自适应混合高斯建模的高效运动目标检测
【摘要】 目的如何使快速性与完整性达到平衡是运动目标检测的关键问题现有的满足快速性的算法容易受到光照的影响，对动态环境的适应能力较弱，获取的目标信息不完整，导致空洞问题的产生而具有较高完整性的算法复杂度高，运算速度慢，实时性差帧帧差分运算导致目标差分运算简单内部信息提取不完整的问题，采用学习率自适应调整的混合高斯背景差分，在模型创建之初，通过较快的模型更新速率，增加背景模型的迭代次数，消除物体运动造成的在背景模型中的干扰信息消除之后，以目标像素及像素在当前帧与背景模型中的差异度为依据调整学习率，实现背景模型的自适应修正，增加目标图像的完相邻整性;同时，通过删除冗余的高斯分布，降低算法复杂度为进一步确保目标边缘的完整及连续，采用边缘对比差分算法，使参与运算的帧数依据目标的运动速度自适应选取，以降低背景点的误判率，使边缘信息尽可能地连续、在提升检测率的同时保证较高的准确率，达到了完整，所获目标的完整度提高了，基本达到实时与基于混合高斯建模的背景差分法()相比，本文算法。结论实验结果表明，本文算法可以有效抑制动态环境的干扰，降低算法复杂度，既保证实时性，又具;与传统混合高斯算法相比，时间消耗降低了帧差分法(。结果本文算法获取的目标信息完整，且边缘平滑)和基于边缘对比的BD-GMM29.18%TFD-EC针对鬼影”。。3“。。33828.95%95.23%性要求。明显占优有较好的完整性，可广泛应用于智能视频监控关键词:运动目标检测;3军事应用、工业检测、航空航天等领域、。帧差分;边缘对比差分;背景模型;混合高斯建模;自适应学习率EfficientmovingtargetsdetectionbasedonadaptiveGaussianmixturemodellingCollegeofInformationandComputerTaiyuanUniversityofTechnology，Jinzhong030600，China，HaoXiaoli，LyuJinlaiLiuWei，:AbstractObjectiveMovingtargetdetectionisanimportantbranchofimageprocessingandcomputervision，anditisalsoacorepartofintelligentmonitoringsystems.Itsmaincontentistoobservetheentiresceneinthevideosequencesandfindthemovingtargets.Therefore，themainpurposeofmovingtargetdetectionistoextractthemovingtargetfromthevideosequenceseffectivelyandobtainthefeatureinformationofthemovingtarget，suchascolor，shape，andcontour.Extractingmovingtargetsistheprocessoftargetandbackgroundclassification.Theprocessfindsthedifferencebysuccessivesequencesofimagesandextractsthedifferencesowingtothemotionoftheobjecttoobtainthedesiredtarget.Movingtargetdetectionrequiresfastacquisitionofmovingtargetsinthevideoimageand，asmuchaspossible，toensuretheintegrityof收稿日期:基金项目:国家重点研发计划项目(;修回日期:2019-05-082019-07-23;预印本日期:2019-07-302017YFB1401001)Supportedby:NationalKeyResearchandDevelopmentProgramofChina(2017YFB1401001)114theacquiredmovingtargets.Thus，speedandintegrityaretwokeyindicatorsofmovingtargetdetectionalgorithms.Intermsofrapidity，algorithmsarerequiredtohavelowercomplexityandcandetectmovingtargetsinrealtime.Theexistingalgorithmsthatsatisfyspeedareeasilyaffectedbyillumination，haveweakadaptabilitytothedynamicenvironment，andtheVol.25，No.1，Jan.2020acquiredtargetinformationisincompleteintegrityofthetargetcontourarerequired，therebyresultinginaholeproblem.Theinternalintegrityofthetargetandthe，therebyindicatingthattheinternalinformationofthemovingtargetcanbefullyobtained，andthephenomenonofmisseddetectioncausedbythemisidentificationoftheforegroundareaasthebackgroundinthedetectioniseliminated.Atthesametime，thetargetedgesareascontinuousandsmoothaspossible.However，algorithmwithimprovedintegrityhashighcomplexity，slowoperationspeed，andpoorreal-timeperformance.Thereforethe，achievingthebalancebetweenspeedandintegrityhasbecomeakeyissueinmovingtargetdetection，causingthealgorithmtohavehighextractionefficiencywhilefullyextractingtheinternalinformationandcontourofthetarget.MethodThisstudyproposesathree-framedifferencealgorithmbasedonadaptiveGaussianmixturemodeling.Toensurethereal-timeperform-anceofthealgorithm，thisstudyreliesonthethree-framedifferenceoperation，whichissimple，extensible，andhasgoodanti-interferenceabilitytoextractthetargetcontourofthevideoimage.Theoperationcanimprovethedetectionefficiencyofthealgorithm.Fortheproblemthatthethree-framedifferenceoperationleadstoincompleteextractionoftheinternalinformationofthetarget，theGaussianmixturebackgrounddifferenceadaptivelyadjustedbythelearningrateisused.Thedifferenceachievesanadaptiveupdateofthebackgroundmodelbysettingtheframenumberthresholdandadoptingdifferentlearningratesbeforeandafterthethreshold.Atthebeginningofthemodelcreation，therateofiterationofthebackgroundmodelisincreasedbythefasterupdaterateofthemodel，andthe“ghosting”causedbythemotionoftheobjectiselimina-ted.Aftertheinterferenceinformationinthebackgroundmodeliseliminated，thelearningrateisadjustedbasedonthedifferencebetweenthetargetpixelandadjacenteightpixelsinthecurrentframeandthebackgroundmodel，therebyimplementingadaptivecorrectionofthebackgroundmodelandsolvingtheproblemofmisjudgmentandlossoftargetsgener-atedduringthemodelupdateprocess.Theapproachcanincreasetheintegrityofthetargetimage.Atthesametime，tospeeduptheGaussianmixturemodeling，themodelredundancydecisionstrategyisadoptedtodeterminetheweightandpriorityoftheGaussiandistributions，andtheredundantGaussiandistributionsaredeletedtoavoidthetimeconsumptioncausedbytheredundancymodelsinthematching.Ultimately，thebalancebetweenalgorithmintegrityandalgorithmreal-timeareachieved.Tofurtherensuretheintegrityandcontinuityofthetargetedge，weusetheedgecontrastdifferencealgo-，whichisbasedonthetargetedgedetectedbytheCannyoperator.Thenumberofframesparticipatingintheedgerithmcontrastoperationisadaptivelyselectedbasedonthetargetmotionspeed，therebydecreasingthefalsepositiverateofthebackgroundpointandmakingtheedgeinformationascontinuousandcompleteaspossible.ResultSubjectiveandobjectiveevaluationmethodsarecombinedontheexperimentalresults.Subjectively，thebackgrounddifferencebasedonGaussianmixturemodeling(BD-GMM)，thethree-framedifferencebasedonedgecontrast(TFD-EC)，andtheproposedalgorithmareusedtodetectsingle-targetandmulti-targetvideoindifferentbackgrounds.Theresultsshowthatthetargetinformationobtainedbythealgorithmarecompleteandtheedgesaresmooth.Objectively，theproposedalgorithmimprovesthedetec-tionratewhileensuringahighaccuracyrateof95.23%，andtheintegrityofthetargetisimprovedby28.95%.Theseval-uesaresignificantlyhigherthanthoseofotheralgorithms.Intermsofspeed，thetimeconsumptionisreducedby29.18%comparedwiththatofthetraditionalGaussianmixturealgorithm，therebymeetingthereal-timerequirements.ComparedwiththeBD-GMMandTFD-ECalgorithms，bothsubjectiveandobjective，theproposedalgorithmissuperiortothetwoalgorithms.ConclusionTheexperimentalresultsshowthatbecausethealgorithmadoptsGaussianmixturebackgroundmod-elingbasedonadaptivelearningrate，itcaneffectivelysuppresstheinterferenceofadynamicenvironmentanddecreasethecomplexityofthealgorithm.Thethree-framedifferencealgorithmbasedonedgecomparisonensuresthetimelinessofthealgorithmandintegrityofthetargetedge.Therefore，theproposedalgorithmensuresreal-timeperformance，，andcanbewidelyusedinfieldssuchasintelligentvideosurveillance，militaryapplicationsrityandaerospace.，hasgoodinteg-，industrialinspectionKeywords:turemodelingmovingtargetdetection();GMMadaptivelearningrate;three-framedifference;edgecontrastdifference;backgroundmodel;Gaussianmix-第卷第/1期25/2020年1月刘伟，郝晓丽，吕进来/自适应混合高斯建模的高效运动目标检测1150引言)。2018运动目标检测是通过对视频图像的分析，寻找视频图像中目标运动所引起的帧间差异，从而有效检测和提取运动目标，是目标识别与跟踪的基础(许益成等，运动目标检测要求快速地获取视频图像中的运动目标，并尽可能保证所获取运动快速性是指获取运动目标的算法复目标的完整性杂度低，能够实时检测完整性包括目标内部的完。目标内部的完整指充分获取整和目标轮廓的完整运动目标信息，消除检测中由于前景区域被错判为背景所导致的漏检现象;目标轮廓的完整指目标边缘尽可能地连贯。。平滑、。。目前，3帧差分法以其独有的对场景中运动目标的敏感性，通过计算相邻帧图像间的差异度，达到然而也正是由于对运动快速获取目标轮廓的目的物体的高敏感，常会导致两个问题:)当物体运动场景过于复杂时，由于相邻帧图像中重叠区域缓慢、)在像素值未发生明显变化，导致空洞现象大、背景存在噪音及物体运动过快时，由于同一区域的像素值发生较大改变，相邻帧间差分会导致边缘信息的大量缺失及重影，影响提取运动目标轮廓的完整性，致使检测结果不够准确。21。1。针对问题)，通常采用构建背景模型，以当前帧与背景模型的差分运算来提取运动目标，即根据视频图像中的每个像素点在时域上的分布情况构建各个像素点的颜色分布模型，通过目标像素与模型的匹配达到避免空洞的目的目前混合高斯背景建模能够提供高质量图像背景，既能够对复杂的场景进行建模，又能够在物体缓慢运动时充分获取目标信息，同时弱化光线变化和局部扰动的影响当前混合高斯背景建模在学习过程中，所有高斯分布的学习率都被设定为相同值(郭伟等，)，忽略了在背景模型构建过程中，不同阶段模型的更新速率应该有差异这一重要事实，造成背景模型稳定后仍保持较快的更新速率，使得由运动变为静止的物体融入背景，导致漏检，减弱了对环境的适应能力;其次，在背景模型趋于稳定后，不需要过多的高斯模型来创建背景，而固定的背景高斯分布个数易造成系统内存的浪费，加大了运算量(王传云和秦世引，因此，如何根据图像信)，使算法实时性降低2016。2018。(。。。Hu和20172016Zheng等人(为此，首先利用息自适应选择模型的更新速率，以及如何实现视频图像中背景模型的实时更新是混合高斯背景建模的)提出了一种基首要问题于混合高斯模型的运动目标检测算法3帧差分方法实现运动区域的粗分割，之后在混合高斯背景建模的过程中，依据高斯模型权重的变化决定背景模型数量的增加与删除，使高斯模型个数不该方法提高了算法的检测效率，断适应每个像素但是混合高斯建模采用固定的学习速率，不能快速适应环境的变化，易造成运动目标的误判或丢失。)提出了一种基于改进混合高斯模型Ma的自适应运动目标检测算法根据每个像素的灰度值，自适应地选择高斯分布的数量来学习和更新背景模型并采用形态学方法消除阴影该算法具有良好的适应性，但其学习率无法依据所得图像与目标图像的差异度进行调整，使模型的可靠性减弱问题发生在目标边缘，导致二值化图像会存在大量的边缘缺失;另一方面，在目标快速运动时，相邻图像帧的像素信息相差过大，目标边缘会产生重影等人(帧差分与数学形态相结合的检测算法，但由于像素点的扩充及消除，使得图像中连通区域的大小发生改变，很难得到完整且面积接近真实目标的检测结果)的产生，一方面是由于针对这些问题，)提出空洞2016Chu。“”。。。23。完整、本文的创新点如下:。1因此，目前的检测算法存在以下问题:)目标图像的空洞问题，当物体运动缓慢或对比度低时，前景图像中部分区域被误判为背景，导致检测准确性)无法在完整低获取运动目标的同时有较低的算法复杂度，达到完整性与实时性的平衡)目标边缘信息获取不完整。3。2。33。针对上述问题，本文提出了具有自适应混合高首帧差分法用于运动目标检测斯背景建模的先，为保证算法的高效性，在目标提取上，采用帧差分法快速提取运动目标的轮廓信息;其次，为进一步适应光照及动态变化的场景，采用具有自适应学习率的混合高斯背景建模，以避免目标内部信息的空洞现象;最后，为进一步避免目标边缘的缺失及重影，采用边缘对比差分算法，根据目标速度的不同，自适应地确定参与边缘对比运算的最优帧数，以降低背景点的误判率，使边缘信息尽可能地光滑连续、116Vol.25，No.1，Jan.2020。1。)提出一种具有自适应学习率的混合高斯背根据目标图像的检测效果，自适应调景建模方法。在模型创建之初，选择较大的学习率增整学习率加高斯模型的权重和均值，以加速背景的更新速率，;在背景模型中的干扰消除物体运动造成的”信息去除之后，依据提取结果合理选择学习率，以保证模型的可靠性鬼影“332NCanny)提出一种基于边缘对比的帧差分算法。算子检测得到的边缘为基础，根据目标运以，从动参数自适应获取参与边缘对比的最佳帧数而降低背景点的误判率，使得目标边缘连续且完整。)为解决目标获取完整性与算法实时性之间的矛盾，考虑到对所获运动目标的轮廓信息的精度要求不高，本文利用帧差分法快速的优势，完成运动目标轮廓的提取;考虑到高质量的背景建模是消除空洞的前提，本文利用混合高斯建模生成高精度为了加快混合高斯建模的速度，采用的背景模型模型冗余判定策略，通过判定高斯分布的权重及优先级，将多余的高斯分布删除，避免冗余模型在匹配时消耗时间，最终达到算法完整性与算法实时性的平衡。3。1研究现状)3”“。和Lin。3BiaoVibe鬼影现象(帧差分的背景建模和鉴于快速性与完整性直接决定了目标检测的实用性及检测结果的质量，为了快速提取目标，通常采其中，基于用基于的背景建模将当前帧像素点与所建立的样本Vibe集进行匹配，该方法运算速率快，易于实现，但无法充分获取目标，且存在，帧差分依据相邻图像间的差异获取目标，2017实时性强，虽然提取的目标信息存该方法计算简单、针对上述问题，高在缺失，但能准确获得目标轮廓。)提出基于改进健焮和陈健(算法的运动目标检测方法，在初始时期先使用算法进行检测，当目标像素在图像中所占比例超过设定阈值时，帧差分检测运动目标，该方法运算速率快，易改用于实现，且能减少光照变化对检测结果的影响，但所得目标的边缘图像模糊，未准确提取所有特征信息。帧差分法与光流Han法的运动目标检测算法，该算法选择角点检测提取目标区域以降低算法复杂度，并引入采用大)提出了一种结合等人(Harris20172015ViBeViBe33帧差分3为了保证(3。)的津法(帧差分算法与光流法检测结果融OTSU该方法可以较完整地检测移动物体，并满足实合时性要求，但所得运动目标仍存在信息丢失的现象。帧差分算法具有计算简单由于抗干可扩展性强、、扰能力强等优势，因此本文采用帧差分算法对运动目标轮廓进行检测，以提高算法实时性。然而以快速性为优势获取运动目标的33法，容易产生空洞及边缘不完整等缺陷所获目标内部信息的完整性，通常采用。))LK。LK)光流法和背景差分法Lucas-光流法通过各Kanade个像素的矢量特征对图像进行动态分析，得到完整目标，但计算量过大，导致实时性和可用性差(李成美等，背景差分法是根据当前帧与背景模型之间的差异，获取运动目标的位置信息，因此需要目依靠稳定的背景模型来保证所获目标的完整性前，建立背景模型的方法有均值背景建模(亢洁和等，李晓静，背景建模(2018。。。。20182016、CodeBookZhang)和单高斯背景建模(杨文浩和李小曼，)2018但上述方法建立的背景模型适用场景单一，在等复杂背景下容易过滤掉部分重要信息，产生较大误差而基于混合高斯建模的背景差分法以不断更新背景模型的方式保证所提取目标的完整性，可以有效避免复杂环境对目标提取的干扰(杜鹃和吴芬)，但模型更新速率的固定使得算法复杂度芬，增加，实时性受到影响因此本文提出基于自适应学习率的混合高斯背景差分法，通过背景模型的自适应修正，实现目标内部信息的充分获取，并删除冗余的高斯分布，提高算法的实时性2017。。。。He2018等人(为进一步确保目标边缘的完整及连续，目前在)提出了一种基于改边缘提取方面，它使用结构元素进形态梯度的图像边缘检测算法直接处理图像的特征信息，并选择不同形状和尺寸该方法可以有效检测的结构元素对图像进行处理图像边缘信息，较传统的边缘检测算子抗噪能力更强，但易受动态环境的影响，在光照突变时，存在无)提出基于法获取边缘的现象图论的边缘提取算法，将图像看做无向图，并以权值的均值作为阈值，通过节点的保留与更新设置其灰度值，从而获得边缘图像该方法能克服传统边缘不完整的问题，但当目标与背算子所存在的不连续、景对比度低时，边缘信息无法提取鉴于此，本文提出基于边缘对比差分的检测算法，根据运动目标参张宁波等人(2016。。。第卷第/1期25/2020年1月刘伟，郝晓丽，吕进来/自适应混合高斯建模的高效运动目标检测117。鬼影因此，本文提出自适在动态环境中的适应性减弱应学习率的混合高斯建模方法，设定帧数阈值，TH当小于帧数阈值时，加快背景的更新速度，以消除由;当大于帧数阈值时，减于目标运动造成的”慢更新速度，并依据检测效果对学习率进行调整，保证模型的可靠性，以防止过度更新造成的目标丢失。从而达到背景模型的自适应更新，解决模型更新过程中产生的目标误判及丢失问题，学习率的计算式为“α数自适应选取参与边缘对比差分的最佳帧数，从而获取完整的目标边缘，该算法能有效克服光照的影响，自适应强且获取的边缘更完整。2基于自适应学习率的混合高斯背景差分α”“。2016光照突变、在现实场景中，目标缓慢运动物体、遮挡等都易导致运动目标丢失及不完整(张金敏和王斌，)，若直接采用传统混合高斯建模，以固)，定的学习速率来更新模型(杜鹃和吴芬芬，取值过小易造成目标的丢失及误判当学习率时，由于模型更新速度不及时，易出现现象;取值过大时，容易将运动缓慢的目标判断为背当景，出现误检因此，本文提出自适应学习率的混合。高斯建模方法2.1问题与解决思路α鬼影2017。TH为了更好地消除动态环境对目标获取的影响，需要提出一种高质量且时间复杂度低的背景模型创建方法本文主要从以下两点进行改进:。)采用一种背景模型更新速率不断改变的方1，并在阈值前后采用不同通过设定帧数阈值法的学习速率，以实现背景模型的自适应更新该方。法在模型创建之初，为消除物体运动造成的鬼，通过较快的更新速度，增加高斯模型的权重及影”均值，以加速背景更新在背景模型中的干扰信息去除之后，以目标像素与相邻像素在当前帧与背景模型中的差值作为混合高斯背景更新的参考量，从而调整学习率，保证模型的可靠性。。“8。f)2。。2016帧，对高斯分布进行一次扫描)采用消除冗余模型以加快建模速度由于模型更新过程中，未被采用的高斯分布仍存在于内存中，加速消耗内存资源，造成算法运行速度慢，时间复杂度高(张金敏和王斌，为消除模型冗余，需要每隔检查及优先级，如果某个高斯分所有高斯分布的权重w和()，则布同时满足将该高斯分布判定为多余的高斯分布，并删除该高斯分布，从而避免了冗余模型在匹配时所消耗的时间，提升算法的运行速度2.2自适应学习率tTH为帧数，的计算式为ΔD为学习率，式中，α目标像素与相邻值，8为帧数阈值，参考量THΔD=119∑i=-11∑j=-1[I(，y+j)(-Bx+i，y+j)]x+i)(2，y+(x+i，0.060.03的取值应为[1(式中，I)为背景模型像素点，y+jx+i。)为目标图像像素点，B当f≤TH时，随着帧数的增加，学习率逐渐递减，模型更新速度由快减慢，此时，通常文献均设定]时模型的更新效果最优，即为[jα，0.06]。当0.03f>TH时，以f+λ1目标图像及相邻像素点在当前帧与背景模型中的差值作为模型学习率修正的参考量，只需依据差异程度对学习率进行调整即可，即学习率随着差值的减小而降低，从而保证所获模型的可靠性，减少误检现象。式([0，1λ1+TH1TH+λ1-1[946，1033)中，1λ2×(1-exp(-ΔD2))应满足]，而0.03≤11+λ1，即可得≤0.06，且0.03≤的取值范围为λ1≤0.06]，据此可得值，即λ2λ2=-TH1TH+λ1。同时，阈值满足TH{0.03≤1TH≤0.06求解其值为503[3，563]103-TH>946，因其为整数，取18。118Vol.25，No.1，Jan.2020因此，基于自适应学习率的混合高斯建模既可以消除初始时期背景建模中的干扰因素，又能保证后续背景模型更新的可靠性2.3删除冗余模型。在高斯模型更新后，每个像素都建立了相应的混合高斯模型，其中只有一部分高斯分布可以描述背景，其余高斯分布描述前景，因此需要对模型进一步处理，按计算各个高斯分布的优先级，并按从大到小进行排序最小权重模型，得λmin、与后续模型匹配，剔除不符合标准的将最小优先级t=wi，t/σi，σmin。λi，t()Bwiwit/σi，tT为预设定阈值，ti=1。式中，b为初始参数，T3基于边缘对比的3帧差分3.1问题与解决思路。基于自适应学习率的混合高斯背景差分实现了前景信息的有效提取，通过设定不同的学习率，实现背景模型的自适应更新，确保目标获取的完整性，并但由于目标边缘的位置且有效降低了时间复杂度不断变化，使得像素点获取不完整，边缘模糊的问题依然存在;且由于计算量大，算法复杂度依然较高。为解决目标边缘间断及算法实时性差的问题，本文运用快速提取目标边缘轮廓、的优势，但现有的重影及边缘提取不完整的现象(因此，本文Han帧差分算法，通过边缘对比提出基于边缘对比的差分实现当前模型参数依据目标速度的自适应选取，以降低误检率，获得完整的目标边缘，之后对帧差分算法的结果进行边缘补充，并通过形态学帧差分算法仍存在帧差分法计算简单等，2015“。”333)3滤波消除噪声干扰，细化目标图像3.2边缘对比。当目标图像中任意像素点在连续帧视频序列发生变化时，要获取该时刻目标图像的边缘信息，需NN帧边缘图像中同一位置的像素点进行比较。，则属于背景点，并将其像素，从而消除背景边缘的影响;若该点像素的通过将连续若该点像素的值均为值设为0值不全为该方法能有效消除背景的影响，精确获取目标边缘，则由当前帧的像素值决定其取值。11边缘对比差分算法表达式为[)，y(k+N-2(，)y，yxxx(1-∏Ck式中，Ck)为当前帧边缘图像，，y算子检测的边缘图像=Ek)为当前帧的边缘对比差分结果，帧)为第，yEki=k-1EiEi5xxx((i])，y(。()Canny图。时边缘对比差分示意图。为取3N1图1边缘对比差分示意图)a)((((()k-1)k+1cFig.1Edgecontrastdifferencediagram;();edgeimagebkthframeedgeimage;()edgeimagededgecontrastdifferenceresultthframethframe)在视频图像中，检测目标往往存在由静止到运帧开始运动，通过边缘对比N1N≥N1动的过程，当目标在差分，所示;其对比差分示意图如图运动速度为依据对帧数边缘的充分获取N
