于混合高斯背景建模的背景差分法在运动目标检测方面的应用。实验表明，混合高斯加权建模的背景差分法与形态学后期处理结合后，能较快速、准确且清晰的实现单目摄像机较简单背景下的运动目标检测。而如何实现结构复杂的背景下的运动目标快速和精确检测将是下一步研究的方向。■
参考文献
[1] 杨礼 基于视频目标检索的图像特征提取与分类识别[D]长春：吉林大学 2010
[2] PARAGIOS N，TZIRITAS C.Detection and Location of Moving Objects Using Deterministic Relaxation Algorithms[J].Proceedings of the 13thInternational Conference on Pattern Recognition.1996，1（1）：201-205.
[3] 郝非，苗振江 智能监控系统中运动目标检测跟踪的研究[D]北京：北京交通大学 2009
[4] Lueas B，KanadeT. An iterative image registration teelmique with an applieation to stereo visio International Joint Conference on Artificial Intelligence.1981：674-679
[5] 李霞. 基于改进的混合高斯模型的运动目标检测提取研究[D].重庆交通大学硕士论文，2012
[6] Zoran Zivkovic. Improved adaptive Gaussian mixture model for background substraction[A]. In： Proceedings of the International Conference on Pattern Recognition[C]. Amsterdam， Netherlands， 2004：23-26.
[7] Kaew Tra Kul Pong p， Bowden R. An improved adaptive background mixture model for reahine tracking with shadow detection[A]. In： Proceedings of and European Workshop on Advanced Video Based Surveillance System（AVBSOI）[C]. Kingston， UK： Kluwer Academic Publishers， 2001：1-5
[8] 岡萨雷斯，《数字图像处理》（第二版）[M]，电子工业出版社
[9] 庞首颜. 基于图像序列的运动目标分类研究[D].重庆交通大学硕士论文，2013
作者简介：
庞首颜（1987-），硕士研究生，主要从事图形图像处理方面的研究。
关键词：背景差分法、混合高斯模型、目标检测
1.前言
随着计算机科学技术的发展，视频监控已经从军事、交通、科研等领域向人们的日常生活渗透。如何自动识别监控目标，实现监控智能化已经成为计算机应用技术之图形图像处理研究领域的一大热门课题。运动目标检测就是实现检测并提取出与背景存在相对运动的目标的技术。它是对运动目标进行行为理解和分析的前提和基础[1]，是监控智能化应用和发展的重要研究内容。
目前，运动目标检测常用的方法主要是：帧间差分法[2]、背景差分法[3]和光流法[4]。其中，因受计算复杂，抗造性能差且不利于实现等条件的制约，光流法一般不适用于视频序列图像中的运动目标检测。在差分方法中，帧间差分法检测比较容易受到运动目标的速度的影响，无法对运动速度过快或过慢的目标进行正确检测。三帧差分在检测较大面积的运动物体时，容易出现目标“空洞”，不利于后期运动目标的识别和分析。与帧间差分相比，背景差分法检测出来的运动目标信息更完整，位置更准确，且操作简单，在运动目标的深入研究中有较大的优势。
2.背景差分法
背景差分法[3]是在运动目标检测方面最常用的方法之一，它的基本理念是通过判断当前帧和背景帧的对应像素点的变化程度来判断运动目标是否存在。如果对应的像素点变化值小于指定阈值，则该像素将标记为背景像素，否则为前景像素。其算法具体描述如下：
①获取某一时刻t的背景帧Bt（x，y）；
②获取与① 中对应时刻t的当前帧Pt（x，y）；
③将俩者进行差分运算，得到其的相对变化结果：
（1）
④選用阈值T对③中的得到的相对变化结果进行二值化，根据二值化来判断对应像素点是背景像素还是前景像素，从而得到目标二值化图像：
（2）
其执行流程及实现效果如图1、图2所示：
根据上面实验可以发现，背景差分法的算法比较简单，容易操作，可以较快实现检测目的。而且检测出来的运动目标信息完整，位置准确，非常有助于进一步对目标进行识别与分析。此外，从理论上说，只要能有合适的背景和经过相应的图像后期处理，运动目标就能被较快、较准的检测出来。
但是，通过对其进一步深入分析，就可以发现：背景差分法检测的效果对背景的依赖非常大。首先，在相机拍摄位置不变的情况下，背景差分法的检测需要一个纯粹的、没有任何运动目标的背景帧，或者需要一个可以提供准确且稳定背景的算法[5]。其次，背景差分法检测的是背景帧与当前帧的区别，如果一直不更新背景，那么对新加入视频后静止不动的目标就一直无法排除。最后，如果一直固定检测背景帧不变，那么实际背景中的光线变化、背景扰动等客观事物的变化将会以目标的形式出现在目标检测的结果上，干扰检测，甚至直接导致运动目标检测失败。
因此，在实际的背景差分法应用中，我们需要用一个合适的模型来描述背景，并在检测过程中不断对其进行更新，以便其更贴近于实际背景，提高目标检测的准确性和鲁棒性。
3.混合高斯背景建模
在对背景进行建模的方法中，最经典的是Stauffer和Grimson提出的自适应混合高斯模型[6，7]。它基本的理念是：每一个像素点的特征都通过用K个高斯模型加权建模进行表示，再通过分析该像素点的变化情况来确定背景点与前景点。其算法的具体描述为：
①背景建模：当前像素点出现的概率是K个高斯分布的加权建模，可用以下公式表示：
（1）
其中K表示高斯分布的个数。（一般来说，K值越大，一个像素点的特征描述所含有的高斯分布就越多，则描述出来的背景与实际背景就越接近。但K值越大，意味着每个像素点的建模计算就越复杂，对系统的内存和计算速度的要求就越高，否则就无法实现实时背景建模的要求，从而导致无法准确的检测出运动目标。在实际应用中，一般会根据系统硬件情况及实践经验，将K的取值范围制定为 。）此外， 表示对应的第i个高斯函数的权值， 则表示第i个高斯分布函数，其具体公式为：
（2）
4.后处理
在数学形态学[8]中，膨胀和腐蚀是对二值图像处理进行滤波的基本操作。膨胀操作的基本理念是通过增加目标的像素点，从而实现消除目标中的空洞和间隙。与膨胀相反的是，腐蚀则是通过减少目标的像素点，从而实现消除目标中的噪声点。它们的基本定义为：
一般来说，膨胀和腐蚀只能处理较小面积的空洞和噪声点，对于相对较大面积的噪声点和目标黑洞，则需采用连通性的原则来处理。即先对原始二值图像进行连通性分析，通过计算各连通区域的面积来判断该对象是否为后处理对象。当其连通面积大于设定阈值时，则不需要进行任何处理。当面积小于设定阈值时则对该像素进行相应的取反操作，从而实现填充空洞和消除噪声的影响[9]。
5.基于混合高斯模型的运动目标的检测
结合前面的学习和分析，本文先采用混合高斯加权建模的方式来构建背景，然后用该背景进行背景差分法对运动目标进行检测。此外，对前期检测出来的结果进行相应的后处理，从而实现运动目标的检测和识别。其具体的流程图及实验结果如下图3、图4所示：
图4 混合高斯背景建模检测效果图
Figure4 mixgaussian background model test rendering
从实验结果发现：在摄像机固定的情况下，与传统的背景差分法相比，利用混合高斯背景建模的差分法具有更强的鲁棒性和准确性。它通过用多个高斯分布加权构建实时背景，更贴近实际场景；同时减少了光线变化、空气流动及相机抖动这些客观事物对检测过程的干扰，避免了对新加入后静止不动的目标的误判发生。一定程度上减少了背景差分法对纯粹背景的依赖。同时经过膨胀、腐蚀和连通性分析等后期处理之后，得到了较清晰和完整的运动目标，为进一步研究运动目标的特征提取和目标的识别打下基础。 6.结论
本文首先对运动目标检测方面使用最广泛的背景差分法进行学习，通过实例来分析其存在的优缺点以及改进的方向。然后对混合高斯背景建模基本理论进行分析后，并通过实例实现了基于混合高斯背景建模的背景差分法在运动目标检测方面的应用。实验表明，混合高斯加权建模的背景差分法与形态学后期处理结合后，能较快速、准确且清晰的实现单目摄像机较简单背景下的运动目标检测。而如何实现结构复杂的背景下的运动目标快速和精确检测将是下一步研究的方向。■
参考文献
[1] 杨礼 基于视频目标检索的图像特征提取与分类识别[D]长春：吉林大学 2010
[2] PARAGIOS N，TZIRITAS C.Detection and Location of Moving Objects Using Deterministic Relaxation Algorithms[J].Proceedings of the 13thInternational Conference on Pattern Recognition.1996，1（1）：201-205.
[3] 郝非，苗振江 智能监控系统中运动目标检测跟踪的研究[D]北京：北京交通大学 2009
[4] Lueas B，KanadeT. An iterative image registration teelmique with an applieation to stereo visio International Joint Conference on Artificial Intelligence.1981：674-679
[5] 李霞. 基于改进的混合高斯模型的运动目标检测提取研究[D].重庆交通大学硕士论文，2012
[6] Zoran Zivkovic. Improved adaptive Gaussian mixture model for background substraction[A]. In： Proceedings of the International Conference on Pattern Recognition[C]. Amsterdam， Netherlands， 2004：23-26.
[7] Kaew Tra Kul Pong p， Bowden R. An improved adaptive background mixture model for reahine tracking with shadow detection[A]. In： Proceedings of and European Workshop on Advanced Video Based Surveillance System（AVBSOI）[C]. Kingston， UK： Kluwer Academic Publishers， 2001：1-5
[8] 岡萨雷斯，《数字图像处理》（第二版）[M]，电子工业出版社
[9] 庞首颜. 基于图像序列的运动目标分类研究[D].重庆交通大学硕士论文，2013
作者简介：
庞首颜（1987-），硕士研究生，主要从事图形图像处理方面的研究。