一种基于帧间差分的混合高斯背景建模

李 炜，张晓滨（西安工程大学计算机学院，西安　710048）



一种基于帧间差分的混合高斯背景建模

李 炜，张晓滨
（西安工程大学计算机学院，西安710048）

摘 要：根据武警勤务视频监控系统对实时性的要求，在混合高斯建模的基础上，提出一种基于帧间差分法的混合高斯背景建模方法。该方法通过帧间差分法把图像分为感兴趣区域和非感兴趣区域，对不同区域采用不同的更新方法，降低了资源利用率和计算复杂度，提高了背景重建的速度，从而提高了目标检测的响应速度，保证了实际应用需求。

关键词：混合高斯建模；减背景法；帧间差分法；自适应更新；目标检测；响应速度

1 引 言

目标检测的方法一般有：光流法、帧间差分法、减背景法［1-4］。其中光流法携带了丰富的运动目标信息，能够快速的适应场景的变化，但是由于存在计算耗时的问题，不能满足实时系统的要求。帧间差分法的基本原理就是相邻帧的图像对应像素点的灰度值相减，通过差分图像进行二值化处理以确定运动目标。帧间差分法的主要优点是［5］：算法实现简单，程序复杂度低；不存在背景获取、更新和存储的问题，对场景中光线的变化不太敏感，实时性好。减背景法基本思路是从当前图像中减去参考图像，是研究的热门。

跟据武警勤务视频系统对实时性的要求，首先通过分析混合高斯建模特点，提出一种改进混合高斯建模方法：首先利用帧间差分法，把图像分为目标感兴趣区域和非感兴趣区域，对感兴趣区域及目标运动区域采用混合高斯的背景方法，对于非感兴趣区域采用单高斯建模，随着图像学习会逐渐聚集出一片固定区域，然后在这个区域采用自适应的混合高斯建模。

2 混合高斯建模

图像中各个像素点的特征用K个高斯模型表示，当获得新一帧图像后更新混合高斯模型，用当前图像中的每个像素点与混合高斯模型匹配，如果成功则判定该点为背景点，否则为前景点［6］。高斯模型主要由方差和均值两个参数决定，的学习采取不同的机制，将影响模型的稳定性、精确性和收敛性。混合高斯模型的数学表达为：

一般K取3-5之间，ωi，t是t时刻第i个部分的权重，η（Xt，μi，t，∑i，t）是t时刻第i个部分的高斯函数，μi，t和∑i，t分别表示像素的均值和协方差矩阵。

在实际使用中，为了简化计算，常使用K-means聚类方法近似实现匹配和更新。当输入像素满足匹配条件|X-μi|〈2.5σi时，将其归入该高斯模型，在检测完前景之后，需要根据判定的像素前、背景属性对高斯模型进行更新。若K个高斯分布中没有一个与之匹配，该像素被认为是前景，则用一个新的高斯分布取代权重最小的高斯分布。新分布的期望值即为当前像素值，同时为它分配一个较大的初始方差和较小的初始权重。针对光线变化的问题及匹配成功，则按照如下方法更新模型各参数。

对于不匹配的各模型，保持它们的均值和方差不变，权值更新为：

通过上面描述可以知道，第一，在背景重建时高斯混合建模是用K个高斯模型来表征每个像素。第二，对于高斯背景模型的更新采用迭代式，对新进入的每一帧图像和背景帧比较进行更新，规则如上式（3）、（4）、（5）、（6）所示。而在实际的监控场景中视频画面在一段时间内保持相对稳定，相邻的几帧图像在没有运动物体的闯入时它们的像素值几乎没有变化。如果我们采用传统混合高斯建模的方法会造成很大的资源浪费，增加计算复杂度。

此外，混合高斯背景建模方法大多采用固定高斯成分个数的方法，像素混合高斯模型中的每个高斯成分对应场景的一个状态。对于一幅图像而言并非所有的像素都由K个高斯模型混合组成，场景中大多数区域只需要一个高斯成分就可以表示，而在那些频繁变化的区域像素混合高斯模型中的高斯成分个数会自适应地由一个增加为两个甚至三个［7］。

3 混合高斯模型的改进

高斯混合模型的提出是为了解决单高斯模型的局限性，单高斯模型是用一个高斯分布来表示每个像素，这样的缺点是不利于背景与目标的分离，容易造成较高的虚警率。换句话说，在没有运动物体的背景模型中采用单高斯建模完全可以表示背景［8］。结合上述，对混合高斯模型的改进提供了一种思路。首先通过相邻两帧差分，把图像分为目标感兴趣区域和非感兴趣区域，对于非感兴趣区域采用单高斯建模，对于背景的更新可采用在线定时更新。

对感兴趣区域及目标运动区域采用混合高斯的背景建模方法，具体实现方法如下：

（1）初始，给每个像素的混合高斯模型设置一个高斯成份；

（2）对于目标感兴趣区域：随着场景的变化，当像素的高斯模型与当前像素值不匹配时，则自动地增加一个以当前值为均值的初始高斯成分。依次类推，直到该像素混合高斯模型中的高斯成分个数达到设定的最大值，此时用以当前像素值为均值的新的高斯成分代替该像素混合高斯模型中排在最后一个的高斯成分。

（3）删除过期的高斯成分：在模型更新完成后，根据下式判断每个像素混合高斯模型中的最后一个高斯成分是否过期，如果过期则删除。

其中，ωij，t代表某个高斯成分的权重，ωinit代表初始权重，σij，t代表某个高斯分布的方差，σinit代表初始方差。

4 试验与总结

经实验表明，采用上述方法，节省了计算资源，提高了运行速度，图1给出了传统高斯混合建模和本文提出的自适应高斯建模，在几种标准视频库（PETS2000、Campus、Suburb）上测试的结果。实验初始化时在第1帧场景中每个像素的混合高斯模型只设置一个高斯成份，在所有测试序列中所采用的参数如下：Kmax=3，α=0.001，σinit=30，ωinit=0.05，δ=2.5。其中横坐标为几种标准视频库，纵坐标为处理所需的时间。

从图1可以看出，本算法和传统高斯建模的处理速度相比有显著提高。其中，随着背景复杂程度的增加，每个像素的混合高斯模型需要更多的高斯成分，因此复杂场景背景建模（如序列Suburb）的处理时间会随之增加。

算法的改进，在勤务视频监控平台中具有一定的实用价值，它可以帮助执勤官兵对非法入侵的物体或人做出快速反应，提高他们的执勤效率。

图1 改进的MOG与传统的MOG算法的处理速度

总之，通过使用帧间差分和自适应高斯模型对高斯背景建模算法的改进缩短了建模所需的时间，从而缩短了目标检测响应所需的时间，满足了武警勤务对视频实时性的要求。

参考文献：

［1］Barron J，Fleet D，Beauchemin S.Performance of optical flow techniques［J］.International Journal of Computer Vision，1994，12（1）：42-77.

［2］Shahrizat Shaik Mohamed，Nooritawati Md Tahir.Background Modeling and Background Subtraction Performance for Object Detection［J］.2010 6th International Colloquium on Signal Processing & Its Applications（CSPA），2010：236-241.

［3］Rauf Kh，Sadykhov.Background Substraction in Grayscale Images Algorythm［J］.The 7th IEEE International Conference on Intelligent Data Acquisition and Advanced Computing Systems：Technology and Applications，2013，12（14）：425-428.

［4］Senst T，Evangelio R H，Sikora T.Detecting people carrying objects based on an optical flow motion model［A］.2011 IEEE Workshop on Applications of Computer Vision ［C］.IEEE，2011：301-306.

［5］陈俊超，张俊豪，刘诗佳，陆小锋.基于背景建模与帧间差分的目标检测改进算法［J］.计算机工程，2011 （S1）：171-173.Chen Junchao，zhang jun-hao，Liu Shijia，Lu Xiaofeng.target detection based on background modeling and interframe difference algorithm［J］.Computer Engineering，2011（2）：171-173.

［6］GuanY-P.Spatio-temporal motion-based foreground segmentation and shadow suppression［J］.IEEE Transactions on IET Computer Vision，2010，4（1）：50-60.

［7］陈世文，蔡念，唐孝艳.一种基于高斯混合模型的运动目标检测改进算法［J］.现代电子技术，2010，33（2）：125-130.ChenShi-wen，CaiNian，Tang Xiaoyan.A moving target detection algorithm based on gaussian mixture model［J］.Journal of modern electronic technology，2010，33（2）：125-130.

［8］陈建凯，陈继荣.适应场景亮度快速变化的背景重建算法［J］.计算机工程与应用，2010，46（8）：183-186.Chen Jiankai，Chen ji-rong.to adapt to the scene brightness rapidly changing background reconstruction algorithm ［J］.Computer engineering and application，2010，46（8）：183-186.

A Mixed Gauss Background Modeling Based on Frame Difference

Li Wei，Zhang Xiaobin
（School of Computer Science，Xi’an Polytechnic University，Xi’an 710048，China）

Abstract：By analyzing the principle of Gaussian mixture modeling and combined with the armed police service requirement of real-time video monitoring system，a method for mixed Gaussian background modeling，based on inter-frame difference one，is put forward in this article，which divides the image into interest areas and non interest ones by the frame difference method，employs different updating method for different areas to reduce the use of the resources and computation complexity，and increases the speed of background reconstruction to improve the response speed of the target detection and ensure the needs of practical application.

Key words：Gaussian mixture modeling；Subtract background method；Frame differential method；Adaptive updating；Target detection；Response speed

DOI：10.3969/j.issn.1002-2279.2016.02.018

中图分类号：TP391

文献标识码：A

文章编号：1002-2279（2016）02-0070-03

作者简介：李炜（1990-），男，陕西省礼泉县人，硕士研究生，主研方向：信息系统的开发与研究。

收稿日期：2015-05-21