一種改進的自適應(yīng)混合高斯前景檢測方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及計算機視覺技術(shù)領(lǐng)域，更具體地，涉及一種改進的自適應(yīng)混合高斯前 景檢測方法。
【背景技術(shù)】
[0002] 隨著公共安全建設(shè)的加強以及人們安全意識的提高，智能視頻監(jiān)控開始受到人們 的關(guān)注與青睞。這對安全防范系統(tǒng)、視頻監(jiān)控系統(tǒng)提出了更高的要求。
[0003] 智能視頻監(jiān)控系統(tǒng)是通過對攝像機拍錄的視頻進行自動分析來對動態(tài)場景中的 目標進行檢測、跟蹤、識別，并在此基礎(chǔ)上分析和判斷目標的行為。做到即完成日常的監(jiān) 控又能在異常情況發(fā)生時及時做出反應(yīng)，解決傳統(tǒng)監(jiān)控工作量大、效率低、反應(yīng)速度慢等問 題。
[0004] 運動目標檢測作為智能視頻監(jiān)控系統(tǒng)中的關(guān)鍵步驟，其檢測的精確度對后續(xù)的目 標跟蹤與識別、行為分析等產(chǎn)生直接影響。目前，應(yīng)用比較廣泛的運動目標檢測方法是幀差 法和背景差分法。背景差分法是通過對當前圖像和背景圖像做差來獲取前景目標。在理想 或者干擾較小的情況下，常用算法都可以獲取很好的檢測效果。但在實際應(yīng)用場景中，存在 輕微的樹葉晃動、水波紋等情況。會影響前景目標的檢測。因此，如何獲取精確的背景模型， 直接影響前景目標的準確定位。
[0005] 目前，較為常用的背景差分方法為混合高斯背景差分法。該方法是通過對圖像中 每個像素建立多個高斯模型來模擬現(xiàn)實的復(fù)雜背景，能有效的消除水波紋、相機微抖等帶 來的影響，但該方法存在計算量大、對大而運動緩慢的物體檢測出現(xiàn)錯誤等問題。此外，國 外學者提出的可自適應(yīng)的確定每個像素建模所需要的高斯個數(shù)，該方法相比傳統(tǒng)的混合高 斯背景建模，運行速度有所提高，但是不能很好的消除水波紋的影響。因此，本發(fā)明提出一 種改進的自適應(yīng)混合高斯前景檢測方法。

【發(fā)明內(nèi)容】

[0006] 本發(fā)明提供一種改進的自適應(yīng)混合高斯前景檢測方法，通過對圖像中每個像素建 立多個高斯模型來模擬現(xiàn)實的復(fù)雜背景，并提高運算速度。
[0007] 為解決上述技術(shù)問題，本發(fā)明的技術(shù)方案如下：
[0008] -種改進的自適應(yīng)混合高斯前景檢測方法，包括以下步驟：
[0009] S1 :取視頻序列前75幀，利用混合高斯初始化背景模型，對輸入的視頻序列以采 樣間隔為N的方式進行采樣，取當前幀與前N-1幀圖像序列進行加權(quán)ω ^寸域均值濾波獲 取一幅新的圖像幀F(xiàn) ;
[0010] S2:判斷采樣得到的視頻序列中的場景是否發(fā)生突變，若沒有發(fā)生突變，保持正 常的采樣間隔Ν = 5和學習率α =0.02;否則更新采樣間隔幀數(shù)Ν = 3和學習率α = λ *0. 02,重新進行視頻序列周期采樣；
[0011] S3 :將濾波后的圖像幀F(xiàn)作為當前幀，學習率為α = λ*〇. 02,采用自適應(yīng)混合高 斯方法更新背景模型；
[0012] S4 :將當前背景幀與當前幀及其后N-1幀圖像序列進行最大熵求取自適應(yīng)閾值， 然后通過在線加權(quán)平均獲取一個新的閾值Th，進行實時的前景檢測。
[0013] 進一步地，步驟S1中取當前幀與前N-1幀圖像序列進行時域均值濾波獲取一幅新 的圖像幀F(xiàn)的過程如下：
[0016] 其中，t為第i幀圖像，ω i為權(quán)值，且Σ 1。
[0017] 進一步地，步驟S2中判斷輸入的視頻序列中的視頻序列場景是否發(fā)生突變的過 程如下：
[0018] 利用時刻t時輸入的視頻序列的當前幀及其背景幀的分量差值建立噪聲模型泊 松分布，并統(tǒng)計該噪聲模型泊松分布的直方圖，計算得到的直方圖的相關(guān)方差；對所得的相 關(guān)方差進行排序，找出最大值即變異系數(shù)，當變異系數(shù)大于1時，就判定時刻t時輸入視頻 序列的場景發(fā)生突變。
[0019] 進一步地，步驟S3中對采樣得到的視頻序列采用自適應(yīng)混合高斯模型進行背景 模型更新的過程如下：
[0020] S31 :對采樣得到的視頻序列中時刻t的視頻序列的第j個像素點用變量1,表 示，第j個像素點xjit的概率密度函數(shù)可用如下K個高斯分布函數(shù)表示：
[0022] 其中，ω。t為第i個高斯分布函數(shù)在t時刻的權(quán)值，
是t時刻的第i個高斯分布函數(shù)，μ lit和Ψ lit分別代表t時刻的第i個高斯分布的均值和 協(xié)方差，n (xjit，ylit，Φμ)的表達式為：
[0024] 其中，i = 1，2, 3, · · · Κ，η表示xjit的維數(shù)，自適應(yīng)混合高斯模型中假設(shè)R，G，Β 三個通道互相獨立，并具有相同的方差，則Ψ"= σ /1，其中〇12表示X ] t的方差，I表示 單位矩陣；
[0025] S32 :將每個像素點與其K個高斯分布函數(shù)進行匹配，若K個高斯分布函數(shù)中有一 個高斯分布函數(shù)與該像素點的匹配程度滿足|Xjit-yiit| <M*0 i，則該像素點與該高斯分 布函數(shù)匹配，該像素點為背景點，若每一像素點與其K個高斯分布都不匹配，則認為該像素 點為前景點；
[0026] S33 :對與K個高斯分布函數(shù)中有一個匹配的像素點按照下面公式進行更新：
[0030] 其中，Ρ是更新率，α是學習率，λ為變異系數(shù)，Mkit的取值依匹配情況而定，對 與像素當前值匹配的模型取1，其余取〇，
[0032] S34 :當像素點像素值與所有高斯分布沒有一個能匹配上時，則創(chuàng)建一個新的高斯 分布函數(shù)取代現(xiàn)有K個高斯分布中ω ^ t/〇 11值最小的模型，在權(quán)值ω 11更新完后，對同一 混合高斯模型中的各高斯分布函數(shù)的權(quán)值按下式進行歸一化處理：
[0034] 對K個高斯分布按coi t/〇 i t的比值降序排列，然后取滿足下式的前b個分布組成 時刻t時的視頻序列的背景模型：
[0036] 其中，T為背景選取的閾值，T調(diào)整描述背景的高斯分布的個數(shù)，如果T越大，則對 背景描述的高斯分布函數(shù)則越多。
[0037] 進一步地，步驟S4中取當前背景幀與當前幀及后N-1幀圖像序列進行最大熵求取 自適應(yīng)閾值，然后通過在線加權(quán)平均獲取一個新的閾值Th的過程如下：
[0038] S41 :取當前背景幀與當前幀及后N-1幀進行自適應(yīng)差分，通過最大熵方法求取每 幀差分圖像對應(yīng)的自適應(yīng)閾值T1:
[0043] 其中，Pj為與T i對應(yīng)的差分圖像中灰度值為j的概率，Ρ Α為與Τ，寸應(yīng)差分圖像中 灰度值為〇~k的像素點構(gòu)成的區(qū)域Α的概率分布，ΡΒ為與T i對應(yīng)差分圖像中不屬于區(qū)域 A的概率分布，私為與T i對應(yīng)差分圖像的熵；
[0044] S42 :取當前幀及后N-1幀對應(yīng)的閾值進行加權(quán)遞減均值濾波獲取一個新的閾值：

[0047] 其中，ω;為權(quán)值，且Σ 1。
[0048] 與現(xiàn)有技術(shù)相比，本發(fā)明技術(shù)方案的有益效果是：
[0049] 本發(fā)明對新輸入的視頻序列，以每隔N幀進行采樣，并判斷當前幀是否存在由光 照突變、攝像機抖動等干擾造成的背景突變，若存在突變，更新間隔幀數(shù)和學習速率，并取 當前幀與前N-1幀圖像序列進行時域均值濾波獲取一幅新的圖像幀F(xiàn)，然后，利用濾波后的 圖像幀F(xiàn)作為混合高斯建模的輸入，進行背景模型更新，最后，利用當前幀與背景幀差分， 通過最大熵方法自動獲取當前幀與前N+1幀的閾值進行平均，然后利用自適應(yīng)二值化方法 獲取前景目標。該方法有效的解決了視頻場景中存在樹葉抖動、水波紋等周期性高頻運動 干擾的影響，同時利用周期性的采樣減少了幀的運算量，提高算法的實時性。
【附圖說明】
[0050] 圖1為本發(fā)明的流程圖，其中nFrame為當前幀數(shù)，N為間隔幀數(shù)，N1為變化不大 時的采樣周期（N1 = 5)，N2為變化較大時的采樣周期（N2 = 3)，α為GMM的學習速率，λ 為變異系數(shù)；
[0051] 圖2為本發(fā)明算法與自適應(yīng)混合高斯、多模態(tài)兩種算法的對比實驗結(jié)果對比表。
【具體實施方式】
[0052] 附圖僅用于示例性說明，不能理解為對本專利的限制；
[0053] 為了更好說明本實施例，附圖某些部件會有省略、放大或縮小，并不代表實際產(chǎn)品 的尺寸；
[0054] 對于本領(lǐng)域技術(shù)人員來說，附圖中某些公知結(jié)構(gòu)及其說明可能省略是可以理解 的。
[0055] 下面結(jié)合附圖和實施例對本發(fā)明的技術(shù)方案做進一步的說明。
[0056] 實施例1
[0057] 如圖1所示，本發(fā)明的方法是一種改進的自適應(yīng)混合高斯前景檢測方法，其具體 步驟為：
[0058] 步驟1 :初始背景模型，對輸入的視頻序列以間隔幀數(shù)為Ν的方式進行采樣；取當 前幀與前Ν-1幀圖像序列進行時域均值濾波獲取一幅新的圖像幀F(xiàn)。
[0059] F = Σ 1ωι?ι i = 1, 2, . . . Ν
[0061] 其中，A為第i幀圖像，ω i為權(quán)值，且Σ 1。
[0062] 步驟2 :判斷視頻中的場景是否發(fā)生突變，若場景發(fā)生突變，更新采樣采樣幀數(shù)N 和學習率，并重新進行周期采樣。
[0063] 判斷場景突變的步驟如下：
[0064] 假設(shè)視頻序列在時刻t的輸入圖像為初始背景幀為/?;利用當前幀與背景幀 的分量差值建立噪聲模型泊松分布，并統(tǒng)計其直方圖Hist [d]，對所得的直方圖計算相關(guān)方 差Var[d];最后，對所得的相關(guān)方差進行排序，尋找出最大值，即為變異系數(shù)λ。當變異系 數(shù)λ大于1時，則判定場景發(fā)生突變。
[0065] λ = max(Var[d])/C d = 0, 1，2. · · 254
[0066] 其中d為當前幀像素和背景幀像素之間的亮度變化，Var □為相關(guān)方差，C為常量。
[0075] Iin= (Rin，Gin，Βιη)為輸入圖像像素向量，Ibg= (Rbg，Gbg，Bbg)為背景圖像像素向量。 (i，j)為圖像中每個像素的坐標。Η和W分別為圖像的高和寬。若Pd= 0,則Cd= 1，否則， Cd= p d°
[0076] 步驟3 :若采樣得到的視頻序列中的場景沒有發(fā)生突變，則將濾波后的圖像幀F(xiàn)作 為當前幀用自適應(yīng)混合高斯模型的方法進行前景目標的檢測。
[0077] 對t