基于高斯混合模型的阴影消除算法Word文件下载.docx
《基于高斯混合模型的阴影消除算法Word文件下载.docx》由会员分享,可在线阅读,更多相关《基于高斯混合模型的阴影消除算法Word文件下载.docx(21页珍藏版)》请在冰点文库上搜索。
detectingtheshadow.Andtheresults
to
processed
byGaussiansmoothfiltering.
treat
mainproblemsolvedinthispaperis
calTy
out
binarizationprocessing,selectthresholdvalue,and
contour
theresultbyOWremovalis
morphologyfilterfurthmore.Throughtheentireprocessconeemed,thewholeisobtfined,shad-
processedeasily,andtheaccuracyandreliabilityofobjectrecognitionandtrackingisimprovedgready.
a
TheexperimentshowsthatthisalgorithmCandetectmovingshadowsbetter,whichhas
and
goodreal—timeperformance
robustness.
mixture
KEYWORDS:
Gaussian
model(GMM);
mixtureshadow
model(GMSM);
smoothfil・
ter;
Morphologicalfilter;
Shadowremoval
1
引言
智能监控是对采集到的序列图像进行处理和分析,实现
型(Gaussian
model,GMM)用背景相减来检测目标。
文献[3]基于像素点的自适应密度估计的高斯混合模型,用背景相减实现目标检测。
文献[4]对多种阴影检测抑制算法进行了比较全面的分类比较。
文献[5]采用混合高斯聚类思想进行阴影抑制,其算法主要通过判断新来像素值是否满足一定的阴影模型,调节混合高斯背景模型中高斯分布的参数学习率,试图使阴影收敛于混合高斯背景模型的某一个高斯
对运动目标的自动检测、识别和跟踪。
但实时监控视频受光
源的影响很大,当光源在入射方向上受到不透明物体的遮挡
时,会产生阴影。
阴影与目标粘连,常被误作目标的一部分,影响目标的长度、宽度等几何形状参数。
当两个甚至多个目标因为阴影而相互粘连成一块时,将增加目标分割的难度,另一方面阴影随着目标物体一同运动,很容易被计算机错误的识别为前景,从而影响目标分割和形状提取的准确度,并对后续的识别、跟踪造成负面影响,使系统的整体性能下降。
阴影具有两个重要的视觉特征:
①阴影显著异于背景而被理解为前景;
②目标与其阴影具有相同的运动属性。
因此阴
影检测十分困难,将目标与阴影分离是实际应用系统中必须
分布中,再把此分布描述的状态值转移到混合高斯阴影模型进行阴影聚类。
文献[5]中的算法正如其作者所言,存在参
数多且不易调节、各像素点混合高斯阴影模型学习不充分等
问题,特别是算法中参数学习率对算法效果影响大,且完全
靠经验调节。
本文基于改进的高斯混合模型¨
一o,首先检测出目标,再用高斯混合阴影模型检测阴影H芦3,对检测的结果做高斯平滑,然后对图像做二值化处理,实现阈值的动态选
解决的问题…。
文献[2]采用基于像素点的改进高斯混合模
择,再对结果进行形态学滤波。
收稿日期:
2008—10—15修回日期:
2008—11—07
--———210・--——
万方数据
2系统框架
本文提出的阴影检测算法的总体流程如图1所示。
在进行阴影检测和消除之前,首先通过背景建模提取包括阴影
在内的前景目标。
然后采用高斯混合阴影模型判断前景目
标中是否存在阴影。
如果存在阴影则建立相应的模型,通过模型更新标示出阴影,再通过高斯平滑滤波及二值化处理来消除阴影。
最后实现阴影消除并分割出真正的运动目标。
2.1高斯混合模型
由摄像机输入的图像是由R、G和B三个分量组成的,
混合了色度和亮度信息,所以用置=(髫?
,算?
,茗?
)来表示某
一像素在时刻f的采样值。
像素点采样值分布的概率密度函数可以表示为:
脚
P(置=并)=∑仃。
。
Ⅳ(菇;
肛。
,盯2。
.。
,)
(1)
肘为高斯模型的个数肛。
,…,p村和旷l’.一,矿肺对应高斯混合
模型的均值和方差,仃。
为对应高斯模型的权重。
图1
系统框架图
P>^
F产A戚tP呵.
图2
像素点状态迁移图
其中
Ⅳ(五班。
,∑。
)
N表示X。
的维数。
为了减少计算量,一般假定每个像素
2西毋告“一,p碥j隅‰,㈠2)
方差矩阵为∑。
=口:
,这就相当于为每个颜色通道各建
立了一个一维混合高斯模型。
随着时间推移背景会发生变万方数据
时间t,,其中,前景点比率是指JI、r个采样值中被判定为前景点采样值的个数所占的比例。
根据前景点比率B确定像素点
所处的状态:
①观察状态sD,B>A(A为阈值),此时像素点取值呈现较大波动,需进一步观察,模型停止更新。
在通常情况下,运动物体停留在信息窗口的时间比较短,该状态的
持续时间不会很长,如果该状态持续时间t,大于设定的间隔L,可以判定发生了如光照亮度变化或移入移出新的物体等情况,背景发生了变化,则根据最近的J7v个采样值置,
置…‰,进行背景模型更新。
②更新状态su圻<A,像素点平稳波动,模型正常更新其中阈值A根据像素方差来设定。
像素点的状态迁移过程如图2所示,当观察状态持续较长时间时,背景模型将更新。
对于每个输入的像素值‘,如果:
I,一p。
.I-II≤D木盯。
.I_l
(3)
其中心,,为均值,D为参数,盯。
一,为标准差。
则‘和相
应的高斯函数匹配,高斯混合模型参数的更新过程【6o为
仃m.,=(1一a)丌m.。
.I+a(4)p。
.,=(1一p)g。
.,一I+p,l(5)矿2。
,,=(1一P)盯。
2.,l+P(t—p。
.,)2
(6)
式中a是自定义的学习率,且0≤Ot≤1,P是参数学习率,其
值为P=旦。
M个高斯混合分布根据!
型的值由大到小排
丌m。
I
盯m.‘
序,一般采用前曰个高斯分布建立背景模型则有:
6
B=arg蝉n(∑仃。
>m)
(7)
其中m是预先选取的阈值。
t和每个背景分布均值之差的绝
对值都大于该分布标准差的D倍,则I被认为是运动前景,
否则,。
被判为背景像素。
2.2
高斯混合背景模型(Gaussianmixture
shadow
model,GMSM)
高斯混合阴影模型【51是基于这样的假设,对于给定的像
素点与前景的阴影是相关的,场景中阴影用高斯混合模型表
示。
当被捕获阴影值确定时其概率密度函数将用第二个高斯
混合模型表示,所构造的这个高斯混合模型就是高斯混合阴
影模型。
进一步的目标就是更新高斯混合阴影模型,高斯混合阴影模型的更新与高斯混合模型更新是不一样的,高斯混
合阴影模型输入为高斯概率密度方程的值,这些值标识背景
下的阴影特性。
在某时刻At,处理前景目标最大先验概率状
态下的各个值,如仃。
,‰,盯j:
I等。
当In=B+1时,用e(xI
+1)来确定m=l时,背景中是否有阴影,表达式如下:
a。
i。
<G【red<1(8)口捌2
p口+1.I.州么m村
(9)(1/orl,goj,green)I
p口+I,舢一a,“‘1.1,MI<A舯
(10)(1/矿14z,t,‰)l脚+I.妇一a彬1.I.“。
I<A№
(11)
以一,A。
表示以如一,肛‰为基准波动的可容值。
满足
上述概率密度P(Xl曰+1)就转换为高斯混合阴影模型。
对
于高斯混合阴影模型的概率密度方程有:
以.dm.,<Aj。
(12)
一211—
点的R、G、B三颜色通道相互独立,并具有相同的方差,则协
化,如光照变化、背景物体移入移出等,式(1)所示的背景模型必须进行更新以反映这些变化.对于每一个像素点,维
护一个动态信息窗口,记录如下信息:
①均值;
②方差;
③最近N个采样值;
④前景点比率以;
⑤像素点处于观察状态的
其中d。
=(盯:
.,,)一(脚+1.。
一以。
)式中上标或下标中含有s
表示为高斯混合阴影模型参量,如果有条件满足高斯混合阴
影模型则以。
,,矿:
I。
t的更新方程如下:
以,州=(1一K)疋.。
+舢川,。
(13)(r:
+l=(1一,c)盯。
s.I+KOrB+1.t
(14)
式中的,c为常量,同时设.Ilf二.。
=1,得
仃二l卅l=仃二.。
+K峨.。
(15)
若没有满足高斯混合阴影模型的条件,新的状态被引
入,更新高斯混合阴影模型的最大状态数∥,新的状态如下:
仃二J+l=丌厶
(16)‰s川=如+1.。
(17)or’m-I+I=or蹦.1
(18)
—,
罟的值由大到小排序,一般采
orm.‘
用前B个高斯分布建立阴影模型,由以上的可以得到阴影判别式:
B。
=arg呼n(∑吒>th‘)
(19)
满足判定条件时判定该像素点为阴影,其中£∥是预先
选取的阈值。
3算法改进
3.1
高斯混合模型的改进
背景模型必须更新以反映场景变化.对于每一个像素点,维护一个动态信息窗口。
根据前景点比率B及间隔L确定像素点所处的状态。
在运动前景检测阶段,对于比较复杂的场景,为得到较好的检测效果,往往希望在混合高斯背景
模型中肘值取大一些,以往的算法对场景内每个像素点都采用同一的背景模型更新模型参数,这会带来庞大计算量,影
响算法实时性。
本文注意到监控场景通常只有少部分区域是比较混乱的,而大部分区域是静止的,耵是值是比较小,静止区域的像素点总是呈现相同像素值,而且该像素值总是和混
合高斯背景模型中的同一个分布相匹配,此时高斯分布与图像序列中新进人的像素值相匹配的频率非常高,经过学习后
该分布权重仃。
会较大而方差蠢较小,则生生长时间保持最
c,m.I
大,从而在较长时间内会把同一个高斯分布的均值作为场景
背景的像素值,因此静止区域像素点的背景模型参数不需要每帧都更新。
据此本文对混合高斯背景建模算法进行改进:
①当在一像素点的背景模型中,若B比较稳定且某一高斯分布与每拍新进入的像素值相匹配的频率高于一定阚值时,则在接下来的一定帧数内该像素点背景模型的参数都不再更新,在一定帧数后,重新更新参数;
②根据间隔L进行更
新,如果像素点没有更新的时间大于间隔咒,则根据更新公
式进行更新,直到新进入像素值匹配的频率大于设定阈值或
小于间隔t,如此循环更新。
3.2
阴影消除方法改进
一2】2~
对于高斯模型的更新,能够提高一定的运算速度,同样
高斯混合阴影模型也存在运算量大的问题,则采用相似方法
对高斯阴影混合模型进行改进。
用高斯混合模型能够较为精
确的检测出前景目标,但是由于高斯混合模型检测的结果存
在一定的噪声,对后续的高斯混合阴影模型造成一定的影响。
高斯混合阴影模型能够较好的区分出背景、前景及阴影,
但是处理的结果还是存在较大的噪声。
本文基于高斯混合模
型和高斯混合阴影模型检测的结果,用以下方法来消除阴影:
1)高斯平滑滤波
高斯滤波器是一类根据高斯函数的形状来选择权值的线性平滑滤波器。
高斯平滑滤波器对于抑制服从正态分布的
噪声非常有效。
高斯平滑滤波器由收敛方程e和类似方程s组成,方程如下:
(f一石):
一}(等了
(20)
(f一茗):
一÷
(掣罗
d(f一算)=0孝一髫0(21)
(22)艿C,If)一以菇))=JIf(f)-f(卫)ll
(23)
经过高斯平滑滤波后的结果抑制大部分噪音,平滑了目
标轮廓。
2)二值化处理
经过上述过程处理,可以很好的区分出前景目标和背景,用高斯混合阴影模型检测阴影的结果介于背景和前景之
间。
本文使用二值化处理来消除阴影,从图中无法知道取什么样的阈值比较合适,本文采用如下的方法动态选择阈值,经过前期处理,前景图像像素点只有三个值,在前景区域内,
^
3
取TH=÷
∑Pz,经实验TH是合适的阈值。
用TH做阈值对
目标图像做二值化处理,可以好很的消除了大部分的阴影。
二值化过程为
出£(菇,,,):
fmaxJ口。
w,5阳(并,,,)>。
^础^。
埘(24)
tO,otherwise
dst(x,Y)为二值化输出图像,SFC(x,y)为输入图像,threshold为给定的阈值。
3)形态学滤波
膨胀(Dilation)与腐蚀(Erosion)是最基本的形态变换。
膨胀变换是一种扩张变换,它使目标肢体扩张,孔洞收缩。
而
腐蚀变换是膨胀变换的对偶运算,为收缩过程,肢体收缩,使孔洞扩张。
一般膨胀与腐蚀不互为逆运算,故可级连结合使用而产生新形态变换,此即开运算与闭运算,也是数学形态
学中的一种重要运算。
先腐蚀后膨胀构成开运算,反之为闭
运算。
开运算能去除孤立的小点、毛刺和小桥等结构,可抑制
信号中的峰值噪声;
闭运算则能填平小沟、弥合孔洞与小裂缝,可抑制信号中的低谷噪声。
经过高斯平滑滤波后仍然有一些小点和毛刺,采用开运算,经过形态学滤波后能够很好的消除。
本文算法能够准确提取出前景目标,很好的消除阴影,得到较好的轮廓。
4实验结果与分析
为验证本算法,给出了两个真实场景的实验结果,图3为阳光较弱的场景,图4为强阳光下的复杂场景,实验结果给出的数据为同一时刻各个部分处理的结果。
测试视频的分辨率为320×
240像素,实验平台处理器为为AMD3000+,1.8G,运行的环境为基于VC6.0开放源代码的计算机视觉库(IntelOpenSourceComputerVisionLlibrary,OpenCv)。
在混合高斯模型中取M=4,在高斯混合阴影模型中M。
=4,在前景测试阶段,对像素点的判断主要是依据仃。
,如果某一高斯分布的归一化值权重大于0.6,且在L<10秒内,则接下来的200帧以内,该像素点保持原有状态且所属高斯分布参数停止更新,超过阈值,则按给定的更新方程更新。
在实验中处理的速度为9帧^,实时性有所提高。
在高斯平滑滤波中采用的是对图像进行核大小为3×
3中值滤波,二值化过程初始
化的阈值为130,在以后的更新中7H=÷
乏:
Pi进行更新,J—lI
像素的最大值为255,最小值为0,经过处理就得到了二值化的图像,本文采用开运算,腐蚀和膨胀各一次。
用改进高斯混合模型能够在复杂的环境下检测出目标,所以本方法能够应该各种不同的环境。
实验测试在背景为树或喷泉等复杂环境还能够较好的检测出目标,为后续的处理提供了很好的前提。
高斯混合阴影模型基于高斯混合模型检测的目标结果来区分出阴影,效果能够达到预期要求,但结果存在一定误差。
高斯平滑滤波用来去除噪声和平滑目标的轮廓,从实验结果看,目标的轮廓是得到了平滑。
经过上述的过程,对背景、前景及阴影有了很好的区分,动态阈值选择为二值化提供合适的阈值。
二值化处理后,前景中仍存在一定的噪声。
文中采用的形态学滤波的开运算,开运算能去除孤立的小点、毛刺等噪声,得到最终结果。
5结论
本文是基于高斯混合模型进行目标检测,用高斯混合阴影模型来检测阴影。
高斯混合模型有较强的应变能力,比较适合在复杂的背景下进行目标检测,所以本文所采用的方法能够在复杂的环境下消除目标的阴影,而且基本上能够达到实时监控的要求。
经过高斯平滑滤波和形态学滤波得到了较为完整的轮廓,为后续的处理做了很好的准备。
运算量大是高斯所固有的问题,所以其初始化过程还是比较慢,接下来的工作就是进一步提高实时性方向努力。
本文所采用的整体方案达到了预期的效果,具有较强的实用性。
参考文献:
[1]付萍,等.视频监控系统中运动目标检测的阴影去除方法[J].
计算机工程,2007,33(10):
22—24.
[2]ZoranZivkovic.ImprovedAdaptiveGanssianMixtureModelfor
万方数据圈3阳光较弱的场景图4强阳光的场景BackgroundSubtraction[C].17thIntemationalConferenceonPatternRecognition(ICPR04),2004,2:
28—31.ZoranZivkovic,FerdinandvanderHeijden.EfficientAdaptiveDensityEstimationPerImagePixelfortheTaskofBackgroundSubtraction[j].PatternRecognitionLetters,2006,27.(下转第260页)
---——213・--——
[3】
3)当发生电弧接地故障时,其中性点电压与故障前月相电压波形基本与图2一致,计算得相角差0一仃。
采用本文第二节中的辨识方法1),可以明确地区分出高阻接地故障。
区分故障类型的方法,结合比较中性点电压与故障前A相电压的相角差0的辨识方法。
就能有效地区分出金属性接地、高阻接地和电弧接地这三种典型接地故障,经过仿真和实验验证,证明方法正确有效。
这对于进一步研究单相接地故障是很有意义的。
对于金属性接地和电弧接地故障,用卵r提取故障相电
压稳态波形(图4和图5)中的基波及各次谐波分量,将基波分量的有效值与故障相电压稳态波形有效值比较,结果如表1所示。
表1不同故障情况下基波含量分析
故障类型金属性接地电弧接地
[1]EHanninen,MLehtonen.Characteristicsofearthfaultsindectri・
caldistributionnetworkswithtricPowerSystem
hi【g}Iimpedanceearthing[J].Elec-
Research,1998,44(3):
155—161.
基波与原始波形有效值之比
0.99880.9333
[2]贾清泉,蔺道深,袁石文.基于Matlab的一种新型消弧线圈的
仿真[J].继电器,2006,36(14):
49—53.
[3]肖鹏.基于小波分析的小电流接地系统单相接地故障选线研究[D].华北电力大学(保定),2000.
[4]陈绍英.小电流接地系统单相接地故障选线新方法研究[D].华北电力大学(北京),2000.
由表1可知,对于金属性接地,基波分量的有效值与故障相电压
稳态波形有效值之比约等于1,可见故障相电压稳态波形中基本不含有谐波含量。
对于电弧接地,基波分量的有效值与故障相电压稳态波形有效值之比小于1,说明其中有谐波分量存在。
采用本文第二节中的辨识方法2),就能有效地将电弧性接地故障与金属性接地故障区分开来。
[6]E7]
[5]齐郑,杨以涵.中性点非有效接地系统单相接地选线技术分析[J].电力系统自动化,2004,28(14):
1—5.
王其平.电器电弧理论[M].北京:
机械工业出版社,1991.胡平.可用于分析矿井电网单相电弧性接地过电压的近似电弧模型[J].煤炭学报,1992,17(2):
80—88.
4实验验证
为了进一步验证本文提出的故障辨识方法的可行性,在实验室高压模拟电网上,进行了20组金属性接地实验、20组
高阻接地实验以及20组电弧接地实验,然后采用本文提出
[作者简介】
顾荣斌(1983一),男(汉族),上海人,硕士研究生j
主要研究方向为小电流接地选线技术;
蔡旭(1964一),男(汉族),江苏人,教授,博士生
导师,主要研究方向为配网安全与电力电子、电能质量控制与用户电力、配电自动化与保护;
的故障辨识方法对这些实验数据进行故障辨识,结果符合实际,说明本文提出的故障辨识方法正确有效。
对于单相接地的研究,目前多侧重于接地选线方面,对于单相接地故障辨识,国内对此方面的研究还比较少。
本文提出了一种依据故障相电压稳态波形中基波含量的大小来
金之俭(1965一),男(汉族),上海人,副教授,主要研究方向为电力
设备状态的检测技术,电网故障检测与治理。
电力系统试验设备,高电压测试技术等;
戴军瑛(1978一),女(汉族),上海人,本科,工程师,主要从事电力
系统变电运行工作。
(上接第213页l
[4]AndreaPmti,Member,IlvanaMikic.Member,MohanMTrivedi,
Member,RimCucchiara,Member-DetectingMovingShadows:
Algorithrmand
[作者简介]
孟益方(1983一)。
男(汉族),河南禹州人,硕士生。
主要研究方向为图像信息处理等;
Evaluation[J]・IEEETransactions
OU
PatternA-
nalysisandMachineIntelligence,2003,25・
欧阳宁(1972一)。
男(汉族)。
湖南宁远人,硕士,副
教授,硕士研究生导师,主要研究领域为图像处理和识别等:
[5]Martel—Brisson,NZaccarin,A・?
MovingCastShadowDetectionfromAGaussianMinuteShadow
Model[J].InComputerVision
conference
on.
”d
Pan“Reeognid叫,IEEEcomp“研Society
莫建文(1972一),男(汉族),广西平南人,硕士,副教授,硕士研究
生导师,主要研究领域为图像处理、自适应信号处理等;
2005,2:
643—648‘
[6]ch8ungSc8,C
K”ath・Robu雠Techniqu鹤forB”kgro““d
s“b‘
tracti“inurb”T“陆。
Video[c]・nDceedi“挚ofEI”Ironi。