背景差分法讲解学习.docxVIP

背景差分法 背景差分法又称背景减法，背景差分法的原理是将当前帧与背景图像进行差分来得到运动目标区域，这种方法较帧差法能更好的识别和提取运动目标，是目前运动分割中最常用的一种方法。但是需要构建一幅背景图像，这幅背景图像必须不含运动目标，并且应该能不断的更新来适应当前背景的变化，构建背景图像的方法有很多，比较常用的有基于单个高斯模型的背景构建，基于混合高斯模型的背景构建，基于中值滤波器的背景构造，基于卡尔曼滤波器的背景构造，基于核函数密度估计的背景模型构造。 背景差分法法是静止背景下运动目标识别和分割的另一种思路。如不考虑噪音n(x，y，t)的影响，视频帧图像I(x，y，t)可以看作是由背景图像b(x，y，t)和运动目标m(x，y，t)组成： （4-14） 由式(4-14)可得运动目标m(x，y，t)： （4-15） 而在实际中，由于噪音的影响，式(4-15)不能得到真正的运动目标，而是由运动目标区域和噪音组成的差分图像d(x，y，t)，即： （4-16） 得到运动目标需要依据某一判断原则进一步处理，最常用的方法为阈值分割的方法： （4-17） 式中T为一阈值，图4-1为背景差分法的流程图： 图4-1 背景差分法的流程图 背景差分法较帧差法更能准确地提取运动目标，帧差法如果不与其他方法进行结合只能提取运动变化区域(包括真正的运动目标、被覆盖和显露的背景)而不能直接提取运动目标。然而，当我们运用背景减法时还要考虑很多问题： （1）要得到背景图像b(x，y，t)，最简单的方法就是将第一帧没有运动目标的图像帧作为背景图像。然而在实际环境中随着时间的推移背景图像是不断变化的，引起背景变化的因素很多，如：光线的变化，环境的变化等等。因此不能简单的将一帧没有运动目标的图像帧作为背景而不进行更新。 （2）可能在场景中有很多干扰，比如场景中有树枝和叶子在风中晃动、水面的波动等等，这些运动不能简单的判断为运动目标。 （3）照明的变化和天气的变化都可能影响检测的结果。 （4）背景的变化，比如一辆汽车从原先背景中离开，物体改变了放置的位置，而这些情况下不能被认为真正的运动目标。 （5）运动目标影子的影响。 由这些需要考虑的问题我们可以得出在背景差分法中需要对背景图像进行及时更新，这样才能保证检测结果的正确性，背景更新的方法很多，下面详细论述。 4.2.1 基于单个高斯模型的背景构建 Wren等人提出了基于单个高斯模型的背景构建方法，该方法假定连续视频帧中每个象素均是独立的，并且其灰度值遵循高斯分布，随着新的视频帧到来，要更新每个像素点所遵循的相应高斯分布中的参数，其中均值定义为： （4-18） 式中是该像素当前灰度值，是前几帧该像素灰度值的均值，α是一个经验值，它决定背景更新的快慢，当α很小的时候，背景更新缓慢，反之，更新较快。方差σ2用它的无偏估计来代替，当时，该像素为运动目标点，否则就属于背景。 Koller等人指出上述方法不能很适当的更新背景，原因是在计算时，属于运动目标的像素点也参加了计算，这样的结果就是会将运动目标的像素点叠加到背景中，因此Koller等人提出了以下定义： （4-19） 式中参数M=0(上一次计算中属于背景的像素)或1(属于运动目标)。 4.2.2 基于混合高斯模型的背景构建 混合高斯模型是指用多个高斯分布来共同描述一个像素点的像素值分布， Stauffer等人提出了一种自适应的混合高斯模型背景构建的方法，每个像素点的灰度值分布都由多个高斯分布混合表示。 设一个像素点的像素观察值为{X1，…，Xt}，则当前像素值的概率可表示为： （4-20） 其中，K为用来表示像素值的高斯分布的个数，ωi，t表示t时刻第i个高斯分布的权值，μi，t表示第i个高斯分布的均值，表示第i个高斯分布的协方差矩阵，而第i个高斯分布函数表达式为： （4-21） 其中，n为自由变量的个数，K的值一般取3-5，协方差矩阵可表示为： （4-22） 文中用第一幅图像每点的像素值作为该点对应混合高斯分布的均值，并给每个高斯模型赋一个较大的方差和较小的权值。当新的图像到来的时候，要对各个像素点的混合高斯模型的参数进行更新，理想的情况是在每一时刻t，用包含新的观察数据的一段时间内的数据，开始采用K均值算法来近似估算混合高斯模型的参数，但是这种匹配算法计算比较复杂，不能达到实时计算的要求，因此用一种近似算法，即把K个高斯分布按权值和标准差之比ω/σ从大到小进行排列，然后选择均值μi，t-1，k和Xi，t最接近的高斯模型，并且满足：