基于改进混合高斯模型的铁轨异物入侵检测方法*

宁 正， 牛宏侠， 张肇鑫

(1.兰州交通大学自动控制研究所,甘肃 兰州 730070；2.甘肃省高原交通信息工程及控制重点实验室，甘肃 兰州 730070)

0 引 言

随着计算机和多媒体技术的发展，机器视觉已在工业、农业、安全等各个领域得到广泛应用[1]。运动目标跟踪作为计算机视觉研究的热点关键技术，在安全系统、交通控制等领域得到了广泛的应用[2,3]。随着中国高速铁路的发展，铁路的安全性越来越受到铁路安全部门的重视。任何侵入铁路限界的异物都会严重威胁铁路运营的安全，准确检测侵限异物是高速铁路安全运营的基本保障[4]。混合高斯模型(Gaussian mixture model,GMM)[4～7]是一种半参数的估计方法，通过新的学习分布替代旧的高斯分布，是研究运动目标检测的最有效方法之一[8]，而背景模型建立的好坏直接影响运动目标检测率的高低[9]。程健等人利用粒子群算法优化高斯混合模型，实现视频背景分离[10]。刘冬提出了一种动态背景建模方法，降低了模型复杂度和解决前景消融问题[11]。文献[12]利用空间邻域像素相关性实现了动态背景更新，取得了较好的检测效果。张学武等人[13]提出一种改进的具有一定自适应功能的高斯背景建模法，并成功运用于交通流检测中。上述算法都是在特定环境下进行的，由于铁路场景的复杂性，轨道周边设备电磁噪声以及雨雪等恶劣的自然气候的干扰，使得前景目标检测不完整，消融前景目标，限制了混合高斯模型在铁路场景的直接应用。

本文提出了基于改进的混合高斯背景模型的异物入侵检测算法，并应用于室外轨道异物检测和室内环境目标检测。首先，为消除背景干扰点，提出将小波变换阈值算法运用到建模过程中，减小了因环境变化和设备噪声产生的前景消融；然后进行基于邻域平均算法的像素修正算法，将修正后的像素作为混合高斯背景模型进行建模，最后进行形态学处理和差分处理获得前景异物目标。

1 混合高斯模型

混合高斯模型是通过构建多个单高斯函数来拟合视频帧像素点的灰度分布，定义为

(1)

对像素点x，计算对应Gmm的概率值，并二值化得到检测结果。一般取2.5σ为二值化门限。模型的训练和更新公式为

(2)

(3)

2 改进的混合高斯背景模型

2.1 基于小波变换的干扰点抑制算法

本文提出将小波变换原理运用到背景模型建立过程中，针对室外环境因素和设备因素干扰规律不规则、分散的特点，利用考虑原始图像信息先验知识的Bayes理论来解决，并且针对该理论固有的小波分解层阈值设置不合理的问题，改进了其算法。传统的基于先验知识的Bayes风险最小的条件下干扰点抑制阈值为

(4)

(5)

σX(m0,n0)为当前像素点标准差，公式为

(6)

式中L=max(50,0.02M2)。

由于估计信息是在服从广义高斯分布的前提下提出的，根据统计特征分析，估计信息和原始图像信息f大概率相似，即满足

(7)

为了能够找到最佳估计信息，通过添加权值因子C来寻求最优的估计信息，即

(8)

式中C的取值与视频帧图像有关，本文通过实验验证，取C=0.8较合适。

小波变换处理后，不同视频图像呈现出不同分布特征，即平滑区信息集中在低频子带，纹理和边缘区信息集中在高频子带。铁路背景视频帧轨道纹理和边缘众多，当视频图像背景模型处于纹理和边缘区较少、平滑区较多的情况，信息集中在低频子带；当背景视频帧背景模型处于纹理和边缘区较多、平滑区较少的情况，其中就有一部分前景和边缘信息处于高频子带。考虑目标层间特性，对背景模型进行小波变换后，干扰点能量在每层小波中是不同的。实验发现，分解层数越高，干扰点能量越高。显然，对每个分解层设置统一阈值是欠合理的。因此，当前景目标出现后，目标边缘信息增多后，应调节阈值以便能够更好地保留目标边缘特性，避免去除干扰点的同时造成漏检。对式(8)作进一步的改进，即

(9)

式中j为小波分解层数，Q为比例系数，本文取Q=0.85。

2.2 基于邻域平均算法的像素修正

为减弱在目标检测过程中前景目标检测不全的问题，针对视频图像前景目标邻近像素点相关的特性，提出基于邻域平均算法的像素修正。本文算法的主要目的是能够在目标出现后，避免前景目标检测中出现漏检的情况。

采用模板计算的思想来实现邻域空间运算，将像素点通过与本身相邻的点进行估计，以其像素点值为中心选定邻域计算当前像素值。邻域空间平均算法可描述为

(10)

式中P为视频帧像素点移动窗口的像素和，本文通过实验仿真分析取值i,j=±1,P=9。

2.3 算法步骤与流程

算法主要由四部分组成：视频图像提取、像素点修正、背景模型建立、运动目标检测，如图1所示。

图1 算法流程

1)视频帧提取：采集视频图像，取前几帧视频图像进行模型初始化，作为初始背景图像。

2)像素点修正：对步骤(1)提取的视频帧，利用2.1节和2.2节中改进的小波变换原理和邻域平均算法进行干扰点抑制和修正像素点。

3)背景模型建立：根据混合高斯背景模型，按照式(2)和式(3)分别进行均值和方差的更新，判断出前景点。

4)运动目标检测：利用当前帧图像与更新后的背景图像做差，超过阈值则为前景点，否则为背景点。

3 实验结果与分析

为验证所提方法的鲁棒性和有效性，进行了两种不同的目标检测视频图像实验，分别为室外正常天气目标检测和室外小雪天气目标检测。测试平台为在Intel®CoreTM2 i5—3210 M CPU @2.50 GHz，8 GB RAM，Windows7 OS 的PC上，测试环境为MATLAB 2015b。现场视频拍摄设备为SONY DSC—WX350数码照相机，现场拍摄对象为在校学生，视频格式为AVI制式。小波函数选取“dB4”小波基函数，分解为2层小波系数。

图2所示分别为采集的室外正常天气条件和小雪天气条件干扰抑制效果对比。由图2可知，本算法在不同的环境条件下，干扰明显减小，更加有利于后期前景目标的检测。

图2 干扰抑制效果对比

图3为采集的两种不同背景视频进行的前景目标检测效果图，其中，图3(a)～(e)为正常天气条件下第64帧目标检测对比图，图3(f)～(j)为小雪条件下第41帧目标检测对比图。由图3可知，本文方法提取的前景目标更加清晰，前景轮廓更加完整，也更加说明了本文算法在背景建模方面的准确性。

图3 目标检测对比

为了对本文算法有客观的评价，采用前景误检率(target false positive rate,VTFPR)为评价指标。VTFPR为属于目标的像素点被误判为背景的百分比，计算公式为

(11)

式中T为通过Photoshop软件人工标注获得的前景目标区域面积，T1为算法检测到的前景目标的面积。

计算得到的前景误检率如图4所示，分析可知，本文算法与传统混合高斯模型算法相比，前景误检率明显降低，而传统混合高斯模型算法前景误检率偏高。

图4 前景误检率对比

计算序列的平均前景误检率，图5(a)中的平均前景误检率由91.44 %下降到了33.59 %，降低了57.85个百分点，图5(b)中的平均前景误检率由73.20 %下降到了18.18 %，降低了55.02个百分点。实验结果表明，本文方法相比传统方法更切合实际环境，模型准确度更高。

图5 室内环境下第35帧目标检测对比

为了更加说明本文算法的适用性，将本文算法应用于室内环境目标检测，所得到的相关结果如图5,图6所示。分析可知室内环境下平均前景误检率由83.51 %下降到了23.78 %，降低了59.73个百分点。

图6 前景误检率对比

4 结 论

本文提出了一种引入小波变换和邻域平均法的改进混合高斯背景模型，利用小波变换原理消除背景建模过程中的干扰点，利用邻域平均算法修正像素点。采用改进混合高斯模型，能够对建模过程中的干扰点起到抑制的作用，减小前景消融效果，避免影响前景目标检测。与传统混合高斯模型方法相比，前景目标检测更加完整。