一种基于混合高斯模型的运动目标阴影检测策略

(中国石油大学(华东) 计算机与通信工程学院，山东 青岛266555)

运动目标的识别和跟踪一直是计算机视觉领域的主要研究方向。它利用仿生人类的生理视觉感知机制，形成所谓的“机器视觉”，通过计算机对摄像设备所获得的视频进行分析，得到图像序列中感兴趣的运动目标的几何信息，包括形状、位置坐标等，进而根据目标的某种特征，把连续图像序列中感兴趣的同一运动目标进行识别并关联，从而得到单一或多个目标的运动轨迹[1]。

目标检测是运动目标跟踪技术中十分重要也是最基本的步骤，只有准确地运动目标进行检测，才能为后续的目标跟踪、分析及理解打下良好基础。目标检测是运用相关算法或者规则，找出包含在场景中的动态目标的像素点，同时将场景中的静态像素点去除。目标检测方法按其原理可分为3个基本类别：帧间差分、光流和背景差减。背景差减法运算速度较快，实时性较好，是当前运动目标检测中最常用的一类方法。利用高斯混合模型(Gaussian mixture model,GMM)建立背景模型，能较好地克服环境光照变化、枝叶摇晃等因素引起的影响，但是，高斯混合背景模型并不能实现对运动物体的阴影检测和消除[2]。阴影不属于运动目标，必须消除。由于实际环境的复杂，当光照到不透明物体上或是光照不均匀等情况时，阴影难免会伴随着物体同时出现，而且随着光照方向和强度的不断变化，其方向和强度也在变化。本文首先利用混合高斯背景模型来消除背景，然后对确定的疑似阴影和运动目标再次进行GMM建模(GMM_S)。这种“双重”方法有效地消除了视频图像序列中运动目标的伴随阴影。

1 混合高斯模型

GMM原理是把1帧图像中的每个坐标处像素的颜色值用M个单高斯模型来表征[3]，分别对应于该像素M个不同的状态。其中M在3～5个之间，那么，像素xi在时刻t的概率分布为

(1)

(2)

其中，μk和Σk分别表示期望和协方差矩阵，n是维数。

若满足|xt-μk|<λσk，则该像素与模型匹配，更新模型参数[4]。其中，λ是一个常量，取值范围在2～3之间，本文取2.5，σk是均方差。参数更新模型为：

πk,t=(1-α)πk,t-1+α；

(3)

μk,t=(1-ρk,t)·μk,t-1+ρk,t·xt；

(4)

(5)

其中ρk,t=αpk(xi;μk,t-1,Σk,t-1)，α∈[0,1]，是模型的学习率。其值越小，则模型更新越慢，但可以减少背景噪声。对于剩下没有匹配的高斯模型，它们的均值和标准差不变，但权重按πk,t=(1-α)πk,t-1进行衰减。

将K个高斯模型按π/σ值从大到小顺序排序，并选择符合下式的前C个高斯模型作为背景模型:

(6)

其中T是阈值[5]，是一个全局性的先验概率。

2 运动目标的阴影检测

目标阴影难以去除的原因主要有2方面：1)从外观上看，目标的阴影明显不同于背景的颜色；2)阴影与运动目标本身外形极为相似，运动轨迹保持一致且运动目标与它的阴影往往紧紧伴随在一起，所以阴影容易被误认为是前景目标。

2.1 传统阴影检测算法

常用的传统算法有基于颜色模型(HSV 、YUV)变换的阴影抑制算法[6]、基于色彩特征不变量的阴影抑制算法等[7-8]。

由于HSV颜色空间能够较好地模拟人类视觉系统感知颜色的模式，因此基于HSV色彩模型变换的阴影消除算法能够更准确地检测阴影；但是在这种算法里，关键参数α、β、τS、τH的取值要根据具体视频场景的变化而调整，难以做到自适应。

YUV色彩模型变换下的阴影消除算法的优点是其复杂度和相应计算量比HSV阴影消除算法低，但是在前景区域和背景区域的色度值(U、V)很近似、前景的亮度值(Y)比背景值低的状况下，该算法模型检测并进而消除阴影的准确性将降低。

基于色彩特征不变量的阴影消除算法的关键依据是像素的色彩特征不变性。色彩特征较好地、本质地描述了像素颜色的配置，基本不受视觉角度、阴影覆盖及光照条件等因素的限制；但是在对场景光照较强目标的强阴影检测和消除方面，该算法的准确率不高。

2.2 基于GMM的双重阴影检测策略

本文在建立混合高斯模型的基础上，提出了确定疑似阴影和进一步用GMM消除阴影的“双重”策略。这种双重算法首先去除视频图像序列中的背景区域，同时实现对运动目标及其阴影区域像素点的疑似阴影判决，然后再使用GMM对所得目标和疑似阴影像素群进行阴影消除(以下用GMM_S表示这一新的混合高斯模型)，如图1所示。这就减少了阴影检测中的像素点总数，在一定程度上降低了算法的复杂度。

图1 运动目标检测与阴影去除的顺序框图

首先进行疑似阴影的判定。通过理论分析发现，在阴影区域发生明显减弱变化的是背景亮度，而颜色色度变化很小，因此阴影区域和背景区域对应像素颜色夹角也会很小；所以通过颜色夹角的大小来判断当前像素是否为疑似阴影。这里用Xd=[IH(x,y),IS(x,y),IV(x,y)]和Xb=[BH(x,y),BS(x,y),BV(x,y)]分别表示场景中坐标(x,y)位置处当前前景像素和背景像素的颜色值，向量中的IH(x,y)、IS(x,y)、IV(x,y)与BH(x,y)、BS(x,y)、BV(x,y)分别代表相应的当前前景输入值Xd和背景像素值Xb的色度(H)、饱和度(S)和明度(V)。2种颜色的夹角为

(7)

当符合判决公式

α<τ

(8)

时,则判断该坐标处像素值是疑似阴影。

其中τ为根据实际环境自行选择的较小角度值。

然后，对判定为前景且疑似阴影的像素用一个新的高斯混合模型进行阴影消除，其过程如图2所示。

图 2 GMM_S去除阴影算法流程图

3 实验与分析

3.1 实验条件

在VS2008开发环境条件下，用分辨率为320×240像素的AVI视频序列进行目标检测分割，实验中使用4个高斯模型，初始化方差σ=32，学习速率θ=0.003，T=0.7，ωk,1=0.005[7]，使用计算机视觉函数库OpenCV，版本2.2。

3.2 结果与分析

试验中对不同环境下的多个视频进行实验分析。因篇幅所限仅选取其中一个视频，并取自该视频的第89帧和101帧的2幅图像进行目标提取和阴影检测，其算法结果说明，如图3所示。

(a)原始帧图像

(b)GMM目标检测

(c)YUV阴影消除

(d)色彩特征不变量阴影消除

(e)HSV阴影消除

(f)GMM_S双重阴影消除

图3(a)示出的是原始视频的2帧图像，图3(b)是GMM检测后的结果图。可以看出，通过GMM背景建模可以实现前景运动目标的检测和从背景中的分割，但是仅GMM模型不具备将阴影消除的功能。图3(c)体现的是基于YUV颜色空间的阴影消除算法效果。可以看出，此算法在实现阴影消除时，在运动目标的某些区域颜色与场景背景相似同时亮度比场景背景略低的情况下，效果不佳。在实验的其他场景中有时会发现某个目标被整体割裂成组合的几块。从图3(d)看出：基于色彩特征不变量的阴影消除模型，有时会把目标像素群中亮度比背景小的像素误检作阴影区域像素；在光照较强时，有时会将目标中的像素块整体检作阴影，导致所谓“空洞”的出现，误检情况较严重[8]。图3(e)是基于HSV色彩模型的阴影消除结果图。可以看出，其依然有少数的目标像素被误检为阴影区域，但与基于YUV模型、色彩特征不变量的方法比较而言，其整体效果要好于这二者。图3(f)是本文提出的基于GMM的双重阴影检测消除策略的结果图。通过多次实验发现，在不同的环境及光照下，它的阴影消除效果都较好，具有较低的误检率。

4 结论

本文首先引入混合高斯模型用于运动目标检测，然后分析了传统阴影检测方案存在的问题，进而提出一种基于混合高斯背景模型的双重阴影消除策略：在完成背景建模和目标检测后，通过颜色夹角初步判断是否为疑似阴影，再通过对疑似阴影和目标进行混合高斯建模从而实现更精确地判断并最终消除真实阴影。实验证明，对于不同条件下的阴影检测和目标分割，该方法比传统的基于HSV、YUV模型的阴影消除算法和色彩特征不变性消除算法具有更高的准确度。在实验中也发现，本文的GMM_S模型在应用时，要想提高其策略的效率需要尽可能多的阴影像素以利于参数的学习和更新，但是在许多视频场景中属于阴影的像素数目相对较少，在场景中所占比例也较低，覆盖同一片坐标区域的时间较短；因此，策略中参数学习效率总体不高。怎样提高这一参数的学习效率将在下一步研究工作中着重解决。

[1]Wei L, Nguyen A V, Lee E J. Real-time Recognition of Humans by Their Walk [J]. International Journal of Intelligent Information and Database Systems,2011,5(1)：24-38.

[2]赵钦君,赵东标,陆永华,等.一种基于时空信息的多目标检测新算法[J].仪器仪表学报,2011,32(4)：877-882.

[3]付诚,贾年.基于混合高斯模型和GPU的车辆闯红灯快速检测算法及实现[J].西华大学学报：自然科学版,2012,31(2)：9-14.

[4]康家银.一种改进的顾及像素空间信息的FCM聚类算法[J].仪器仪表学报,2009,30(1)：208-212.

[5]Gao D F,Jiang ZH L. A New Approach of Dynamic Background Modeling for Surveillance Information[C]// Proceedings of International Conference oncomputer Science and Software Engineering. Wuhan：Atlantis Press,2008：850-853.

[6]钟馄，路小波,施毅,等.一种基于YUV彩色空间的运动车辆阴影消除方法[J].交通与计算机,2007,25(3)：111-113.

[7]李明,赵勋杰.改进的基于高斯混合模型的运动目标检测算法[J].计算机工程与应用，2011,47(8)：204-206.

[8]闵华清,吕居美,罗荣华,等.基于GMM和MRF的自适应阴影检测[J].华中理工大学学报：自然科学版,2011,39(7)：115-120.