一种自适应的背景图像生成算法*

黄 卫 张 蔚

(1.内江职业技术学院 内江 641100)(2.北京联合大学 北京 100011)



一种自适应的背景图像生成算法*

黄 卫1张 蔚2

(1.内江职业技术学院 内江 641100)(2.北京联合大学 北京 100011)

运动物体检测是目标识别与分析中的关键技术,具有重要的理论和应用意义。论文在总结了运动物体检测技术发展现状的基础上,重点研究了背景生成算法,分析了基于高斯分布的背景模型,并根据该模型设计出一种自适应的背景图像生成算法。该算法采用迭代思想,高效易行。在不同交通视频图像上的实验结果验证了该算法的有效性和鲁棒性。

运动目标检测; 背景生成; 高斯分布; 背景模型; 自适应算法

Class Number TP391

1 引言

目前,视频监控系统被广泛应用于各个领域。无论是在智能交通领域还是安保安防领域,运动物体检测都是非常关键的技术,具有重要的理论和实用意义。以城市智能交通为例,主要通过在交通路口安装的摄像机获取视频监控信息,然后利用运动物体检测技术,对道路上的车辆进行检测计数、跟踪测速、判断变道等,为交通控制和交通违章管理提供主要依据。运动目标检测技术一般是通过检测指定的图像区域的变化来判定该区域是否有运动目标存在。目前常见的无监督的运动目标检测技术主要分为三种:光流法,帧差法和背景减方法[1～3]。其中光流法和帧差法主要计算视频中的当前帧与前一帧或前几帧图像之间的差异,并以此判断当前帧的某个像素是否对应运动目标[4]。这两种方法容易受运动目标纹理颜色和运动速率的影响,在运动目标运动速率过小并且目标自身内部颜色比较接近的时候,检测结果容易产生内部空洞[5]。背景减方法则是用当前帧图像减去背景图像(例如无车辆和行人出现的交通道路图像),根据差图像检测运动目标所在像素位置[6]。该方法检测结果精确,并且具有较强的鲁棒性,在检测精度要求高的场合下使用较多[7～8]。

背景减方法的核心在于生成当前场景下的背景图像。实际应用中光照、阴影、噪声等环境变化干扰给背景生成带来不小的挑战。背景生成算法一般以背景模型为理论依据,基于高斯分布的背景模型原理直观明确,下文中对其进行了理论分析和数学推导论证。

2 背景图像的高斯分布模型

单高斯分布背景模型的更新即指各图像点高斯分布参数随时间t的变化而更新。引入表示更新快慢的常数——更新率a,则该点高斯分布参数的更新可表示为

μt+1=(1-a)·μt+a·Xt

(1)

(2)

如果取更新率为100%,则背景模型方法退化为帧差法。

3 自适应递归算法

单高斯分布背景模型中的参数μ可以看作背景图像的灰度值。我们定义t时刻的背景帧图像为B(t),前一帧的背景帧和前景帧分别为B(t-1)和I(t-1),则式(1)可以写为

B(t)=(1-a)*B(t-1)+a*I(t-1)

(3)

其中,0

(4)

有:

(5)

再由式(3)递推有:B(2) =(1-a)B(1)+aI(1)

(6)

B(3) = (1-a)B(2)+aI(2)

(7)

B(t) = (1-a)B(t-1)+aI(t-1)

(8)

其中,t≥2。

对上式进行分析,可写为

+a(1-a)t-2I(1)+a(1-a)t-3I(2)

+…+aI(t-1)

(9)

其中,t≥2,B(t)为对根据第1～t帧视频采样图像生成的背景图像,I(t)为第t帧前景图像。

将公式的后半部分a(1-a)t-2I(1)+…+aI(t-1)表示为A(t),其计算可用递归算法实现。

令A(1)=0,则有:

A(t)=(1-a)A(t-1)+aI(t-1)

(10)

令S(t)=I(1)+I(2)+…+I(t),则背景生成公式可写为

(11)

4 实验结果及分析

对自适应的背景生成算法用Matlab进行编程实现,实验地点为内江市东桐路,从天桥上拍摄下方道路高清图像进行算法测试。视频中在道路行驶的包括机动车、非机动车,路边人行道有以上课学生为主的行人通过,整段视频时长1min20s,如图1显示了该视频在第30s和第60s处的截图。

设置采样迭代次数为50,分别改变插值系数a和采样间隔s进行实验。

图1 视频截取图像

其中插值系数a取值为0～1,插值系数越小,当前帧对背景图像生成的贡献越小,如果a=0,则背景图像退化为所有采样图像帧的平均值。固定采样间隔s=10,改变插值系数a为0.01,0.02,0.03和0.05,得到背景图像如图2所示。

图2 固定采样间隔s=10, 改变插值系数a的背景生成图像

由图2比较可以看出,随着a增大,停靠在右侧路边白色车辆附近路过的出租车拖影越来越不明显。但是天桥正下方,过路车辆的拖影则越来越明显。整个道路背景效果,以a=0.03时为最佳。

固定插值系数a=0.03,改变采样间隔次数s为2,5,10,20,得到背景图像如图3所示。

图3 固定插值系数a=0.03, 改变采样间隔s的背景生成图像

由图3比较可以看出,采样间隔s=2时,道路汽车拖影最大,随着s增大,道路汽车拖影减小,当s=20时,尽管道路上汽车拖影小,但是天桥左下方一辆摩托车的影像显现,那是因为视频中段正好有一辆摩托车在天桥左下方做过停留。整个图像背景效果,以s=10时为最佳。

设置插值系数a=0.03,采样间隔s=10,改变采样迭代次数为100。于上述50次迭代计数方式进行对比,得到背景图像如图4所示。

图4 迭代分别为50和100时的 次数的背景生成图像

由图4比较可以看出,50次迭代的生成结果优于100次迭代的生成结果,后者对天桥左下方的摩托车处理效果不佳,而且路面处理效果不如前者。

将此算法用于同一天桥另一侧道路视频录像处理,设置插值系数a=0.03,采样间隔s=5,改变迭代计数,得到背景图像如图5所示。

图5 天桥另侧背景生成图像

由图5比较可以看出,算法对背景中运动车辆和行人处理效果较好,能成功提取背景图像。不同的迭代次数,可能产生不同的处理效果。

由上述实验可以看出,这种基于高斯分布模型的自适应背景生成法可以很好生成背景图像,为了得到最佳图像效果,可以改变迭代次数、插值系数、视频采样间隔帧数,不同视频可能有不同的最佳参数。

5 结语

图像背景生成在图像处理中具有非常重要的意义,本文提出的基于高斯分布模型的自适应背景生成法对常用的背景减法进行优化,实现了运算效果和效率的平衡。模型参数简单,算法实时性好,能够在较短时间生成较为清晰的交通监控背景图像。

[1] 王彬,冯远静,郭海峰,等.交通场景中车辆的运动检测与阴影消除[J].中国图象图形学报,2012,17(11):1391-1399. WANG Bin, FENG Yuanjing, GUO Haifeng, et al. Adaptive Background Updating and Shadow Detection in Traffic Scenes[J]. Journal of Image and Graphics,2012,17(11):1391-1399.

[2] Tanaka K, Saji H. Vehicle extraction from aerial images using voting process and frame matching[C]//Proceedings of IEEE Intelligent Vehicles Symposium,2007:433-437.

[3] Lin P Q, Xu J M, Bian J Y. Robust vehicle detection in vision systems based on fast wavelet transform and texture analysis[C]//Proceedings of IEEE International Conference on Automation and Logistics,2007:2958-2963.

[4] 王欢,邢丽冬,钱志余,等.基于改进的高斯混合模型的运动物体检测[J].计算机技术与发展,2012,22(12):139-141. WANG Huan, XING Lidong, QIAN Zhiyu, et al. Moving Target Detection Based on Improved Gaussian Mixture Model[J]. Computer Technology and Development,2012,22(12):139-141.

[5] 许崇博,王美华,谭志标.自适应车流方向的跨道行人检测[J].计算机工程,2011,37(21):141-143. XU Chongbo, WANG Meihua, TAN Zhibiao. Crossing Pedestrians Detection Adapted to Traffic Flow Direction[J]. Computer Engineering,2011,37(21):141-143.

[6] 温雯,郝志峰,邵壮丰.结合分水岭机制的有监督图像背景分割算法[J].计算机工程与应用,2011,47(21):205-209. WEN Wen, HAO Zhifeng, SHAO Zhuangfeng. Supervised background segmentation algorithm combined with watershed mechanism[J]. Computer Engineering and Applications,2011,47(21):205-209.

[7] 李全民,张运楚.自适应混合高斯背景模型的改进[J].计算机应用,2007,27(8):2014-2017. LI Quanmin, ZHANG Yunchu. Improvement on adaptive mixture Gaussian background model[J]. Computer Applications,2007,27(8):2014-2017.

[8] 陈雷,张荣国,胡静,等.改进的混合高斯模型及阴影消除方法[J].计算机应用,2013,33(5):1394-1397,1400. CHEN Lei, ZHANG Rongguo, HU Jing, et al. Improved Gaussian Mixture Model and Shadow Elimination Method[J]. Journal of Computer Applications,2013,33(5):1394-1397,1400.

[9] 范文超,李晓宇,魏凯,等.基于改进的高斯混合模型的运动目标检测[J].计算机科学,2015,42(5):286-288,319. FAN Wenchao, LI Xiaoyu, WEI Kai, et al. Moving Target Detection Based on Improved Gaussian Mixture Model[J]. Computer Science,2015,42(5):286-288,319.

[10] 王正勤,刘富强.自适应背景提取算法的比较[J].计算机工程,2008,34(23):220-223. WANG Zhengqin, LIU Fuqiang. Comparison of Adaptive Extract Algorithm of Object Scene[J]. Computer Engineering,2008,34(23):220-223.

[11] 王爱丽,董宝田,王泽胜.融合光流速度场与背景差分的自适应背景更新方法[J].中国铁道科学,2014,35(6):131-137. WANG Aili, DONG Baotian, WANG Zesheng, et al. Adaptive Background Updating Based on Optical Flow and Background Difference[J]. China Railway Science,2014,35(6):131-137.

[12] 高晓丹,魏婉华.基于高斯分布的自适应红外图像增强算法[J].红外技术,2014,36(5):381-383. GAO Xiaodan, WEI Wanhua. An Adptive Enhancement Algorithm Based on Gaussian Distribution for Infrared Image[J]. Infrared Technology,2014,36(5):381-383.

An Adaptive Background Generation Algorithm

HUANG Wei1ZHANG Wei2

(1. Neijiang Vocational and Technical College, Neijiang 641100)(2. Beijing Union University, Beijing 100011)

Moving object detection is a key technology of object recognition and analysis, which has great significance in theory and practice. This paper summarizes the current situation of moving object detection technics developing and focuses on the research of background generation algorithm. The background model based on Gaussian distribution is analyzed, according to which an adaptive background generation algorithm is designed. This algorithm which adopts iteration idea is efficient and feasible. The experiment results on vary traffic videos prove the efficiency and robustness of the algorithm.

moving object detection, background generation, Gaussian distribution, background model, adaptive algorithm

2016年7月19日,

2016年8月31日

黄卫,女,硕士,讲师,研究方向:通信工程、信息处理。张蔚,女,博士,讲师,研究方向:图像处理、自然语言处理、模式识别与机器学习等。

TP391

10.3969/j.issn.1672-9722.2017.01.036