基于图像分块的背景模型构建方法

第２９卷第１期杨广林等：基于图像分块的背景模型构建方法３ｌ
我们尝试将图像分块，利用图像块的特征建立背景模型．下面就针对图像块给出背景建模方法．
为了简化讨论，假设图像是灰度图像．设，ｃ。

（菇，Ｙ）为一个ｍ×ｍ像素的图像块，（戈，Ｙ）表示该图像块左上角的坐标．在２×２的情况下，图像块中前景像素的分布组合有以下５种：
（ａ）（ｂ）（ｃ）（ｄ）（ｅ）
（ａ）完全背景；（ｂ）有１个前景像素；（ｃ）有２个前景像素；
（ｄ）有３个前景像素；（ｅ）完全前景
图１２Ｘ２图像块的５种情况
Ｆｉｇ．１Ｔｈｅｆｉｖｅｉｎｓｔａｎｃｅｓｏｆ２×２ｉｍａｇｅｂｌｏｃｋ
３．１图像块特征的选取
将图像块设定为相邻像素的方形块，以２×２的图像块为例，图１给出了前景在图像块的各种分布情况的理想状态．一般地讲，图像块越大，要处理的块数就越少，效率就越高，但对局部目标敏感度就越小，目标的精确度就会变差，因为前景所占比例小的图像块的个数会增加，例如图１中（ｂ）和（ｃ）的情形．随着图像的增大，图像块的特征选取变得复杂．综合考虑识别目标的敏感性和识别目标的精确性以及处理问题的效率，一般选择ｍ＝２比较合适．可以有多种方式引入特征，最简单的情形是任意选择图像块中的一个像素为代表，或以图像块的均值为特征．以下我们提出几种提取特征的方案．
（１）图像块中心点，即Ａ＝中心点像素；
（２）选取若干点的组合作为图像块的代表点，
例如可选择图像块的对角线上的点；
（３）图像块均值，即Ａ＝（Ｘ，，＋ｘ。

２＋…＋ｋ）／ｍ２；
（４）图像块的行均值或图像块的列均值；
Ａｌ＝Ｘｌｌ＋Ｘ１２＋…＋Ｘ１。

Ａ２＝Ｘ２ｌ＋Ｘｚ２＋…＋】，２ｍ
Ａ。

＝Ｘ。

ｌ＋Ｘ，以＋…＋Ｘ。

（５）图像块的幅度值，即Ａ＝ｍａｘＸｉ—ｍｉｎＸｉｉ；
（６）图像块的行幅度值或列幅度值．
由于所有特征都是图像块中像素的线性组合，因此当像素值Ｘ。

服从正态分布时，所有特征Ａ作为原像素的线性运算的结果，也服从正态分布．
若Ａ＝√。

Ｘ，其中Ｘ是由若干个像素组成的向量；ｌ，为与ｘ同维数的向量，则有：
Ａ—Ｎ（ｖ＂ｉｔ，ｔ，１Ｖｖ）（３）图像块中的像素点值的变化能够反映到特征值的变化上，这样就可以对特征Ａ（而不是对像素值）建立背景模型，以此来判断图像块（而不是判断像素）是背景还是目标．例如，可以对特征Ａ使用ｗ４方法，求在一个训练周期内特征的最大值、最小值和连续两帧的最大差，利用不等式来判断该图像块是背景图像块还是前景图像块．由于特征也服从Ｇａｕｓｓ分布，所以也可以对特征Ａ建立单Ｇａｕｓｓ背景模型．下面针对从图像块中选取的几个特征Ａ，建立分块的混合Ｇａｕｓｓ背景模型．
３．２基于图像块特征的自适应的高斯混合模型在３．１节给出的特征中，选择其中的一个或几个特征Ａ，，Ａ：，…，Ａ，构成特征向量，令Ａ＝｛Ａ。

，Ａ：，…，Ａ。

｝．
采用文［４］给出的混合Ｇａｕｓｓ分布的形式和参数更新方法．选择一个时间周期｛Ａｉ，．一，Ａ，｝，给出／ｌ，具有Ｋ个分量的高斯混合密度（ＧＭＭ）：
ｐ（ａ；）＝∑ｐ（Ａ。

ｌ∞ｉ，Ｉｔ¨，Ｕ“）Ｊｐ（（￡Ｊｉ）
ｉｉｌ（４）
＝∑％。

ｐ（Ａ。

№，ｔｔ沁，Ｕ如）
其中
ｐ（ＡＩ，ｐ“，Ｕｉ．。

）：
（５）Ｐ（∞ｉ）或加。

为第ｉ个分量在总体分布中所占的比例，也称为第ｉ个分量权值．
基于像素间相互独立的假设，可以得出特征之间也是相互独立的．为了简化计算，可以进一步假设他们具有同样的方差，因而协方差矩阵可以简化为Ｕ“＝盯２。

Ｉ，其中Ｊ为单位阵．这种假设可以避免复杂计算引起误差加大．关系式（４）说明了每一图像块的特征向量／土的当前观察值的概率分布可由一个高斯混合函数所刻画，也就是说图像块的特征向量的某种状态可由混合模型的某个分量来描述．基于前面的假设，可利用在线Ｋ均值近似算法对此高斯混合模型进行操作．所谓的在线Ｋ均值近似算法即为：从前向后将新的图像块的特征向量的值与现存的Ｋ个高斯分布进行匹配，如果一个特征向量的值落在某个分布的标准方差的某一倍数范围内，就认为匹配成功，即如果ＩＡ。

一肛小ｆ≤ｒ盯叫，则认为匹配成功．实验表明对于２Ｘ２的图像块，丁取４比较合适．
如果当前的特征向量的值不能匹配Ｋ个分布中
第２９卷第１期杨广林等：基于图像分块的背景模型构建方法
５．１实验参数的选择
本实验采用Ｍａｔｌａｂ７．０编程，混合Ｇａｕｓｓ背景模型含有４个分量，图像块的大小为２×２，从每个图像块中选择两个特征，分别为Ａ，＝Ｘ，。

＋ｘ。

：，Ａ：＝Ｘ。

：一鼍卜混合模型的参数为：像素形式的背景阈值Ｔ＝０．９７，权值的更新速度ａ＝０。

００２，用２．５倍的标准方差；分块形式的背景阈值Ｔ＝０．９８，权值的更新速度ａ＝０．００２，用４倍的标准方差．两种算法的初始化均为：以视频图像的第１帧的像素值作为第１个Ｇａｕｓｓ分量的初始均值，其他３个分量的均值的初始值为０，所有４个Ｇａｕｓｓ分量的初始方差均为４，４个分量的初始权值分别为０．４、０．２、０．２、０．２．５．２实验结果分析
视频开始时，路口的红绿灯使图像中的上下方向的车辆处于停止状态．图像中的右部有一个转动
的广告牌，作为运动目标被检测出来．大约第９０帧左右，图像的右端方向出现一辆白车，紧接着该路口又出现一辆黑车，实验检测出从右边出现的车辆，从视频中提取１０帧分别是第１０１、１３１、１８１、２０１、２３１、２７１、２８１、３３１、３５１、３７１帧．处理结果见图２，图２中３幅图像为一组，第ｌ行为图像的原始帧，第２行的图像为采用２×２分块Ｇａｕｓｓ混合背景模型对动态目标进行检测的结果，第３行的图像为采用像素形式的Ｇａｕｓｓ混合背景模型对动态目标进行检测的结果．实验结果表明，分块背景模型对较大目标的检测水平与像素形式的背景模型相当．对较小目标的检测，分块形式的背景模型的检测效果要优于像素形式的背景模型，这从图２中的（ａ１０１）、（ｂ１３１）、（ｈ３３１）、（ｉ３５１）可以看出．从精度上来说，像素形式背景模型要优于分块形式的背景模型．
图２从视频中提取的１０帧图像、分块形式的背景处理结果和像素形式的背景处理结果
Ｆｉｇ．２
１０ｆｒａｍｅｉｍａｇｅｓｆｒｏｍｔｈｅｖｉｄｅｏ，ｐｒｏｃｅｓｓｉｎｇｒｅｓｕｌｔｓｏｆ
ｂｌｏｃｋ—ｂａｃｋｇｒｏｕｎｄｍｏｄｅｌａｎｄｐｉｘｅｌ－ｂａｃｋｇｒｏｕｎｄ
ｍｏｄｅｌ
基于图像分块的背景模型构建方法
作者：杨广林， 孔令富， YANG Guang-lin， KONG Ling-fu
作者单位：燕山大学信息科学与工程学院,河北,秦皇岛,066004
刊名：
机器人
英文刊名：ROBOT
年，卷(期)：2007,29(1)
被引用次数：4次
1.Haritaoglu I;Harwood D;Davis L W4:real-time surveillance of people and their activities 2000(08)
2.Jain R;Kasturi R;Schunck B G Machine Vision 2003
3.Heikkila M;Pietikainen M A texture-based method for modeling the background and detecting moving objects[外文期刊] 2006(04)
4.Lee D S;Hull J J;Erol B A Bayesian framework for Gaussian mixture background modeling[外文会议] 2003
5.Zivkovic Z Improved adaptive Gaussian mixture model for background subtraction[外文会议] 2004
6.KaewTraKulPong P;Bowden R An improved adaptive background mixture model for real-time tracking with shadow detection 2001
7.Stauffer C;Grimson W E L Adaptive background mixture models for real-time tracking 1999
8.Friedman N;Russell S Image segmentatio n in video sequences:a probabilistic approach 1997
9.Wren C;Azarbayejani A;Darrell T Pfinder:real-time tracking of the human body 1997(07)
1.陈建恺.陈继荣适应场景亮度快速变化的背景重建算法[期刊论文]-计算机工程与应用 2010(8)
2.李庆武.蔡艳梅.徐立中基于分块分类的智能视频监控背景更新算法[期刊论文]-智能系统学报 2010(3)
3.吴培良.朱玲.张玮动态家庭环境智能空间服务机器人全息建图方法[期刊论文]-科技导报 2010(12)
4.王智灵.周露平.陈宗海针对不同信息特征的鲁棒背景建模技术分析[期刊论文]-模式识别与人工智能 2009(2)
5.李庆武.蔡艳梅.徐立中基于分块分类的智能视频监控背景更新算法[期刊论文]-智能系统学报 2010(3)
本文链接：/Periodical_jqr200701006.aspx。