铁路视频监控中运动目标检测算法研究

李 露,詹 强

(1.兰州交通大学 电子与信息工程学院,甘肃 兰州 730070;2.柳州铁道职业技术学院 信息技术学院,广西 柳州 545616)

铁路视频监控中运动目标检测算法研究

李 露1,詹 强2

(1.兰州交通大学 电子与信息工程学院,甘肃 兰州 730070;2.柳州铁道职业技术学院 信息技术学院,广西 柳州 545616)

运动目标的正确检测影响着运动目标能否被正确跟踪与分类,因此成为视频监控系统研究中的一项重要课题。文中对运动目标检测算法进行研究,实现对铁路沿线前方目标的有效识别,针对得到的视频序列,通过混合高斯模型进行背景建模,并与混合差分算法结合实现前景的提取与检测。通过与混合差法相比较,其仿真结果表明,该算法具有一定的可行性。

目标检测;视频监控;背景建模

近年来,我国高铁及各客运专线的开通,运输的安全性备受关注。由于铁路沿线较长,线路较多,给维护和排查工作带来困难。而综合视频监控系统在铁路上的应用,有效地解决了这一问题[1]。

运动目标检测涉及计算机视觉、模式识别以及机器学习等多个领域,是监控系统中的基础问题,其性能将决定整个视频监控系统的性能。对于提高视频监控系统的智能化程度,提高视频监控系统效率和降低视频监控系统成本具有重要意义。因此,许多学者对此进行了长期的研究,取得的成果包括帧间差分法[2]、光流法、背景减除法等多种运动目标检测技术[3]。其中,背景减除法一直是运动目标检测技术中研究较多的方法,其关键在于背景建模,典型算法有中值滤波、高斯模型、多模态均值等。而混合高斯模型(Gaussian Mixture Model,GMM)是背景建模中使用最多的一种模型,已成为一种标准模型。文献[4]提出了一种混合高斯模型与帧差法相结合的目标检测算法,而本文采用混合差分法与混合高斯模型结合的方法,利用Matlab进行仿真,仿真结果表明算法的效率和可行性。

1 混合高斯背景模型

背景模型主要有单模态和多模态两种,前者在每个背景像素点上的颜色分布较为集中,可用单分布概率模型来描述,后者的分布则较分散,需要多分布概率模型来共同描述。在许多应用场合,如水面的波纹、摇摆的树枝、飘扬的旗帜等,像素点值都呈现出多模态特性,最常用的描述场景背景点颜色分布的概率密度模型是高斯分布[5]。单高斯分布背景模型适用于单模态的背景,其将每个像素点的颜色值分布用单个高斯分布表示,其只能处理有微小变化与缓慢变化的简单场景,当较复杂场景背景变化较大或发生突变,或背景像素值为多峰分布时,背景像素值的变化较快,并非由一个相对稳定的单峰分布渐渐过渡到另一个单峰分布,这时单高斯背景模型就不能准确地描述背景,可根据单模态的思想方法,用多个单模态的集合来描述复杂场景中像素点值的变化,混合高斯模型正是用多个单高斯函数来描述多模态的场景。

1.1 混合高斯模型的建立

混合高斯模型法也称为统计背景模型法。该算法的思想是对于缓慢变化的背景,可用正态分布来表征像素灰度值的变化[2]。每一种背景像素的值均可通过多个高斯分布的加权和来描述。在混合高斯模型中,对于t时刻像素的样本值,其概率密度函数由K个多维高斯分布函数的概率密度函数加权和来表示

(1)

(2)

1.2 参数的更新

对获取的当前帧的各个像素值分别与已经存在的K个高斯分布依次进行匹配,匹配条件为

(3)

根据当前像素值是否与现有的混合高斯分布模型相匹配,背景模型有以下两种更新策略:若匹配不成功时,则去掉概率最小的高斯分布,根据新到像素值增加一个新分布。定义新分布的均值为当前像素值,且最初赋予较大的方差和较小的权重。在时刻t,现有的K个高斯分布的优先权重,按式(4)进行调整

ωk,t=(1-α)ωk,t-1+α(Mk,t)

(4)

式(4)中,α(0≤α≤1)表示参数更新率,其大小决定着背景更新的速度。Mk,t的选取在于是否存在匹配模型,匹配时,Mk,t=1;否则Mk,t=0。调整权重后,需对各个高斯分布的权重通过式(5)进行归一化处理

(5)

同时,满足条件

(6)

若匹配成功时,对匹配模式的第i个高斯分布的参数更新如下

μi,t=(1-β)μi,t-1+βxi,t-1

(7)

(8)

1.3 背景估计

背景模型估计的思路是:首先对每个像素点的K个高斯分布按照ω/σ值降序排列,最有可能出现的背景分布将保持在序列的顶部,而不太可能出现在瞬间的背景分布将更倾向于存放在序列的底部,并最终被新的分布所替换。选择前B个高斯分布作为背景像素的最佳描述

(9)

其中,T是一个根据经验选取的固定阈值准备与否取决于背景被观测时间占整个观测时间的比例。一般的,0.5≤T≤1,本文选取T为0.5。

1.4 前景分割

在时刻t,对与上述B个高斯分布进行匹配检验,若与前B个高斯分布的任意一个匹配,则像素为背景点;否则为前景点,进行完成运动目标的检测。

2 混合差分法

为了完整地提取出运动目标的区域和轮廓,避免“双影”和“空洞”现象的出现,本文在传统的相邻帧间差分法的基础上进行了改进,提出了混合差分法。其算法思想是保存当前帧的前3帧图像,将这4帧相邻图像作为一组进行混合差分运算,即通过当前帧与其前3帧图像分别进行两两差分,从而确定完整的运动目标区域。其具体步骤如下:

(1)设第k-3帧、第k-2帧、第k-1帧、第k帧图像像素在分别为Ik-3(x,y)、Ik-2(x,y)、Ik-1(x,y)和Ik(x,y)。将其分别进行两两差分,得到差分图像如下

(10)

(11)

(12)

(2)选取合适的阈值,对步骤(1)中的差分图像进行二值化处理,得到二值图像的表达式

(13)

其中,n=1,2,3。T表示选取的分割阈值,T的大小取决差分图像的方差。

(3)将上步中的二值图像按像素位进行逻辑“与”运算,得到准运动目标区域表达式如下

(14)

3 混合高斯模型与混合差分法的融合

算法核心主要由混合差法、高斯背景建模与更新组成。首先,将视频序列进行混合差法得到差分图像,分别对其中每个像素点进行混合高斯建模和初始化。通过混合高斯模型的判断处理得到含有运动目标的二值图像,然后和混合差分所得运动目标图像进行逻辑“与”运算,最后再进行必要的后处理,其算法流程如图1所示。

图1 算法流程图

4 仿真及结论

采用本文方法,在Matlab仿真平台上得到的结果如图2和图3所示。

图2 采用混合差分法

图3 采用本文提出的算法

由于拍摄的晃动性,一些背景随着时间的不同,位置也有所不同。从图中可以看到,利用混合差分法所得到运动目标不够完整,而采用本文所提出的算法,运动目标被相对完整地提取出来。

[1] 伊益华.铁路视频监控系统技术分析及应用[J].信息技术,2014(11):52-54.

[2] 华媛蕾,刘万军.改进混合高斯模型的运动目标检测算法[J].计算机应用,2014,34(2):580-584.

[3] 董小舒.视频图像目标检测与识别算法优化[D].南京:南京理工大学,2012.

[4] 刘鑫,刘辉,强振平.混合高斯模型和帧间差分相融合的自适应背景模型[J].中国图像图形学报,2008,13(4):729-734.

[5] 万卫兵,霍宏,赵宇明.智能视频监控中目标检测与识别[M].上海:上海交通大学出版社,2009.

[6] 崔学超.基于减背景和混合差分的运动目标检测算法[J].电子科技,2010,23(10):85-88.

[7] 武智霞,王化,王沛.基于H.264压缩域的运动目标检测算法[J].电子科技,2010,23(7):4-6.

[8] 陈文会,张晶,樊养余,等.一种基于背景减法和帧差的运动目标检测算法[J].电子设计工程,2013(3):24-26.

Research on Algorithm of Moving Target Detection in Railway Video Surveillance

LI Lu1,ZHAN Qiang2

(1.School of Electronic and Information Engineering,Lanzhou Jiaotong University,Lanzhou 730070,China;2.School of Information Technology,Liuzhou Railway Vocational Technical Collage,Liuzhou 545616,China)

The correct detection of moving targets ensures their correct tracking and classification.Thus it becomes an important subject in the study of the video surveillance system.This paper focuses on the research of the moving targets detection algorithm to achieve the recognition of the target ahead along the railway.First,background modeling is carried out on the video sequence through the Gauss mixture model,and together with the hybrid differential algorithm the prospects are extracted and detected.A comparison of the algorithm with the hybrid differential algorithm shows that the algorithm proposed in this paper has certain feasibility.

target detection;video surveillance;background modeling

2014- 10- 30

李露(1992—),女,硕士研究生。研究方向:铁路视频监控中运动目标的检测。E-mail:514409130@qq.com。詹强(1981—),男,硕士,讲师。研究方向:无线通信。

10.16180/j.cnki.issn1007-7820.2015.05.008

TP275

A

1007-7820(2015)05-027-03