复杂场景中基于对象的运动目标检测方法

第37卷第11期光电工程Vol.37,No.112010年11月Opto-ElectronicEngineeringNov,2010文章编号：1003-501X(2010)11-0001-07复杂场景中基于对象的运动目标检测方法张笑微，周建雄（西南科技大学信息工程学院，四川绵阳621010）摘要：基于像素层面的混合高斯背景建模方法不能很好的解决动态背景中的运动目标检测问题。由于背景像素运动的复杂性，该方法很难将动态背景建入模型，会造成大量的误检。本文在混合高斯背景建模的基础上，通过空域和时域对动态背景产生的误检进行抑制。在空域运用MRF模型和混合高斯模型分别计算像素点的先验概率和类条件概率，通过结合像素点的先验概率和类条件概率完成前景图像的分割，在很大程度上去除了小面积的误检；在时域通过目标的运动持续性，运动显著性和面积变化稳定性三个目标特征过滤大面积的误检。通过实验表明，在保证较高检测精度的情况下，该方法能够在很大程度上抑制动态背景产生的误检。关键词：混合高斯背景建模；运动持续性；运动显著性；面积变化稳定性中图分类号：TP391；TN911.73文献标志码：Adoi：10.3969/j.issn.1003-501X.2010.11.001Object-orientedMovingTargetDetectioninComplexScenesZHANGXiao-wei，ZHOUJian-xiong(SchoolofInformationEngineering,SouthwestUniversityofScienceandTechnology,Mianyang621010,SichuanProvince,China)Abstract：Pixel-basedMOGbackgroundmodelingisnotagoodmethodtodealwithmovingtargetdetectionindynamicbackground.Itishardtomodelthedynamicbackgroundinthismethodduetothecomplexmovementofbackgroundpixels.Thus,hugesumsoffalsepositiveswouldoccur.Thispaperaimstosuppressthefalsepositivesinspacedomainandtimedomain.Inspacedomain,class-priorprobabilityandclass-conditional-probabilityofapixelwerecalculatedfromMRFmodelandMixtureofGaussians(MOG)model.Bycombiningtheclass-priorprobabilityandclass-conditional-probability,foregroundsegmentationwascompletedtosuppressamajorityoffalsepositivesofsmallsize.Intimedomain,threetargetcharacteristicswereobserved:motionconstancy,motionsaliencyandareastabilization.Theresultofexperimentsshowthatthefalsepositivesondynamicbackgroundcouldbesuppressedtoagreatextent,meanwhile,gooddetectingaccuracyisensured.Keywords：pixel-basedMOGbackgroundmodeling;motionconstancy;motionsaliency;areastabilization0引言对摄像头静止情况下运动目标检测技术的研究是当前机器视觉领域内研究的热点，同时该技术也是实际应用中最为广泛的一种目标检测技术。背景差分法通过将当前帧图像与背景图像做减法得到运动目标，理想情况下能够完整的检测出目标，该方法的难点在于背景模型的建立。常见的背景建模方法有单高斯背景建模法[1]，混合高斯背景建模法[2]，基于码本的背景建模法[3-4]，非参数核密度估计方法[5-6]和基于贝叶斯模型的背景建模方法[7-8]。混合高斯背景建模[2]假设场景中的每个像素点变化的概率分布可以用K个高斯分布拟合，通常该方法收稿日期：2010-06-02；收到修改稿日期：2010-07-31基金项目：四川省科技厅应用基础研究项目(2008ly0115-2);研究生教育教学改革项目(07xjjg23)作者简介：张笑微(1955-)，女(汉族)，四川成都人。教授，工学硕士，主要研究方向为目标监视、识别与跟踪技术，计算机控制。E-mail:[e-mail]。光电工程2010年11月2能够很好的模拟周期性变化的背景像素点。但是对于非周期性变化或者变化方式更为复杂的背景像素点来说，这种方法很难获得较高的检测精度和较低的误检。如果充分考虑像素点的空域信息，则能够在一定程度上改善由于对单个背景像素点模拟不准确造成的误检。文献[9]充分利用像素点的空域信息改进了经典的混合高斯背景建模方法，取得了比较好的检测结果。现有的背景建模方法对于动态背景(如树叶的晃动，波浪的摇动等)显得无能为力，只能将其检测为前景。对于混合高斯模型来说，由于采用盲目的背景更新方式，所以一部分动态背景能够通过一段时间学习建立到背景模型中，但是相当一部分动态背景由于运动方式的复杂多变，很难学习到背景模型中，所以必然将这些区域误检为前景。由于现有的算法都是基于像素和邻域层面的，而没有上升为目标层面，没有考虑目标的一些特性，所以很难保证有较高的检测精度和较低的误检。本文正是从这一点出发，在时域分析中充分利用目标层面运动目标所具有的一些特征，同时结合空域分析完成复杂场景中运动目标的检测。1混合高斯背景建模本文采用YCbCr4:2:0格式的图像数据建立背景模型，YCbCr4:2:0格式是目前使用较为广泛的图像数据格式。由于考虑到了彩色信息(Cb和Cr通道)，相比于只利用灰度信息(Y通道)，对于有彩色信息的运动目标来说，可以提高检测的精度，减少漏检。本文假设Y，Cb和Cr三个通道是相互独立的，因此可以对三个通道分别进行混合高斯背景建模。由于Cb和Cr数据已经被压缩，所以三通道的运算量只有单通道(Y通道)运算量的3/2，因此不会明显增加运算量。下面以Y通道为例简要介绍混合高斯背景建模的步骤，Cb，Cr通道和Y通道是类似的。1.1背景模型的初始化对于每一个像素点来说，假设用K个高斯分布来表示，每个高斯分布包含三个参量，依次是均值，方差和权值。初始化时给予第一个高斯分布较大的权值W(]1,0[∈W)，其余的高斯分布给予较小的权值)1/()1(−−KW，如式(1)所示。第一个高斯分布的均值设置为当前图像的灰度值，方差设定一个初始值var，其余高斯分布的均值设为0，方差设定为相同的初始值var，如式(2)和(3)所示：⎩⎨⎧=−−==KiKWiWxi.....,,2)1/()1(1)0,(ω(1)⎩⎨⎧===KiixIxi,...,201)0,()0,(μ(2)；Kixi,...,1var)0,(2==σ(3)其中)0,(xI表示0时刻位置x处像素点的灰度值。1.2背景模型的更新对于第t帧图像来说：首先将当前帧像素点的灰度值与现有的K个高斯分布进行匹配。如果和第m个高斯分布匹配成功即满足式(4)，则增加第m个高斯分布的权值，更新其均值和方差，如式(5)，(6)，(7)所示：)1,())1,(),((22−×−−txctxtxImmσμ(4)αμαμ×+−×−=),()1,()1(),(txItxtxmm(5))()]1,(),([)1,()](1[),(222xtxtxItxxtximmimβμσβσ×−−+−×−=(6)γωω+−=)1,(),(txtxii(7)如果没有匹配成功，权值最低的一个高斯分布的均值将由当前像素点的灰度值代替，给予该高斯分布一个较小的初始权值和初始方差，如式(8)，(9)和(10)所示：),(),(txItxK=μ(8)；var),(2=txKσ(9))1/()1(),(−−=KWtxKω(10)最后完成K个高斯分布权值的归一化，同时K个高斯分布按照权值和方差的比值降序排列。本文在更新高斯模型中的方差时采用了变化的更新因子)(xiβ，如式(11)所示：第37卷第11期张笑微等：复杂场景中基于对象的运动目标检测方法3⎪⎩⎪⎨⎧−≤−−∪−−≥−−∪−=otherwise)1,()]1,(),([)1,(0)1,()]1,(),([)1,(0)(22min222max2φσμσσμσβtxtxtxITtxtxtxtxITtxxmmmmmmi(11)当方差的变化在一定的范围内],[maxminTT时，以固定的更新率φ更新方差。当方差大于maxT时，如果当前帧方差的更新结果是朝着减小方差的方向发展，这时正常更新方差，反之如果当前帧方差的更新结果是继续朝着放大方差的方向发展时，应该阻止方差的过分放大，此时更新率设为0，因为方差的过分放大会使高斯模型对前景的分辨能力大大降低，导致大量的漏检出现。同样，当方差小于minT时，如果当前帧方差的更新结果是朝着增大方差的方向发展，这时正常更新方差；反之如果当前帧方差的更新结果是继续朝着缩小方差的方向发展时，应该阻止方差的过分缩小，此时更新率设为0。因为方差过分缩小，会使得高斯模型的抗噪性能大大降低，检测结果会出现大量噪声。本文的φ取值为0.01，minT取值为64，maxT取值为625。1.3背景的估计通过一段时间对背景模型的连续更新，可以从模型中提取出一个相对稳定的背景B：))((minarg1TxBbnnb=∑=ω(12)阈值T的选择非常重要，如果T选择较小，混合高斯模型将退化为单高斯模型，此时失去了对动态背景的适应能力；如果T选择较大，将会有更多的高斯模型被选入背景，而这些高斯模型中大部分都是由前景噪声形成的，因此放大了背景模型的取值范围，必然会造成大量的漏检。本文取T=0.7。2基于空域信息的前景分割传统的前景分割算法是通过提高背景模型精度或提高单个像素阈值分割精度的方法来提高检测的精度，减少误检测。本文在进行前景分割的时候充分考虑到了图像的空域信息，直观上来说当前像素点和其邻域内的像素点应该具有相似的特征，通过这一点可以在一定程度上解决上述问题。马尔可夫图像模型描述了图像像素间的相互作用，是描述这一空域特性较好的方法。本文假设像素点划分为前景的概率)|(xfp由两部分加权构成，分别是像素点划分为前景的类先验概率)(fp和类条件概率)|(fxp，如式(13)所示：)()|()/(21fpfxpxfp×+×=αα(13)其中121=+αα。如果)|(xfp大于一定的阈值Th，则被判为前景，否则判为背景，如式(14)所示：⎩⎨⎧≥=ThxfpThxfpxf)/(background)/(foreground)((14))|(fxp反映了像素点被判为前景点的可能性(即和背景的差异程度)，在本文中)|(fxp通过混合高斯背景模型计算得到，如式(15)所示：⎪⎪⎩⎪⎪⎨⎧−−×≤−−−=)1,(),(0)1,(),()1,()1,()1(),(forground1)|(2222txtxΔtxctxΔtxtxctxΔfxpmmmmσσσσ(15)式中2)]1,(),([),(−−=txtxItxΔmμ。参数c和式(4)中的参数c相同，这里取3.0。如果当像素点和背景不匹配时，)|(fxp置为1，这里的背景满足式(12)。当像素点和背景中的第m个模型匹配时：如果当前像素点和高斯模型的均值非常相似，即满足式(15)的第三个条件，这样的像素点我们确信为背景点，此时)|(fxp置为0；如果当前像素点和