基于随机聚类的复杂背景建模与前景检测算法.PDFVIP

物理学报 Acta Phys. Sin. Vol. 64, No. 15 (2015) 150701 基于随机聚类的复杂背景建模与前景检测算法 毕国玲 续志军 陈涛 王建立 张延坤 1)(中国科学院长春光学精密机械与物理研究所, 长春 130033) 2)(中国科学院大学, 北京 100049) 3)(启明信息技术股份有限公司, 长春 130033) ( 2015 年2 月6 日收到; 2015 年3 月19 日收到修改稿) 为了构建鲁棒的背景模型和提高前景目标检测的准确性, 综合考虑同一位置的像素点在时间上的关联性 和与其相邻像素的空间关联性, 基于经典的ViBe 算法中的随机聚类思想提出了一种复杂背景建模和前景检 测方法. 利用样本一致性原理, 采用前 帧序列图像得到初始化背景, 避免了Ghost 现象的发生; 根据实际复 杂背景的动态反馈获取自适应聚类阈值和自适应更新阈值进行随机聚类, 从而实现了对动态背景的适应性; 通过全局扰动阈值和局部像素级判断阈值的结合, 实现了对光照缓慢变化、快速变化以及突然变化的免疫性, 准确地分割前景目标. 对多组数据集的测试结果表明, 本文算法较大地提高了背景模型对动态背景、光照变化 及相机抖动的复杂背景的适应性和鲁棒性. 算法还能很好地适用于红外图像检测运动目标的场合, 扩展了本 算法的应用范围. 在没有进行任何图像预处理和形态学后处理情况下, 得到的原始前景检测精度优于其他对 比算法. 关键词: 复杂背景建模, 前景检测, 随机聚类 PACS: 07.05.Pj, 42.30.Sy, 95.75.Mn DOI: 10.7498/aps.64.150701 许多学者对背景建模技术进行了广泛地研 1 引 言 究68 并积累了大量的研究成果, 其中, 混合高斯 背景建模(Gaussian mixture model, GMM) 9 是一 背景提取与前景检测是计算机视觉和智能视 种最具代表性的基于参数的背景建模方法, 采用 频分析的基本任务, 也是目前研究的热点之一, 它 多个高斯分布描述背景模型, 克服单高斯的缺点, 为后续研究工作如行为分析、物体分类、事件检测 但参数复杂且调整困难, 实时性不强, 在动态场景 等应用理解与视频处理奠定了基础. 目前常用的检 中GMM 算法存在较高的虚警率. 文献[10] 提出的 1 2 3 测方法有光流法 、帧差法 和背景差分法 等. SOBS (self organnizing background subtraction) 相比于前两者, 背景差分法在保证视频监控的实时 算法, 基于人工神经网络框架, 自组织学习背景模 性要求的同时, 具有检测准确且精度高的优点, 但 型, 该算法对动态背景、光照变化等复杂背景有良 是其检测的性能很大程度上取决于背景建模的准 好的抑制作用, 但计算复杂度高, 算法实时性较差. 确性. 然而在实际的复杂场景中有许多无法预测的 另一类是基于非参数的背景建模方法, 如码本模型 状态和不确定的因素存在, 动态背景(如树叶晃动、 (code-book, CB), GMG 算法、SACON 算法、ViBe 水波纹、喷泉涌动等) 4 5 11