基于改进的codebook算法的运动目标检测

赵玉吉, 骆 且, 杜宇人

(扬州大学信息工程学院, 江苏 扬州 225127)



基于改进的codebook算法的运动目标检测

赵玉吉, 骆 且, 杜宇人*

(扬州大学信息工程学院, 江苏 扬州 225127)

针对传统的codebook算法在面临复杂的环境背景干扰下进行运动目标检测中存在算法冗余的问题,提出一种改进的codebook运动目标检测算法．通过改进的码本描绘背景中感兴趣的码元进行建模,同时选择YUV空间模型替换传统的RGB模型,并在目标检测阶段融入训练元素来解决背景像素变化的问题,以提高运动目标检测的计算效率和可靠性．仿真结果表明,该方法比传统的目标检测算法具有更高的实时性、鲁棒性和准确性．

运动目标检测; 时间序列; codebook算法; YUV空间; 训练元素

运动目标检测是计算机视觉跟踪的基础,也是现代智能交通的关键模块[1]．传统的运动目标检测主要采取帧差法[2-4],通过前后帧图像相减而得到运动目标,该方法运行简便快捷,但仅适用于特别简单的背景环境中．Wen[5],Sankaranarayanan[6]等对帧差法进行改进后提出了均值差分法,首先选择前一段时间内图像的平均值作为背景图像,再与后帧图像相减得到运动目标．高秀斌等[7]则提出一种混合高斯的运动目标检测方法,先建立各背景的高斯模型,然后对像素进行高斯匹配,如果匹配则为背景图像,否则为运动前景图像,该方法准确率较高,但由于需要不断更新图像的高斯模型而导致内存占用较大且实时性不够．Codebook算法[8]计算简便,并且由于采用了聚类思想进行非约束型背景训练,故对于含有前景的图像也具有良好的检测效果,但是该算法对光线变化较为敏感且存在背景像素漏检等问题．本文提出一种改进的codebook算法,通过简化YUV模型,在码字中精简亮度参数并引入权重因子参数,以弥补传统的codebook算法未对后续帧图像持续建模的缺陷,同时优化选择部分阈值，以期增强算法对环境中光线变化的适应性,从而提高算法的准确性和鲁棒性．

1 codebook算法

Codebook算法的核心是得到图像中像素随时间变化的模型,利用该模型可以更好地处理时间的起伏[9]．Codebook模型首先采用聚类思想进行训练,对每个像素在序列帧中的观察值进行分类,分别对每一类建立一个码本,码本可以包括一个或一组码字;然后对后续视频序列图像的每个像素点进行抽样,根据它们的每个像素灰度值观察该像素点是否在其自身所建立的码字范围内．然而并非所有像素点都拥有相同数量的码本,故须对每一类的所有码本进行遍历计算．经过码本表示的像素无需其对应的高斯分布或其他参数,仅需该像素所对应的码字,故codebook编码是基于背景图像的像素值．

将视频图像中同一个位置的像素在不同时刻下的观察值组成序列X={X1,X2,X3,…,Xt},对每个像素建立一个码本模型C={C1,C2,C3,…,Ct},每个码本模型有t个码字Ci(i=1,2,…,t),在RGB空间下每个码字包含一个三维向量vi=(i,i,i)和一个六元组auxi=〈Imin,Imax,fi,λi,pi,qi〉, 其中i,i,i分别为所有属于该码字的像素R,G,B空间灰度值的平均值,I为该码字的亮度值,fi表示该像素集合中符合该码字亮度阈值条件的次数,λi为该码字最近连续没有发生变化的次数,pi,qi分别为该码字首末两次发生变化的时刻．

在训练阶段,按下述过程建立并更新某个背景下像素点的码本模型.

1) 初始化码本个数t=0．

2) 计算第N帧视频图像中某个位置的像素点Xi=(Ri,Gi,Bi)的亮度值

(1)

判断是否满足颜色距离δ不大于设定的阈值ε且Imin≤Ii≤Imax,其中颜色距离δ的计算参见文献[10],若满足条件则转入步骤4),否则转入步骤3)．

3) 在原码字序号t的基础上加1, 创建一个新的码字:

vj=(i,i,i),

(2)

auxj=Ii,Ii,1,i-1,i,i．

(3)

4) 找到某个符合条件的码本Cm, 并通过修改参数来更新该码本:

Cm=fmm+Rfm+1,fmm+Gfm+1,fmm+Bfm+1,

(4)

auxm=min{Ii,Imin}, max{Ii,Imax},fm+1, max{λm,t-qm},pm,t．

(5)

2 改进的算法

为了解决光线变化对建模的负面影响,本文选用YUV颜色空间模型进行改进[11]．由于λi,pi,qi的作用几乎完全相同,笔者基于文献[7]58-59简化了模型,保留变量fi,引入权重因子Gi替代λi,pi,qi,并将参数vi引入六元组auxi中,得到简化的码字

auxi=dyi,dui,dvi,Gi,fi,

(6)

$

auxi=dyi,Gi,fi．

(7)

本文算法的运行过程如下:

1) 训练前N帧图像,计算图像中每个像素点的均值i和偏差dyi,建立码字．

2) 定期检查某个码字的被访问频率,若大于阈值w1,则认为该码字在此段时间内是真正的背景点,进而增加其权重;反之,若小于阈值w2(w2

3) 输入某像素观察值Xi=Yi,判断是否存在与当前观察值相符的码字．若存在,则将该观察值设定为前景点,转入步骤5);否则,转入步骤4)．

4) 更新相应的码字:

i+1=i(1-α)+Ytα,

(8)

dyi+1=dyi(1-α)+dytα,

(9)

Gi+1=min{Gi+1,20},

(10)

其中α=1/(N+1),同时为了防止其访问权重Gi过高而无法被删除,故设置权重最大值为20．

(11)

$如果不满足上述条件,则表明该像素点为前景点,并未混叠在背景中．

3 仿真结果与分析

图1 原图像1Fig.1 The original image of Experiment 1

实验平台为Intel Core i5-4200M @ 2.5 GHz, 4 GB内存,Windows 8.1操作系统,vs2010+opencv2.4.4．

为了验证本文算法的性能,对如图1所示的视频图像分别采用均值差分法[6]1611、帧间差分法[2]909、混合高斯算法[7]58、传统的codebook算法[8]178以及本文算法进行运动图像检测,结果如图2所示．

图2 不同算法下的运动图像检测结果Fig.2 The movement image detection results with different algorithms

由图2可见:本文算法对运动图像的检测效果最佳,精确性高;均值差分法和混合高斯算法在背景图像扰动较大的情况下检测效果较差;帧间差分法对强光照射区域的图像处理较差;混合高斯算法检测的前景目标部分丢失;传统的codebook算法准确性较高,但仍存在较多无关的背景元素被误检．

5种图像检测算法的运算时间如表1所示．由表1可知,由于增加了训练过程,本文算法的运算时间稍高于传统的codebook算法,但仍低于其他算法．

为了验证在复杂道路环境下本文算法的有效性,笔者对如图3所示的监控视频图像分别采用传统的codebook算法和本文算法进行运动图像检测,结果如图4所示．

表1 各种算法的运算时间对比

图3 原图像2Fig.3 Images of the Experiment 2

图4 codebook算法改进前后的图像检测结果对比Fig.4 Comparison of the results of the traditional and improved algorithm

由图4可知,在更加复杂的背景环境下,运动目标均可被准确地检测出来,但本文算法具有更高的准确性和鲁棒性,且实时性好．

[1] 杜宇人, 周爱军. 一种基于视频图像的运动车辆跟踪方法 [J]. 电子测量与仪器学报, 2009, 23(3): 45-48.

[2] SIVARAMAN S, TRIVEDI M M. Integrated lane and vehicle detection, localization, and tracking: a synergistic approach [J]. IEEE Trans Intell Transp Syst, 2013, 14(2): 906-917.

[3] LUCIA M, ALFREDO P. A self-organizing approach to background subtraction for visual surveillance application [J]. IEEE Trans Im Proc, 2008, 17(7): 1168-1177.

[4] JIN Peng. Improved algorithm for sobel edge detection of image [J]. J Appl Opt, 2008, 29(4): 625-628.

[5] WEN Junqin. An adaptive frame difference method for human tracking [J]. Adv Inf Sci & Serv Sci, 2012, 4(1): 381-387.

[6] SANKARANARAYANAN A C, VEERARAGHAVAN A, CHELLAPPA R. Object detection, tracking and recognition for multiple smart cameras [J]. Proc IEEE, 2008, 96(10): 1606-1624.

[7] 高秀斌, 丁盼盼, 蒋长帅, 等. 一种基于多特征融合的粒子滤波目标跟踪算法 [J]. 扬州大学学报(自然科学版), 2013, 16(1): 57-60.

[8] KIM K, CHALIDABHONGSE T H, HARWOOD D, et al. Real-time foreground-background segmentation using codebook model [J]. Spec Issue Video Object Process, 2005, 11(3): 172-185.

[9] DAI Kexue, LI Qiang, ZOU Zhengwu. Color Comparison In Codebook Model For Moving Objects Detection [C]//Fifth International Conference on Frontier of Computer Science & Technology. Jilin: IEEE, 2010: 518-521.

[10] 徐成, 田峥, 李仁发. 一种基于改进码本模型的快速运动检测算法 [J]. 计算机研究与发展, 2010, 47(12): 2149-2156.

[11] LIU Liwei, LI Hongwei, YU Shuo. Improved moving objects detection method based on codebook model [C]//International Conference on Mechatronic Sciences, Electric Engineering and Computer (MEC). Shenyang: IEEE, 2013: 1351-1354.

(责任编辑 林 子)

Detection of moving targets based on the improved codebook algorithm

ZHAO Yuji, LUO Qie, DU Yuren*

(Sch of Inf Engin,Yangzhou Univ, Yangzhou 225127, China)

In the detection of moving targets, using codebook algorithm can effectively solve the interference problem of complex environmental background. Improved codebook algorithm is proposed to solve the algorithm redundancy problem of traditional codebook algorithm and improve algorithm performance. By improving codebook, it achieves the object of interest in the context of modeling symbols. In order to improve the efficiency and reliability of moving object detection, this paper uses the improved codebook algorithm to describe the interesting elements in the background for modeling, and chooses YUV space model to replace the traditional RGB model at the same time. Meanwhile the training element is integrated into the target detection phase to solve the problem of background pixels changes. The experiment results prove that this method has higher real-time performance, robustness and accuracy than the traditional methods of target detection.

detection of moving targets; time series; codebook algorithm; YUV space; training elements

2015-03-13. * 联系人, E-mail: yrdu@yzu.edu.cn．

国家自然科学基金资助项目(51273172)．

赵玉吉, 骆且, 杜宇人． 基于改进的codebook算法的运动目标检测 [J]. 扬州大学学报(自然科学版), 2015, 18(4): 63-67.

TP 391.41

A

1007-824X(2015)04-0063-05