CN103700114A - 一种基于可变高斯混合数的复杂背景建模方法 - Google Patents

Abstract

本发明涉及基于可变高斯混合数的复杂背景建模方法，属于光电产品应用技术领域。该方法包括：假设视频场景中每个像素受独立高斯噪声的影响，建立背景像素模型；根据像素模型算出整个视频场景模型；采用高斯混合模型计算某像素点值概率；根据当前像素点值、像素点均值和像素点方差，计算当前像素点与某个高斯分布的马氏距离；根据马氏距离与判断阈值的比较结果更新混合高斯分布的背景模型参数，完成复杂背景建模。该方法通过高斯混合模型和可变高斯混合数更新策略，有效地对受动态扰动的复杂场景进行运动目标检测。通过对街道环境下的可见光序列图像进行试验，证明该算法具有良好的抗干扰性，能实现树枝晃动、阴影存在等复杂场景下的运动目标检测。

Description

一种基于可变高斯混合数的复杂背景建模方法

技术领域

本发明涉及光电产品应用技术领域，具体涉及一种基于可变高斯混合数的复杂背景建模方法。 

背景技术

基于视频或图像序列的背运动目标检测技术一直以来都是计算机视觉、图像处理和模式识别领域中一个非常重要和活跃的研究课题。如何能从视频图像序列中将感兴趣的对象提取出来，是智能视频分析系统中最初的也是最重要的一步。视频运动目标检测方法的有效性直接影响到后续系统的处理效果，在实际的应用中，由于运动目标所在环境的复杂性和图像系统中图像传送和转换中的某些降质，使得复杂背景下运动目标检测变得更加困难。因此，找到一种能在多种背景条件下都适用的、实时、有效的背景建模技术，是智能视频分析系统软件设计的首要任务。 

发明内容

(一)要解决的技术问题 

本发明要解决的技术问题是如何设计一种可变高斯混合数的自适应背景建模方法，通过高斯混合模型和可变高斯混合数更新策略，完成对复杂背景的自适应学习，构建稳定的自适应背景模型，以实现在复杂背景下的运动目标检测。 

(二)技术方案 

为解决上述技术问题，本发明提供一种基于可变高斯混合数的复杂背景建模方法，所述方法包括： 

步骤S1：在拍摄设备静止状态下采集当前视频序列图像； 

步骤S2：假设视频场景中的每个像素受到独立高斯噪声的影响， 建立背景的像素模型； 

步骤S3：根据所述像素模型算出整个视频场景的模型； 

步骤S4：采用高斯混合模型计算某一个像素点值的概率； 

步骤S5：根据当前像素点的值，像素点的均值和像素点的方差，计算当前像素点与某个高斯分布的马氏距离； 

步骤S6：预设定判断阈值，通过将马氏距离与判断阈值进行比较，根据比较结果来更新混合高斯分布的背景模型参数，从而得到更新匹配度最好的高斯分布的背景模型参数，根据更新匹配度最好的高斯分布的背景模型参数来完成复杂背景建模。 

其中，所述步骤S2中，背景的像素模型根据公式(1)来表示为： 

b_k(x)＝μ_k(x)+n_k(x)                            (1) 

其中，随机变量b_k(x)是单个像素x在时刻k的背景表示，μ_k(x)是亮度均值，n_k(x)表示时刻k方差为 

的噪声。 

其中，整个视频场景的模型通过公式(2)中的参数向量θ来表示： 

$\mathrm{\θ}={({\mathrm{\μ}}_k\left(x\right),{\mathrm{\σ}}_k^2\left(x\right))}^T---\left(2\right)$

其中，每一帧中像素在时刻k的均值和方差通过历史帧来进行自适应的估计。 

其中，所述步骤S4中，采用多个单模态的集合来描述复杂场景中像素点值的变化，对于每一个像素点，定义K个高斯分布来表示其所呈现的颜色，则根据公式(3)可以得到某一个像素点值为g_k(x)的概率： 

$p\left(g_k\left(x\right)\right)=\underset{i=1}{\overset{k}{\mathrm{\Σ}}}{w}_{i,k}\mathrm{\η}(g_k\left(x\right),{\mathrm{\θ}}_{i,k}\left(x\right))---\left(3\right)$

其中，w_i，k是不同高斯分布的权重系数，η(g_k(x)，θ_i，k(x))是正态高斯分布项，η(g_k(x)，θ_i，k(x))通过公式(4)来表示： 

$\mathrm{\η}(g_k\left(x\right),{\mathrm{\θ}}_{i,k}\left(x\right))=\mathrm{\η}(g_k\left(x\right),{\mathrm{\μ}}_{i,k}\left(x\right),{\mathrm{\σ}}_{i,k}^2\left(x\right))=\frac{1}{\sqrt{2\mathrm{\π}}{\mathrm{\σ}}_{i,k}\left(x\right)}\exp \{-\frac{1}{2{\mathrm{\σ}}_{i,k}^2\left(x\right)}{|g_k\left(x\right)-u_{i,k}\left(x\right)|}^2\}$

$\left(4\right)$

其中，K个分布通过w_i，k(x)/μ_i，k(x)的值的大小排序，并检查新的像素值是否和某个高斯分布相匹配。 

其中，所述步骤S5中，根据当前像素点的值g_k(x)，像素点的均值μ_i，k(x)和像素点的方差 

以及公式(5)，计算当前像素点与第i个高斯分布的马氏距离： 

$D_i=\sqrt{\frac{{(g_k\left(x\right)-{\mathrm{\μ}}_{i,k}\left(x\right))}^T(g_k\left(x\right)-{\mathrm{\μ}}_{i,k}\left(x\right))}{{\mathrm{\σ}}_{i,k}^2\left(x\right)}}---\left(5\right).$

其中，所述步骤S6包括： 

步骤S601：预设判断阈值Th1，所述判断阈值Th1根据实际场景的复杂度在取值区间(2，10)中选取设定； 

步骤S602：当D_i＜Th1时，根据公式(6)来更新混合模型参数： 

w_i，k(x)＝w_i，k-1(x)+α(1-w_i，k-1(x))， 

μ_i，k(x)＝(1-α)μ_i，k-1(x)+(α/w_i，k-1(x))σ_i，k-1(x)，     (6)： 

${\mathrm{\σ}}_{i,k}^2\left(x\right)={\mathrm{\σ}}_{i,k-1}^2\left(x\right)+(\mathrm{\α}/w_{i,k-1}\left(x\right))D_i^2,$

其它的背景模型参数根据公式(7)更新： 

w_i，k(x)＝(1-α)w_i，k-1(x)-αc_t                               (7)； 

其中，c_t为0.01； 

如果w_i，k(x)＜0，则删除此高斯分布项，即K＝K-1； 

步骤S603：当minD_i＞Th1时，则该值所属的高斯分布项将被新的高斯分布项所更新，新分布的均值为当前像素值，初始化一个较大的标准差和较小的权值，并设置K＝K+1； 

步骤S604：在k时刻按w_i,k(x)/σ_i,k-1(x)由大到小的排列次序，各高斯分布记为i₁,i₂...i_k，若前M_i个分布满足式 $\underset{i=i_1}{\overset{M_i}{\mathrm{\Σ}}}{\mathrm{\ω}}_{k,i}\≥\mathrm{\τ},$ 则这个分布被认为是背景分布，其余分布被认为是运动前景分布； 

其中，τ是权重阈值，表示能够描述场景背景的高斯分布权重之和的最小值，τ通过实验的方法得到。 

(三)有益效果 

本发明所提供的基于可变高斯混合数的复杂背景建模方法，通过高斯混合模型和可变高斯混合数更新策略，能有效地对存在动态扰动的复杂场景进行运动目标的检测。通过对街道环境下的可见光序列图像进行试验，证明了该算法具有良好的抗干扰性，能够实现树枝晃动，阴影存在等复杂场景下的运动目标检测。 

附图说明

图1为本发明的基于可变高斯混合数的复杂背景建模方法的流程图。 

图2为实施本发明技术方案后的背景建模效果展示图。 

具体实施方式

为使本发明的目的、内容、和优点更加清楚，下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。 

本发明是一种实现复杂背景下运动目标检测的图像处理方法，主要应用于海量视频检索系统。该方法在VC6.0平台下借助C++语言编程方式来运行，为了实现在复杂场景下的运动目标检测，如图1所示，该方法包括如下步骤： 

步骤S1：在拍摄设备静止状态下采集当前视频序列图像； 

步骤S2：假设视频场景中的每个像素受到独立高斯噪声的影响，建立背景的像素模型； 

步骤S3：根据所述像素模型算出整个视频场景的模型； 

步骤S4：采用高斯混合模型计算某一个像素点值的概率； 

步骤S5：根据当前像素点的值，像素点的均值和像素点的方差，计算当前像素点与某个高斯分布的马氏距离； 

步骤S6：预设定判断阈值，通过将马氏距离与判断阈值进行比较，根据比较结果来更新混合高斯分布的背景模型参数，从而得到更新匹配度最好的高斯分布的背景模型参数，根据更新匹配度最好的高斯分布的背景模型参数来完成复杂背景建模。 

其中，所述步骤S2中，对于一个给定的视频图像序列，视频图像中的背景可能存在动态的变化，比如当枝叶在摇动时，它会反复地覆盖图像中的某像素点然后又离开，此像素点的值会发生剧烈的变化。假设视频场景中的每个像素受到独立高斯噪声的影响，背景的像素模型可以根据公式(1)来表示为： 

b_k(x)＝μ_k(x)+n_k(x)                           (1) 

其中，随机变量b_k(x)是单个像素x在时刻k的背景表示，μ_k(x)是亮度均值，n_k(x)表示时刻k方差为 的噪声。 

根据步骤S2的表示方式，所以，步骤S3中整个视频场景的模型可以通过公式(2)中的参数向量θ来表示： 

$\mathrm{\θ}={({\mathrm{\μ}}_k\left(x\right),{\mathrm{\σ}}_k^2\left(x\right))}^T---\left(2\right)$

其中，每一帧中像素在时刻k的均值和方差通过历史帧来进行自适应的估计。 

其中，所述步骤S4中，当我们处理静态背景时，时间平均模型能够很好地表示背景，模型参数也能够通过求取一系列视频序列均值而获得。但是当背景中存在动态扰动时，时间平均模型就失去作用了，后续的前景分割过程也就无从进行。基于斯塔弗(Stauffer)和格里姆森(Grimson)提出的高斯混合模型的思想，本发明采用多个单模态的集合来描述复杂场景中像素点值的变化，对于每一个像素点，定义K个高斯分布来表示其所呈现的颜色，则根据公式(3)可以得到某一个像素点值为g_k(x)的概率： 

$p\left(g_k\left(x\right)\right)=\underset{i=1}{\overset{k}{\mathrm{\Σ}}}{w}_{i,k}\mathrm{\η}(g_k\left(x\right),{\mathrm{\θ}}_{i,k}\left(x\right))---\left(3\right)$

其中，w_i，k是不同高斯分布的权重系数，η(g_k(x)，θ_i，k(x))是正态高斯分布项，η(g_k(x)，θ_i，k(x))通过公式(4)来表示： 

$\mathrm{\η}(g_k\left(x\right),{\mathrm{\θ}}_{i,k}\left(x\right))=\mathrm{\η}(g_k\left(x\right),{\mathrm{\μ}}_{i,k}\left(x\right),{\mathrm{\σ}}_{i,k}^2\left(x\right))=\frac{1}{\sqrt{2\mathrm{\π}}{\mathrm{\σ}}_{i,k}\left(x\right)}\exp \{-\frac{1}{2{\mathrm{\σ}}_{i,k}^2\left(x\right)}{|g_k\left(x\right)-u_{i,k}\left(x\right)|}^2\}---\left(4\right)$

其中，K个分布通过w_i，k(x)/μ_i，k(x)的值的大小排序，并检查新的像素值是否和某个高斯分布相匹配。 

其中，本发明通过马氏(Mahalanobis)距离的判定来更混合高斯分布的参数，这样我们可以得到更新匹配度最好的高斯分布的参数，马氏距离是数据所在的空间的协方差的度量，能够有效地表征数据在空间的分布特征。设马氏距离表征为D_i，则所述步骤S5中，根据当前像素点的值g_k(x)，像素点的均值μ_i，k(x)和像素点的方差 

以及公式(5)，计算当前像素点与第i个高斯分布的马氏距离： 

$D_i=\sqrt{\frac{{(g_k\left(x\right)-{\mathrm{\μ}}_{i,k}\left(x\right))}^T(g_k\left(x\right)-{\mathrm{\μ}}_{i,k}\left(x\right))}{{\mathrm{\σ}}_{i,k}^2\left(x\right)}}---\left(5\right).$

其中，对于输入的参数g_k(x)，θ_i，k(x)，w_i，k，所述步骤S6包括： 

步骤S601：预设判断阈值Th1，所述判断阈值Th1根据实际场景的复杂度在取值区间(2，10)中选取设定； 

步骤S602：当D_i＜Th1时，根据公式(6)来更新混合模型参数： 

w_i，k(x)＝w_i，k-1(x)+α(1-w_i，k-1(x))， 

μ_i，k(x)＝(1-α)μ_i，k-1(x)+(α/w_i，k-1(x))σ_i，k-1(x)，            (6)； 

${\mathrm{\σ}}_{i,k}^2\left(x\right)={\mathrm{\σ}}_{i,k-1}^2\left(x\right)+(\mathrm{\α}/w_{i,k-1}\left(x\right))D_i^2,$

其它的背景模型参数根据公式(7)更新： 

w_i，k(x)＝(1-α)w_i，k-1(x)-αc_t                                      (7)； 

其中，c_t为常数0.01； 

如果w_i，k(x)＜0，则删除此高斯分布项，即K＝K-1； 

步骤S603：当minD_i＞Th1时，则该值所属的高斯分布项将被新的高斯分布项所更新，新分布的均值为当前像素值，初始化一个较大的标准差和较小的权值，并设置K＝K+1； 

步骤S604：在k时刻按w_i,k(x)/σ_i,k-1(x)由大到小的排列次序，各高斯分布记为i₁,i₂...i_k，若前M_i个分布满足式 $\underset{i=i_1}{\overset{M_i}{\mathrm{\Σ}}}{\mathrm{\ω}}_{k,i}\≥\mathrm{\τ},$ 则这个分 布被认为是背景分布，其余分布被认为是运动前景分布； 

其中，τ是权重阈值，表示能够描述场景背景的高斯分布权重之和的最小值，τ通过实验的方法得到，本实施例中τ＝0.9。 

下面结合图2来说明本发明技术方案的效果，图2所示为基于可变高斯混合数的背景建模方法，街道场景中存在着树叶的晃动及阳光照射下的阴影，图2(a)及图2(c)为视频场景帧，图2(b)为初始帧的背景自适应学习后的检测结果；图2(d)为背景模型学习结束后的目标稳定检测结果。实验结果表明随着对初始场景的背景建模和可变高斯混合数的更新，本方法能有效地提高检测结果的准确性。 

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。 

Claims (6)

1.一种基于可变高斯混合数的复杂背景建模方法，其特征在于，所述方法包括：

步骤S1：在拍摄设备静止状态下采集当前视频序列图像；

步骤S2：假设视频场景中的每个像素受到独立高斯噪声的影响，建立背景的像素模型；

步骤S3：根据所述像素模型算出整个视频场景的模型；

步骤S4：采用高斯混合模型计算某一个像素点值的概率；

步骤S5：根据当前像素点的值，像素点的均值和像素点的方差，计算当前像素点与某个高斯分布的马氏距离；

步骤S6：预设定判断阈值，通过将马氏距离与判断阈值进行比较，根据比较结果来更新混合高斯分布的背景模型参数，从而得到更新匹配度最好的高斯分布的背景模型参数，根据更新匹配度最好的高斯分布的背景模型参数来完成复杂背景建模。

2.如权利要求1所述的基于可变高斯混合数的复杂背景建模方法，其特征在于，所述步骤S2中，背景的像素模型根据公式(1)来表示为：

b_k(x)＝μ_k(x)+n_k(x)                       (1)

其中，随机变量b_k(x)是单个像素x在时刻k的背景表示，μ_k(x)是亮度均值，n_k(x)表示时刻k方差为 

的噪声。

3.如权利要求2所述的基于可变高斯混合数的复杂背景建模方法，其特征在于，整个视频场景的模型通过公式(2)中的参数向量θ来表示：

其中，每一帧中像素在时刻k的均值和方差通过历史帧来进行自适应的估计。

4.如权利要求3所述的基于可变高斯混合数的复杂背景建模方 法，其特征在于，所述步骤S4中，采用多个单模态的集合来描述复杂场景中像素点值的变化，对于每一个像素点，定义K个高斯分布来表示其所呈现的颜色，则根据公式(3)可以得到某一个像素点值为g_k(x)的概率：

其中，w_i，k是不同高斯分布的权重系数，η(g_k(x)，θ_i，k(x))是正态高斯分布项，η(g_k(x)，θ_i，k(x))通过公式(4)来表示：

                                                          (4)

其中，K个分布通过w_i，k(x)/μ_i，k(x)的值的大小排序，并检查新的像素值是否和某个高斯分布相匹配。

5.如权利要求4所述的基于可变高斯混合数的复杂背景建模方法，其特征在于，所述步骤S5中，根据当前像素点的值g_k(x)，像素点的均值μ_i，k(x)和像素点的方差 以及公式(5)，计算当前像素点与第i个高斯分布的马氏距离：

6.如权利要求5所述的基于可变高斯混合数的复杂背景建模方法，其特征在于，所述步骤S6包括：

步骤S601：预设判断阈值Th1，所述判断阈值Th1根据实际场景的复杂度在取值区间（2，10）中选取设定；

步骤S602：当D_i＜Th1时，根据公式（6）来更新混合模型参数：

w_i,k(x)＝w_i,k-1(x)+α(1-w_i,k-1(x)),

μ_i，k(x)＝(1-α)μ_i，k-1(x)+(α/w_i，k-1(x))σ_i，k-1(x),   （6）；

其它的背景模型参数根据公式（7）更新： 

w_i,k(x)＝(1-α)w_i,k-1(x)-αc_t    （7）；

其中，c_t为0.01；

如果w_i,k(x)＜0，则删除此高斯分布项，即K＝K-1；

步骤S603：当minD_i＞Th1时，则该值所属的高斯分布项将被新的高斯分布项所更新，新分布的均值为当前像素值，初始化一个较大的标准差和较小的权值，并设置K＝K+1；

步骤S604：在k时刻按w_i,k(x)σ_i，k-1(x)由大到小的排列次序，各高斯分布记为i₁,i₂...i_k，若前M_i个分布满足式

则这个分布被认为是背景分布，其余分布被认为是运动前景分布；

其中，τ是权重阈值，表示能够描述场景背景的高斯分布权重之和的最小值，τ通过实验的方法得到。 

Images