基于自适应混合高斯模型全方位视觉目标检测

第44卷第7期Journal of Zhejiang University (Engineering Science )

浙　江　大　学　学　报(工学版)

Vol. 44No. 7

DOI :10. 3785/j. issn. 10082973X. 2010. 07. 028

刘士荣1, 王　凯1, 邱雪娜2

(1. 杭州电子科技大学自动化研究所, 浙江杭州310018;2. 华东理工大学自动化研究所, 上海200237)

摘　要:针对全方位视觉传感器视野范围大的特点, 提出一种基于自适应混合高斯模型的全方位视觉目标检测系统. 该系统通过Hough 变换检测全方位图像的中心, 基于图像中心对全方位图像进行展开. 对展开后的图像利用混合高斯模型进行背景建模, 并自适应地更新背景模型, 通过前景分割可以有效地分割出运动目标. 在图像展开及混合高斯建模时, 通过调整系统的采样频率可以较好地改善目标检测的实时性. 实验结果表明, 该系统可以在复杂环境中有效地检测运动目标, 具有较强的准确性和鲁棒性.

关键词:全方位视觉传感器; Hough 变换; 图像展开; 混合高斯模型; 目标检测

中图分类号:TP 391　　　　文献标志码:A 　　　　　文章编号:1008973X (2010) 0707

Adaptive mixture G aussian model using L IU , 1, Q IU Xue 2na 2

(1. I nstitute of A , H i Universit y , H angz hou 310018, China; 2. I nstitute of

A , y of S cience and Technolog y , S hanghai 200237, China )

Abstract :t he advantage of omnidirectional vision sensor wit h large field 2of 2view , an omnidirectional vision target detection system was p resented based on t he adaptive mixt ure Gaussian model. A Ho ugh t ransform algorit hm was adopted to detect t he center of t he scene , and t he omnidirectional image was t ransformed around t he center. An adaptively updated backgro und was modeled by t he mixt ure Gaussian model for t he t ransformed images.

The moving object can be effectively

segmented by t he foreground segmentation met hod. The real 2time performance of target detection can be imp roved by adjusting t he sample f requency during image t ransforming and mixt ure Gaussian modeling. Experimental result s demonst rate t hat t he system can effectively detect t he moving object under complex environment s , and has more accuracy and robust ness.

K ey w ords :omnidirectional vision sensor ; Hough t ransform ; image transform ; mixt ure Gaussian model ; target detectio n

　　随着计算机视觉技术的不断发展, 全方位视觉传感器在目标检测及跟踪方面的应用逐渐成为研究热点[1]. 利用全方位视觉传感器进行目标检测, 不但可以降低使用成本, 而且可以降低系统复杂程度, 增强系统的抗干扰能力[223].

收稿日期:20100312.

(KYS09150543) .

本文构建基于自适应混合高斯模型的全方位视觉目标检测系统. 该系统包括图像展开和目标检测2部分. 图像展开采用基于图像中心的快速展开算法, 能否准确获取图像中心将直接影响图像展开效果, 因此本文采用Hough 变换能够准确地检测图像

浙江大学学报(工学版) 网址:www. journals. zju. edu. cn/eng

基金项目:国家自然科学基金资助项目(60675043) ; 浙江省科技计划资助项目(2007C21051) ; 杭州电子科技大学科研启动基金资助项目

) , 男, 浙江绍兴人, 教授, 博导, 从事复杂系统建模、作者简介:刘士荣(1952—控制与优化、智能机器人与智能系统等研究.

E 2mail :liushirong @hdu.edu. cn

1388

浙　江　大　学　学　报(工学版) 　　　　　　　　　　　第44卷　

式中:(a , b ) 为圆心, r 为半径, a 、b 、r ∈R . 将a 、b 、r 等参数信息存储于参数矩阵I T . 图像平面上的一点

222

M 可以映射为一系列圆(x -a i ) +(y -b i ) =r , 该

中心, 减少展开时图像的畸变. 本文首先通过像素值的亮度分量确定混合高斯模型的采样频率, 初始化混合高斯模型, 并自适应地更新模型参数, 通过前景分割对移动目标进行检测. 实验结果表明, 该系统能够有效地检测运动目标, 更好地满足实时性要求.

圆方程的参数为I T 的第i 行. 其中,

a 1

I =

b 1r 1

a 2b 2r 2

…a n -1

…b n -1…r n -1

a n b n . r (4)

1　全方位图像展开

基于全方位视觉目标检测系统结构如图1所示. 该系统由全方位图像采集、基于Hough 变换检测、图像展开, 采样频率调整、背景参数更新和运动目标检测等功能模块组成. 采用基于Hough 变换的全方位图像快速展开算法. 该算法需要准确获取全方位图像中心, 因此采用Hough 变换的方法检测图像中心

遍历图像中的所有点, 求解

r =

x -a ) 2+(y -b ) 2;

(5)

更新对应的累加器P (a , b, r ) , 最后P (a , b, r ) 中的累加极大值P max (a , b, r )

所对应的坐标为圆心坐标

(a , b ) .

图2为待检测的全方位图像

, 图3为Hough 变换检测图像中心效果图. ,Hough 变换.

Fig. 1　chart of system process

图2　全方位图

Fig. 2　Omnidirectional image

1. 1　H ough 变换检测图像中心

Hough 变换是图像处理中从图像中识别几何

形状的基本方法之一. 经典的Hough 变换对像素点进行坐标空间变换, 从而更加容易地检测和识别几何形状. Hough 变换原理表述如下.

二维平面内任一条直线可以表示为

y =a x +b.

(1)

图3　H ough 变换检测图像中心

Fig. 3　Detect image center by Hough transform

式中:a 为斜率, b 为截距. 以x 为斜率、y 为截距作如下变换:

b =-ax +y.

(2)

1. 2　全方位图像快速展开

式(2) 的形式发生改变, 但参数的意义不变. 该变换使x 2y 平面下的一个点成为a 2b 平面中的一条直线, x 2y 平面中的一条直线成为a 2b 平面中具有公共点的直线集合.

Hough 变换检测圆[4]的基本原理是将图像空

在全方位视觉的实际应用中, 一般都是以视频

序列为处理源进行图像展开的, 因此需要一种快速的展开算法[526], 将时间以及各种参数的要求降到最低, 同时尽可能地获取有用的信息. 采用基于Hough 变换的全方位图像快速展开算法可以满足实时性要求. 1. 2. 1　全方位图像展开　全方位图像展开示意图如图4所示, 图像展开沿半径和圆周方向. 全方位图像展开的算法流程如下:

1) 利用Hough 变换检测得到圆的圆心坐标(a , b ) 和半径r ;

间中的所有点映射到参数空间中, 然后将在参数空间中得到的所有坐标点对应的累加值进行累加统计, 再根据累加值判断圆的半径及圆心所在的位置.

二维平面上圆的方程如下:

(x -a i ) 2+(y -b i ) 2=r 2.

(3)

第7期刘士荣, 等:基于自适应混合高斯模型全方位视觉目标检测

1389

2　运动目标检测

目标检测, 也称目标提取, 是一种基于目标几何和统计特征的图像分割. 传统的目标检测方法包括光流法[7]、连续帧间差分法[8]及背景减除法[9]. 光流法计算复杂, 且抗噪性能差; 帧间差分法不能精确地检测运动目标, 在本系统中采用背景减除的方法. 对背景进行混合高斯建模是降低光照变化影响的最好的方法之一[10]. 利用多个高斯模型来表征图像中像素点的特征, 并自适应地更新混合高斯模型, 可以极大地减小光照变化等对目标检测的影响, 因此, 采用混合高斯模型对背景进行建模. 2. 1　确定采样频率

将全方位视频序列进行展开并对展开后的视频序列进行混合高斯背景建模, 需要极大的计算量. 为了满足实时性的要求, .

, , YUV 颜色空间模型, 其中Y 表示亮度, U 、V 表示色度. 像素点在t 时刻的特征向量为

(8) x t =[Y t U t V t ].

式中:Y t 为像素点在t 时刻的亮度值, U t 、V t 为色度值. 在室内环境中, 光照变化对背景的影响尤为明显, 因此提取像素观测值x t 的亮度分量Y t , 根据亮度分量的变化来确定混合高斯模型的采样频率:

图4　全方位图像展开示意图

Fig. 4　Schematic diagram of omnidirectional image trans 2

forming

2) 根据获取的圆心坐标及半径得到展开图像

πr 1, r 1为全方位图中虚线的高度h =R , 宽度w =2

圆的半径, 这样展开后的图像看起来形变更均匀;

3) 根据全方位图像及展开图像的坐标变换进

行像素点的匹配:

I (x , y ) =I 0(y i cos θ+a , y i sin θ+b ) .

(6)

式中:I 为展开图像的像素值, I 0像素值, (x i , y i ) 为展开图中(x , y ) 应, θ=2πx i /w , x i ∈[0, w ].

, 图5为展开后的图像

图5全方位图像的展开图

Fig. 5　Transformed image of omnidirectional image

S =

i =1n

∑|∑|

Y t -Y t-1|≥T s ;

(9)

Y t -Y t-1|

1/2,

i =1

1. 2. 2　图像展开时采样频率调整　当以视频序列

式中:T s 为背景变化的阈值, T s =1000; n 为像素点个数. 当模; 当

为处理源时, 需要对每一帧图像的每一个像素点进行处理, 从而产生了极大的计算量. 为了满足实时性的要求, 在进行视频序列展开时, 对采样频率进行适当调整, 进行丢帧处理. 丢帧处理原则如下:

N =

∑

n i =1

i =1

|Y t -Y t-1|≥T s 时, 背景发生突变,

S =1, 即视频序列的每一帧都用于混合高斯背景建

∑

|Y t -Y t-1|

1, T 1>T 2; 0, T 1≤T 2.

1/2, 即采取隔帧采样的方式. 这样既可以增强对背

(7)

景变化的敏感度, 又可以增强系统的实时性, 降低了系统对资源的消耗.

2. 2　混合高斯模型

混合高斯建模[11]的基本思想如图6所示. 采用多个高斯分布模型来表征图像的各个像素点, 并对各个高斯分布分配权值, 根据权值排序. 对各帧中的每个像素进行处理, 看其是否匹配某个模型:若匹配, 则归入该模型中, 并根据新的像素值更新该模型; 若不匹配, 则以该像素建立一个高斯模型, 初始

式中:T 1为该帧图像展开所需时间, T 2为展开后视频序列帧与帧之间的时间间隔. 当N =1时进行丢帧处理, 当N =0时保留该帧, 即当图像展开的处理时间超过帧的间隔时间时丢弃下一帧. 经过适当的丢帧处理, 该方法对后续目标检测影响不大, 保证了视频展开的实时性.

1390

浙　江　大　学　学　报(工学版) 　　　　　　　　　　　第44卷　

模型中, 从而获得最有可能的模型.

前N 帧(N =100) 的权值学习率为

1/N , N ≤100; α=(14)

0. 005, N >100.

这样可使初始化的高斯模型尽可能快地逼近最精确的背景模型. 2. 4　高斯模型参数更新

高斯模型的参数更新即高斯分布均值方差及权值的更新. 当获取新的一帧图像时, 需要将图像每一点的像素点观测值x t 与对应的混合高斯模型进行匹配检测. 匹配原则如下:在t 时刻, 如果x t 与该像素点的第i 个高斯分布的均值μi , t -1之间的马氏距

离d i , t 小于设定阈值β, 那么高斯模型与x t 匹配. β一般为2. 5～3. 0, 本文取2. 5.

T -1

(x t -μ(15) d i , t =(x t -μi , t ) Σi , t ) .

x t 匹配, :

1) , , 即

i , t =μi , t -1,

(16)

Σi , t =Σi , t -1.

2) 对于可以匹配的高斯分布, 对参数进行更新.

图6混合高斯建模流程图

Fig. 6　Flow chart of mixture G aussian modeling

化参数, 并替换权值最小的高斯分布. 如果新图像帧的像素点与混合高斯分布模型匹配, 那么判定为背景点, 否则为前景点.

在t 时刻, 背景图像的每个像素点可由K 个高斯分布构成的混合高斯模型来表征, 的概率为

P (x t ) 1

, t

(, Σi , t . (10)

参数更新如下式所示:μ) μx t , i , t =(1-ρi , t -1+ρ

T Σ) Σ(x t -μ・diag [(x t -μi , t =(1-ρi , t -1+ρi , t ) i , t ) ].

式中:K , 一般

为3～5, 本文取K =5; w i , t 为t 时刻第i 个高斯分布的权值; η为该高斯分布的概率密度函数; μi , t 为t 时刻第i 个高斯分布的均值向量; Σi , t 为t 时刻第i 个高斯分布的协方差矩阵. 为了满足实时性要求, 假定Y 、U 、V 相互独立.

Y U V

μi , t =(μ(11) i , t , μi , t , μi , t ) .

200Y

Σi , t =0σU

(17)

(12)

η(x t , μi , t , Σi , t ) =

T -1

i , t ) Σi , t (x t -μi , t ) /2].1/21/2exp [-(x t -μ(2π) |Σi , t |

(13)

2. 3　高斯模型参数初始化

当对背景进行建模时需要对混合高斯模型中的

高斯分布进行初始化. 依照将混合高斯模型每个高斯分布的均值和权值初始化为一个较小的值、将方差初始化为较大的值的原则, 均值和权值设置为0. 001, 方差为15. 这样设置的原因是初始化的高斯模型是一个可能的模型而不是准确的模型, 要连续地缩小方差的范围, 才能得到最准确的高斯模型, 将方差设大些, 是为了将尽可能多的像素包含在一个

ρ为背景学习率, 反映当前图像融入背景的式中:速率,

ρ=α・η(x t , μi , t -1, Σi , t -1) . (18)

若在混合高斯模型中没有高斯分布与x t 匹配, 则用新的高斯分布取代优先级p i , t 最小的高斯分布, 并对新的高斯分布参数进行初始化, 其中

(19) p i , t =w i , t /|Σi , t |.

参数初始化为

μi , t =x t , w i , t =0. 001, σi , t =15.

高斯分布的权值更新为

) w i -1, t +α(20) w i , t =(1-αM i , t .

式中:

1, d i , t

(21) M i , t =2

β0, d i , t ≥. 2. 5　背景分析及前景分割

在混合高斯模型建立以后, 需要确定能够表征

背景的高斯分布. 依照表征背景的高斯分布优先级较高的原则, 根据优先级p i , t 对高斯分布排序, 选择前B 个高斯分布表征背景模型:

B =arg b min {

i =1

∑w

i , t

>T}.(22)

第7期刘士荣, 等:基于自适应混合高斯模型全方位视觉目标检测

1391

式中:T 为背景阈值, 一般取0. 5

前景目标的分割通过图像的像素观测值与背景模型进行比较:若x t 与B 个高斯分布中的任意一个匹配, 则x t 为背景; 若x t 与B 个高斯分布都不匹配, 则x t 为前景目标.

下全方位展开视频序列. 图8为利用混合高斯模型背景建模进行目标检测的实验效果, 视频序列中移动的人体能够被准确检测, 受外界干扰影响较小. 图9为利用平均背景法背景建模目标检测的效果. 如图9所示, 存在鬼影现象(鬼影指当背景中静止的目标移动到其他位置时, 原来位置上仍存在目标轮廓的现象) , 并且该方法检测结果受环境变化影响较大, 致使检测结果出现白色斑点影响, 不利于后续研究.

视频序列2是在实验室环境下, 室内环境相对复杂, 光线条件强烈. 图10为在光线强烈条件下的全方位展开视频序列图. 图11为利用自适应的混合高斯模型对背景建模检测运动目标的效果图. 图12为利用平均背景法对背景建模检测运动目标的效果图.

当利用混合高斯模型进行背景建模时, 需要初始化高斯分布参数, 的. 本文中设置前100, 使背11所示, 第20帧时高斯分布能够准确表, 会, 如图12中的第100帧所示.

当目标移动到光照相对强烈的位置时, 混合高斯背景建模仍然能够准确地检测目标, 如图11

中的

3　实验结果与分析

为了比较不同光线强度下视频样本目标检测的效果, 采用不同环境光照条件下的2个视频序列, 分别用自适应的混合高斯建模和平均背景法对背景进行建模, 检测室内环境中移动的人体, 并比较2种情况下的检测结果.

视频序列1为光照条件相对温和的室内环境, 对室内移动的人体进行检测. 图7为光线温和条件

图8　混合高斯模型背景建模运动目标检测(视频序列1)

Fig. 8　Object detection by mixture G aussian modeling

method (video sequence 1

)

图7　光线温和条件下全方位视频展开序列

Fig. 7　Transformed video sequence under condition of

moderate light

图9　平均背景法背景建模运动目标检测(视频序列2)

Fig. 9　Object detection by averaging background meth 2

od (video sequence 2)

1392

浙　江　大　学　学　报(工学版) 　　　　　　　　　　　第44卷　

图11　混合高斯模型背景建模运动目标检测(视频序列2)

Fig. 11　Object detection by mixture G aussian modeling

method (video sequence 2

)

图12　平均背景法背景建模运动目标检测(视频序列2)

Fig. 12　Object detection by averaging background meth 2

od (video sequence 2)

标进行后续跟踪, 则干扰严重, 不能够精确地定位目

标位置. 在第1200帧时, 视频序列中左下方人体发生运动, 用混合高斯模型对背景建模的方法能够准确检测, 用平均背景法对背景建模的方法检测结果比较模糊, 干扰较多. 通过对比可以发现, 在光照强烈的环境下, 利用混合高斯模型进行背景建模的效果明显优于平均背景法.

通过实验结果对比可以发现, 在室内复杂环境下, 不论光照条件强烈还是光照相对比较温和, 利用混合高斯模型背景建模进行目标检测的效果都明显优于平均背景法.

图10　光线强烈条件下全方位视频展开序列

Fig. 10　Transformed video sequence under condition of

strong light

4　结　语

本文构建基于自适应的混合高斯模型的全方位

视觉运动检测系统, 通过对展开后的视频序列进行

第600帧、第900帧所示. 利用平均背景法进行背景建模, 光照影响较大, 画面出现白色的斑点,

若对目

第7期刘士荣, 等:基于自适应混合高斯模型全方位视觉目标检测

1393

混合高斯建模, 自适应地更新背景模型, 并对前景目标进行检测. 实验结果表明, 在室内复杂环境下, 本文构建的系统能够实时展开全方位视频序列, 有效检测移动目标. 特别是在光照强烈的条件下, 采用混合高斯背景建模的效果明显优于平均背景法. 当然, 该系统存在移动目标停止后目标丢失的现象, 这是后期目标跟踪的一个重要研究课题.

快速解算算法[J].哈尔滨工程大学学报,2007,28(4) :

465

468.

XI Zhi 2hong , WU Zi 2xin , ZHAN G Shu. Quick double reverse algorithm for omnidirectional images based on the center of imaging [J].Journal of H arbin E ngineering U niversity , 2007,28(4) :465

468.

[7]朱云芳, 王贻术, 杜歆. 静态环境中基于光流的障碍物检

测[J].浙江大学学报:工学版,2008,42(6) :923926.

ZHU Yun 2fang , WAN G Y i 2shu , DU Xin. Optical flow based obstacle detection in static environment [J].Jour 2nal of Zhejiang U niversity :E ngineering Science , 2008, 42(6) :923926.

[8]ANDERSON C H , BU R T P J , VANDERWALL G S.

Change detection and tracking using pyramid transform techniques [C ]∥Proceedings of SPIE 2I ntelligent R obots and Computer Vision. Boston :SPIE , 1985:72

78.

[9]MITT AL A , PARA GIOS Motion 2based background

subtraction using density estimation [C]∥Society Conference on R ecognition. Washington , , 2004:302

309.

ANG L. E ffective G aussian mixture learning for

video background subtraction [J].IEEE T rans actions on P attern and M achine I ntelligence , 2005, 27(5) :827

832.

[11]王长军, 朱善安. 基于统计模型和活动轮廓的运动目标

参考文献(R eferences) :

[1]SHEIKN Y, SHA H M. Baysian modeling of dynamic

scenes for object detection [J ].IEEE T ransportation on P attern A nalysis and M achine I ntelligence , 2005, 27(11) :1778

1792.

[2]BLACK J , ELL IS T. Multi camera image tracking [J].

Im age and Vision C omputing , 2006, 24(11) :12561267. [3]L IU Hong , PI Wen 2kai. ZHA Hong 2bin. Motion detection

for multiple moving targets by using an omnidirectional camera [C ]∥P roceedings of the 2003IEEE I nternational C onference on R obotics , I ntelligent Systems and Signal P ro 2cessing. Changsha , China :IEEE , 2003:422426. [4]ZHAN Ming 2zhu , CAO Huan 2rong. A new circle ’s center and radius detection Proceedings of the I on and Logistics. :, :2239

2242.

[5]原新, 王亮, 朱齐丹. 检测与跟踪[J].浙江大学学报:工学版,2006,40(2) :

249

253.

WAN G Chang 2jun , ZHU Shan 2an. Motion detection and object tracking based on statistical model and active contour [J].Journal of Zhejiang U niversity :E ngineer 2ing Science , 2006, 40(2) :249

253.

研究[J].哈尔滨工业大学学报,2006,38(12) :21582161.

YUAN X in ,W AN G Liang ,ZHU Qi 2dan. Image calculation research based on omnidirectional camera [J].Jou rnal of H arbin I nstitute of T echeology , 2006,38(12) :21582161. [6]席志红, 吴自新, 张曙. 基于全视觉图像中心的二次逆向

下期论文摘要预登

基于反褶积的探地雷达高分辨率处理方法

王振华, 董石麟, 田　伟, 袁行飞

(1. 浙江大学空间结构研究中心, 浙江杭州310027; 2. 广东省电力设计研究院, 广东广州510663)

摘　要:研究索穹顶与单层网壳组合的新型空间结构的受力性能. 设计肋环型索穹顶与肋环双斜杆型单层网壳组合的结构, 对其进行下部索穹顶预应力张拉试验、结构在全跨和半跨荷载下的静力性能试验. 根据试验结果对试验的计算模型进行修正, 并将结构在全跨和半跨荷载下的试验实测数据与理论分析结果进行比较. 结果表明, 实测数据与理论分析之间差异较小, 模型设计和试验方法合理, 理论分析方法正确. 修正的计算模型能准确反映结构的力学性能.

关键词:组合结构; 索穹顶; 单层网壳; 模型试验; 模型修正

第44卷第7期Journal of Zhejiang University (Engineering Science )

浙　江　大　学　学　报(工学版)

Vol. 44No. 7

DOI :10. 3785/j. issn. 10082973X. 2010. 07. 028

基于自适应混合高斯模型全方位视觉目标检测

刘士荣1, 王　凯1, 邱雪娜2

(1. 杭州电子科技大学自动化研究所, 浙江杭州310018;2. 华东理工大学自动化研究所, 上海200237)

关键词:全方位视觉传感器; Hough 变换; 图像展开; 混合高斯模型; 目标检测

中图分类号:TP 391　　　　文献标志码:A 　　　　　文章编号:1008973X (2010) 0707

Adaptive mixture G aussian model using L IU , 1, Q IU Xue 2na 2

(1. I nstitute of A , H i Universit y , H angz hou 310018, China; 2. I nstitute of

A , y of S cience and Technolog y , S hanghai 200237, China )

The moving object can be effectively

K ey w ords :omnidirectional vision sensor ; Hough t ransform ; image transform ; mixt ure Gaussian model ; target detectio n

收稿日期:20100312.

(KYS09150543) .

浙江大学学报(工学版) 网址:www. journals. zju. edu. cn/eng

基金项目:国家自然科学基金资助项目(60675043) ; 浙江省科技计划资助项目(2007C21051) ; 杭州电子科技大学科研启动基金资助项目

) , 男, 浙江绍兴人, 教授, 博导, 从事复杂系统建模、作者简介:刘士荣(1952—控制与优化、智能机器人与智能系统等研究.

E 2mail :liushirong @hdu.edu. cn

1388

浙　江　大　学　学　报(工学版) 　　　　　　　　　　　第44卷　

式中:(a , b ) 为圆心, r 为半径, a 、b 、r ∈R . 将a 、b 、r 等参数信息存储于参数矩阵I T . 图像平面上的一点

222

M 可以映射为一系列圆(x -a i ) +(y -b i ) =r , 该

圆方程的参数为I T 的第i 行. 其中,

a 1

I =

b 1r 1

a 2b 2r 2

…a n -1

…b n -1…r n -1

a n b n . r (4)

1　全方位图像展开

遍历图像中的所有点, 求解

r =

x -a ) 2+(y -b ) 2;

(5)

更新对应的累加器P (a , b, r ) , 最后P (a , b, r ) 中的累加极大值P max (a , b, r )

所对应的坐标为圆心坐标

(a , b ) .

图2为待检测的全方位图像

, 图3为Hough 变换检测图像中心效果图. ,Hough 变换.

Fig. 1　chart of system process

图2　全方位图

Fig. 2　Omnidirectional image

1. 1　H ough 变换检测图像中心

Hough 变换是图像处理中从图像中识别几何

形状的基本方法之一. 经典的Hough 变换对像素点进行坐标空间变换, 从而更加容易地检测和识别几何形状. Hough 变换原理表述如下.

二维平面内任一条直线可以表示为

y =a x +b.

(1)

图3　H ough 变换检测图像中心

Fig. 3　Detect image center by Hough transform

式中:a 为斜率, b 为截距. 以x 为斜率、y 为截距作如下变换:

b =-ax +y.

(2)

1. 2　全方位图像快速展开

Hough 变换检测圆[4]的基本原理是将图像空

在全方位视觉的实际应用中, 一般都是以视频

1) 利用Hough 变换检测得到圆的圆心坐标(a , b ) 和半径r ;

间中的所有点映射到参数空间中, 然后将在参数空间中得到的所有坐标点对应的累加值进行累加统计, 再根据累加值判断圆的半径及圆心所在的位置.

二维平面上圆的方程如下:

(x -a i ) 2+(y -b i ) 2=r 2.

(3)

第7期刘士荣, 等:基于自适应混合高斯模型全方位视觉目标检测

1389

2　运动目标检测

将全方位视频序列进行展开并对展开后的视频序列进行混合高斯背景建模, 需要极大的计算量. 为了满足实时性的要求, .

, , YUV 颜色空间模型, 其中Y 表示亮度, U 、V 表示色度. 像素点在t 时刻的特征向量为

(8) x t =[Y t U t V t ].

图4　全方位图像展开示意图

Fig. 4　Schematic diagram of omnidirectional image trans 2

forming

2) 根据获取的圆心坐标及半径得到展开图像

πr 1, r 1为全方位图中虚线的高度h =R , 宽度w =2

圆的半径, 这样展开后的图像看起来形变更均匀;

3) 根据全方位图像及展开图像的坐标变换进

行像素点的匹配:

I (x , y ) =I 0(y i cos θ+a , y i sin θ+b ) .

(6)

式中:I 为展开图像的像素值, I 0像素值, (x i , y i ) 为展开图中(x , y ) 应, θ=2πx i /w , x i ∈[0, w ].

, 图5为展开后的图像

图5全方位图像的展开图

Fig. 5　Transformed image of omnidirectional image

S =

i =1n

∑|∑|

Y t -Y t-1|≥T s ;

(9)

Y t -Y t-1|

1/2,

i =1

1. 2. 2　图像展开时采样频率调整　当以视频序列

式中:T s 为背景变化的阈值, T s =1000; n 为像素点个数. 当模; 当

N =

∑

n i =1

i =1

|Y t -Y t-1|≥T s 时, 背景发生突变,

S =1, 即视频序列的每一帧都用于混合高斯背景建

∑

|Y t -Y t-1|

1, T 1>T 2; 0, T 1≤T 2.

1/2, 即采取隔帧采样的方式. 这样既可以增强对背

(7)

景变化的敏感度, 又可以增强系统的实时性, 降低了系统对资源的消耗.

2. 2　混合高斯模型

1390

浙　江　大　学　学　报(工学版) 　　　　　　　　　　　第44卷　

模型中, 从而获得最有可能的模型.

前N 帧(N =100) 的权值学习率为

1/N , N ≤100; α=(14)

0. 005, N >100.

这样可使初始化的高斯模型尽可能快地逼近最精确的背景模型. 2. 4　高斯模型参数更新

离d i , t 小于设定阈值β, 那么高斯模型与x t 匹配. β一般为2. 5～3. 0, 本文取2. 5.

T -1

(x t -μ(15) d i , t =(x t -μi , t ) Σi , t ) .

x t 匹配, :

1) , , 即

i , t =μi , t -1,

(16)

Σi , t =Σi , t -1.

2) 对于可以匹配的高斯分布, 对参数进行更新.

图6混合高斯建模流程图

Fig. 6　Flow chart of mixture G aussian modeling

化参数, 并替换权值最小的高斯分布. 如果新图像帧的像素点与混合高斯分布模型匹配, 那么判定为背景点, 否则为前景点.

在t 时刻, 背景图像的每个像素点可由K 个高斯分布构成的混合高斯模型来表征, 的概率为

P (x t ) 1

, t

(, Σi , t . (10)

参数更新如下式所示:μ) μx t , i , t =(1-ρi , t -1+ρ

T Σ) Σ(x t -μ・diag [(x t -μi , t =(1-ρi , t -1+ρi , t ) i , t ) ].

式中:K , 一般

Y U V

μi , t =(μ(11) i , t , μi , t , μi , t ) .

200Y

Σi , t =0σU

(17)

(12)

η(x t , μi , t , Σi , t ) =

T -1

i , t ) Σi , t (x t -μi , t ) /2].1/21/2exp [-(x t -μ(2π) |Σi , t |

(13)

2. 3　高斯模型参数初始化

当对背景进行建模时需要对混合高斯模型中的

ρ为背景学习率, 反映当前图像融入背景的式中:速率,

ρ=α・η(x t , μi , t -1, Σi , t -1) . (18)

若在混合高斯模型中没有高斯分布与x t 匹配, 则用新的高斯分布取代优先级p i , t 最小的高斯分布, 并对新的高斯分布参数进行初始化, 其中

(19) p i , t =w i , t /|Σi , t |.

参数初始化为

μi , t =x t , w i , t =0. 001, σi , t =15.

高斯分布的权值更新为

) w i -1, t +α(20) w i , t =(1-αM i , t .

式中:

1, d i , t

(21) M i , t =2

β0, d i , t ≥. 2. 5　背景分析及前景分割

在混合高斯模型建立以后, 需要确定能够表征

背景的高斯分布. 依照表征背景的高斯分布优先级较高的原则, 根据优先级p i , t 对高斯分布排序, 选择前B 个高斯分布表征背景模型:

B =arg b min {

i =1

∑w

i , t

>T}.(22)

第7期刘士荣, 等:基于自适应混合高斯模型全方位视觉目标检测

1391

式中:T 为背景阈值, 一般取0. 5

当目标移动到光照相对强烈的位置时, 混合高斯背景建模仍然能够准确地检测目标, 如图11

中的

3　实验结果与分析

视频序列1为光照条件相对温和的室内环境, 对室内移动的人体进行检测. 图7为光线温和条件

图8　混合高斯模型背景建模运动目标检测(视频序列1)

Fig. 8　Object detection by mixture G aussian modeling

method (video sequence 1

)

图7　光线温和条件下全方位视频展开序列

Fig. 7　Transformed video sequence under condition of

moderate light

图9　平均背景法背景建模运动目标检测(视频序列2)

Fig. 9　Object detection by averaging background meth 2

od (video sequence 2)

1392

浙　江　大　学　学　报(工学版) 　　　　　　　　　　　第44卷　

图11　混合高斯模型背景建模运动目标检测(视频序列2)

Fig. 11　Object detection by mixture G aussian modeling

method (video sequence 2

)

图12　平均背景法背景建模运动目标检测(视频序列2)

Fig. 12　Object detection by averaging background meth 2

od (video sequence 2)

标进行后续跟踪, 则干扰严重, 不能够精确地定位目

图10　光线强烈条件下全方位视频展开序列

Fig. 10　Transformed video sequence under condition of

strong light

4　结　语

本文构建基于自适应的混合高斯模型的全方位

视觉运动检测系统, 通过对展开后的视频序列进行

第600帧、第900帧所示. 利用平均背景法进行背景建模, 光照影响较大, 画面出现白色的斑点,

若对目

第7期刘士荣, 等:基于自适应混合高斯模型全方位视觉目标检测

1393

快速解算算法[J].哈尔滨工程大学学报,2007,28(4) :

465

468.

XI Zhi 2hong , WU Zi 2xin , ZHAN G Shu. Quick double reverse algorithm for omnidirectional images based on the center of imaging [J].Journal of H arbin E ngineering U niversity , 2007,28(4) :465

468.

[7]朱云芳, 王贻术, 杜歆. 静态环境中基于光流的障碍物检

测[J].浙江大学学报:工学版,2008,42(6) :923926.

ZHU Yun 2fang , WAN G Y i 2shu , DU Xin. Optical flow based obstacle detection in static environment [J].Jour 2nal of Zhejiang U niversity :E ngineering Science , 2008, 42(6) :923926.

[8]ANDERSON C H , BU R T P J , VANDERWALL G S.

Change detection and tracking using pyramid transform techniques [C ]∥Proceedings of SPIE 2I ntelligent R obots and Computer Vision. Boston :SPIE , 1985:72

78.

[9]MITT AL A , PARA GIOS Motion 2based background

subtraction using density estimation [C]∥Society Conference on R ecognition. Washington , , 2004:302

309.

ANG L. E ffective G aussian mixture learning for

video background subtraction [J].IEEE T rans actions on P attern and M achine I ntelligence , 2005, 27(5) :827

832.

[11]王长军, 朱善安. 基于统计模型和活动轮廓的运动目标

参考文献(R eferences) :

[1]SHEIKN Y, SHA H M. Baysian modeling of dynamic

scenes for object detection [J ].IEEE T ransportation on P attern A nalysis and M achine I ntelligence , 2005, 27(11) :1778

1792.

[2]BLACK J , ELL IS T. Multi camera image tracking [J].

Im age and Vision C omputing , 2006, 24(11) :12561267. [3]L IU Hong , PI Wen 2kai. ZHA Hong 2bin. Motion detection

2242.

[5]原新, 王亮, 朱齐丹. 检测与跟踪[J].浙江大学学报:工学版,2006,40(2) :

249

253.

WAN G Chang 2jun , ZHU Shan 2an. Motion detection and object tracking based on statistical model and active contour [J].Journal of Zhejiang U niversity :E ngineer 2ing Science , 2006, 40(2) :249

253.

研究[J].哈尔滨工业大学学报,2006,38(12) :21582161.

下期论文摘要预登

基于反褶积的探地雷达高分辨率处理方法

王振华, 董石麟, 田　伟, 袁行飞

(1. 浙江大学空间结构研究中心, 浙江杭州310027; 2. 广东省电力设计研究院, 广东广州510663)

关键词:组合结构; 索穹顶; 单层网壳; 模型试验; 模型修正

基于自适应混合高斯模型全方位视觉目标检测

相关文章