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.