实时背景下的遗撒物体检测研究

化 莉,沈建新

(1.淮阴工学院计算机工程学院,江苏淮安 223003;2.南京航空航天大学机电学院,江苏南京 210016)

0 引 言

遗撒物体有可能是顾客遗忘的贵重物体,也有可能是不法分子放置的危害社会安全的危险物品.遗撒物体的检测是智能监控系统中一个重要的组成部分[1].本文主要针对在静态背景环境下,通过2个步骤实现对遗撒物体的检测:第一步,利用混合高斯背景模型结合背景差分算法实现对运动物体的精确检测,并将运动物体用块表示在图像中;第二步,为块分配重心、面积和轮廓3个属性,并检测在视频序列中是否有相同的块的出现频率超过预先设置的值,如有则标记为遗撒物体,同时发出报警信息.

1 运动物体的检测

运动物体的检测是实现遗撒物体检测的必要前提条件,运动物体的检测精度将直接影响到遗撒物体的可靠提取.目前,在运动物体的检测中,常采用背景差分法[2-5],其原理是将视频序列的前几帧图像的某一帧作为背景图像,利用当前图像与背景图像做差分计算来实现对运动物体的检测.由于智能监控系统通常需要全天候实时监测,光照、天气等外部条件的变化会对监控系统获取的图像的灰度影响很大,如果保持背景图像不变,检测的精度必然会受到影响[2,6,7].对此,我们首先引入混合高斯背景模型实时更新背景图像,然后,再利用背景差分法检测运动物体.

1.1 混合高斯模型

高斯模型,是利用高斯概率密度函数(正态分布曲线)精确地量化事物,即将一个事物分解为若干的基于高斯概率密度函数形成的模型.混合高斯背景建模的基本思想是:对于每一帧背景的像素,均采用K(一般3～5)个高斯分布组成的混合高斯模型来描述[3].每个高斯分布代表不同的灰度值,每个高斯分布的权重代表当前灰度值在图像中所占的比重.由于背景图像的像素值变化缓慢或基本保持不变,所以在K个高斯分布中选用权重大、方差小的高斯分布来填充当前像素的灰度值[4].用 p(Xt)表示像素(x,y)的值 X在某一时刻t出现的概率,

其中,wi,t是第i个高斯分布在t时刻的权值,μi,t表示第i个高斯分布在t时刻的均值,∑i,t表示第i个高斯分布在时刻 t的协方差矩阵,η是高斯分布的概率密度函数,可表示为,

混合高斯模型建模的具体步骤包括:

(1)初始化K个高斯模型的参数,将第一帧图像中像素点的灰度值作为均值,将标准方差设置为0.

(2)对每一帧图像中的每个像素进行处理,看其是否匹配某个模型.若匹配,则将其归入该模型中,并用当前帧图像的灰度值更新模型[5],同时,利用公式(3)调整各个高斯分布的权值,

其中,α∈[0,1]是学习率,Mk,t表示是否匹配,若匹配 Mk,t=1,否则 Mk,t=0.未匹配的高斯分布的均值μ和方差σ保持不变,需要更新的高斯分布的均值和方差为[6],

其中,ρ是第二个学习率,ρ=α η(Xt|μk,σk).

更新的方法是,用一个新的高斯分布代替概率最小的一个高斯分布,用当前像素值代替新的高斯分布的均值,并为其分配一个较大的协方差和较小的权重.

(3)选择前面几个权重较大、协方差较小的高斯分布作为背景模型,为背景目标的提取做铺垫.

1.2 背景差分算法

背景差分算法的基本思想是:取视频序列的前几帧中的一帧作为背景图像,将当前某一时刻的图像与背景图像中对应像素的灰度值做减法运算,然后选取一个阈值对差分图像进行二值化处理,从而检测出运动目标[7].背景差分法的表达式为,

其中,B(xi,yj)为选取的背景图像的像素值,f(xi, yj,tm)为t时刻图像中对应背景图像的像素值,T为选择区域的阈值,D(xi,yj)为经过背景差分后获得的二值化图像.

1.3 实 验

在实验中,我们首先利用K=5个高斯分布构建混合高斯模型,获得实时更新的背景图像,然后利用背景差分算法实现对运动目标的检测.图1是结合混合高斯背景建模和背景差分算法实现的对运动目标的检测结果.

图1 结合混合高斯背景模型和背景差分算法的运动目标检测

图1(a)是视频序列的第一帧图像,从图中可知在图像中有“人体”背景存在.若直接将第1帧设置为背景,采用背景差分算法,将在后续图像帧的“人物”区域出现误检测.而当采用混合高斯背景建模之后,获得实时更新的背景图像,结合背景差分算法,在第337帧、362帧、996帧检测到运动物体.

2 遗撒物体检测

2.1 遗撒物体确定方法

通过混合高斯建模和背景差分算法相结合准确检测出运动物体之后,就需要判断检测出的物体是不是遗撒物体.判断遗撒物体的基本原则是:在预定的时间内,被检测出的运动物体未发生大幅度的变动.对此,我们通过3个参数来设置运动物体的属性:重心、面积和轮廓.如果在连续的视频序列帧内,被检测出的运动物体的重心、面积和轮廓均保持基本不变,则可判断此运动物体为遗撒物体.

在连续的视频帧内,每帧检测出的运动物体(用“块”表示)个数及每帧中块的标记顺序不同.因此,如何标记遗撒物体的累加次数是解决问题的关键.

图2为连续6帧图像累积遗撒物体的表示方法.

图2 连续6帧图像中遗撒物体的分布

其中,#代表要检测的遗撒物体,@代表其他运动物体.在(a)中,没有遗撒物体存在,(b)、(c)、(d)、(e)、(f)中,遗撒物体分别标记为第3、1、1、3、5个块.

本文解决遗撒物体累加的方法是:将(b)、(c)、(d)、(e)、(f)存储的块属性(重心、面积、轮廓)与(a)中每个块分别比较,如果符合块的3个属性基本保持不变的要求,则将与(a)中相匹配的块累加,如果没有找到相匹配的属性,则将其代替(a)中未得到匹配的块,结果如图3所示.

图3 连续6帧图像中遗撒物体的匹配与累加结果

图3(a)表示将图2(a)与图2(b)的块属性相比较,因没有遗撒物的匹配,将(b)中的块代替(a)中所有的块.图3(b)表示将图2(c)与图3(a)相比较,有遗撒物的匹配,则将匹配值加1,同时,将其余未匹配值取代图3(a)中的块.以此类推可以发现,累加值逐渐增加,同时遗撒物体均被放置在第3个块上.当累加值达到预设数值时,可在图像中根据块的重心、面积和轮廓将块表示出来.

2.2 实 验

在实验中,利用本文方法检测得到遗撒物体的结果如图4所示.图4(a)、(b)中某人将提包丢失在走廊后,系统开始检测是否有遗撒物体存在,当满足条件的预测帧数达到预设值时,遗撒物体被用矩形框标注出来,并发出报警(如图4(d)、(e)、(f)).此外,实验中我们还发现,当有其他运动物体存在时,并不影响对遗撒物体的检测(如图4(f)).

图4 视频序列中的遗撒物体检测

3 结 语

本文通过引入混合高斯背景模型实时地更新背景图像,将当前帧与背景帧做差分计算来实现对运动物体的精确检测与分割.同时,对每帧检测出来的运动物体分配属性,以判断各帧图像是否存在属性相同的运动物体,依次累加,当达到预定值时即判断并标记出遗撒物体.需要说明的是,本文在运动物体的检测中未能有效地去除阴影,这对运动物体的准确分割产生了一定的影响.因此,如何去除运动物体的阴影,实现对运动物体的进一步精确分割需要继续探讨.

[1]刘亚,艾海舟,徐光佑.一种基于背景模型的运动目标检测与跟踪算法[J].信息与控制,2002,31(4):315-319.

[2]李强,赵亦工,高永晶.基于背景差分的运动目标的检测算法研究[J].遥测遥控,2007,28(6):68-72.

[3]Stauffer C,Grimson W EL.Adaptive background mixture models for real-time tracking[C]//1999IEEE Computer Society Conference on Computer Vision and Pattern Recognition.New Y ork: IEEE Press,1999.

[4]Neal R M,Hinton G E.A View of the EM Algorithm that Justifies Incremental,Sparse,and Other Variants[C]//Learning in Graphical Models.Netherlands:kluwer Academic Publishers, 1999.

[5]Shimada A,Arita D.Dynamic Control of Adaptive Mixture-of-Gaussians Background Model[C]//Proceedings of the IEEE International Conference on Video and Signal Based Surveillance. Sydney:IEEE Press,2006.

[6]Han X Y,Zhu Q D.Research on Technology and Application of Tracking Moving Target Based on Vision[D].Harbin:Harbin Engineering University,2006.

[7]张毅刚,曹阳,项学智.静态背景差分运动目标检测研究[J].电子测量与仪器学报,2010,24(5):494-499.