《多级分块的交通视频智能识别背景建模方法》由会员分享，可在线阅读，更多相关《多级分块的交通视频智能识别背景建模方法（12页珍藏版）》请在金锄头文库上搜索。
1、多级分块的交通视频智能识别背景建模方法 谢寒 蒋阳升 姚志洪 彭赛 西南交通大学交通运输与物流学院 综合交通运输智能化国家与地方联合工程实验室 摘 要： 为改善视频监控中的背景建模方法对于前景目标物较多或者光线变化的复杂环境效果不太理想的缺陷, 提出一种多级分块背景建模方法.该方法以间隔 N 帧帧差法为基础, 采用多级分块, 并结合对称二值模式 (center-symmetric local binary pattern, CSLBP) 和码本 (codebook, CB) 等算法建立背景模型.通过模型得出背景较为清晰和完整, 为下一步进行前景目标的准确识别提供良好基础.采用设计实验检验该方法
2、的有效性, 将其与局部二值模式 (local binary pattern, LBP) 、CSLBP、CB 以及经典的混合高斯背景建模 (mixture of Gaussian, MOG) 等算法进行对比分析, 得出采用此方法提取的前景目标物更加完整, 边界更加清晰, 且无明显分块图形出现.采用评分的方法对几种方法进行综合评分, 该方法评分较高.在对前景目标物的提取方法中, 该方法效果较好.关键词： 背景建模; 帧差法; 局部二值模式; 对称二值模式; 码本算法; 混合高斯背景建模法; 作者简介：谢寒 (1979) , 女, 博士研究生;作者简介：蒋阳升 (1975) , 男, 教授, 博士生
3、导师, 收稿日期：2016-04-28基金：国家自然科学基金 (71402149, 51578465) Background modeling based on multi-level block for traffic video intelligent recognitionXIE Han JIANG Yangsheng YAO Zhihong PENG Sai School of Transportation and Logistics, Southwest Jiaotong University; Abstract： In order to improve the effect of
4、a background model in traffic video surveillance which was not good for the complex environment with too many foreground objects or light varying, a background modeling of multi-level block was proposed. The model was based on the frame differential method with the N frames interval and multilevel b
5、lock, combining with center-symmetric local binary pattern and codebook algorithm. Using the model, the background obtained is clear and unbroken, and is the base for the foreground object extraction. To test the validity of the method, the designed experiment was compared with local binary pattern,
6、 center-symmetric local binary pattern, codebook algorithm and mixture of Gaussian. The proposed model got the more complete foreground objects, more clearly boundary of the objects, and no significant block figure. We scored the methods and the proposed method got higher scores. In the foreground o
7、bject extraction methods, the method we proposed had the better results.Keyword： background modeling; frame differential method; local binary pattern; center-symmetric local binary pattern; codebook; multi-Gauss model; Received： 2016-04-28在智能视频监控领域, 为了得到较为完整的前景目标物, 大多采用背景差法1.背景是场景中较为固定的部分2.特别是在交通视频中
8、, 无法直接获取背景, 需要进行背景重建.因此, 背景建模是视频智能识别的一项关键技术.目前, 国内外的研究已经提出大量建模方法.但对于复杂环境, 如:前景目标物较多, 背景有扰动等, 这些方法获取的前景目标物不太理想, 直接导致前景目标物的误检和漏检在交通场景中导致对交通流参数的统计不准确, 从而智能交通监测、交通流预测以及交通事故预警等方面的效率低下.所以, 如何通过建立完整的背景模型而获取较好的前景目标物识别效果在交通视频智能监控中非常关键.目前背景建模方法建立在统计学基础上.从模型参数层面可分为参数建模和非参数建模两类3, 从建模面积层面可分为像素建模和子块建模两类4, 从时空层面可分
9、为时域建模和空域建模两类1等.从不同角度亦可以构建不同的模型, 目前使用较多的是结合多个角度来构建联合模型1,4, 所得模型效果较相对单一的模型要好.早期采用较多的方法为均值法和中值法5.这两种方法属于时域范围的基于像素的非参数建模方法.由于方法简单, 到目前仍然在一定程度上使用.但前景目标物较多时, 背景出现拖尾现象6.之后 Stauffer 等7提出了混合高斯模型 (mixture of Gaussian, MOG) , 属于时域范围的基于像素的参数方法.由于采用学习策略来适应背景变化, 对缓慢变化的背景效果较好, 因而得到了广泛使用.但对突变背景 (如光照、天气的突变) 容易把背景和噪声
10、检测为前景目标, 对较多的前景目标物常出现严重拖尾现象, 且算法较为复杂6, 对突变的多背景的效果不佳.针对多背景, Kim 等8采用码本 (codebook, CB) 建模法, 该方法是时域范围的基于像素的非参数建模方法.但其需要记录图像像素, 占用存储空间较大.以上基于像素的建模方法至今使用的仍然很多, 但单个像素的考虑和甄别, 割裂图像的空间特性, 导致前景目标物不完整, 故而导致误检和漏检.早在 1979 年, Robert Mitchell 等就提出块编码 (block truncation coding, BTC) 方法9, 主要用于图片编码和解码.但解码出来的图像与编码前的图像相
11、比存在明显分块, 特别是图像的边缘, 不是很准确.Marko Heikkila 等10把局部二值模式 (local binary pattern, LBP) 用于背景提取, 这是一种空域的基于子块的非参数的背景建模法, 可以识别前景目标和背景.张玲等11证实了LBP 算子对阴影的检测非常有效.但是 LBP 算子直方图维数为 2 (其中 p 为选取为领域点的数量) , p 越大, 维数越高.为减少维数, Heikkila 等12提出了对称二值模式算子 (center-symmetric local binary pattern, CSLBP) , 直方图维数仅为 2, 但这种方法目标前景的边缘可
12、能包含较多背景.Lingfeng Wang13等采用自适应 LBP 方法, 但所需参数太多, 且很多参数需要进行预先测定.考虑到图像同时具有时域和空域的特性, Guo J.M.等14把 CB 建模法用于分块的方法上.但该方法得出的前景目标出现块状特征.解文华等4提出对前景目标物的边缘采用高斯建模的方式进行判断, 得到较为光滑的前景目标物边缘.但该方法对前景目标进行像素级高斯建模, 对移动较快的前景目标物边缘判断不是很准确.其他非参数模型方法还有核密度估计方法15以及目前使用较多的低秩矩阵方法16-17.但这两种方法均需要进行较多帧的训练, 且对多背景的情况效果不是很好.综上所述, 为达到实时要
13、求, 目前使用较多的仍然是非参数模型, 同时兼顾时域和空域进行背景建模, 获取前景目标物.为了解决目标物提取不完整以及变化背景的问题, 本文从空域考虑使用分块的方法, 从时域考虑采用多层策略, 借鉴 CSLBP 获取纹理的方法以及 Guo J.M.等13的分块 CB 建模方法, 提出一种多层分块建模法来进行背景建模.这种方法对于多背景、局部和整体变化等效果都进行了考虑, 因此比起传统方法在背景建模方面具有较好效果.由于采用了多层的方法, 对于较大块和较小块背景进行层层分离, 在计算速度和前景分割方面均有较好的效果, 此外, 采用多背景策略, 对于变化的背景亦能进行较好识别.文中第 1 部分对分
14、块建模法进行了简单介绍.为了验证本文方法的可行性, 在第 2 部分对分块建模法进行了测试, 同时与 LBP、CSLBP、CB、MOG 以及 LRM算法进行了比对, 并分析了测试结果.最后进行了总结.1 多层分块建模法为了粗区分图像上的背景和前景, 利用帧差法可以快速获取运动目标的特征, 对于运动较慢的目标物, 前后两帧直接相减容易目标消失, 采用间隔帧差法可以改善, 得到初始帧.把初始帧分成 MM 块, 由于分块面积较大, 不存在目标物成为背景的情况, 采用块均值来对前景和背景进行判断.对均值为 0 的块标记为背景, 采用 CSLPB 方法得出直方图, 并用分块 CB 方法记录特征向量.对均值
15、不为 0 的块不进行标记, 找完所有块则输入下一帧, 在下一帧中继续寻找之前未进行标记的块.直到已经不能再找出任何一个 mm 的背景块时, 对不能标记的块再分为 NN 块进行背景块寻找, 直到不能再分成小块 (最小块为 99) 时对剩余位置进行 CSLBP 直方图和 CB 特征向量的提取, 得到一副完整的直方图和特征向量.此时, 训练完成, 进入识别部分.读入新的一帧, 用背景差法得到一个检测帧, 匹配该帧每一部分的 CSLBP 直方图以及 CB 特征向量, 得出是前景还是背景的判断, 如果是背景则进行相应的背景的更新.对多层分块建模法中涉及到的带阈值的间隔帧差法、CSLBP 算法、分块 CB
16、 算法以及本文提出的多层分块建模法的详细步骤, 在下面将一一进行介绍.2 带阈值的间隔帧差法帧差法2利用运动的目标前景在不同帧上产生不同边缘的原理来进行前景和背景的粗分割.这种方法极其简单, 运行速度快, 在交通视频识别中使用较多.但其能获取运动目标的边缘, 运动目标提取不完整, 大量空洞导致误检.对前景目标移动缓慢时, 使用前后两帧直接相减较难获取目标物边缘, 导致漏检.考虑到这种情况本文算法采用相隔 N 帧的图像进行帧差, 对前景目标进行粗检测.相隔N 帧减少了移动缓慢目标物的影响, 同时, 帧差法得到的前景目标物在一定的分块范围内会存在多多少少的残留物, 不容易被认为是背景.此外, 由于时间和光线的微弱变化, 在不同的视频帧中的同一背景的像素会稳定在一定的区域范围内, 因而, 本文方法引入阈值计算.具体计算公式为式中:f 1 (i, j) 、f 2 (i, j) 分别为相隔 N 帧的两幅视频帧;F (i, j) 为相
