一种改进的混合高斯学习自适应背景建模算法

邓利平，李明东，邹海洋

(西华师范大学 计算机学院，四川 南充 637009)



一种改进的混合高斯学习自适应背景建模算法

邓利平，李明东，邹海洋

(西华师范大学 计算机学院，四川 南充 637009)

针对混合高斯学习模型计算复杂度高，实时响应系统应用困难等问题，提出了一种改进的背景建模算法，首先利用帧差法进行预处理，选择出帧间变化区域，然后对变化区应用混合高斯学习模型进行采样计算，完成视频背景建模。由于混合高斯学习模型融合了增量最大期望分类学习方法，自动选择学习率参数具有更好的收敛速度和背景估计精度；同时通过帧差法预处理降低了算法的计算量。实验表明，该算法在保证收敛稳定性和背景建模精度的情况下，提高了背景分割的响应速度。

背景建模；混合高斯学习；视频检测；帧差法

0 引 言

从视频序列中分离出视频背景和运动目标是一个基础而又关键的任务，在智能视频监控、运动分析、行为理解、机器人视觉等领域应用广泛。虽然已有很多文献提到了背景建模，但远还没有完全解决复杂环境中视频背景的分割问题。这主要是由于在实际生产环境中，引起背景变化的原因非常复杂,包括建筑物倒影、天气改变或开关光源引起的光照变化；风吹动摄像机、树枝或水波引起的背景扰动；将物体带入或带出背景等[1]。因此需要对背景图像实时更新，以适应外部环境变化的改变。

针对文献[8]混合高斯学习模型存在计算量大、光照突变敏感等问题，将帧差法与混合高斯学习模型融合，首先利用帧差法进行预处理，选择出帧间变化区域，并判断这种变化是全局性的还是局部性的；全局则对应光照突变，应对整个帧进行混合高斯采样学习，并增大学习率加快收敛速度；对局部变化则仅对变化区应用混合高斯学习模型进行采样计算，完成视频背景建模。最后，比较本文算法与文献[8]算法在真实视频数据中的背景检测性能。

1 混合高斯学习模型

理解不同混合高斯模型最好的方式是使用学习率进度递归滤波公式：

θ(t)=(1-η(t))θ(t-1)+η(t)△(x(t);θ(t-1))，

(1)

其中θ(t)是t时刻通过局部变化采样的更新，为像素点在一个高斯分布下的加权灰度均值,η(t)为学习率。在常见的改进混合高斯模型中，η(t)值有两种选择方法。①η(t)=1/t，在这种情况下，学习率与时间成反比，允许算法在程序初始阶段快速收敛到预期值，是一种观测窗口无限大的固定分布最优估计，后期对背景变化的学习效率降低，收敛速度变慢。②η(t)=α,其中α是一个小的常数，这种参数估计反映了窗口大小为L=1/α的最近观测值的指数衰减。该方法实现参数收敛的时间与窗口大小成比例，初始阶段和突变恢复的收敛时间较长。混合高斯学习与传统方法最主要的不同就是对η(t)参数的计算，引入参数ck对gk(第k个高斯分布)的有效观测数目计数，并计算出自适应背景变化的η(t)值，这是一个增量学习过程。当高斯分布重置或死亡的时候，ck设值为1。

混合高斯模型的基本思想是把每一个像素点所呈现的特征用K个高斯分布状态来描述，K取值越大，包含特征越多，精度上升伴随计算量增大，一般K取3—5之间。下面简述混合高斯学习模型[8]的基本过程。

1.1 高斯分布匹配

如果xt为t时刻的观测值，在视频监控系统中表示当前帧的一个像素，那么该观测点像素值在时间分布上的背景概率估计函数可表示为：

(2)

(3)

1.2 混合高斯学习模型更新机制

(4)

ifwinner-take-allthen

(5)

endif

1.3 背景建模公式

按照高斯分布的优先级ρk由大到小排序，其中ρk=wk/δk。取前m个高斯分量联机生成背景，公式如下：

(6)

其中阈值T为常数。T取较大值表示多高斯模型，T取较小值退化为单高斯模型。使用前m个高斯分布的均值加权和作为背景模型。

2 帧间差分融合机制

帧间差分能够检测出相邻两帧之间发生变化的区域。变化区域可以分为背景显露区和运动覆盖区，背景显露区是物体移动之后显露出来的背景，运动覆盖区是移动物体所覆盖的区域[3]。如果xt与xt-1是视频序列中的连续两帧，则两帧图像的像素变化区Xc和静止区Xbg，可以使用下面的判定规则：

(7)

3 实验结果

为了验证本文算法的优点，分别对文献[5，8]及本文描述算法编码实现，并对运行结果进行对比分析。实验数据包括[12，13]的标准数据集。实验环境为：Windows XP系统，CPU 2.93GHz，1.87G内存，MATLAB 7.0，视频分辨率为320×240。

从图2中可以看出，标准混合高斯模型提取的背景噪点较多，效果较差。混合高斯学习方法获取到的图片更加平滑自然，效果较好。在图2(a)、(b)、(c)三个视频序列中，任意时间都有汽车或人物移动，不存在某个时刻背景完全静止，算法仍然提取到了视频的背景图像。(d)视频序列中，包含背景变化，如柜门的开关和座椅位置变化，中间穿插多个人物的连续移动，混合高斯学习方法很好地适应这种背景变化，能够迅速从变化中恢复收敛到新的背景图像。上述实验表明，混合高斯学习理论能够有效解决视频背景的建模问题。

4 结 论

在视频监控应用中，背景建模与视频运动目标检测密切相关。本文提出了一种改进的背景建模方案，该方法将帧差法与混合高斯学习相融合，首先使用帧差法对视频做预处理，判断视频变化区的大小，当变化比率小于阈值时，仅对变化区计算高斯分布参数。实验表明阈值取0.3时，能够保持背景收敛精度的同时显著减少算法的计算量。由于混合高斯学习模型使用EM算法训练学习率参数值，使其自适应背景的改变，获得了良好的背景提取效果。实验结果证明，该方法能迅速响应背景变化，准确生成反应场景信息的背景图像。

[1] 代科学,李国辉,涂 丹,等.监控视频运动目标检测减背景技术的研究现状和展望[J].中国图像图形学报,2006,11(7):919-927.

[2] 周 密,宋占杰.基于稀疏与低秩矩阵分解的视频背景建模[J].计算机应用研究，2015,32(10):3175-3178.

[3] 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].中国图像图形学报,2008,13(4):729-734.

[4] HARITAOGLU I,DAVIS LARRY S,HARWOOD D.W4:A real time system for detecting and tracking people[C]//IEEE Computer Society Conference on Computer Vision and Pattern Recognition,April 14-16,1998,Nara,Japan:IEEE CS Press,1998:877-892.

[5] STAUFFER C,GRIMSON W E L.Adaptive background mixture models for real-time tracking[C]//Proc.Conf.Computer Vision and Pattern Recognition,June 23-25,1999,Fort Collins,Colorado: IEEE CS Press,1999,2:246-252.

[6] FRIEDMAN N,RUSSELL S.Image segmentation in video sequences:a probabilistic approach[C]//Proc.13th Conf. Uncertainty in Artificial Intelligence,August 1-3,1997,Providence,RI.New York:ACM,1997:175-181.

[7] SATO M A,ISHII S.Online EM algorithm for the normalized gaussian network[J].Neural Computation,1999,12:407-432.

[8] LEE DAR-SHYANG.Effective gaussian mixture learning for video background subtraction[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2005,27(5):827-832.

[9] 夏海英,何利平,黄思奇.基于时空分布的混合高斯背景建模改进方法[J].计算机应用研究,2014,32(5): 1546-1548,1553.

[10] ZORAN ZIVKOVIC.Improved Adaptive Gaussian Mixture Model for Background Subtraction[C]// Proceedings of the 17th International Conference on Pattern Recognition,August 23-26,2004,Cambridge,UK:IEEE CS Press,2004,2:28-31.

[11] 王永忠,梁 彦,潘 泉,等.基于自适应混合高斯模型的时空背景建模[J].自动化学报,2009,35(4):371-378.

[12] GOYETTE N,JODOIN P M,PORIKLI F,etc.IEEE CVPR 2012 Workshops on Change Detection[DB/OL].(2012-11-25) [2015-11-20].http://www.changedetection.net/.

[13] University of California,San Diego.Shadow Detection[DB/OL].(2000-09-30)[2015-11-20].http://cvrr.ucsd.edu/aton/shadow/.

An Improved Adaptive Background Modeling Algorithm Based on Gaussian Mixture Learning

DENG Liping,LI Mingdong,ZOU Haiyang

(College of Computer Science,China West Normal University,Nanchong Sichuan 637009,China)

For the high computational complexity of Gaussian Mixture Learning,hard application problems of real-time response system and other issues,this paper presents an improved scheme for modeling video background.In the completion of the video background modeling process,firstly the inter-changing area is selected according to the frame difference method,and then the sampling calculation based on Gaussian Mixture Learning is applied to this selected area.Since the Gaussian mixture model combining improved Expectation Maximization classification learning methods,automatically parameter learning rate has a better convergence speed and estimation accuracy,and also the algorithm computation is reduced.The experimental result shows that the algorithm raises the response speed for background segmentation,without reducing the convergence stability and modeling accuracy.

background modeling;Gaussian mixture learning;video detection;frame difference

1673-5072(2016)03-0349-05

2015-11-24 基金项目：四川省教育厅一般项目(14ZB0141) 作者简介：邓利平(1983—)，男，四川广安人，讲师，主要从事图像处理研究。 通讯作者：邓利平，E-mail:94076511@qq.com

TP391.4

A

10.16246/j.issn.1673-5072.2016.03.021