摘   要: 针对经典的混合高斯背景建模算法鲁棒性不强且背景建模实时性不足的特点，提出了一种改进方法。首先将图像矢量化，即将图像分成若干块，每一块图像作为一个矢量进行整体建模；然后对于每一个图像块基于其反差描述元与K个高斯模型进行匹配。实验结果表明，改进的算法降低了环境光变化和背景波动等因素的干扰且建模速度较快。
关键词： 对比度分析； 混合高斯模型； 背景建模； 反差描述元； 矢量匹配

    背景建模是基于视觉应用的一个重要模块，如智能交通、视频监控及行为识别等。运动目标检测的一般方法是将当前图像与根据历史数据训练出的背景模型进行分析比较，进而将前景图像与背景图像分离开来。目前，背景建模的一个难点就是训练背景模型时背景并不是一成不变的，而是不稳定的。这些波动可能是飘落的树叶、随风飘动的旗帜、荡漾的水波、变化的灯光及闪烁的显示器等。即使背景是静态的，摄像头的抖动及信号噪音也会带来不稳定的因素。不仅如此，阴影及瞬间的光照变化也是较为重要的问题。除此之外，实时性也是一个重要的指标。
    大部分背景建模方法是基于像素的。高斯分布是背景建模的一种常用方法。因为背景不稳定，仅仅使用单高斯模型是不够的，STAUFFER C和GRIMSON W对每个像素点使用K个高斯分布进行描述，提出了混合高斯模型MoG(Mixture of Gaussians) [1-2]。混合高斯模型利用K-均值近似法[3]替代了期望最大化EM(Expectation-Maximization)方法。该方法后来被不断改进和拓展。例如，HARVILLE M等使用YUV颜色编码方式并利用立体相机加入了图像的深度信息替代了RGB三原色颜色表示方法[4]。LEE D S提出了一个高效的MoG训练算法[5]，描述如下：
 
 
2 基于反差描述元的混合高斯模型
    混合高斯模型是目前背景建模最为成功的方法之一，它使用K个高斯分布来表征图像所有像素的特性，在新一帧图像获得后更新混合高斯模型，用当前图像中的每个像素点与混合高斯模型匹配，如果成功匹配，则将该点判定为背景点，反之为前景点。
        本文首先令n个图像块的反差描述元为{X1,X2,…,Xn}，然后用K个高斯分布进行建模。当前矢量Xn+1被识别为背景的概率为:

3 实验结果与分析
    图2(a)为从原始视频序列中截取的9帧图像， 图2(b)为使用本文基于反差描述元的混合高斯模型背景建模识别效果。本文所取的视频右方是一片风中摇曳的树木，从图2(b)可以明显看出,在速度为20 S/s的情况下,改进的背景建模方法有效地滤除了干扰，基本无残留的像素点，前景轮廓比较清晰，几乎没有拖影现象，达到了较好的前景识别效果。最后对检测到的前景进行了实时跟踪，并对其运动轨迹进行了实时描述。最终的检测效果如图2(c)。

    针对经典的混合高斯背景建模算法鲁棒性较差且背景建模实时性不足的缺点，本文提出了一种改进方法，其进行了两点改进，首先将图像矢量化，即将图像分成若干块，对每一块图像进行高斯背景建模，其次基于图像块的反差描述元进行匹配，降低了环境光等的干扰。经实验取得了良好的效果。
参考文献
[1] FRIEDMAN N，RUSSELL S． Image segmentation in video sequences： A probabilistic approach[C]． Proceedings of the 13th Annual Conference on Uncertainty in Artificial Intelligence,1997：175-181．
[2] STAUFFER C, GRIMSON W． Adaptive background mixture  models for real time tracking[C]. Proceedings of IEEE Conference on Computer Vision and Pattern Recognition, 1999：246-252．
[3] Sun Tong, NEUVO Y． Detail-preserving median based filters in image processing[J]． Pattern Recognition Letters,1994,15(4)：341-347.
[4] HARVILLE M. A framework for high-level feedback to adaptive, per-pixel, mixture-of-Gaussian background models[C]. Proceedings of European Conference on Computer Vision, 2002:543-560.
[5] LEE D S. Effective gaussian mixture learning for video background subtraction[J]. IEEE Transactions on Pattern Anal. Mach. Intell. 2005,27(5):827-832.