基于高斯混合模型的阴影消除算法

作者:孟益方;欧阳宁;莫建文;张彤 刊名:计算机仿真 上传者:李伟

【摘要】关于阴影消除是智能监控系统的重要组成部分,且对后续的识别和跟踪有很大的影响。根据改进的高斯混合模型检测出目标,用高斯混合阴影模型来检测阴影,并用高斯平滑滤波处理检测的结果。然后动态选择合适的阈值对图像做二值化处理,进一步对结果进行形态学滤波。经过整个过程的处理,得到了较为完整的轮廓,很好的消除了阴影,提高后续的识别和跟踪的准确性和可靠性。实验表明,算法能较好地消除阴影,且具有较好的实时性和鲁棒性。

全文阅读

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:阴影显著异于背景而被理解为前景;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解决的问题[1]。文献[2]采用基于像素点的改进高斯混合模型(Gaussianmixturemodel,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[2,3],首先检测出目标,再用高斯混合阴影模型检测阴影[4,5],对检测的结果做高斯平滑,然后对图像做二值化处理,实现阈值的动态选择,再对结果进行形态学滤波。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Xt=(xRt,xGt,xBt)来表示某一像素在时刻t的采样值。像素点采样值分布的概率密度函数可以表示为:P(Xt=x)=Mm=1m,tN(x;m,t,m2,tI)(1)M为高斯模型的个数1,…,M和1,…,M对应高斯混合模型的均值和方差,m为对应高斯模型的权重。时间tf,其中,前景点比率是指N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Ff确定像素点所处的状态:观察状态SO,Ff>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tf大于设定的间隔Tu,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N个采样值X1,X2…XN,进行背景模型更新。更新状态SU,ffth)(7)其中th是预先选取的阈值。It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It被认为是运动前景,否则It被判为背景像素。2.2高斯混合背景模型(Gaussianmixtureshadowmodel,GMSM)高斯混合阴影模型[5]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

参考文献

引证文献

问答

我要提问