一种改进的混合高斯模型运动目标检测算法

一种改进的混合高斯模型运动目标检测算法任克强，余启明，罗会兰( 江西理工大学 信息工程学院，江西 赣州 341000)【摘 要】 针对传统混合高斯模型使用固定学习速率所带来的问题，提出了一种改进的运动目标检测算法。该算法采用自适应的学习速率调整策略，在背景建模初期，采用较大的学习速率加快初始背景的建模，使得模型能更快地适应背景的变化; 背景形 成以后，根据目标运动的快慢动态调整学习速率，从而能够及时更新背景，消除运动目标的残留和拖影; 最后利用基于 HSV 颜色 空间的阴影检测算法消除运动阴影。实验结果表明，改进算法优于传统混合高斯模型，可以更准确地检测出运动目标，更好地 消除阴影，并具有较好的自适应性和稳健性。【关键词】 运动目标检测; 混合高斯模型; 学习速率; 阴影抑制【中图分类号】 TP391 4【文献标识码】 AImproved Algorithm of Moving Objects Detection Based on Gaussian Mixture ModelREN Keqiang，YU Qiming，LUO Huilan( School of Information Engineering，Jiangxi University of Science and Technology，Jiangxi Ganzhou 341000，China)【Abstract】To solve the problem of traditional Gaussian mixture model using a fixed learning rate，an improved algorithm of moving objects detection is proposed The algorithm adopts adaptive adjustment strategy for learning rate Early in the background modeling，a larger learning rate is adopted to ac- celerate the background modeling，so as to make for the model adapting the change of backgrounds faster After background is formed，the learning rateis dynamically adjusted by the moving speed of objects，which can update the background ttimely，and eliminate the residual objects and smear Finally，moving shadows are eliminated by the shadow detecting algorithm based on HSV color space The experimental results show that the improved algorithmis better than traditional Gaussian mixture model It can more accurately detect moving targets and eliminate shadows preferably，and has better adaptabil- ity and robustness【Key words】moving objects detection; Gaussian mixture model; learning rate; shadow suppression运动目标检测是计算机视觉领域中的一个重要内容，其检测效果将会对目标跟踪与识别造成一定的影响1。 目前较为常用的运动目标检测方法有光流法2、帧间差 分法3和背景减法4。目前，常见的背景建模方法有均 值滤波、线性预测、W4 方法、高斯模型法5 6及核密度估 计法7等。Stauffer 和 Grimson5提出的混合高斯建模( Gaussian Mixture Model，GMM) 是在户外运动目标检测中应用较多 的背景建模方法。刘鑫等8将 GMM 与帧间差分相结合 来更新高斯模型的学习速率，增强混合高斯模型处理运动 干扰和多层背景的能力。马义德等9提出均值与方差采 用不同的学习率，其中均值更新采用自适应的学习速率， 方差的学习率取固定值的方法，以解决 GMM 方法中均值 和方差自适应性慢等缺点，但对背景更新过慢造成的“拖 影”问题处理并不理想。本文对 GMM 方法进行了改进， 将背景建模分为背景初始和背景稳固两个阶段，分别采用 不同的自适应策略来更新学习速率，并在 HSV 空间进行 阴影检测和抑制。1混合高斯模型混合高斯模型使用 K 个高斯模型来表征图像中各个像素点的特征，在获得一帧新的图像后，更新混合高斯模型，采用匹配的方法来判断某像素点是否是背景点。混合 高斯模型进行运动目标检测主要包括以下几个步骤: 背景 建模、参数更新、背景模型的生成以及运动目标的提取。背景建模对视频图像中的每一个像素，用 K 个高斯模型表示 某一像素点在某个时间的状态，假设 Xt 为 t 时刻的像素 点，则其概率函数为K1 1P( Xt ) = wi，t ( Xt ，ui，t ， i，t )( 1)i = 11 1 1T2 ( Xt ui，t)( Xt ui，t)( Xt ，ui，t ， i，t ) =1 ei，t n ( 2)2 i，t2( 2)式中: K 为混合高斯模型的个数，一般取 3 5; wi，t 为第 i个高斯模型在 t 时刻的权值; ( Xt ，ui，t ， i，t ) 为 概 率 密基金项目: 国家自然科学基金项目( 61105042)度函数; ui，t 为 t 时刻第 i 个高斯模型的均值向量;模型的协方差矩阵，i = 1，2，K。1 2参数更新将当前帧各点的像素值 I( x，y) 与 K 个高斯分布进行 匹配，若满足式( 3) ，则 I( x，y) 与高斯分布匹配，否则为不 匹配。 i，t 为背景点。算法改进传统混合高斯模型在初始化过程中，由于背景建模 初期的数据很少，会导致一些非背景模型像素的权重过2大，从而不能很好地反应像素的真实分布; 背景形成以后，( 3)| It ( x，y)由于学习速率较小，某些像素一旦被判为背景需要很长时间才能从背景中脱离现来; 如果目标运动较慢，还会出现 “拖影”，影响运动目标的检测。因此，本文采用动态更新 学习速率的方法来生成背景模型，从而削减“拖影”，并利 用 HSV 色彩空间中阴影的色彩和亮度比背景暗，饱和度 几乎一样这一特性来消除阴影。 ui，t 1 | D i，t 1式中: D 为置信参数，一般取 2 5; ui，t 1 为第 i 个高斯分布在 t 1 时刻的均值; i，t 1 为第 i 个高斯分布在 t 1 时刻 的标准差。1) 如果匹配成功，则对与之相匹配的高斯分布的参 数进行更新= ( 1 a)= ( 1 )= ( 1 )( 4)( 5)学习速率的改进学习速率 的选取十分重要， 取值过小，适应环境 的变化需要较长时间，这样会把某些已经不是前景的物体 误判成运动目标; 取值过大，虽然适应环境变化的能力 增强了，但容易使目标溶入背景。本文将背景建模分为背景初始和背景稳固两个阶 段，分别采用不同的自适应策略来更新学习速率。wi，tui，t wi，t 1 + i，t 1 + Xt2 12 i，t 1 + ( Xt i，t 1 )2Ti，t( Xt i，t 1 )( 6)式中: 为学习速率，取 0 005; = ( Xt ，ui，t ， i，t ) 。2)如果匹配不成功，则建立一个新的高斯模型，同时去掉最不可能是背景模型的高斯分布。其他高斯分布均值和方差不变，但权值按式( 7) 更新=1，n Nn + C1( 9)=( 7)= ( 1 a)wi，t wi，t 12C2 ( 1 e D )，n N1 3背景模型的生成及运动目标的提取每个像素建立混合高斯模型时，只有一个或者几个 高斯分布代表背景，其他的代表前景。由于背景出现的时 间一般较长，权重较大，所以高斯混合模型中代表背景的 高斯分布是那些权重较大的分布。因此，选择代表背景模 型的高斯分布时，先将高斯分布按 w / 的值降序排列，最 有可能成为高斯背景的排列在前，然后取前 B 个分布作 为高斯分布的背景模型b1119 I( x + i，y + j) Di = 1 j = 1B( x + i，y + j) ( 10)式中: n 为当前视频流过的帧数; N 为视频的前 N 帧; C1，C 2 均为常数，C1 用于消除学习速率 在初始几帧变化过快所带来的目标溶入背景的现象，C2 为背景稳固阶段的 最大学习速率; D 为当前帧 I( x，y) 的前景与背景邻近 8个像素值之差; i，j 均为整数。1) 背景初始阶段( n N) : 在视频开始的若干帧，由 于背景尚未形成，故采用较大的学习速率以加快初始背 景建模的速率; 随着背景的逐 渐 形 成，学 习 速 率 逐 步 减小。B = arg minb ( wK T)( 8)K = 1式中: T 是一个全局的先验概率，它表示出现在像素范围内属于背景像素的概率。在实际应用中，T 的值需要预先设定。如果 T 取值过 小，则背景模型就变成单模态，这时仅仅使用了最有可能的 单个高斯分布作为背景。随着 T 取值增大，背景模型会包 含更多的高斯分布，产生一种透明的效果，允许背景模型接 受两个或两个以上的色彩值，但是随着高斯分布数量的增 加，计算量剧增，故 T 的取值不能过大，一般取 0 8。选取 B 个高斯模型后，将当前帧的像素值 I( x，y) 与 已经选取的背景分别进行匹配。如果 I( x，y) 与背景模型2)背景稳固阶段( nN) : 形成背景以后，方差已经收敛，其学习速率应小于背景初始阶段的学习速率，以稳住背景。学习速率由前景和背景邻近像素值的差动态更 新，以解决背景模型更新造成的“拖影”现象。其基本思 想是: 当 D 较大时，说明前景像素运动较快，应适当加大 学习速率来稳住背景; 当 D 较小时，说明前景像素运动 较慢，则适当减小学习速率来稳住背景。高斯分布，导致后续背景模型很难达到稳定的高斯分布;同时，背景初始阶段的学习速率应该大于或等于背景稳固 后的最大学习速率 C2，故 N 也不能过大。N 的取值一般 为 120N250。阴影的抑制视频序列中的运动阴影带有运动目标位置、形状等 信息，容易被误判为运动目标，从而使得运动目标变形，甚 至使目标丢失。因此，阴影抑制在运动目标检测中十分重 要。与 RGB 色彩空间相比，HSV 色彩空间更接近于人眼 视觉模型，能直接反映色彩的亮度信息，从而可以更准确 地区别阴影和运动目标10。设 IH ( x，y) ，IS ( x，y) ，IV ( x，y) 分别为当前像素值 的 H，S 和 V 分量; BH ( x，y) ，BS ( x，y) ，BV ( x，y) 分别为 背景像素值的 H，S 和 V 分量，则满足式( 11) 的像素值为 阴影。2 2图 1 Highway 序列的检测结果GMM 方法提取运动目标时，道闸被误判为运动目标，但道 闸在第 300 帧时已经关闭，并处于静止状态。其原因是GMM 方法的固定学习速率不能很好地适应场景的变化，一旦道闸被判定为前景，就需要较长的时间从前景中消失。本文方法采用自适应的学习速率调整策略，根据背景 的变化动态调整学习速率，从而能够及时更新背景，准确 地检测运动目标。V I ( x，y) BV ( x，y)( 11)IS ( x，y) BS ( x，y) IH ( x，y) BH ( x，y) 式中: ， ， 和 为常数，0 1 ; 的取值主要考虑阴影的强度，阴影较强时， 取较小值; 用来增强 对噪声的稳健性; ， 用来增强阴影检测的抗噪声性能，一般选取较小的值。实验结果与分析为了验证本算法的性能，在 VC + 和 OpenCV 平台 下，对 GMM 方法和本文方法进行了运动目标检测比较实 验，测试序列为 Highway ( 500 帧，320 240 ) ，Campus ( 1 179 帧，352 288 ) 和 Intelligent room ( 300 帧，320 240) ，实验参数为: K = 3，T = 0 8，C1 = 20，C2 = 0 005，N =3180， = 0 4， = 0 95， = 0，= 50。图 1 为测试序列 Highway 第 7 帧的运动目标检测结果，主要比较两种方法背景建模初始阶段的检测效果。由 于 GMM 方法的学习速率为固定值，导致背景并未完全更 新，仍有部分运动车辆的残留，故会出现一些孤立的非运 动目标。本文方法为在视频开始的若干帧采用较大的学 习速率加快初始背景的建模，使得模型在初始阶段能更快 地适应背景变化，从而提取的运动目标更接近于真实 情况。图 2 为测试序列 Campus 第 353 帧的运动目标检测结 果，主要比较两种方法背景建模稳固阶段的检测效果。图 2Campus 序列的检测结果图 3 为测试序列 Intelligent room 第 285 帧的运动目标检测结果，主要比较两种方法对缓慢运动目标的检测效 果。GMM 方法在背景更新过程中，没有考虑目标运动速 度的快慢，当目标运动过慢时，检测结果出现了不合理的 “拖影”。本文方法采用前景和背景邻近像素值的差动态 更新学习速率，根据目标运动的快慢自适应地调整学习速 率，较好地解决了“拖影”问题。此外，本文方法在 HSV 空间进行了阴影检测和抑制，消除了阴影的干扰，取得了较好的效果。3 王平，陈素华，董福洲 运动目标检测技术在智能监控系统中的应用J 电视技术，2007，31( 10) : 81834 BENEZETH Y，JODOIN P M，EMILE B，et al Comparative study of background subtraction algorithmsJ Electronic Imaging，2010，19 ( 3) : 3013125 STAUFFER C，GRIMSON W E L Adaptive background mixture models for real time trackingC/ / Proc IEEE International Conference on Computer Vision and Pattern Recognition，1999 Fort Collins: IEEE Press，1999: 2462526 江登表，程小辉 基于高斯运动模型的车辆检测J 电视技术，2009，33( 8) : 1031067 孙志海，张桦，武二永，等 非参数核密度估计视频目标空域定位技术 研究J 光电工程，2010，37( 8) : 12188 刘鑫，刘辉，强振平，等 混合高斯模型和帧间差分相融合的自适应背 景模型J 中国图象图形学报，2008，13( 4) : 7297349 马义德，朱望飞，安世霞，等 改进的基于高斯混合模型的运动目标检 测方法J 计算机应用，2007，27( 10) : 2544254610 CUCCHIARA R ，GRANA C ，PICCARDI M，et al Improving shadow suppression in moving object detection with HSV color informationC/ / Proc IEEE 2001 Conference on Intelligent Transportation Sys-tems，2001 Oakland: IEEE Press，2001: 334339图 3 Intelligent room 序列的检测结果结束语学习速率是基于 GMM 的运动目标检测算法中的一 个重要参数，对运动目标的检测效果有着重要的影响，自 适应的学习速率调整策略是提高运动目标检测质量的有 效途径。本文根据背景建模不同阶段的特点，分别采用不 同的自适应调整策略动态更新学习速率，较好地解决了传 统 GMM 方法采用固定学习速率所带来的问题，取得了较 好的运动目标检测效果。