正在加载图片...
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·