唐嵩濤　高尚兵

摘要：基于視頻圖像的運(yùn)動(dòng)目標(biāo)檢測(cè)是計(jì)算機(jī)視覺領(lǐng)域的熱點(diǎn)問題，背景差分法是目標(biāo)檢測(cè)經(jīng)典算法。本文提出高斯背景建模算法，該方法通過建立背景的高斯分布模型，來區(qū)分前景與背景，從而能更好地從背景中提取出前景目標(biāo)。

關(guān)鍵詞：目標(biāo)檢測(cè)；背景差分法；混合高斯建模

中圖分類號(hào)：TP18 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（2016）05-0229-02

Abstract：Moving object detectin in video sequence images is becoming a hot issue in computer vision. Background subtraction is the classic the moving object detecting method. the Gaussian background model method is used to detect the target in this paper. The background of the Gaussian distribution model is established to distinguish between foreground and background. Thus， the foreground targets are better able to be extracted from the background.

Key words： target tracking； the background subtraction； gaussian mixture model

背景差分算法實(shí)現(xiàn)簡(jiǎn)單，計(jì)算量比較小，它能夠提取出比較完整的目標(biāo)。在背景差分法的應(yīng)用中，在靜態(tài)背景下，背景差分法對(duì)單目標(biāo)的檢測(cè)的效果是很好的，但是涉及場(chǎng)景中出現(xiàn)多個(gè)目標(biāo)的情況，簡(jiǎn)單的背景差分還不能夠滿足目標(biāo)檢測(cè)的需要，假如沒有合適的背景模型的話，場(chǎng)景的改變就可能影響目標(biāo)檢測(cè)。由于之前也提出的背景的復(fù)雜程度以及各種干擾因素的存在，如光照突變、背景抖動(dòng)等。假如忽略背景的漸變性，差分結(jié)果很難達(dá)到理想檢測(cè)結(jié)果[1]。所以，在運(yùn)動(dòng)目標(biāo)檢測(cè)過程中，背景模型有很大的作用，所以在檢測(cè)中就需要建立恰當(dāng)?shù)谋尘澳Ｐ汀?/p>

對(duì)以上情況的考慮，本文在背景差分法的基礎(chǔ)之下，提出背景建模法來完成多目標(biāo)的檢測(cè)。背景建模法的基本思想就是通過對(duì)背景建立模型，在新一幀圖像出現(xiàn)時(shí)，與背景模型進(jìn)行一定條件的匹配，然后得出前景目標(biāo)。在背景差分法中最常見的方法就是高斯背景建模，所以，在本系統(tǒng)的設(shè)計(jì)中利用高斯背景建模法來完成多目標(biāo)檢測(cè)的任務(wù)。

1單高斯背景模型

2混合高斯背景建模

混合高斯背景建模對(duì)背景的要求很高，背景中很多的因素都有可能會(huì)導(dǎo)致背景的變化，從而會(huì)影響目標(biāo)的檢測(cè)效果。下面，主要分析一下背景變化的原因和混合高斯背景建模的具體實(shí)現(xiàn)。

2.1 背景變化的原因

檢測(cè)目標(biāo)的過程中，存在許多外在條件的影響。無論在室內(nèi)還是室外，會(huì)有許多外在條件引起背景的變化，因此在目標(biāo)檢測(cè)過程中，需要及時(shí)更新需要被比較的背景模型，以適應(yīng)背景的變化。造成背景變化的主要因素有以下幾類：光照條件的改變；背景擾動(dòng)；背景的改變；目標(biāo)遮擋問題。

以上因素給目標(biāo)檢測(cè)帶來很大的影響，會(huì)使背景建模及背景更新變難。研究者們也在不斷地探索如何避免這些因素的干擾。

2.2 混合高斯背景建模與更新

混合高斯背景模型是單高斯模型的改進(jìn)算法。單高斯模型把一個(gè)高斯分布當(dāng)做相應(yīng)某一像素值的概率密度分布。本文所用到的混合高斯模型是在單高斯模型的基礎(chǔ)上，用許多個(gè)高斯概率密度函數(shù)，把它們的加權(quán)平均計(jì)算出來，并用其表示不同形態(tài)的概率密度分布。

在了解高斯建模之前，要區(qū)分背景和前景的概念，背景其實(shí)就是事態(tài)發(fā)生的某一特定的環(huán)境，而前景是指假設(shè)背景靜止的情況下，環(huán)境中出現(xiàn)的任何有意義的運(yùn)動(dòng)物體[19]?；旌细咚贡尘敖５闹饕蝿?wù)就是前景檢測(cè)。本文混合高斯背景建模設(shè)計(jì)的主要思想就是建立背景模型，進(jìn)行背景差分運(yùn)算，并且不斷地更新背景模型，實(shí)現(xiàn)背景擬合。主要是想讓背景模型更加符合當(dāng)前幀的背景，以便把提取出前景模型。

混合高斯建模通過[K（K≥2）]個(gè)高斯模型描述每個(gè)像素點(diǎn)的性質(zhì)，模型建立好后，當(dāng)出現(xiàn)新的一幀圖像時(shí)，要更新背景模型，然后用當(dāng)前圖像中的像素點(diǎn)與所建立的模型進(jìn)行匹配，直到找到能與該像素匹配的模型，如果匹配成功，則該像素屬于背景，如果不成功，則該像素屬于前景[3]。

2.3 靜態(tài)背景下運(yùn)動(dòng)目標(biāo)檢測(cè)

本文實(shí)現(xiàn)的目標(biāo)檢測(cè)是在攝像頭固定，背景靜止的情況下實(shí)現(xiàn)的，利用混合高斯背景建模法將圖像分為背景和前景，利用2.2節(jié)背景建模方法對(duì)背景進(jìn)行建模，然后把當(dāng)前幀圖像和構(gòu)建的背景參考模型逐點(diǎn)進(jìn)行差分運(yùn)算，得到目標(biāo)前景。

混合高斯背景建模的具體分析：

（1） 首先，初始化高斯模型參數(shù)，將每個(gè)模型的均值、方差、權(quán)值設(shè)為0。

（2） 獲取理想的背景圖像。對(duì)于每個(gè)視頻中的前[N]幀，進(jìn)行背景建模。在建模過程中，要對(duì)第一個(gè)像素的參數(shù)值進(jìn)行初始化設(shè)定，一般情況下，將方差的值設(shè)置的大一些，權(quán)值設(shè)置的小一些。方差設(shè)置的大一些可以把盡可能多的像素包含在一個(gè)模型里，以便獲得更可靠的背景模型。

（3） 模型匹配，把當(dāng)前的像素與背景模型相匹配，區(qū)分前景和背景。在檢測(cè)完以后，若該像素被認(rèn)為是前景，對(duì)前景結(jié)果二值化，得出運(yùn)動(dòng)目標(biāo)[21]，并對(duì)結(jié)果進(jìn)行形態(tài)學(xué)去噪處理。

（4） 不斷更新背景幀，即把前一幀當(dāng)做是背景幀，才能實(shí)現(xiàn)動(dòng)態(tài)背景條件下運(yùn)動(dòng)目標(biāo)的檢測(cè)。、

3結(jié)束語

本文主要分析了單高斯背景模型的基本原理與建模過程，通過對(duì)原理的分析來了解單目標(biāo)檢測(cè)的具體實(shí)現(xiàn)方法。并且對(duì)混合高斯背景建模法的原理及其建模的步驟做了詳細(xì)的分析。

參考文獻(xiàn)：

[1]王春濤.基于背景差分法和光流法的視頻動(dòng)態(tài)目標(biāo)檢測(cè)與跟蹤[J].軟件導(dǎo)刊，2011（6）：145-147.

[2] Stauffer C， Grimson W. Adaptive background mixture models for real-time tracking[C]. IEEE International Conference on Computer Vision and Pattern Recognition， 1999： 246-252.

[3] 孫吉花.背景減除的算法研究[D].國(guó)防科學(xué)技術(shù)大學(xué)，2006.

[4] 黃超群.基于混合高斯模型和Kalman濾波器的運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤[D].云南大學(xué)，2010.