基于改進高斯混合模型的紅外人體目標檢測方法

甘沅民

（中北大學 信息與通信工程學院，山西太原 030051）

0 引言

近年來，基于紅外圖像序列的人體檢測技術被廣泛應用于軍事、安全保衛，以及人機交互等領域。紅外圖像能夠在黑暗或者存在煙霧的環境下看到在可見光領域沒辦法看到的感興趣目標，加之近年來紅外成像器件價格不斷降低，使得紅外攝像機普及度越來越高。現在，它己經成為晝夜視頻監控系統的重要組成部分。隨之而來的是，越來越多的研究者開始加大對紅外圖像中的人體檢測問題的研究力度。

紅外圖像并不像可見光成像那樣，具有成像質量高、信噪比大、紋理信息多等多重優點。紅外圖像目標除了受表面溫度影響外，還容易受目標表面特征朝向以及輻射波長的影響。周圍環境中車輛、動物、路燈、電器等各種熱源很容易對紅外圖像產生干擾，加之人體目標邊緣模糊且常伴有光暈現象，使得紅外圖像中的人體檢測技術研究具有相當大的挑戰性。紅外人體目標檢測是指從圖像序列中將人體可能存在的感興趣區域從背景圖像中提取出來。目前，我們在攝像機靜止的情況下，常采用幀間差分法、背景差分法和光流法等檢測方法。在這幾種方法中，應用最為廣泛的檢測方法就是幀間差法。該法的核心問題是如何快速、準確地提取背景模型以及實現背景模型的更新的實時性，使背景模型盡可能地與視頻幀圖像的真實背景相似。其中，高斯混合模型法就是比較成功的一種，目前許多研究者對高斯混合模型提出一些改進方法，但仍有一些不足需進一步研究。本文基于此思想，提出一種基于改進高斯混合模型的紅外人體檢測方法。

混合高斯模型是通過K個高斯型來表示圖像像素點特征信息的多維概率半參數函數算法。其通過在線學習更新各個分布參數有效地解決了多模態背景存在的問題。但它還存在收斂性慢，光線突變時，還極易受到變化背景像素點的干擾，進而出現誤檢、漏檢。針對此，本文提出了一種將邊緣信息與高斯混合模型相結合的方法，增強了檢測效果。

1 混合高斯模型原理

通常，我們通過建立背景模型來實現背景中所監控的目標的提取，但往往實際背景并不一定是完全靜止的場景，常常會受到各種非監控目標的運動干擾，其反映在圖像上就是:覆蓋某些像素點的消失，導致其像素值發生比較大的變化。諸如此類的運動并不是我們感興趣的目標，所以應將其看作背景。但單模態由于其單峰分布的局限性在進行背景建模時已經設定除少量噪聲以外背景是靜止的，這樣就無法描述復雜的背景。考慮到多個單模態的集合可以對應背景像素值分布的多峰，所以，我們就引入混合高斯來表征復雜背景中圖像像素點的變化情況。也正是基于此考慮，高斯混合模型才能利用多個單高斯函數之組合來完成多模態背景描述。

GMM的建模程序是 ：首先將圖像序列的像素值視為一組時間序列{X1, X2,…, Xt}={I(x0, y0, i)：≤i≤t},并且把同幀中各個像素值看成是相互獨立的，不同時刻的采樣值也是相互獨立且分布相同，用K個獨立的高斯分量來表示該分布。定義P(Xt)是K個高斯模型的概率函數的加權之和，代表了當前像素值的概率函數，P(Xt)的數學表達式為：

其中，

其中T為預定閾值（0.5≤T≤1），T代表背景出現的概率。

2 邊緣檢測算法研究

圖像的邊緣檢測是所有基于邊界的圖像分割算法中最基本的處理算法，在對圖像進行基于邊界的分割處理時，所要進行的第一步便是對圖像進行邊緣檢測處理。所謂圖像的邊緣，就是指圖像局部區域亮度變化最顯著的部分，該區域的灰度剖面一般可以看作是一個階躍，即從一個灰度值在很小的緩沖區域內急劇變化到另一個灰度相差較大的灰度值。

邊緣檢測算法是圖像分割技術史上發展最早的，它以圖像的梯度信息為基礎，使用各種邊緣檢測模板，如常用的Robets算子、Prewitt算子、Sobel算子、Canny算子等檢測出圖像中目標的邊界，完成目標的分割。由于圖像邊緣是不同區域的交界處，其區域的灰度值變化最顯著，所能表征事物不同信息也最多。因此，我們可以用圖像邊緣來反映監控目標的基本特征。圖像的邊緣由奇異點或突變點構成，也即是灰度函數的圖像灰度發生突變的地方。圖像灰度函數的梯度反映了圖像灰度的突變情況，所以可以用圖像局部微分技術來實現邊緣提取算法。眾多學者根據邊緣的特征特性和梯度理論，提出了許多經典的邊緣提取算法。

假設函數I(i, j)是連續的，其在點(i, j)的梯度為一矢量。我們可以將其表示為：

在幾種常用的邊緣檢測算法中，Robets算子能很好地完成垂直和水平方向上的處理并能對邊緣進行定位但具有漏檢且對偽邊緣檢測效果欠佳的缺點；Prewitt算子利用像素點的8個方向灰度加權差之和進行邊緣提取，提高了準確度，但存在漏檢和偽邊緣現象；Sobel算子空間上易于實現對邊緣提取準確，并能有效平滑噪聲及大領域抗噪聲能力強，但存在偽邊緣且邊緣容易模糊，鄰域大和邊緣定位準確度不高的缺點。相比較而言，Canny算子由于檢測精度非常高且信噪比較大被廣泛使用。本文就采用Canny算子來提取邊緣信息。

3 改進的高斯混合模型

本算法中主要包括圖像預處理模塊、邊緣混合高斯模型的建立模塊、GMM參數的更新模塊和人體目標提取模塊等4部分。

1)圖像預處理主要有邊緣信息的提取和對圖像的灰度化預處理。

2)引進Canny邊緣檢測算子的混合高斯模型的建立:主要包括了檢驗匹配和初始化2個步驟。一是檢驗匹配條件:逐一對圖像幀的像素值Xt和與其相對應的K個GMM匹配檢驗，當Xt與GMM中的第i個高斯分布Gi均值距離小于標準差的2.5倍時，就稱Gi與Xt匹配，否則就不匹配。二是初始化：圖像的第一幀的像素值作為K個GMM中的第一個對GMM中的某個高斯分布的均值進行初始化，并對該分布的權值賦予比較大的值；其他GMM賦予比較小的相等的權值，而且與其對應的高斯分布均值取零;GMM中所有高斯函數的方差賦予較大且相等初始化值。本文進行實驗時初始化取值如下：GMM中第一個高斯分布的權系數取1，其他取0；均值向量取0；協方差取一個較大的X0值。

3)前景目標的提取：對當前像素點與背景模型精心匹配，當不滿足匹配條件時就把該點歸類為前景目標點，即人體目標，同時去除當前幀相對應的圖像像素點的值。然后利用數學形態學方法對得到的圖像像素進行腐蝕及膨脹處理。

4)改進型GMM模型參數的更新：主要包括了高斯模型的均值μi,t更新·協方差矩陣權系數ωi,j的更新和學習因子α的在線動態調整更新。

基于改進的高斯混合模型流程圖如圖1所示。

圖1 改進高斯混合模型流程圖

4 實驗結果與分析

經過多次實驗表明，T的取值大小關系到算法檢驗效果的好壞:如果我們給T賦值過大，權重很小的高斯分布就會被歸類為背景點，容易把前景目標誤認為是背景點。而T取值過小時，混合高斯分布就有可能被單高斯分布所代替。所以T值取得要適當。當T取的適當時，由于多個高斯分布用來描述背景模型，所以多峰分布背景也可以得到有效處理，這樣背景就有很強的自適應學習更新能力。此次實驗我們取T=0.8。

監控場景背景的建立：在t時刻時，若圖像幀中的像素點值Xt與前B個高斯分布之一相匹配，則該圖像像素點就歸類為背景點。當圖像像素的值和某個決策歸類為背景的模型相匹配時，就可以利用當前圖像像素點或者此模型均值更新背景圖像相對應的像素點，進行背景的建立。在實驗中，我們采用高斯模型中權值最大的均值進行更新背景像素點。

前景人體目標提取：在t時刻，如果圖像幀中的像素值Xt和該圖像幀像素的前B個高斯分布模型都不匹配，則該圖像像素點就歸類為前景人體目標點。加入邊緣算子混合高斯模型與常規混合高斯模型的對比效果圖如圖2所示。從圖2中我們可以看出，加入邊緣信息的高斯混合模型檢測效果較好，加入邊緣算子有效的消除了光照陰影變化所帶來的影響。

圖2 陰影不顯著情況下邊緣目標檢測

[1]張恒,胡文龍,丁赤飚.一種自適應學習的混合高斯模型視頻目標檢測算法[J].中國圖像圖形學報,2010,15(4):631-636.

[2]周文玲,金紅艷,郭義江.一種快速的視頻剛體運動目標檢測算法[J].計算機工程,2010,36(22).

[3]李少軍,朱振倡.采用粒子濾波的先跟蹤后檢測算法[J].紅外與激光上程,2009,38(2):352-357.

[4]梁光清.基于被動式紅外探測器的人體識別技術研究[D].重慶:重慶大學,2009.

[5]劉濤,呂江北,王書宏,盧煥章.基于TDRNN的大氣層外彈道式空間紅外目標識別[J].電子與信息學報,2010,33(1):80-85.

[6]王丹.基于各向異性高斯濾波的圖像邊緣檢測方法[D].西安:西安電子科技大學,2010.

[7]楊曉.紅外圖像的目標識別技術研究[D].太原:中北大學,2009.

[8]鄒前進,馮亮,汪亞.紅外圖像空間噪聲分析和預處理方法改進[J].應用光學,2007(7):426-430.