阴影检测与多高斯背景模型在人脸定位中的应用

    背景分割作为计算机视觉的重要研究课题之一，在视频监控、智能化交通系统、人机交互等领域有着广泛的应用。摄像机静止时，背景分割的主流方法是背景减除法，即用当前帧与背景参考模型进行比对, 再通过阈值法来判断各个像素是否属于前景目标。视频背景中干扰运动是大量存在的(尤其是在室外场景中)，这使得构建合适的背景模型成为应用背景减除法成功的关键。
    研究者已经提出了多种背景模型，如时间平均模型(Temporal average model, TAM)和单高斯背景模型(Single Gaussian model, SGM)计算量小，但是它无法处理场景中光线的缓慢变化带来的问题，且当背景像素亮度呈多峰分布时检测效果不佳。高斯混合模型(Gaus-sian mixture model, GMM)将像素的亮度分布用几个高斯函数的加权和来近似，在一定程度上能够适应多峰分布的背景。与TAM或SGM 相比，GMM 检测性能的提高是用大的计算代价换取的，但是，随着计算机性能的提高，基于GMM算法的应用越来越成熟，因此本文利用GMM作为背景模型。
    但是，研究GMM后就会发现，GMM学习速度较慢且机械，特别是前几祯就是前景时，需要很长时间才能纠正过来。参数估计较机械化。于是，出现了很多对GMM的改进方法。例如文通过改进高斯混合模型的参数更新策略来提高效率； ZivkovicZ在混合高斯模型中引入了高斯函数个数的自动选择机制。同时，最大的问题就是误将移动目标的背景判断为前景，给后续的目标识别带来极大的困难，因此，本文引入了阴影检测。
    将背景分割后，第二步就是获得人体的轮廓（剪影）。轮廓被作为自动视频监控系统的重要特征，区分公路上的汽车和人体。本文为了提高检测速度，采用了基于积分图像和人体几何特征的快速检测，然后初步定位人脸的位置。

图1 原始视频

图2 试验结果

（其中的像素被分为3类：黑色为背景，白色为前景，灰色为阴影，右图黄/红色框就是人体检测计算结果，上半部分的矩形就是人脸位置。）

演示下载：点击此处（7MB）

上述文件解压后含可执行文件1个、视频文件1个，双击可直接运行观察结果。

参考文献：

[1]Zivkovic Z. Improved adaptive gaussian mixture model forbackground subtraction. In: Proceedings of the 17th International Conference on Pattern Recognition. Cambridge,United Kingdom, IEEE, 2004. 2: 28-31
[2] Horprasert T., Harwood D., Davis L.S. a statistical approach for real-time robust background subtraction and shadow detection.in IEEE ICCV'99 FRAME-RATE WORKSHOP. 1999.