邸麗霞,唐 杰,彭晴晴,王 偉,鄧浩森
(北方自動控制技術(shù)研究所,太原 030006)
近年來,國外主戰(zhàn)坦克針對超遠距離的地面、空中對象檢測及跟蹤進行了深入的研究,這一動向表明,對象信息檢測及跟蹤技術(shù)的不斷發(fā)展已成為現(xiàn)代軍事指揮控制系統(tǒng)的發(fā)展動力之一;在國內(nèi),現(xiàn)代化軍事建設(shè)非常重視精確制導武器的研發(fā),對運動對象的檢測、跟蹤,由于可鑒別真假目標、精度高、可信度高等優(yōu)勢,具有很高的研究價值。
運動對象檢測是其他高級應(yīng)用如:特征描述、對象分類和對象跟蹤等的基礎(chǔ),具體功能是檢測視頻序列中是否存在相對于背景圖像運動的物體。針對運動圖像序列的對象檢測系統(tǒng),一般需要通過智能檢測和系列算法來排除背景因素,如:天氣、光照、陰影及背景中物體的周期性運動(樹葉擺動)等的干擾,該技術(shù)涵蓋了智能人工、模式識別、自控等多個方面,具有廣闊的應(yīng)用前景。
背景差分法是運動對象檢測的基本方法之一,分為建模背景與檢測前景兩個步驟。建模背景即通過背景模型的構(gòu)建還原真實的場景背景,背景模型的好壞決定了對場景中攝像機抖動、噪聲、樹葉擺動等的抑制程度;檢測前景則是通過原始圖樣與背景圖樣的差值與閾值的比較,確定運動對象的位置,差值大于閾值的區(qū)域為對象區(qū)域,差值小于閾值的區(qū)域為背景圖樣區(qū)域。該方法可較完整地獲取對象區(qū)域,算法簡單,且運算速度較快,但是背景模型未能實時更新,而在真實場景中,背景在各種因素影響下是不斷變化的,需要更好的方法實現(xiàn)背景圖樣的更新。
怎樣建立模型來充分描述環(huán)境中單模態(tài)和多模態(tài)的事物特性,讓模型更加接近真實場景,是用于檢測運動對象的背景差分法的研究重點。高斯建模根據(jù)具體的場景變化來更新背景,完成前景對象的檢測,是一種常用的背景建模法。對于背景相對穩(wěn)定的場景用一個高斯函數(shù)即可形容,而對于色彩相對分散的場景或運動對象則需混合高斯模型來形容。
設(shè)圖樣的平均灰度值為μ,平均均方差為σ,對原始圖樣的每個像素點的K 個高斯模型其方差及均值初始化,公式如下:
一般取N 為20~100。N 越大,像素點的高斯分布權(quán)重越大,方差越小,背景圖樣越接近真實狀態(tài),但相應(yīng)的運算速度會越低。
通常初始階段的場景不包含運動對象,第1 幀可用來對模型參數(shù)初始化,且?guī)瑪?shù)遞增時模型參數(shù)也可隨之自適應(yīng)更新。
高斯模型參數(shù)應(yīng)隨著場景的變化而實時更新,以此更加貼合真實背景。
1)根據(jù)式(5)來判斷每個像素點當前的像素值與模型匹配與否。
2)根據(jù)匹配結(jié)果,對應(yīng)地更新模型參數(shù):X與其K 個高斯函數(shù)若存在匹配,則X與其混合高斯模型匹配;反之,則不匹配。
更新當前幀的所有混合高斯模型參數(shù),按式(6)求權(quán)重值。
可將前B 個分布函數(shù)當作背景模型,之后的當作運動模型,式中,T 為背景像素點的高斯分布函數(shù)權(quán)重中的最小值,其取值非常重要,偏小時,模型會成為單高斯模型,偏大時,運動對象會被當作背景點。這里取T 為經(jīng)驗值0.85。
按式(8)將像素值X與前B 個分布函數(shù)進行匹配,若X與其中某一個函數(shù)相匹配,則該像素點可判斷為背景點;若無匹配項,則該像素點可判斷為運動對象點。
上面的算法由于要對多個像素點進行多個高斯函數(shù)的建立,算法及其復雜,對硬件配置要求極高。且該算法需儲存大量圖像序列來完成背景建模,此時背景的更新速度會相對較慢,當運動對象的速度或方向突然發(fā)生變化,有可能產(chǎn)生誤檢測,使運動對象出現(xiàn)拖尾;而當運動對象體積過大且速度較慢時,有可能會產(chǎn)生空洞。
針對上述算法的弊端,本文采用了優(yōu)化方法,即將三幀差分法融入其中。
首先,用三幀差分法來檢測變化的區(qū)域。
其次,采用面積法確定對象的存在與否。
檢測對象的初始,場景中一般不包含對象,但此時仍在進行背景建模及前景提取,浪費了大量系統(tǒng)內(nèi)存,導致實時性下降;且當有非運動對象的運動物產(chǎn)生時,易發(fā)生誤檢測。因此,采用面積法對三幀差分法得到的前景點進行檢測從而得到對象區(qū)域,可增強系統(tǒng)的實時性,同時剔除假的運動對象。
逐行掃描變化區(qū)域d,統(tǒng)計值為1 的數(shù)量,除以整幅圖樣的像素點個數(shù),得到的值設(shè)為閾值a%,當前景區(qū)域面積與當前幀的圖樣面積比大于a%時,認為運動對象存在,繼續(xù)下一步操作;反之則認為該前景區(qū)域為噪聲信息或是干擾對象,停止后續(xù)操作。本文中,對測試視頻的閾值a 取3。
最后,提取運動對象。
若判斷出當前圖樣中無運動對象時,僅將當前圖樣構(gòu)建背景模型即可;反之,則需對對象進行匹配與提取。
該算法流程如圖1 所示。
圖1 基于混合高斯模型的改進的背景差分法流程圖
本文采用的試驗視頻為IMB 官網(wǎng)下載的測試視頻,視頻中,一輛車勻速經(jīng)過,下頁圖2、圖3 是分別用通用方法和優(yōu)化后的方法得到的對象檢測結(jié)果。
從圖2 中對比可知,基于混合高斯模型的背景差分法檢測大而且慢的對象會丟失尾部信息,存在空洞,改進的算法則可檢測對象的絕大多數(shù)信息,檢測效果有較大的提升。
圖2 算法優(yōu)化前后對勻速車輛的實驗結(jié)果比較
在另外一段視頻中,一輛靜止的車突然啟動,圖3 為兩種方法得到的對象檢測結(jié)果。
從圖3 中對比可知,方法改進前的實驗結(jié)果中留有背景圖樣中車輛留下的“影子”,改進后的試驗結(jié)果中“影子”明顯消失了。
圖3 算法優(yōu)化前后對突然啟動車輛的實驗結(jié)果比較
此外,對文中提到的3 種檢測方法進行仿真實驗,得出如表1 所示的處理速度及直觀效果。
表1 3 種檢測方法仿真試驗對比分析
由表1 可見,本文中的改進算法在處理速度、檢測效果等方面有顯著效果。
背景差分法處理速度最快,但由于缺乏更新背景的機制,無法處理噪聲干擾;基于混合高斯模型的背景差分法對圖樣中每一個像素點均建立了多個高斯模型,以此形成背景模型,但是計算量大,導致處理速度變慢,無法實時處理;本文提出的用三幀差分法,來優(yōu)化基于混合高斯模型的背景差分法,優(yōu)化了混合高斯模型的背景更新機制,提升了處理速度,同時對大且慢及突變速度的對象,檢測效果有很大提升,該方法可借鑒于裝甲車輛的檢測研究。