基于背景差分法的模型改進方法研究

宋 偉， 張 力， 鄧亞航

(昆明理工大學 信息工程與自動化學院，云南 昆明 650500)

基于背景差分法的模型改進方法研究

宋 偉， 張 力， 鄧亞航

(昆明理工大學信息工程與自動化學院，云南昆明650500)

通過對圖像處理中背景差分法的背景模型研究和分析，提出了一種能夠自動更新速率值的混合高斯模型。通過仿真實驗，對比了基于傳統背景模型和改進后的背景模型的車輛檢測效果，證明了提出的方法不僅具有更好的檢測效果，而且具有更強的實時性和準確性。

圖像處理; 背景差分法; 混合高斯模型

0 引 言

視頻車輛檢測的流程的第一步是通過數字圖像采集系統拍攝視頻圖像并保存在硬件設備的內存或幀緩存中，將數字視頻圖像進行預處理(濾波除噪、形態學處理)操作，從而減小干擾噪聲對圖像檢測結果質量造成的影響。根據某種方法進行交通道路車輛檢測，使路面車輛的信息從圖像區域內能夠提取得到[1]，是在現階段車輛檢測研究中討論的重要問題，其中背景差分法是一種現階段在視頻車輛檢測中被廣泛使用的方法[2]。背景差分法需要用即時輸入幀圖像與當前背景模型進行對比分析，而背景模型精確與否將直接影響整體檢測效果，并需要根據實際的變化情況，及時調整進行背景的更新。所以需要使用一個不僅能夠滿足車輛檢測實時性要求，而且在各種情況的干擾下具有很好魯棒性的背景更新與提取方法，因此，創建有效、穩定的背景模型已然是背景差分法中最重要部分[3]。

1 混合高斯背景模型方法分析

為了減少干擾因素對建模過程造成的影響，加強背景模型的穩定性，且單個高斯模型幾乎不可能對復雜的背景場景進行完整描述，選用混合高斯背景模型對建立的多個高斯模型場景中像素點各個特征值進行描述，完成背景建模[4～6]。高斯分布函數各個參數的更新[7]公式如下

wi,t=(1-α)wi,t-1+α

(1)

μi,t=(1-ρ)μi,t-1+ρXt

(2)

(3)

式中α為更新速率，一般取值為0<α<1，表示系統模型對圖像中場景發生變化所作出反應的快慢情況；ρ為參數學習率，其值約等于方法更新速率與權重值相比

(4)

式中wi值通常情況下為固定值，因此，ρ的值由更新速率α的大小決定，當ρ值隨著α值增大時，混合高斯模型的背景更新速度越快，表示背景模型對環境變化的適應能力越強；當ρ值隨著α值減少時，混合高斯模型的背景更新速度越慢，表示背景模型對環境變化的適應能力越弱。由于混合高斯模型的更新速率α值在整個建模過程中是固定不變的，因此,會對檢測結果造成很大的影響。

2 自動匹配更新速率混合高斯模型

更新速率α決定混合高斯模型的背景模型的效果，如果α的初始值較小，匹配的當前像素的高斯分布參數將在更新的過程中變化非常小，導致該高斯分布在整個模型中的作用不明顯，無法構造出此刻所需要的背景，使背景建模時間拉長。如果α的初始值較大，初始建模速度就會加快，但此時與當前像素匹配的高斯分布始終占有非常大的權重值，導致高斯模型對噪聲的抑制作用不能很好地體現[8]。如果希望建模能夠達到較好的效果，則在建模初始化的階段，應該賦予更新速率α較大的值，背景模型即可被快速建立；在背景模型被確立后，為了使背景模型穩定更新的同時還能較好地抑制噪聲干擾，此時應該為α設定一個較小的值。

本文提出了一種能夠自動匹配更新速度的混合高斯背景模型。基本原理是：通過于3個不同階段對背景模型參數的更新速率設置不同值，不僅能夠迅速地建立背景模型，又能使背景模型更新時不易受到干擾因素的影響，檢測效果相對良好。

設定視頻中前P幀圖像為背景模型初始形成階段的圖像，為了能夠較為迅速地構建背景模型，此時，更新速率取一個較大的值α1,即

α=α1,n<1/α1且n

(5)

式中n為視頻圖像序列當前流過的幀數。

隨著背景模型的逐漸建立，為了確保模型的穩定性，當源圖像幀數不斷變大時，更新速率α值應該慢慢變小，此時更新速率為

α=1/n,n≥1/α1且n

(6)

當視頻圖像幀流過數量等于或大于設定的初始建模階段的幀數閾值P后，則設置更新速率α2一個較小的定值

α=α2,n≥P

(7)

經過以上分析可知，在自適應更新速率的混合高斯模型的更新方法中，初始階段圖像幀閾值P的設定比較重要。如果P值太小，計算的圖像幀數過少，造成初始背景模型不夠穩定；如果P值太大，造成背景刷新過快，對后期的有效性和穩定性產生較大影響。通常P值設定在80～100幀，本文P為100，表示初始化建模階段在前100幀圖像中完成，因此,在這100幀圖像中包含的大量背景信息足以使得一個可用的背景模型被建立[9]。自動匹配更新速率的混合高斯模型處理流程如圖1所示。

圖1 自動匹配更新速率的混合高斯模型處理流程

3 實驗結果分析

將該背景建模方法用于背景差分法的背景模型建立過程中，并進行運動目標檢測，改進后的方法能較好地檢測出比較清晰和完好的目標，同時也可以較好地適應相對復雜的場景。混合高斯模型背景差分法與改進的混合高斯模型背景差分法的檢測對比實驗如圖2所示。

圖2 傳統與改進后的混合高斯模型檢測效果對比

實驗中，傳統混合高斯模型的更新速率a=0.005；自動匹配更新速率的混合高斯模型的n=100，P=200，α1=0.01，α2=0.001；2種方法的其他參數均相同。

由實驗結果分析看出：通過對傳統的混合高斯模型的更新速率進行改進，可以較為迅速地確定當前場景的背景，有效防止因為背景確定過慢導致的誤檢情況；當圖像幀數大于設定的幀數閾值后，檢測的車輛輪廓較傳統的混合高斯模型方法要更清晰完整，說明改進后的自動匹配更新速率的混合高斯模型方法具有更好的準確性。

分別對傳統混合高斯模型和本文方法經過形態學處理后的第160，240，400幀圖像進行了車道提取，并對每條車道的占有率進行了計算。為了對2種方法的準確性進行度量，對以上3幀圖像中的車輛進行了手動分割，并進行了車道提取，計算出了車輛手動分割后的車道占有率[10]。

表1 3種方法各車道車輛占有率 %

為了平衡地度量各車道上的車輛占有率情況，以整幅圖像的面積大小為基數進行計算，因為在計算過程中車道總體可用面積的值恒定，計算的占有率的數據能夠對各車道上的車輛交通情況進行準確、有效地度量。圖中對應的各車道車輛占有率情況如表1所示。可以看出，相比于傳統混合高斯模型，根據自動匹配更新速率混合高斯模型提取車道后計算的車道占有率更接近手動分割后計算車道占有率，因此,自動匹配更新速率混合高斯模型具有更好的準確性。

4 結束語

針對傳統混合高斯模型更新速率固定不變的問題，提出了一種在不同的階段更新速率不同的自動匹配更新速率的混合高斯模型，使得檢測效果相對良好。實驗數據是實現智能控制交通信號燈的依據。

[1] 李舜酩.智能車輛發展及其關鍵技術研究現狀[J].傳感器與微系統,2009,28(1):1-9.

[2] 錢 晉.基于背景差法的視頻車輛檢測方法研究[D].上海：上海交通大學,2007.

[3] 田曉明.智能監控系統中的背景建模方法研究[D].北京：北京郵電大學,2013.

[4] Chen Z,Ellis T.Self-adaptive Gaussian mixture model for urban traffic monitoring system[C]∥2011 IEEE International Confe-rence on Computer Vision Workshops (ICCV Workshops),IEEE,2011:1769-1776.

[5] 陳 勇.基于視覺傳感器的道路前方車輛模型研究[J].傳感器與微系統,2014,33(9):42-51.

[6] Benedek C ,Sziranyi T.Bayesian foreground and shadow detection in uncertain frame rate surveillance videos[J].IEEE Transactions on Image Processing,2008,17(4):608-621.

[7] 姜 曉.基于背景建模的TBB和CUDA并行策略研究[D].大連：大連理工大學,2014.

[8] 強繼平.復雜環境下運動目標檢測技術[D].長沙：國防科學技術大學,2009.

[9] 任克強,張盼華,謝 斌.自適應學習的混合高斯模型運動目標檢測方法[J].計算機工程與設計,2014,35(3):968-974.

[10] 沈 峘.單目視覺車道線識別算法及其ARM實現[J].傳感器與微系統，2008,40(2):209-213.

Researchofmodelimprovedmethodbasedonbackgroundsubtraction

SONG Wei， ZHANG Li， DENG Ya-hang

(SchoolofInformationEngineeringandAutomation,KunmingUniversityofScienceandTechnology,Kunming650500,China)

By studing and analyzing on background model of background subtraction method in image processing,a hybrid Gauss model which can automatically update the value of rate alpha is proposed.Through simulation experiments,the detection effect of the background model of traditional background model and the modified vehicle based on the comparison of the results prove that the proposed method not only has better detection effect real-time performance and accuracy,but also has a stronger.

image processing; background subtraction; Gaussian mixture model

10.13873/J.1000—9787(2017)10—0067—03

2017—06—28

TP 391

A

1000—9787(2017)10—0067—03

宋 偉(1990-)，男，碩士，研究方向為嵌入式設計與應用。