车辆视频检测中自适应背景更新算法的研究与仿真实现

郭琳

(中国传媒大学 广播电视数字化教育部工程研究中心，北京 100024)

车辆视频检测中自适应背景更新算法的研究与仿真实现

郭琳

(中国传媒大学 广播电视数字化教育部工程研究中心，北京 100024)

本文主要对车辆视频检测中基于高斯混合模型的自适应背景更新算法进行了研究和仿真实现，并针对图像初始化的几种方法进行了研究和仿真。混合高斯模型算法可以较好地提取多模态图像中的背景与前景，统计直方图法则能较好地提取初始背景，实现背景更新。

车辆视频检测；自适应背景更新；混合高斯模型；多帧平均法；统计直方图法

1 引言

在车辆识别与检测方法中，主要的背景更新算法包括时间平均模型(Temporal average model，TAM)[1]、单高斯背景模型(Single Gaussian model，SGM)[2]和高斯混合模型(Gaussian mixture model，GMM)[3]。时间平均模型与单高斯背景模型计算量小，但其自适应能力较差，针对背景像素亮度非单峰分布时的效果较差；而高斯混合模型是一种重要的自适应背景更新算法，虽然计算量较大，但通过该算法，能够较好的提取复杂条件下的背景。

针对车辆检测的高斯混合算法，国内外很多文献分别从不同方面对其进行了研究和改进。针对检测摄像头光照突变或抖动的问题，文献[4]提出了增大背景更新速率的方法，使前景很快更新成为背景；针对运动目标长时间不动容易变为背景的问题，文献[5-6]提出了调整学习速率和模式数量的方式来提升模型对背景变化的适应能力，但遇到较大不动或缓慢运动的物体时，容易将其误判为背景。本文主要针对自适应高斯混合模型进行研究，通过该模型可以较好地提取出带有树叶飘动等复杂背景条件下的车辆；此外本文也针对几种背景初始化方法进行研究，比较各种背景初始化方法的特点。

2 基于高斯混合模型的自适应背景更新算法

基于高斯混合模型的自适应背景更新算法采用多个高斯模型来描述同一个像素点上的颜色分布，当前像素Xt的概率和每个点颜色分布的高斯分布分别为：

η(Xt，μi，t，Σi，t)=

(1)

其中ωi，t、μi，t、∑i，t分别表示了每个单模型的权值、均值和单峰分布的宽度大小；K表示像素值多分布峰的个数，通常取值为3-5之间，其依赖于像素值的分布情况，而取值越大，系统计算复杂度越大。

为了使模型能符合实际的像素分布规律，需要根据每一个新的像素值来更新模型参数，参数修正首先需要检测是否匹配该模型，若符合|Xt-μi，t|<λσi，t，i=1，2，…K，则该像素匹配模型。其中λ是由经验设定的常数，一般取为2-3；反之，若不符合该式，则设为不匹配。针对匹配像素，需要根据(2)式来更新模型参数：

α代表权值更新率，它代表了背景更新快慢，它一般取[0，1]之间的常数，为了减少背景噪声，一般取值较小，如0.05，若需要修正较快时，则采用较大的α。Ii+1(x，y)则代表了新到的像素在(x，y)点的灰度。

若像素值Xt与其中某一高斯分布不匹配时，则可认为该新像素值并未对该单模型分布做出贡献，不需改变高斯模型参数而只需改变权值，改变方法为ωk，t=(1-α)ωk，t-1。

若像素值Xt与任一高斯分布均不匹配，则需要加入一个新的单模型，并从原模型中去除一个高斯分布，对于新模型参数初始值的要求是一个较小的权值和较大的方差。此外，还需对原来的各个模型的权值进行归一化处理。

为提取出背景像素，首先需根据每个像素高斯模型的优先级ω/σ的大小进行由高到低的排列，从K个高斯分布中取出前B个高斯分布作为背景模型：

(3)

其中T为背景选取阈值，它决定了背景中混合高斯分布的个数，若T取的较小，则背景模型通常为单模态；若较大，则可以描述背景重复变化所造成的多模态情况，如树叶摇晃或水纹波动等，若同一像素上有两种或更多颜色的背景，则效果更为明显。若Xi，t与K个高斯分布中某个背景高斯分布匹配，则该像素点为背景点；否则被检测为前景点。

3 基于高斯混合模型的自适应背景更新算法仿真

采用视频序列san_fran_traffic_30sec_QVGA_Cinepak.avi共874帧(每帧320*240像素)，在操作系统为Windows XP，内存为1.94GB的PC机上，采用Matlab7.5.0完成仿真。采用统计直方图法获取初始背景。

图1(b)是根据自适应权值更新的图像背景，图1(c)是通过判断是否匹配得到的汽车前景图，图1(d)则是为了得到一个准确的参照，通过统计直方图法得到的初始背景。可以看到通过高斯混合模型可以较好的提取出多模态情况下的前景，其背景更新较为稳定，能够较准确的提取出车辆前景。而提取准确程度则是由匹配阈值决定的。

(a)原视频

(b)视频更新背景

(c)视频提取的前景

(d)初始化背景

4 背景初始化算法

背景初始化就是交通监控的初始背景图像，是其他背景更新的参照，背景初始化方法有以下几种：

1.人工方法。人工方法提取初始背景最为简单方便，即根据视频监控选取一帧不带车辆的背景作为初始背景。但该种方法往往只适用于实验室研究，而并不适用于实际情况，实际中交通流不断变化，很难提取出不带车辆运动的一帧作为初始背景，尤其是实际情况中光照、树木阴影等不断变化，很难提取出稳定的一帧作为初始背景。

2.多帧图像平均法[7]。多帧图像平均法是通过传统去噪方法的原理，将行驶车辆视为图像中的噪声，将一段时间取到的图像进行平均得到道路背景图像，该方法的原理表达式为：

(4)

其中，Ik(i，j)表示第k帧序列在(i，j)点处的灰度值，N为提取的帧数，取平均后得到背景图像。该方法优点是简单方便，计算量少，但缺陷是在短时间内图像某点上可能不是既有亮度高的车辆也有亮度低的车辆经过，而是只有亮度高或者只有亮度低的车辆经过，这样会使得平均得到的背景偏亮或偏暗。

3.统计直方图法[8]。

由于在实际路面中，图像上某一点(i，j)被同一亮度的车辆覆盖的概率远小于背景亮度出现的概率，因此直方图就根据采集视频的该种特性取得图像上每一点的多帧灰度直方图，取得灰度概率最高的灰度作为背景灰度。公式表示为：

(5)

Background(i，j)=m′if(P(i，j，m′)=Max(P(i，j，m)))m，m′∈[0，255]其中，P(i，j，m)表示像素点(i，j)处灰度值为m出现的次数，Ik(i，j)为(i，j)点的灰度值。该方法虽然计算相较前两种方法较复杂，但其抗噪能力相对较强，提取背景图像较准确。

5 背景初始化算法仿真

1.多帧图像平均法仿真

针对背景初始化的研究采取了120帧的视频帧viptraffic.avi，原始视频如图2所示。图3采用了多帧平均法对该视频进行背景初始化，分别采用前20帧、前50帧、前80帧和前120帧的视频比较背景初始化效果，可以看出，当帧数取的较小时，提取的背景存在明显的汽车干扰，前20帧在右侧车道上出现了较长且明显的一段车辆拖尾；前50帧则在两条车道上均有车辆拖尾现象，但相比前20帧已不十分明显。当采用前80帧和前120帧时，多帧平均法提取的背景比较准确，但是采集的视频几乎已遍历所有视频帧，显然与初始化的初衷不符。因此，多帧图像平均法虽然算法较为简单，但是在实际中并不便于应用。

图2 原始视频

(a)前20帧

(b)前50帧

(c)前80帧

(d)前120帧

2.统计直方图法仿真

采用与多帧平均法相同的视频帧，从图4中可以明显的看出，无论是前20帧还是前50帧视频，其提取的初始背景都比较准确，并没有车辆拖尾的干扰，可见统计直方图法能够较好地提取初始背景，且使用的帧数相对较少，相对减少了一部分计算量。

(a)前20帧

(b)前50帧

(c)前80帧

(d)前120帧

6 结论

本文针对车辆视频检测问题研究并实现了高斯混合模型算法，并通过多帧图像平均法和统计直方图法得到了初始背景。统计直方图法与高斯混合算法具有准确通用的特点，适用于实际车辆较多的路况。本文算法主要针对普通路况而没有较大光线、遮挡的情况，下一步研究将着重于改善光照突变、车辆遮挡、静止物体突然运动等情况下的车辆检测。

[1]Friedman N，Russell S.Image segmentation in video sequences：a probabilistic approach.In：Proceedings of Thirteenth Conference on Uncertainty in Artificial Intelligence.Providence，Rhode Island，USA，Morgan Kaufmann Publishers，1997，175-181.

[2]Wren C R，Azarbayejani A，Darrell T，Pentland A P Pfinder.Real-time tracking of the human body[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，1997，19(7)：780-785.

[3]Stauffer C，Grimson W.Adaptive background mixture models for real-time tracking[J].Proceedings of IEEE Conference on Computer Vision and Pattern Recognition.Fort Collins，Colorado，USA，IEEE，1999，246-252.

[4]李明之，马志强，单勇.复杂条件下高斯混合模型的自适应背景更新[J].计算机应用，2011，7

[5]LEE D S． Effective Gaussian mixture learning[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，2005，27 ( 5) ：827 - 832．

[6]ZORAN Z． Recursive unsupervised learning of finite mixture models[J]． IEEE Transactions on Pattern Analysis and Machine Intelligence，2004，26( 5) ：651-656．

[7]王齐．基于视频图像的交通监控系统研究[D]：西安：西北工业大学，2005．

[8]林洪文、涂丹．基于统计背景模型的运动目标检测方法[J]．计算机工程．1997，29(16)：97-99．

ResearchandSimulationonAdaptiveBackgroundUpdateAlgorithminVideoVehicleDetection

GUO Lin

(ECDAV，Communication University of China，Beijing 100024)

This paper mainly researches and simulates the adaptive background update algorithm based on Gaussian Mixture Model (GMM) in video vehicle detection.Then，it researches on several methods of background initialization.According to GMM，it can be used to extract the background and foreground in multi-modal images.The statistical histogram method can extract the initial background and realize the background update perfectly.

video vehicle detection；adaptive background update；Gaussian mixture model；multi-frame average method；statistical histogram method

2012-11-28

郭琳(1989-)，女(汉族)，北京人，中国传媒大学硕士研究生.E-mail：guolin@cuc.edu.cn

TN911.7

A

1673-4793(2013)02-0068-06

(责任编辑：宋金宝)