基于背景差分法的模型改进方法研究

宋 伟， 张 力， 邓亚航

(昆明理工大学 信息工程与自动化学院，云南 昆明 650500)

基于背景差分法的模型改进方法研究

宋 伟， 张 力， 邓亚航

(昆明理工大学信息工程与自动化学院，云南昆明650500)

通过对图像处理中背景差分法的背景模型研究和分析，提出了一种能够自动更新速率值的混合高斯模型。通过仿真实验，对比了基于传统背景模型和改进后的背景模型的车辆检测效果，证明了提出的方法不仅具有更好的检测效果，而且具有更强的实时性和准确性。

图像处理; 背景差分法; 混合高斯模型

0 引 言

视频车辆检测的流程的第一步是通过数字图像采集系统拍摄视频图像并保存在硬件设备的内存或帧缓存中，将数字视频图像进行预处理(滤波除噪、形态学处理)操作，从而减小干扰噪声对图像检测结果质量造成的影响。根据某种方法进行交通道路车辆检测，使路面车辆的信息从图像区域内能够提取得到[1]，是在现阶段车辆检测研究中讨论的重要问题，其中背景差分法是一种现阶段在视频车辆检测中被广泛使用的方法[2]。背景差分法需要用即时输入帧图像与当前背景模型进行对比分析，而背景模型精确与否将直接影响整体检测效果，并需要根据实际的变化情况，及时调整进行背景的更新。所以需要使用一个不仅能够满足车辆检测实时性要求，而且在各种情况的干扰下具有很好鲁棒性的背景更新与提取方法，因此，创建有效、稳定的背景模型已然是背景差分法中最重要部分[3]。

1 混合高斯背景模型方法分析

为了减少干扰因素对建模过程造成的影响，加强背景模型的稳定性，且单个高斯模型几乎不可能对复杂的背景场景进行完整描述，选用混合高斯背景模型对建立的多个高斯模型场景中像素点各个特征值进行描述，完成背景建模[4～6]。高斯分布函数各个参数的更新[7]公式如下

wi,t=(1-α)wi,t-1+α

(1)

μi,t=(1-ρ)μi,t-1+ρXt

(2)

(3)

式中α为更新速率，一般取值为0<α<1，表示系统模型对图像中场景发生变化所作出反应的快慢情况；ρ为参数学习率，其值约等于方法更新速率与权重值相比

(4)

式中wi值通常情况下为固定值，因此，ρ的值由更新速率α的大小决定，当ρ值随着α值增大时，混合高斯模型的背景更新速度越快，表示背景模型对环境变化的适应能力越强；当ρ值随着α值减少时，混合高斯模型的背景更新速度越慢，表示背景模型对环境变化的适应能力越弱。由于混合高斯模型的更新速率α值在整个建模过程中是固定不变的，因此,会对检测结果造成很大的影响。

2 自动匹配更新速率混合高斯模型

更新速率α决定混合高斯模型的背景模型的效果，如果α的初始值较小，匹配的当前像素的高斯分布参数将在更新的过程中变化非常小，导致该高斯分布在整个模型中的作用不明显，无法构造出此刻所需要的背景，使背景建模时间拉长。如果α的初始值较大，初始建模速度就会加快，但此时与当前像素匹配的高斯分布始终占有非常大的权重值，导致高斯模型对噪声的抑制作用不能很好地体现[8]。如果希望建模能够达到较好的效果，则在建模初始化的阶段，应该赋予更新速率α较大的值，背景模型即可被快速建立；在背景模型被确立后，为了使背景模型稳定更新的同时还能较好地抑制噪声干扰，此时应该为α设定一个较小的值。

本文提出了一种能够自动匹配更新速度的混合高斯背景模型。基本原理是：通过于3个不同阶段对背景模型参数的更新速率设置不同值，不仅能够迅速地建立背景模型，又能使背景模型更新时不易受到干扰因素的影响，检测效果相对良好。

设定视频中前P帧图像为背景模型初始形成阶段的图像，为了能够较为迅速地构建背景模型，此时，更新速率取一个较大的值α1,即

α=α1,n<1/α1且n

(5)

式中n为视频图像序列当前流过的帧数。

随着背景模型的逐渐建立，为了确保模型的稳定性，当源图像帧数不断变大时，更新速率α值应该慢慢变小，此时更新速率为

α=1/n,n≥1/α1且n

(6)

当视频图像帧流过数量等于或大于设定的初始建模阶段的帧数阈值P后，则设置更新速率α2一个较小的定值

α=α2,n≥P

(7)

经过以上分析可知，在自适应更新速率的混合高斯模型的更新方法中，初始阶段图像帧阈值P的设定比较重要。如果P值太小，计算的图像帧数过少，造成初始背景模型不够稳定；如果P值太大，造成背景刷新过快，对后期的有效性和稳定性产生较大影响。通常P值设定在80～100帧，本文P为100，表示初始化建模阶段在前100帧图像中完成，因此,在这100帧图像中包含的大量背景信息足以使得一个可用的背景模型被建立[9]。自动匹配更新速率的混合高斯模型处理流程如图1所示。

图1 自动匹配更新速率的混合高斯模型处理流程

3 实验结果分析

将该背景建模方法用于背景差分法的背景模型建立过程中，并进行运动目标检测，改进后的方法能较好地检测出比较清晰和完好的目标，同时也可以较好地适应相对复杂的场景。混合高斯模型背景差分法与改进的混合高斯模型背景差分法的检测对比实验如图2所示。

图2 传统与改进后的混合高斯模型检测效果对比

实验中，传统混合高斯模型的更新速率a=0.005；自动匹配更新速率的混合高斯模型的n=100，P=200，α1=0.01，α2=0.001；2种方法的其他参数均相同。

由实验结果分析看出：通过对传统的混合高斯模型的更新速率进行改进，可以较为迅速地确定当前场景的背景，有效防止因为背景确定过慢导致的误检情况；当图像帧数大于设定的帧数阈值后，检测的车辆轮廓较传统的混合高斯模型方法要更清晰完整，说明改进后的自动匹配更新速率的混合高斯模型方法具有更好的准确性。

分别对传统混合高斯模型和本文方法经过形态学处理后的第160，240，400帧图像进行了车道提取，并对每条车道的占有率进行了计算。为了对2种方法的准确性进行度量，对以上3帧图像中的车辆进行了手动分割，并进行了车道提取，计算出了车辆手动分割后的车道占有率[10]。

表1 3种方法各车道车辆占有率 %

为了平衡地度量各车道上的车辆占有率情况，以整幅图像的面积大小为基数进行计算，因为在计算过程中车道总体可用面积的值恒定，计算的占有率的数据能够对各车道上的车辆交通情况进行准确、有效地度量。图中对应的各车道车辆占有率情况如表1所示。可以看出，相比于传统混合高斯模型，根据自动匹配更新速率混合高斯模型提取车道后计算的车道占有率更接近手动分割后计算车道占有率，因此,自动匹配更新速率混合高斯模型具有更好的准确性。

4 结束语

针对传统混合高斯模型更新速率固定不变的问题，提出了一种在不同的阶段更新速率不同的自动匹配更新速率的混合高斯模型，使得检测效果相对良好。实验数据是实现智能控制交通信号灯的依据。

[1] 李舜酩.智能车辆发展及其关键技术研究现状[J].传感器与微系统,2009,28(1):1-9.

[2] 钱 晋.基于背景差法的视频车辆检测方法研究[D].上海：上海交通大学,2007.

[3] 田晓明.智能监控系统中的背景建模方法研究[D].北京：北京邮电大学,2013.

[4] Chen Z,Ellis T.Self-adaptive Gaussian mixture model for urban traffic monitoring system[C]∥2011 IEEE International Confe-rence on Computer Vision Workshops (ICCV Workshops),IEEE,2011:1769-1776.

[5] 陈 勇.基于视觉传感器的道路前方车辆模型研究[J].传感器与微系统,2014,33(9):42-51.

[6] Benedek C ,Sziranyi T.Bayesian foreground and shadow detection in uncertain frame rate surveillance videos[J].IEEE Transactions on Image Processing,2008,17(4):608-621.

[7] 姜 晓.基于背景建模的TBB和CUDA并行策略研究[D].大连：大连理工大学,2014.

[8] 强继平.复杂环境下运动目标检测技术[D].长沙：国防科学技术大学,2009.

[9] 任克强,张盼华,谢 斌.自适应学习的混合高斯模型运动目标检测方法[J].计算机工程与设计,2014,35(3):968-974.

[10] 沈 峘.单目视觉车道线识别算法及其ARM实现[J].传感器与微系统，2008,40(2):209-213.

Researchofmodelimprovedmethodbasedonbackgroundsubtraction

SONG Wei， ZHANG Li， DENG Ya-hang

(SchoolofInformationEngineeringandAutomation,KunmingUniversityofScienceandTechnology,Kunming650500,China)

By studing and analyzing on background model of background subtraction method in image processing,a hybrid Gauss model which can automatically update the value of rate alpha is proposed.Through simulation experiments,the detection effect of the background model of traditional background model and the modified vehicle based on the comparison of the results prove that the proposed method not only has better detection effect real-time performance and accuracy,but also has a stronger.

image processing; background subtraction; Gaussian mixture model

10.13873/J.1000—9787(2017)10—0067—03

2017—06—28

TP 391

A

1000—9787(2017)10—0067—03

宋 伟(1990-)，男，硕士，研究方向为嵌入式设计与应用。