基于改进单模高斯模型的运动目标检测算法

门　瑜，郑娟毅，李　萌

(西安邮电大学　通信与信息工程学院，陕西 西安 710121)

基于改进单模高斯模型的运动目标检测算法

门瑜，郑娟毅，李萌

(西安邮电大学通信与信息工程学院，陕西 西安 710121)

摘要:在视频交通车辆目标检测中，阴影问题是影响其检测准确性的关键问题之一。为了解决这个问题，提出了一种结合单模高斯模型和背景差法的运动目标阴影检测方法。首先针对传统单模高斯模型提出了一种自适应学习率和选择性差值更新背景相结合的方法，加快了背景模型的初始化速度，同时结合背景差法对阴影部分进行检测与去除。实验结果表明，该方法能够较好地去除车辆的阴影，提高了检测的准确性。

关键词:运动目标检测；单模高斯模型；背景差法；阴影检测

1视频目标检测

视频车辆目标检测是指从视频序列中克服各种噪声的影响，将视频帧图像中的车辆目标准确分割出来[1]。这是视频车辆目标检测中最重要的目标之一，也是智能交通系统监控视频后续处理的基础工作[2]。这一检测技术日益成为视频监控中最有发展潜力的检测方法。

在实际监控视频中，由于自然界光线被物体遮挡会造成阴影现象，而在目标检测中，阴影常常会影响车辆的检测及车流量统计的准确性，因此，对车辆检测目标阴影的去除是十分必要的。

目前视频图像中主要车辆目标检测方法有光流场法[3]、帧间差分法[4]、背景差法[5]等。大量试验证明，背景差法的检测结果更接近车辆目标的真实情况，但是背景差法对背景图像的要求较高，目前背景建模的方法有很多，例如：手动法，它是通过人为观察画面中是否有检测目标，若没有则作为背景，反之继续等待下一刻图像变化。统计平均法，它是通过对多图像中同一位置的像素点求平均值，从而获得一幅接近真实背景的图像。R.T.Colin等提出的单模高斯分布模型[5]。Grimson等提出的混合高斯分布模型[6]等。本文对传统的单高斯背景模型进行改进，形成了自适应学习率和选择性差值更新背景相结合的方法，并利用背景差法进行阴影去除，不仅加快了背景模型的初始化速度，而且提高了检测的准确性，并通过实验仿真证明了该方法的有效性。

2单模高斯分布模型

单模高斯分布模型的原理是假设图像像素都服从均值为u，方差为σ2的高斯分布，对每个像素点来说，这样的分布都是独立的。单模高斯分布模型建立背景并不需要使用多帧连续图像，但容易出现拖影现象，造成背景误判。

假设用gk(x，y)代表第k帧图像坐标(x，y)处的像素值，k可取1，2，3，…N，且所有N帧图像(x，y)处的像素值服从均值为u，方差为σ2的高斯分布N(μ,σ2)，高斯分布函数表示为

(1)

式中：T表示概率阈值，如果下一帧图像在该点的像素值大于等于T，该值归为背景，否则判别为前景，然后根据判决结果更新均值u和方差σ2。设Bk(x，y)表示第k帧的背景图，则判决公示表示为

(2)

3背景差法

背景差法是一种简单有效的检测方法，具有广泛的实用价值[7]。它的优点是检测速度快、易于实现、计算量小，检测结果能够提供较完整的目标特征。这种算法特别适用于静止摄像机，而交通视频图像检测基本符合这种算法的特点，因此，该算法成为目前运动目标检测中的主流算法。背景差法的基本原理：首先利用背景图像像素灰度值在静态场中的不变性或缓慢变化的特点，通过其他建模算法获取当前背景图像，然后与视频序列中的图像做差分，最后检测出运动目标。用gk(x，y)来表示视频序列中第k帧图像，bk(x，y)表示第k帧图像的背景，两者做差分，经二值化处理就可以实现简单的背景差法运动目标检测，用公式表示如下

(3)

式中：f(x，y)表示二值化后的图像；T表示二值化的阈值；255(白)表示前景运动目标；0(黑)表示背景。

上式中假定背景图像是静止不变的，当运动目标驶入摄像机的监控范围之内，就只有运动目标区域像素值发生变化，剩余部分都归属到背景部分，这种情况是最理想的背景差法应用环境[8]。实际交通视频监控中的图像序列中，由于外界复杂的环境，如：光照变化、雨雪天气、晃动的树枝、摄像机的抖动等影响，要想准确的检测出运动目标，就需要实时有效的背景模型来满足背景差分的要求。因此，如何建立有效的背景模型是本文使用背景差法时面临的一个尤为重要的问题。

4改进的单高斯背景模型

4.1学习率的改进

(4)

通过分析研究单模高斯模型，可知高斯模型的学习率α是一个至关重要的参数，它表示模型对当前帧图像的适应能力，α越大，当前帧图像融入背景的比例越大，背景更新就越快，但对噪声的抑制能力就减弱。相反，α越小，背景融入新的信息减少，更新速度变慢，适应环境的能力减弱，但能较有效地抑制噪声。由此可见，α的取值对高斯模型的初始化有很大的影响。在实际监控过程中，监控设备可能因故障维修、断电、意外损坏等各种原因重新启动和初始化，这就需要设备能在短时间内迅速做出合理的反应，而在系统刚开启阶段只有较大的更新率才能迅速建立比较真实的背景模型。传统的更新策略采用固定的学习率，不能适应这种实际情况的需要，所以本文提出自适应学习率策略来改善高斯模型的不足之处。

本文提出的自适应学习率α更新策略实现过程：首先在模型初始化开始时给α一个较大的初始固定值a，然后经过前几帧的快速背景更新，给α一个均匀递减的学习率，最后前N帧图像更新结束，采用较小稳定固定值b赋给α来更新后续背景。得到的单模高斯模型自适应学习率α可用公式表示为

(5)

式中：n是视频图像序列中的序列号；N是一个固定值，根据经验自己设定；m是早期要快速更新背景的帧数，相比N要小很多，可取1/α或N/5～N/4。

传统的单模高斯背景模型对分布参数均值和方差采用相同的学习率，没有分别考虑模型均值和方差各自的特点，这是不合理的。当学习率取较大值时，模型收敛性好，对光照变化适应性强，但稳定性差；当学习率取较小值时，模型稳定性好，但不能快速适应光照变化，收敛性变差。有人对模型的学习率提出了改进算法：对均值和方差采用各自不同的学习率α和β，改进的单模高斯模型分布参数更新可以表示为

(6)

结合前面自适应学习率的更新策略，本文提出对高斯模型的均值和方差采取同样的策略加快初始化速度。但是由于均值和方差的不同特点，为了兼顾高斯模型的的稳定性和收敛性，对于均值的学习率取同前面变化相同的值，对方差刚开始的学习率取值为β=0.01，而对稳定后的学习率取值为β=0.001。这样均值的取值始终较大，模型对光照的变化有较好的适应能力。在初始化训练的视频序列帧数之内，β的取值较大，然后逐渐减小，模型的收敛性好；初始化训练完成之后，β的取值最小，使模型的稳定性增强。这样背景模型的初始化将更加快速稳定。

4.2背景更新改进

当一像素点被判断为背景时，用当前帧的像素值去更新背景模型，使得背景模型的像素值变化缓慢，造成判断错误。因此本文提出一种新的更新方法：用当前帧的像素值与背景模型中对应点处像素值的差值来更新模型，提高了模型的适应性和像素点判断的准确率。但是同时也使背景与真实背景看起来亮度变暗了很多，这是由于当前帧图像像素点与背景模型做差，差值会出现正负两种情况带来的结果，需要对背景模型的像素值乘以2。此时，新的背景参数更新可表示为

(7)

下面通过实验来验证各改进步骤的有效性，分别采用固定学习率检测、自适应学习率检测、计数选择性更新背景检测、计数选择性差值更新背景检测4种方法进行实验，并对比检测结果。其中，经典方法采用固定学习率0.025；自适应学习率采用初始值为0.1，稳定值为0.01；计数选择性背景更新均值和方差的学习率初始值分别为0.1和0.01，稳定值分别为0.01和0.001；计数选择性差值背景更新的参数与计数选择性背景更新相同；所有的检测方法初始方差为12.5，设定初始帧数参数N=100，m=N/5。分别取第7帧、第70帧、第110帧时各种方法所取得的运动目标检测结果图像，如图1所示。

a　固定学习率检测

b　自适应学习率检测

c　计数选择性更新背景检测

d　计数选择性差值更新背景检测图1　不同方法检测结果

其中，图1a中经典单模高斯模型在背景模型初始化完成之后仍然没有完全去除第一帧图像造成的伪目标，而带有自适应学习率的检测方法在第70帧已经基本完全去除了第一帧图像的伪目标，所以在背景模型建立阶段自适应学习率的单模高斯模型明显优于经典算法的固定学习率。图1c引入了选择性更新背景方法，虽然使计算量有了一定的降低，但是同时也带来了其自身的缺点，增加了运动目标带来的噪声，反而检测效果不如图1b理想。图1d通过对选择性更新背景方法缺点的优化，使用图像与背景的差值来更新背景模型，从而减少了运动目标带来的噪声，使建立的背景模型更接近真实情况，提高了运动目标检测结果的准确性。

5改进的单模高斯模型用于背景差法阴影去除

通过分析灰度图像，可以把图像分为3个主要部分：背景部分、阴影部分、车辆目标部分。这3部分的亮度基本依此以阴影、背景、车辆的顺序增大，但当车辆的颜色比较暗如为黑色时，这3部分的亮度排序反而会以背景为最亮。为了去除太多背景的影响，根据上面改进的单模高斯模型，只选取目标和阴影部分作为分析的对象。此时的阴影亮度一般都比车辆更低，同时对车辆和阴影部分进行补偿增加亮度，会使阴影部分更接近背景亮度，而车辆部分亮度增加，此时对车辆和阴影部分同时进行背景差分就会使阴影部分和车辆部分的亮度差增加，选取合适的阈值就可以有效去除阴影部分。亮度的增加选取HSV颜色空间的S分量，H分量由于亮度的影响会改变阴影区域的色调，V分量实际就是图像的灰度图，S分量也受到了亮度的影响，但车辆部分比阴影部分明显突出，而且阴影部分在该分量中接近背景部分，所以选取S分量来增加车辆和阴影部分的亮度。其主要的算法步骤为：

1)根据前面改进的单模高斯模型直接选取车辆和阴影的前景图和对应区域的背景图进行分析。

2)把当前帧原图像转换到HSV颜色空间，取得S分量中对应车辆和阴影的区域。

3)把对应车辆和阴影区域的灰度图增加对应S分量的亮度，然后与对应区域的背景图进行差分。

4)使用大律法对得到的差分图像进行阈值判断，最后对得到的车辆目标进行形态学处理。

6仿真实验及结果分析

综合上述算法，在实际环境中得到了验证。实验中，在阳光强烈的道路中提取视频素材，实验条件为：VisualStidio 2010开发平台，运用OpenCV2.3.1进行编程实现。对研究对象做灰度图像处理。

如图2所示，上面两幅是原始的灰度图像，下面两幅图是对应的背景差法阴影去除检测结果。

a　原始图像灰度图

b　检测结果图2　背景差法阴影去除

实验结果显示，改进的单模高斯模型用于背景差分阴影去除能获取当前帧图像的完整信息，同时对于不同车辆的适应性强，能够较好地去除车辆的阴影部分。

7小结

研究传统的静止摄像机条件下的视频序列运动目标检测算法，提出一种基于改进单模高斯模型和背景差分的运动目标检测算法。通过对传统单模高斯模型学习率和选择性更新背景进行改进，形成了自适应学习率与选择性差值更新背景相结合的算法，最后运行于背景差法进行阴影去除。

实验结果表明该算法在一定程度上去除了车辆的阴影，提高了车辆检测的准确性。但是由于车辆自身出现较大的空洞，仍需要进一步获取最大外接矩形来取得更完整的车辆目标。另一方面，该算法明显带来了较多的噪声，在以后研究中需要解决这个问题。

参考文献：

[1]杨丹，余孟泽.车辆视频检测及阴影去除[J].计算机工程与设计，2011，32(6)：2072-2079.

[2]张玲，徐柱，王士同，等.HSV自适应混合高斯模型的运动目标检测[J].计算机科学，2010，37(10)：254-256.

[3]袁博，阮秋琦，安高云.改进的自适应灰度视频序列阴影检测方法[J].信号处理，2014，30(11)： 1370-1374.

[4]JENG J H，TSENG C C，HSIEH J G.Study on Huber fractal image compression[J].IEEE transctions on image processing，2009，18(5)：995-1003.

[5]薛丽霞，罗艳丽，王佐成.基于帧间差分的自适应运动目标检测方法[J].计算机应用研究，2011，28(4)：1551-1552.

[6]谭歆，武岳.基于OpenCV的运动目标检测方法研究与应用[J].电视技术，2010，34(S1)：184-193.

[7]WUMS，JENGJH，HSIEHJG.Schemageneticalgorithmforfractalimagecompression[J].Eng.appl.artif.intell.，2007，20(4)：531-538.

[8]苏延召，李艾华，金广智，等.结合直方图反投影的多特征运动阴影检测算法[J].光电子激光，2014，25(7)：1395-1402.

[9]魏岩，涂铮铮，郑爱华，等.结合RGB颜色特征和纹理特征的消影算法[J].计算机技术与发展，2013，23(10)：72-79.

门瑜(1992— )，女，硕士生，主研宽带无线通信；

郑娟毅(1977— )，女，高级工程师，硕士研究生导师，主要研究方向为宽带无线通信，计算机通信；

李萌(1992— )，女，硕士生，主研宽带无线通信。

责任编辑：时雯

Moving target detection based on improved single-mode Gaussian model

MEN Yu，ZHENG Juanyi，LI Meng

(SchoolofCommunicationandInformationEngineering，Xi’anUniversityofPostsandTelecommunications，Xi’an710121，China)

Abstract:In the video transport vehicle target detection， shadow problem is one of the key issues that affects the detection accuracy. To solve this problem， a shadow moving object detection method combined with single-mode Gaussian model and background subtraction is proposed. Firstly， according to the traditional single-mode Gaussian model， the method of an adaptive learning rate and selective difference update background is proposed， and the speed of background initialization model is accelerated， meanwhile， combined with background subtraction shadow detection and removal section. Experimental results show that this method can remove the shadow of the vehicle and improve the accuracy of detection.

Key words:moving target detection； single-mode Gaussian model； background subtraction； shadow detection

中图分类号：TP391

文献标志码:A

DOI：10.16280/j.videoe.2016.04.004

基金项目：国家自然科学基金项目(11401469)；陕西省工业攻关项目(2013K06-07)

作者简介：

收稿日期：2015-11-23

文献引用格式：门瑜，郑娟毅，李萌. 基于改进单模高斯模型的运动目标检测算法[J].电视技术，2016，40(4)：18-21.

MEN Y，ZHENG J Y，LI M. Moving target detection based on improved single-mode Gaussian model [J].Video engineering，2016，40(4)：18-21.