復(fù)雜光照條件下的運(yùn)動(dòng)目標(biāo)檢測(cè)

王杰，陳寧，李瀟崢，李旭亮

復(fù)雜光照條件下的運(yùn)動(dòng)目標(biāo)檢測(cè)

王杰，陳寧，李瀟崢，李旭亮

（浙江科技學(xué)院機(jī)械與能源工程學(xué)院，浙江 杭州 310023）

為了解決視頻目標(biāo)檢測(cè)中光照變化對(duì)目標(biāo)檢測(cè)產(chǎn)生的影響，提出了一種考慮光照變化的運(yùn)動(dòng)目標(biāo)檢測(cè)方法。首先確定光照變化的強(qiáng)度并進(jìn)行分類，其次將圖片均勻分割成9塊區(qū)域并計(jì)算光照強(qiáng)度均值，最后根據(jù)相鄰幀光照強(qiáng)度變化量進(jìn)而改變混合高斯模型的個(gè)數(shù)和學(xué)習(xí)率的大小。實(shí)驗(yàn)結(jié)果表明，該方法與傳統(tǒng)混合高斯模型相比在不同光照條件下均具有較好的檢測(cè)效果。

復(fù)雜光照；目標(biāo)檢測(cè)；混合高斯；學(xué)習(xí)率

在圖像分析與處理中，人們更希望獲取其感興趣區(qū)域。而常用的方法就是對(duì)圖像進(jìn)行處理，突出有效目標(biāo)去除無(wú)用的信息[1]。目前，常用的運(yùn)動(dòng)目標(biāo)檢測(cè)方法有幀間差分法、光流法、背景差分法等[2]，但這些方法對(duì)光照變化場(chǎng)景中的目標(biāo)圖像處理效果較差，存在目標(biāo)漏檢、誤檢等諸多缺點(diǎn)。

針對(duì)上述問題文獻(xiàn)[3]采用自適應(yīng)學(xué)習(xí)率的混合高斯模型進(jìn)行背景建模，該方法可以一定程度上解決光照突變帶來的影響。文獻(xiàn)[4]采用邊緣描檢測(cè)和RGB顏色信息相結(jié)合的方式對(duì)前景和背景進(jìn)行分割，進(jìn)而實(shí)現(xiàn)目標(biāo)檢測(cè)。文獻(xiàn)[5]根據(jù)最近觀察到的像素值的歷史值進(jìn)行背景建模，隨著時(shí)間的推移逐漸更新背景。文獻(xiàn)[6]改進(jìn)ViBe的視覺背景提取算法，根據(jù)光照變化的不同做出相應(yīng)改進(jìn)，提升了算法對(duì)光照變化的魯棒性。上述方法在不同程度上解決了光照變化的 影響，但算法存在計(jì)算量大、實(shí)用場(chǎng)景受限、檢測(cè)不完整等 問題。

基于以上學(xué)者研究存在的問題，混合高斯背景建模相對(duì)于其他檢測(cè)方式，可以更有效地檢測(cè)出光照變化區(qū)域的運(yùn)動(dòng)目標(biāo)[7]。本文提出了改進(jìn)的混合高斯模型前景檢測(cè)策略，來提高在復(fù)雜光照條件下前景目標(biāo)檢測(cè)的準(zhǔn)確性。

1 光照變化強(qiáng)度的判別

本文是利用相鄰兩幀間的對(duì)應(yīng)像素點(diǎn)的灰度值的變化來確定視頻序列中的光照變化情況。在光照變化的像素中對(duì)灰度值變化的像素點(diǎn)進(jìn)行統(tǒng)計(jì)，當(dāng)灰度值變化超過一定閾值時(shí)，我們認(rèn)為發(fā)生了光照變化；否則，認(rèn)為光照無(wú)異常變 化。因此，進(jìn)一步地將光照變化按程度分為緩慢變化和光照突變。

由于計(jì)算每個(gè)單獨(dú)像素點(diǎn)的計(jì)算量大，且易受噪聲的影響，而基于圖像分割的方法計(jì)算效率高、最逼近最優(yōu)解[8-9]，因此，將圖片分割成多個(gè)小塊，取小塊內(nèi)圖像灰度均值，根據(jù)文獻(xiàn)[9]提出的劃分方案將圖片平分為3×3的9塊區(qū)域，單獨(dú)運(yùn)算每個(gè)區(qū)域內(nèi)灰度均值。

光照變化判別如式（1）所示：

式（1）中：t（，）為時(shí)刻幀第行第列區(qū)域像素灰度均值；1、2為閾值。

選取不同光照變化的像素幀并分別統(tǒng)計(jì)當(dāng)前幀區(qū)域像素灰度均值（0～255），得到光照變化時(shí)與光照突變時(shí)像素區(qū)域灰度均值的變化量，經(jīng)試驗(yàn)可得光照發(fā)生變化的閾值1=1.12，光照發(fā)生突變的閾值2=2.80。對(duì)于不同光照情況，采取不同背景更新策略。

2 混合高斯模型目標(biāo)檢測(cè)

混合高斯背景模型的建立最主要的影響因素是混合高斯模型數(shù)量和背景的學(xué)習(xí)率。值一般取3～5，其值越大檢測(cè)效果越好，但計(jì)算量也越大，更新率通常取0.001～0.1，其決定了背景建模的速度，其取值過大會(huì)使算法無(wú) 法收斂，不利于目標(biāo)檢測(cè)，取值過小會(huì)導(dǎo)致檢測(cè)錯(cuò)誤率較 高[10-13]。因此，從這兩個(gè)參數(shù)入手對(duì)混合高斯模型算法進(jìn)行改進(jìn)。

當(dāng)光照發(fā)生改變時(shí)，檢測(cè)到的前景目標(biāo)會(huì)有較大變化，為了減小光照因素的影響，應(yīng)對(duì)不同光照強(qiáng)度變化情況采取不同的更新策略。當(dāng)背景光照發(fā)生緩慢變化時(shí)，為了盡快更新背景模型，應(yīng)增大背景模型的更新率以更快地適應(yīng)當(dāng)前背景，從而更好地進(jìn)行前景檢測(cè)[12]。當(dāng)檢測(cè)到背景發(fā)生光照突變時(shí)模型背景已經(jīng)不能準(zhǔn)確檢測(cè)真實(shí)背景，此時(shí)選擇增加一個(gè)高斯分布，并重新分配每一個(gè)高斯分布的權(quán)重，從而得到目標(biāo)前景，當(dāng)背景光照無(wú)異常時(shí)再去除一個(gè)與背景最不相近的高斯分布。

學(xué)習(xí)率選取：

實(shí)驗(yàn)驗(yàn)證當(dāng)高斯分布數(shù)目=3時(shí)計(jì)算速度較快，且能夠較好地檢測(cè)出前景目標(biāo)，因此本文選取高斯分布數(shù)目為3，由于混合高斯建模在初始的一定幀內(nèi)應(yīng)選擇較大的學(xué)習(xí)率，因此在視頻初始化的前50幀選擇學(xué)習(xí)率=0.1。

混合高斯模型背景建模時(shí)，首先利用初始幀進(jìn)行背景初始化。對(duì)前景檢測(cè)結(jié)果進(jìn)行二值化處理和形態(tài)學(xué)操作得到前景目標(biāo)。同時(shí)根據(jù)光照變化確定學(xué)習(xí)率和高斯分布個(gè)數(shù)，其他背景參數(shù)按照文獻(xiàn)[11]進(jìn)行更新。

3 實(shí)驗(yàn)及結(jié)果分析

本實(shí)驗(yàn)所選用的硬件平臺(tái)的配置為Intel Core i5-9300H，CPU為2.4 GHz，RAM為8 GB，操作系統(tǒng)是Windows 10，軟件環(huán)境為OpenCV 4.2.0。

為了驗(yàn)證本文算法的有效性，實(shí)驗(yàn)以不同光照變化強(qiáng)度環(huán)境下的視頻序列作為研究對(duì)象。依次給出傳統(tǒng)混合高斯模型與本文改進(jìn)算法的實(shí)驗(yàn)結(jié)果，如圖1所示。

圖1 光照變化條件檢測(cè)結(jié)果

實(shí)驗(yàn)結(jié)果表明，圖1中A1是在視頻中出現(xiàn)緩慢變化的光照強(qiáng)度下兩種方法檢測(cè)結(jié)果，可見傳統(tǒng)混合高斯目標(biāo)檢測(cè)誤將部分背景檢測(cè)為前景。B1是在光照突變情況下的檢測(cè)結(jié)果，傳統(tǒng)檢測(cè)方法B2誤將大量背景檢測(cè)為前景，可見在光照變化場(chǎng)景下利用本文檢測(cè)方法均有明顯改善。

綜合以上實(shí)驗(yàn)，本文所提出的方法能有效適應(yīng)復(fù)雜光照環(huán)境下的目標(biāo)檢測(cè)。

4 結(jié)語(yǔ)

本文提出了基于高斯混合模型的復(fù)雜光照條件下的目標(biāo)檢測(cè)方法，針對(duì)運(yùn)動(dòng)目標(biāo)檢測(cè)中由于光照變化造成目標(biāo)提取錯(cuò)誤率高的問題，對(duì)幀圖像光照變化強(qiáng)度進(jìn)行分類討論，并分別設(shè)置不同的更新率和混合高斯模型個(gè)數(shù)進(jìn)行背景模型更新。實(shí)驗(yàn)表明，本文算法可以有效抑制光照變化對(duì)前景目標(biāo)檢測(cè)的干擾，在復(fù)雜光照環(huán)境下可以更加完整地提取目標(biāo)，在目標(biāo)檢測(cè)正確性、抗誤檢性方面有較好的效果。但在光照突變時(shí)檢測(cè)仍存在空洞、不完整等缺點(diǎn)。接下來可將本文方法與其他檢測(cè)方法相結(jié)合進(jìn)一步提升目標(biāo)檢測(cè)的準(zhǔn)確性和完整性。

［1］BOUWMANS T，PORIKLI F，F(xiàn)ERLIN B H.Background modeling and foreground detection for video surveillance || recent approaches in background modeling for static cameras［J］.Thierry bouwmans，2014（2）：1.

［2］曾冬冬.視頻監(jiān)控中的前景目標(biāo)檢測(cè)算法研究［D］.北京：中國(guó)科學(xué)院大學(xué)（中國(guó)科學(xué)院長(zhǎng)春光學(xué)精密機(jī)械與物理研究所），2019.

［3］郝曉麗，劉偉，牛保寧，等.基于自適應(yīng)學(xué)習(xí)率的運(yùn)動(dòng)目標(biāo)高效檢測(cè)算法［J］.電子科技大學(xué)學(xué)報(bào)，2020，49（1）：123-130.

［4］ALLEBOSCH G，HAMME D V，DEBOEVERIE F.C-EFIC:color and edge based foreground background segmentation with interior classification［C］//International joint conference on computer vision，imaging and computer graphics，2015.

［5］MARTIN H，PHILIPP T，GERHARD R.Background segmentation with feedback:the pixel-based adaptive segmenter［C］//Computer vision and pattern recognition workshops（CVPRW），2012 IEEE computer society conference on，providence，RI（US），2012：38-43.

［6］瞿中，柴國(guó)華，劉妍.改進(jìn)光照魯棒的視覺背景提取算法［J］.計(jì)算機(jī)工程與設(shè)計(jì)，2019，40（4）：1046-1051，1189.

［7］ZHANG C，WU X P，GAO X P.An improved gaussian mixture modeling algorithm combining foreground matching and short-term stability measure for motion detection［J］. Multimedia tools and applications.part of springer nature，2019（6）：12.

［8］張中良.基于機(jī)器視覺的圖像目標(biāo)識(shí)別方法綜述［J］.科技與創(chuàng)新，2016（14）：32-33.

［9］朱利偉，蔡曉東，梁奔香，等.面向人臉識(shí)別的分塊自適應(yīng)光照處理算法［J］.電視技術(shù)，2015，39（5）：142-145.

［10］WANG M，JIN J S，HAN X.An algorithm of detecting moving foreground based on an improved gaussian mixture model［C］//Chinese conference on image and graphics technologies.springer singapore，2016.

［11］李笑，楊宇，徐一鳴.四幀間差分和改進(jìn)混合高斯模型對(duì)運(yùn)動(dòng)目標(biāo)的檢測(cè)［J］.科學(xué)技術(shù)與工程，2020，20（15）：6141-6150.

［12］王紅茹，童偉.基于改進(jìn)高斯模型的目標(biāo)檢測(cè)與陰影去除方法［J］.江蘇科技大學(xué)學(xué)報(bào)（自然科學(xué)版），2017，31（2）：172-177.

［13］夏瑩杰，歐陽(yáng)聰宇.面向高速公路拋灑物檢測(cè)的動(dòng)態(tài)背景建模方法［J］.浙江大學(xué)學(xué)報(bào)（工學(xué)版），2020，54（7）：1249-1255.

2095－6835（2021）06－0060－02

TP391.41

A

10.15913/j.cnki.kjycx.2021.06.020

王杰（1994—），男，在讀碩士，研究方向?yàn)橹悄芙煌ā?/p>

李瀟崢（1990—），男，博士，教授，研究方向?yàn)橹悄芙煌ā?/p>

〔編輯：張思楠〕