闫英战， 杨 勇

(广东科技学院计算机系，广东东莞 523083)

基于风险决策与混合高斯背景模型的前景目标突变快速检测

闫英战*， 杨 勇

(广东科技学院计算机系，广东东莞 523083)

将风险决策引入前景目标的突变判断中，通过设计一个时序计数器函数来记录图像上某一像素点被划为前景的次数，当次数大于某一阈值时，将该像素从前景点改判为背景点，可以估计该像素点为背景点的概率，做出风险决策，以便及时更新混合高斯背景模型参数，减少多个高斯模型的高额计算量．最后通过实验验证了算法在目标检测率和实时性方面的改进．

目标检测； 混合高斯模型； 背景建模； 风险决策

在运动目标检测过程中，传统采用的方法主要是帧间差分法、背景减除法[1]及光流法[2]．背景模型估计算法适用于摄像机静止的情形，按照所处理背景的自身特性，可分为单模态和多模态两种．前者在每个背景点上的颜色分布较集中，可用单个概率分布模型来描述(即只有一个模态)，后者的分布则比较分散，需要多个分布模型来共同描述(具有多个模态)．自然界中的许多景物和很多人造物体，如水面的波纹、摇摆的树枝等，都呈现出多模态的特性[3]．最常用的描述背景点颜色分布的概率分布是高斯分布(正态分布)，目前大部分研究都集中于开发不同的背景模型，以期减少动态场景变化对于运动分割的影响．例如，STAUFFER与GRIMSON[1]利用自适应的混合高斯背景模型对每个像素进行建模，并且利用在线估计来更新模型，从而可靠地处理了光照变化、背景混乱运动的干扰等影响．自适应混合高斯背景模型具有良好的解析形式且运算效率高，因而优于其他形式的背景模型．但是多高斯背景存在一些不足，由于它为视频图像每个像素点的每个R、G、B颜色通道都建立了一个包括K(K取3～5值)个高斯函数的混合高斯模型，模型过多，计算量会非常大，那么计算耗时就会很大，影响系统的工作效率和实时性．

文献[4]将目标跟踪分为以下几类：目标进入场景、离开场景、单目标跟踪、多目标跟踪以及遮挡目标跟踪等情况．目标检测是跟踪的前提，一个鲁棒性强的目标跟踪系统需要一个效率高、实时性强的目标检测方法．本文针对当有目标进入场景、离开场景的情况，提出了一种改进的高斯建模算法，将风险决策应用于前景目标的突变判断中，引入一个时序计数器函数来记录图像上每一像素点被划为前景的次数，其作用是用来判断混合高斯模型中非运动目标像素点对跟踪目标检测的干扰．根据时序计数器函数和阈值计算像素点为前景或背景的概率，再通过风险决策计算该像素点为前景或背景的风险，据此能较准确地判断该像素点，可以将原先错判的前景点改判为背景点，及时更新混合高斯背景模型参数，以减少多个高斯模型的高额计算量．

1 自适应混合高斯背景模型及更新

ωi,t=(1-α)ωi,t-1+α,

(1)

ui,t=(1-ρ)ui,t-1+ρXt，

(2)

(3)

其中α(0≤α≤1)是用户定义的学习率，α的大小决定着背景更新的速度，α越大，更新速度越快．ρ≈α/ωi,t是参数学习率，如果没有高斯分布和Xt匹配，则权值最小的高斯分布将被更新，新分布的均值为Xt，初始化一个较大的标准差σ0和较小的权值ω0，余下的高斯分布保持相同的均值和方差，但它们的权值会衰减，即按ωi,t=(1-α)ωi,t-1处理[6]．

2 基于风险决策的混合高斯背景建模

在文献[5]中采用式(1)～(3)这样的背景更新机制,使混台模型能适用于亮度发生渐变、物体运动速度适中的场景．然而，当背景中有局部运动或是有新物体移入或现有物体移出当前场景中时，场景中变动部分将不符合当前的K个高斯分量，部分像素会被错误地划分为前景或背景，为了减少这种错误划分，在这里引入一个时序计数器函数f(x，t)记录一个像素点被划分为前景的次数，f(x，t)初值为0．

(4)

当某像素点x的函数f(x,t)大于某一阈值Tt时，将该像素判别为背景像素，这是因为当运动目标还没有出现时，场景中部分判定为前景的像素是非目标运动物体(在本试验采用的图像中是指随风摆动的小草)的像素，实际上是背景像素，于是当真正的运动前景目标出现时，能及时检测到并按式(1)～(3)来更新高斯模型．为了自适应调整系统的阈值，Tt为动态阈值，它由t-1时刻的像素个数及像素点的时序计数器函数值确定，

(5)

其中ni,t-1表示t-1时刻f(x,t-1)值为i的像素点个数，fmax(x,t-1)为t-1时刻各像素点的最大时序计数器函数值．

为了进一步研究当有新物体移入或现有物体移出当前场景时，我们引入风险决策[7]应用于前景目标的突变判断中．风险决策思想是在设计分类器的过程中，将考虑错误分类的风险，不以最小错误率为目标，而以最小风险为目标的一种决策方法．需要设计一个分类器来判别前景和背景两种情况，这是一个模式识别中的决策问题，前景和背景为分类器的2个类别．显然，将前景错判为背景时会导致目标丢失，风险度很高；而将背景错判为前景最多使此帧的目标模板不更新，对整个前景目标跟踪过程影响不大，因此风险度较低．设[C1，C2]为图像的前景和背景．(C1C2)表示将前景错判为背景的风险系数，(C2C1)表示将背景错判为前景的风险系数．P(C1|x)表示X像素点为前景的概率，P(C2|x)表示X像素点为背景的概率，P(C1|x)+P(C2|x)=1，P(C1|x)与P(C2|x)定义如下:

(6)

上式说明在式(4)中的某像素点的f(x,t)在真正目标出现前被判定为前景的频率越高，它在目标消失的瞬间是背景的可能性越大．

根据风险决策思想，将前景错判为背景的风险系数要大于将背景错判为前景的风险系数，在此取(C1C2)=6，(C2C1)=2．当P(C1|x)(C2C1)>P(C2|x)(C1C2)时，说明x像素点判为前景像素的风险要大于为背景的风险，据此判断该点为背景像素，反之，则判断该点为前景像素．

3 结果与分析

在对真实监控场景视频进行实验时，计算机的配置为处理器AMD Athlon(tm) XP 3200+1.53GHz，1GB内存，操作系统为Microsoft Windows XP Professional，视频图像大小为320×240像素，程序编写环境为VC++6.0，并结合Opencv实现．

为了检验基于风险决策的多高斯建模算法对运动目标突变的检测性能，本文在实验中通过与传统的混合高斯建模(K=3)进行对比，验证其优越性．

图1 目标突然消失时背景建模检测效果Figure 1 Background modeling and testing design sketch with the target disappearing

由图1可看到用传统高斯建模检测出的目标效果：当图片右边的汽车突然消失时消失了的汽车仍被检测为前景目标，即为前一帧的检测效果，这样会导致跟踪的实时性较差；而用本文算法能够及时准确地检测出汽车突然消失，如图1(e)．图1(d)和图1(e)对比，可看出随风摆动的绿草被错误检测为前景的概率大大降低．

图2 传统高斯建模算法和基于风险决策的高斯建模算法检测率与时间的数学关系

Figure 2 Mathematical relational graph of Traditional Gause’s modeling algorithm and Gause’s modeling algorithm based on risk-making between detection rate and time

图3 目标突然出现时背景建模检测效果Figure 3 Background modeling and testing design sketch with the target appearing

由图2可见，2种算法在达到相同检测率时，基于风险决策的高斯建模算法检测效率高，耗时短，实时性强．例：在检测率为60%时，采用传统的高斯建模算法耗时280 μs，而采用本文算法耗时48 μs；在检测率为80%时，采用传统算法耗时310 μs，而采用本文算法耗时70 μs．

由图3可看到用传统高斯建模检测出的目标效果：当图片左上角的的汽车突然出现时出现的汽车仍被检测为背景，即为前一帧的检测效果，这样会导致跟踪的实时性较差；而用本文改进算法能够较为准确地检测出突然出现的汽车．

4 结束语

本文对自适应混合高斯背景模型进行了改进，将风险决策应用于前景目标的突变判断中，解决了目标突然出现或消失时混合高斯背景建模参数无法及时更新的问题．改进算法与传统的混合高斯背景建模相比，在系统检测率、实时性方面更加具有优越性，使背景建模更加贴近实际应用．

[1] STAUFFER C，GRIMSON W．Adaptive background mixture mode1s of real-time tracking[C]∥Proc IEEE Conference on Computer Vision and Pattern Recognition.Fort Collins，Colorado，1999:246-252．

[2] TOYAMA K，KRUMM J，BRUMITT B,et al.Wallflower:Principles and practice of background maintenance[C]∥The Proeeedings of the Seventh IEEE International Conference on Computer Vision.Corfu,Greece，1999:255-261．

[3] CHALIDABHONGSE T H，KIM K，HARWOOD D，et al．A perturbation method for evaluating background subtraction algorithms joint[C]∥IEEE International Workshop on Visual Surveillance and Performance Evaluation of Tracking and Surveillance(VS-PETS 2003).Nice，France,2003．

[4] 李峥.智能视频监控中的遮挡目标跟踪技术研究[D].武汉：华中科技大学，2008．

[5] 刘鑫，刘辉，强振平，等．混合高斯模型和帧间差分相融合的自适应背景模型[J]．中国图象图形学报，2008，13(4)：729-734.

LIU Xin，LIU Hui,QIANG Zhenping，et al．Adaptive background modeling based on mixture gaussian model and frame subtraction[J]．Journal of Image and Graphics，2008，13(4)：729-734.

[6] COLLINS R T,LIPTON A J,KANADE T.A system for video surveillance and monitoring[R].Pittsburgh:Robotics Institute,Carnegie Mellon University,2000.

[7] 周妍，胡波，张建秋．基于粒子滤波器和风险决策跟踪遮挡目标的方法[J]．电子学报,2007,35(2)：350-353．

ZHOU Yan，HU Bo，ZHANG Jianqiu．Tracking occlusive target method based on bayesian decision theory and particle filter[J]．Acta Electronica Sinica，2007，35(2)：350-353．

Keywords： target detection; GMM; background model; risk decision

【责任编辑 庄晓琼】

FASTDETECTIONOFFOREGROUNDTARGETMUTATIONSBASEDONRISKDECISIONANDGAUSSIANMIXTUREBACKGROUNDMODEL

YAN Yingzhan*， YANG Yong

(Department of Computer Science, Guangdong University of Science and Technology， Dongguan, Guangdong 523083, China)

Risk decision is introduced to judge mutations of foreground target. A timing counter function is designed to record the times of a pixel judged as foreground pixel. When the times is greater than a certain threshold value， the pixel will be judged as a background pixel instead of a foreground pixel. So the probability of background pixel can be evaluated for making risk decision， in order to update the GMM parameters and reduce the large computation of the multiple Gaussian model. Finally， the algorithm is verified by experiments for the target detection rate and real-time improvements.

2010-09-07

国家基础科学研究基金(A1420060159)

*通讯作者,749284297@qq.com

1000-5463(2011)02-0056-04

TP391.4

A