CN105205834A - 一种基于混合高斯及阴影检测模型的目标检测与提取方法 - Google Patents

Abstract

科学技术的发展为智能视频技术的实现提供了技术支持。而目标检测技术是监控***实现智能化的关键技术。目标检测的准确性与后面的分类识别与跟踪技术直接相关。本发明针对自适应混合高斯背景建模方差学习较慢的问题，提出了一种新的学习机制，能够快速地对方差进行学习，另外，本发明根据实际问题及阴影在HSV空间的特点，设计了新的阴影检测模型。最后，本发明采用改进的自适应混合高斯背景建模的方式进行目标检测，同时，在检测过程中加入阴影模型对目标的阴影进行消除，以便增加目标检测的准确性和可靠性。实验表明该模型有很好的鲁棒性和实用性，能够对运动目标的阴影进行很好地消除。

Description

一种基于混合高斯及阴影检测模型的目标检测与提取方法

技术领域

本发明主要涉及目标检测技术，特别涉及一种基于混合高斯及阴影检测模型的目标检测与提取方法，该方法在智能视频监控、目标跟踪及目标识别等领域中有着广泛的应用前景。

背景技术

前处于信息时代，信息的获得、加工、处理等都有了飞速的发展。随之智能监控***也得到了迅猛的发展。运动目标检测是计算机视觉和数学图像处理的一个热门方向，广泛的应用与智能视频监控、工业检测等等诸多领域。因此，运动目标检测是智能监控***的核心部分。它的目的就是如何快速的并准确的提取出视频监控中的运动目标。将运动目标从视频序列图像中分离出来比较常见的方法有下面三种：

（1）第一类是光流法（XIONGJing-Yi,LUOYu-Pin,TANGGuang-Rong.AnImprovedOpticalmethodforImageRegistrationwithLarge-scalmovement.July2008,34(7).)(F.RanchinandF.Dibos,“Movingobjectssegmentationusingopticalflowestimation”,inProc.WorkshoponMathematicandImageAnalysis,Paris,September2004.)。光流法就是假设图像灰度分布的变化完全是由目标或者背景的运动引起，Horn和Schunch（HornB,SchunchB.Determiningopticalflow[J].ArtificialIntelligence,1981,17:185-203.）提出了光流检测法。光流法利用目标和背景之间的不同速度来检测运动信息，它能够提高检测的精度，但是却降低了检测的速度，在没有特殊硬件支持的情况下无法在实时性要求较高的场合使用，而且一旦它所依赖的假设不成立时，得到的结果误差会比较大。

（2）第二类是帧间差分法(杨学超,刘文萍.视频图像序列中的运动目标检测技术[J].计算机应用与软件,2008,25(1):215-218.)(CStaufferandWGrimson.Adaptivebackgroundmixturemodelsforreal-timetracking.ComputerVisionandPatternRecognition,1999,vol.2,pp.246-252.)。帧间差分法就是通过对多帧图像进行相减来获取运动信息，该方法能够适应多变的环境且算法实现相对简单。AlanJ.Lipton（LiptonA,FujiyoshiH,PatilR.MovingTargetClassificationandTrackingfromReal-timeVideo[J].IEEEWorkshoponApplicationsofComputerVision,1998:8-14.）将模板匹配与帧间差分相结合的方法来检测平台移动状态下拍摄的车辆和人。（VierenC,CabestaingF,PostaireJ.Catchingmovingobjectswithsnakesformotiontracking[J].PaternRecognition,Leters16,1995,679-685.）VierenC提出了基于三帧差分的检测方法，该方法提高了检测的精度。贺贵明等（贺贵明,李凌娟,贾振堂等.一种快速的基于对称差分的视频分割算法[J].小型微型计算机***,2003,24(6):966-968）对连续的三帧图像进行差分运算，采用该方法来获取运动信息。

（3）第三类是背景减除法”(彭可,陈燕红,唐宜清.一种室内环境运动目标检测混合算法[J].计算机工程与应用）（代科学,李国辉,涂丹,等.监控视频运动目标检测减背景技术的研究现状和展望[J].中国图象图形学报,2006,11(7):919-917）。背景差分法就是利用当前帧图像与建立的背景图像或模型进行做差来获取运动信息，该方法能够准确地检测出运动目标的位置，且获得较完整的运动目标。但是背景对光照变化比较敏感，因此容易受到阴影的影响，还有就是背景中物体的周期性运动（例如树叶摆动）等的影响，对于背景差分法的关键就是要构造一个适应性比较强的背景模型。周箴毅等（周箴毅,胡福乔.基于背景建模的动态场景目标检测[J].计算机工程，2008,34（24）：203-205.）提出了基于非参数估计的前景背景对比模型，该模型主要是针对动态背景，明英等人（明英,蒋晶珏.基于柯西分布的视频图像序列背景建模和运动目标检测[J].光学学报,2008,28(3):587-590.）提出一种光照不变变化检测方法，甘新胜（甘新胜.基于码书的运动目标检测方法[J].中国图象图形学报,2008,13(2):365-370.）提出一种基于码书的背景构造方法，该方法的背景模型通过使用长时间的图像序列来进行估计，且该方法对存储空间的要求不高，文志强和蔡自兴（文志强,蔡自兴.一种最大后验概率条件下的运动目标检测方法[J].小型微型计算机***,2008,29(5):936-939.）提出了一种在根据条件随机场模型和马尔可夫随机场模型建立的最大后验概率框架下的运动目标检测方法。这三种方法均存在一些缺陷，光流法的计算复杂度相对较高，计算时间长，不能满足视频监控的实时性；帧间差分法的精度不够，分割的运动目标不准确；背景减除法对于动态的背景适用性不强，主要是对静止的背景进行建模。

本发明就是采用的背景减除法中的自适应混合高斯背景模型来分离运动目标。混合高斯背景建模是基于像素样本统计信息的背景表示方法，利用像素在较长时间内大量样本值的概率密度等统计信息(如模式数量、每个模式的均值和标准差)表示背景，然后使用统计差分进行目标像素判断，可以对复杂动态背景进行建模，计算量较大。Stauffer等人（SteufferC,WGrimsonw.Adaptivebackgroundmixturemodelsforreal-timetracking[C].ProceedingofIEEEInternationalconferenceComputerVisionandPatterRecognition.FortCollins,CO,USA:IEEEPress,1999:246-252.)将高斯混合模型(GaussianMixtureModel,GMM)用于视频背景建模和运动分割,提出了自适应高斯混合背景模型的计算框架，因其良好的动态背景表达能力和适应性机制而得到广泛关注。林燕等人（林燕,陈建华.自适应高斯混合背景建模算法的改进[J].福建电脑,2008,11）对均值和方差的学习机制进行了改进，提高了学习的准确度，使其更加适应多变的环境。但是其选取的均值学习率是一个固定值，不能够适应更加多变的环境。FriedmanN等人（FriedmanN，RussellS.Imagesegmentationinvideosequences:Aprobabilisticapproach[A].InProceedingsofthe13ConferenceonUncertainlyinArtificialIntelligence[C],RhodeIsland,USA,1997:175-181.）利用自适应混合高斯模型来出来光照变化和树叶抖动等等所带来的影响，但是由于该方法采用的是一个固定的学习权重，不能够是要多变的环境。崔文频等（崔文频,沈继忠.基于改进高斯混合模型的运动物体的图像检测[J].光电工程,2010,37(4):118-124.）对混合高斯模型进行了改进，消除了缓慢运动目标对对背景模型的影响，但混合高斯模型对于动态背景的适应能力还是不能尽如人意。

由于自适应混合高斯模型受到光照变化的影响，因此要检测出存在阴影的目标就变得很困难。所以需要对阴影进行消除，常见的阴影消除和抑制方法有以下两种:

1）基于属性的阴影抑制方法；

2）基于模型的阴影抑制方法；

基于属性的阴影抑制方法就是通过阴影几何信息或者是光学特性来进行识别和检测。目前，基于阴影光学特性的阴影抑制算法相对较多。该类型的方法在各种场景环境和光照中都具有较好的鲁棒性。

基于模型的阴影抑制方法是主要是通过场景、被检测目标、光照强度等先验信息来建立一个阴影模型，然后对运动目标的三维立体信息如棱、角、线及高度等进行匹配来实现阴影的检测和抑制。这种方法一般只有在特殊的场景(例如航空图像的理解)中使用。

目前，基于于属性的阴影抑制方法在现实生活中应用更为广泛,常用的算法有基于颜色模型变换的阴影抑制算法、基于统计的阴影抑制算法、基于色彩特征不变量的阴影抑制算法。

薛瑞华（薛瑞华.基于GMM的运动目标检测和阴影抑制算法研究[D].太原理工大学，2012.）提出高斯混合阴影模型(GaussianMixtureShadowModel,GMSM),该模型先将运动目标检测出来，在对判定位疑似阴影的像素点进行处理，能够有效的去除阴影。周凯（周凯.交通视频监控***中运动目标特征提取与数据传输实时性保证的研[D].上海:同济大学,2007）提出了基于HSV空间的建模，并建立一个阴影模型来消去阴影，但其需要不断的调整阈值，这就不能够适应现实环境的复杂性。在此基础之上林庆等（林庆,徐柱,王士同,詹永照.HSV自适应混合高斯模型的运动目标检测[J].计算科学，2010,37（10），254-256.）和王勇等（王勇，谭毅华，田金文.基于阴影消除和混合高斯模型的视频分割算法[J].光电工程，2008,35(3)提出了一个阴影模型，不需要对其进行阈值的调整，但其计算复杂度相对较高，不能满足视频监控的实时监测的要求。

针对上述模型存在时间复杂度高，且需要不断调整阈值的问题，本发明对自适应混合高斯模型进行了改进，提高了算法的运行速率，并提出了一个阴影模型，使用该模型能够很好的检测出运动目标存在的阴影，并消去存在的阴影，且提高了算法的运行速率。

发明内容

本发明主要体现如下两个部分：

（1）自适应混合高斯模型运行速率的提高

本发明是通过改进高斯模型跟方差学习率来提高算法的运算时间，改进模型如下：

(1)

从式中可以看出来，随着权重的变化，会不断的调整均值和方差的学习速率，这样就可以提高学习精度。在均值学习因子基础之上加入参数，是算法运行的时间，一开始时间比较短，方差的学习因子会比较大，满足快速收敛的要求。加入常数0.01是为了防止算法运行很比较久之后方差的学习率就逐渐趋近于0；

（2）阴影去除模型的提出

传统的阴影检测模型在不同的背景模型中需要选取不同的阈值，不适用于多变的环境，为此，本专利提出了一种不需要选取阈值的阴影模型，其模型如下：

(2)

与分别表示输入像素点I（x，y）和背景像素点B(x,y)的分量，当sp=1时，表示为疑似阴影区域。

附图说明

图1算法流程图；

图2RGB空间的目标提取结果图。

图3HSV空间的目标提取结果。

图4RGB空间的目标提取所用运行平均时间

图5HSV空间的目标提取所用运行平均时间

[0013]具体实施方式

以下结合附图，对本发明作进一步的说明。

本发明把运动目标的检测和阴影消除分成两个阶段，对进入的新像素值根据改进了学习因子的自适应混合高斯背景模型进行检测。若检测为背景则保持参数不变动，若为前景目标，则对其采用采用改进的模型进行阴影判断。若判定为阴影，则对当前像素进行高斯背景建模。其余像素点的参数模型保持不变。基于自适应混合高斯建模的运动目标检测和阴影去除方法包含下列步骤，如图1所示：

（1）首先对在终端A上读入视频帧，将视频帧转换到HSV彩色空间，并将H、S、V三个分量分离出来；

（2）在HSV空间中，对H、S、V三个分量分别采用改进的自适应混合高斯背景建模算法进行背景建模；

（3）对当前像素进行判断背景，若为背景像素则对背景进行更新，返回步骤（2）建模。若是运动目标，则采用阴影模型对其进行阴影检测；

（4）对当前像素进行阴影检测。若为阴影（即sp=1），则采用应自适应混合高斯建模中的均值和方差的学习机制对当前像素进行更新，反之则输出运动目标。

（5）对输出的运动目标进行形态学去噪。

本发明的优点如下：

（a）加快背景建模的速率；

（b）提高目标分类识别的准确率；

（c）提高目标跟踪的准确性。

发明实施例

选取了为了验证算法的有效性，采用了数据pets2014中的两段室外场景视频的序列图像进行实验。人车的视频分辨率分别为：300×225,250×250像素。实验平台：MATLABR2012a，Intel(R)Pentium(R)CPUG20303.00GHz。

为了验证阴影模型的有效性，本发明选取了在RGB和HSV两个空间进行实验，并用5种方法做实验，其中方法1是林燕文中提的，方法2是只用本专利中所提的自适应高斯混合模型，方法3是林庆文中所提出的，方法4是王勇文中所提的，方法5是本专利所用的方法，各参考文献，见背景技术。5种方法，在RGB空间的目标提取结果如图2所示，运行平均时间如图4所示；在HSV空间的目标提取结果如图3所示，运行平均时间如图5所示。对比图4和图5中的方法1和方法2，可以看出方法2的时间明显比方法1的时间要少，方法2是本发明对自适应混合高斯模型进行了改进，改进了高斯模型的方差学习机制，提高了背景建模的时间效率。对方法3、4、5这三种方法进行比较，可以看出方法5的时间最短，该方法为本发明的提出的阴影模型。说明该模型可以减少目标检测的时间。方法4比方法3的阴影去除效果稍微好一些，该方法的实验结果能够提取出更为完整的运动目标。而方法5与方法4相比去除阴影的效果虽然差不多，但是在运行速率更有优势。对比车子和人的实验数据发现，图像越大，方法5的运动速率优势更为明显。综合上述内容发现，本文发明的模型能够快速并准确的消去运动目标的阴影。

以上所述仅为本发明中的一个实施例，并不用于限制本发明。

Claims (4)

1.一种基于混合高斯及阴影检测模型的目标检测与提取方法，其特征在于：

本专利针对自适应混合高斯背景建模方差学习较慢的问题，提出了一种新的学习机制，能够快速的对方差进行学习；同时，在运动目标检测过程中加入了一种新型的阴影检测模型，能对运动目标的阴影进行有效地消除。

2.根据权利要求1所述的一种基于混合高斯及阴影检测模型的目标检测与提取方法，其特征在于：

目前的大部分基于高斯混合模型的背景建模更新算法中都把均值和方差的学习率固定为一个参数，这样就不能将方差和均值各自的特点体现出来，实际上应该根据它们各自的特点来进行赋值，最佳的背景更新算法在均值上应该能够真实的反映背景信号的变化；同时，根据经验可知，在选取时均值更新率要比方差更新率稍微大一些，另外，选取的方差学习因子应随着时间的变化而变化，为此，.本文专利对学习因子进行了如下的改进：

从式中可看出来，随着权重的变化，会不断的调整均值和方差的学习速率，这样就可以提高学习精度；同时，在均值学习因子基础之上加入参数，是算法运行的时间，一开始时间比较短，方差的学习因子会比较大，满足快速收敛的要求。

3.根据权利要求1所述的一种基于混合高斯及阴影检测模型的目标检测与提取方法，其主要特征在于：

传统的阴影检测模型在不同的背景模型中需要选取不同的阈值，不适用于多变的环境，为此，本专利提出了一种不需要选取阈值的阴影模型，其模型如下：

与分别表示输入像素点I（x，y）和背景像素点B(x,y)的分量，当sp=1时，表示为疑似阴影区域.。

4.根据权利要求1所述的一种基于混合高斯及阴影检测模型的目标检测与提取,该方法的技术方案如下：

（1）首先对在终端A上读入视频帧，将视频帧转换到HSV彩色空间，并将H、S、V三个分量分离出来；

（2）在HSV空间中，对H、S、V三个分量分别采用改进的自适应混合高斯背景建模算法进行背景建模；

（3）对当前像素进行背景判断，若为背景像素则对背景进行更新，返回步骤（2）建模；若是运动目标，则采用阴影检测模型对其进行阴影检测；

（4）对当前像素进行阴影检测，若为阴影，则采用应自适应混合高斯建模中的均值和方差的学习机制对当前像素进行更新，反之则输出运动目标；

（5）对输出的运动目标进行形态学去噪。