第2期 李文斌等:一种基于背景减法的运动目标检测算法 213. 过程复杂,模型参数的选取对其检测效果影响较大, 像帧数为N,则具体的学习过程如下, 提取出的背景会有“鬼影”(ghost)现象;当光线突然 (1)for t=l to N do: 变化(如开关灯引起的光照变化)时,其检测常常出 (i)设t时刻坐标为(i,j)的像素I.,的RGB 错.此外还有一些基于预测估计的背景建模方法, 值为(r,g,b:) Kalman滤波方法[]是这类方法的代表,它对噪声有 (i)搜索M,中与I,.,相匹配的模型M,,k, 较强的抑制作用,模型参数的选取对背景的提取影 匹配条件为: 响较小:但当背景的变化较快时,这种方法的出错几 Ir-ri.j.+lg-gi.j.+b-bi.jT 率就会大大增加. (1) 针对上述这些问题,本文提出了一种基于背景 式中,T中为匹配阈值,可由经验设定 减法的运动目标检测算法:通过无拘束学习方式迅 (i)如果【,,与当前模型mk匹配,则对mk 速建立多个可靠的背景模型,然后在运动目标分割 作如下更新: 过程中,及时地根据场景变化对背景模型进行更新, ri.j.kri,j,k(1一a)十a,: 同时利用色度信息及局部邻域交叉嫡信息去除阴 gi.j.kgi.小k(1一a)十g; 影,得到较为完整的运动目标,实验表明,该算法简 bi.j.&bi.j.(-a)ab 单并且快速有效,对场景的各种变化有较强的适应 counti.j.十十; 能力,可应用在室内室外的多种场合, if (0 and count i.j.count i.j.1) 1背景建模 then mi.j.kmi.j.k-1; 1.1基于RGB颜色空间的背景模型 其中,α为更新速率,其大小决定了背景模型适应场 RGB颜色空间由图1所示,设背景图像为像素 景缓慢变化(如日照变化)的快慢,m,,k二m,j,k-1 集合D,且D={d,i0<H,0<j<W,其中,i 表示将mi,,k与m,,k-1调换位置 (iv)如果M,=)或找不到相匹配的模型,则 表示像素纵坐标,j表示横坐标.H和W分别表示 图像的高和宽,d,为像素的RGB值.本算法采用 建立新模型mew一(Tew,gew,bnew,count pew),并进 以下四个分量描述背景模型:r为d,的R通道色 行初始化: 彩分量;g为d,的G通道色彩分量;b为d,的B Tnew←TL; 通道色彩分量;count为匹配次数, gnew←gi bnew←bi; count new←l. (2)学习完毕后,应该将含有运动目标信息的 模型去除,由于匹配次数counti.,的多少恰好反映 了模型m,,所描述的RGB值在过去N帧图像中 -G 所“出现”的次数,由此可以断定,由运动目标像素所 创建的模型的匹配次数是很少的,上述学习过程所 R 得到的模型集合M中,元素m,k是按照匹配次 图1RGB颜色空间示意图 数counti,,k的值从多到少排列的,所以适当设定一 Fig-1 RGB color space 个K值,保留M,中前K个模型(通常K取3~ 考虑到背景会存在一些扰动(如晃动的树枝、闪 5),就能得到背景的基本信息,同时将不可靠的模型 耀的屏幕、波动的水面、风吹动的窗帘等),应该用 去除 3~5个模型来描述背景像素 由于M,j,0是每个坐标点(i,j)上匹配次数最 1.2背景学习过程 多(即匹配概率最大)的模型,所以可以用M,,0中 在背景模型的学习阶段,采用无拘束学习方式, 的ri0,g.0,bi.0进行背景重建.此外,在上述 即在学习过程中,允许运动目标及扰动的存在,设 K个模型的基础上,还应该增加一个临时模型 用n个模型对坐标为(i,)的背景像素进行学习, m.emp并且对其进行初始化,用来进行背景更新. 模型集合为M,=mi,kmi,小k三(Tij,k,gik, 最终的模型集合为: bi,ik,count.,k),k=0,…,n一1{,用于学习的图 Mi.j=mi.j.k mi.j.过程复杂模型参数的选取对其检测效果影响较大 提取出的背景会有“鬼影”(ghost)现象;当光线突然 变化(如开关灯引起的光照变化)时其检测常常出 错.此外还有一些基于预测估计的背景建模方法 Kalman 滤波方法[9]是这类方法的代表它对噪声有 较强的抑制作用模型参数的选取对背景的提取影 响较小;但当背景的变化较快时这种方法的出错几 率就会大大增加. 针对上述这些问题本文提出了一种基于背景 减法的运动目标检测算法:通过无拘束学习方式迅 速建立多个可靠的背景模型然后在运动目标分割 过程中及时地根据场景变化对背景模型进行更新 同时利用色度信息及局部邻域交叉熵信息去除阴 影得到较为完整的运动目标.实验表明该算法简 单并且快速有效对场景的各种变化有较强的适应 能力可应用在室内室外的多种场合. 1 背景建模 1∙1 基于 RGB 颜色空间的背景模型 RGB 颜色空间由图1所示.设背景图像为像素 集合 D且 D={dij|0< i< H0< j< W}其中i 表示像素纵坐标j 表示横坐标.H 和 W 分别表示 图像的高和宽dij为像素的 RGB 值.本算法采用 以下四个分量描述背景模型:r 为 dij 的 R 通道色 彩分量;g 为 dij的 G 通道色彩分量;b 为 dij 的 B 通道色彩分量;count 为匹配次数. 图1 RGB 颜色空间示意图 Fig.1 RGB color space 考虑到背景会存在一些扰动(如晃动的树枝、闪 耀的屏幕、波动的水面、风吹动的窗帘等)应该用 3~5个模型来描述背景像素. 1∙2 背景学习过程 在背景模型的学习阶段采用无拘束学习方式 即在学习过程中允许运动目标及扰动的存在.设 用 n 个模型对坐标为( ij)的背景像素进行学习 模型集合为 Mij={mijk|mijk=( rijkgijk bijkcount ijk)k=0…n—1}用于学习的图 像帧数为 N则具体的学习过程如下. (1) for t=1to N do: (i) 设 t 时刻坐标为( ij)的像素 Iijt的 RGB 值为( rtgtbt). (ii) 搜索 Mij中与 Iijt相匹配的模型 Mijk 匹配条件为: |rt— rijk|+|gt—gijk|+|bt—bijk|< Trgb (1) 式中Trgb为匹配阈值可由经验设定. (iii) 如果 Iijt与当前模型 mk 匹配则对 mk 作如下更新: rijk← rijk(1—α)+αrt; gijk←gijk(1—α)+αgt; bijk←bijk(1—α)+αbt; count ijk++; if ( k>0and count ijk>count ijk—1) then mijk● mijk—1; 其中α为更新速率其大小决定了背景模型适应场 景缓慢变化(如日照变化)的快慢mijk● mijk—1 表示将 mijk与 mijk—1调换位置. (iv) 如果 Mij=∅或找不到相匹配的模型则 建立新模型 mnew=( rnewgnewbnewcount new )并进 行初始化: rnew← rt; gnew←gt; bnew←bt; count new←1. (2) 学习完毕后应该将含有运动目标信息的 模型去除.由于匹配次数 count ijk的多少恰好反映 了模型 mijk所描述的 RGB 值在过去 N 帧图像中 所“出现”的次数由此可以断定由运动目标像素所 创建的模型的匹配次数是很少的.上述学习过程所 得到的模型集合 Mij中元素 mijk是按照匹配次 数 count ijk的值从多到少排列的所以适当设定一 个 K 值保留 Mij 中前 K 个模型(通常 K 取3~ 5)就能得到背景的基本信息同时将不可靠的模型 去除. 由于 Mij0是每个坐标点( ij)上匹配次数最 多(即匹配概率最大)的模型所以可以用 Mij0中 的 rij0gij0bij0进行背景重建.此外在上述 K 个模型的基础上还应该增加一个临时模型 mijtemp并且对其进行初始化用来进行背景更新. 最终的模型集合为: Mij={mijk|mijk= 第2期 李文斌等: 一种基于背景减法的运动目标检测算法 ·213·