视频背景建模调研报告.doc

视频背景建模调研报告

14
2020年4月19日
文档仅供参考，不当之处，请联系改正。
视频背景建模调研报告

一、背景与重要意义
运动目标检测是计算机视觉领域的一个重要研究方向， 是各种后续高级处理， 如目标分类、行为理解等的基础，在安全监控、智能交通等领域都有着广泛的应用。而在计算机视觉以及智能视频监控等领域，背景建模是一项关键技术，是实现运动目标检测及跟踪的基础。因此，对于视频背景建模的研究有着重要的意义。
背景建模是序列图像分析的基础性工作，是当今国内外学者研究的热点问题。建模的结果将对视频图像的运动检测、运动目标分类、跟踪及行为理解等后续处理产生重要影响。可是由于实际应用环境的不同和背景的多样性，难以建立良好的背景样本。因此，在实际应用中需要经过不同的算法来优化设计方案，才能得到较好的成果。

二、 国内外研究现状( ~ )：

期刊论文
1.杨敏
杨敏( 1969 － ) ，男，安徽泾县人。南京邮电大学自动化学院副教授。主要研究方向为计算机视觉和图像理解。
[1]杨敏, 安振英. 基于低秩矩阵恢复的视频背景建模[J]. 南京邮电大学学报: 自然科学版, , 33(2): 86-89.
[2] 杨敏,安振英. 基于低秩矩阵恢复的视频背景建模 [J]. 南京邮电大学学报(自然科学版). (02)
2.李峰： 中国科学技术大学自动化系
[1] 李峰. 智能视频监控系统中的行人运动分析研究 [D]. 中国科学技术大学.
3.龚大墉：重庆理工大学 ， 信号与信息处理， ， 硕士
[1] 龚大墉. 数字视觉视频运动目标检测及其交通信息获取应用研究 [D]. 重庆理工大学.
4.刘亚利： 北方工业大学 ， 控制理论与控制工程， ， 硕士
[1] 刘亚利. 背景建模技术的研究与实现 [D]. 北方工业大学.
5.孙吉花：国防科学技术大学 ， 控制科学与工程， ， 硕士
[1]孙吉花,刘肖琳.一种新的基于统计的背景减除方法 [J]. 计算机工程与应用. (22)
6.孙猛： 北京交通大学电子信息工程学院
[1] 孙猛,袁小龙,王丽红. 基于FPGA的混合高斯背景建模实现 [J]. 电子技术应用. (09)
7.代科学：国防科技大学信息系统与管理学院系统工程系
[1] 代科学, 李国辉, 涂丹, 等. 监控视频运动目标检测减背景技术的研究现状和展望[J]. 中国图象图形学报, , 11(7): 919-927.
8. 林洪文： 国防科技大学管理科学与工程系多媒体实验室
[1] 林洪文, 涂丹, 李国辉. 基于统计背景模型的运动目标检测方法[J]. 计算机工程, , 29(16): 97-9
9. 侯志强：西安交通大学电子与信息工程学院综合自动化研究所
[1] 侯志强,韩崇昭. 基于像素灰度归类的背景重构算法 [J]. 软件学报. (09)
10. 王典：西北工业大学 ， 控制理论与控制工程， ， 硕士
[1] 王典. 基于混合高斯的背景建模与阴影抑制算法研究 [D]. 西北工业大学.
11. 刘翔：武汉科技大学 工程训练中心
[1] 刘翔, 周桢. 基于分块背景建模的运动目标检测技术[J]. 液晶与显示, , 26(6): 831-835.
12. 刘晓男：南京大学， 电子与通信工程（专业学位）， ， 硕士
[1] 刘晓男. 面向视频监控的复杂背景建模及优化方法[D]. 南京大学
13. 马凡：华中科技大学， 模式识别与智能系统， ， 硕士
[1] 马凡. 智能视频监控中的背景建模算法研究[D]. 华中科技大学
14刘洁：哈尔滨工业大学深圳研究生院
[1] 刘洁,张东来. 关于自适应高斯混合背景模型的更新算法研究[J].微计算机信息, ,(22):241-242.doi:10.3969/j.issn.1008-0570. .22.089.

三．视频背景建模研究现状总结

背景建模也称为背景估计，其主要目的是根据当前的估计背景，把对视频帧图像中
运动目标检测问题转化为二分类问题，将所有像素归为背景或者运动前景两类，然后对
分类结果进行后处理，得到最终的检测结果。获得背景图像最简单的方法即在场景中无
运动目标时捕获，但此法不能实现自适应。常常仅适合场景的短时监控，不能满足智能
监控系统对背景建模的要求。研究人员为了研发出理想背景模型，试图利用各种已知的
信息，在现有系统中利用高层的处理结果来给背景估计提供反馈信息，决定哪些像素点
应该被吸收成为背景模型的一部分，哪些为运动前景像素。
主要方法有：
1.平均值法
平均值法经过在一段时间内获取的n帧图像b1，b2····bn，先进行加运算再求取平均
值，得到图像Bn，若n值足够大则在图像Bn中背景信息被保留下来，而临时物体则被滤
除。Bn可近似看做是背景图，但此法运算量大耗费系统资源严重，在实际应用中不可
行。

2.直方图法
直方图法统计连续n帧同一象素点的灰度直方图，出现次数最多的灰度值则被看做
是该象素点的背景像素点，按此方法得到整幅图像的背景。该方法的前提是背景图象帧
数在交通视频流中占多数。而对于交通堵塞的情况，该方法得到伪背景(缓慢运动的车
辆)，此时该方法失效。

3.单高斯模型
单高斯模型法基于视频图像中的每一个独立的像素点，依据其观测值在序列图像中的
变化与一个高斯分布密度函数的关系，来判定该像素点属于背景还是前景。对于一个背景图
像，每个像素位置的亮度分布满足高斯分布。若一个像素点(i, j)的新采样值Xt+1，满足分别是随时间更新的高斯分布的均值和均方差，k是一个正数，则认为该点是背景像素点，否则认为是前景像素点。
单高斯模型假定背景像素点的亮度分布比较集中，能够用单分布概率模型来描述，能有
效地处理有微小变化与缓慢变化的简单场景。当场景变化很大时，背景像素值的变化较快，
不能满足一个稳定的单峰分布也不能渐渐过渡到另一个单峰分布，这时单高斯模型就不能准
确的描述背景了。

4.混和高斯模型
对于复杂视频场景，单一的高斯模型不能准确的描述背景，提供精确的背景图像，因此
产生了混合高斯模型。混合高斯模型的建模方法为:用一个时间序列{Xl,..., Xt}表示获得
的视频序列像素点的观测值，假设同帧图像中某个像素点的观测值与其它像素点的观测值相
互独立，不同采样时刻该像素点的观测值也是独立同分布，且该分布由K个独立的高斯分量构成。定义当前像素点的概率密度函数为P(Xt)：

即P（Xt）为K个高斯模型的概率密度函数的加权之和。其中ŋi表示第i个高斯分布，
分别为第i个高斯分布的均值和协方差矩阵，是t时刻该像素点第i个高斯分布的概率密度函数的权值系数，K为混合高斯模型中高斯分布的个数，一般取3到5个。

5.核密度估计
核密度估计在概率论中用来估计未知的密度函数，它是一种非参数检验方法。运用核
密度估计法进行背景建模，利用标准核函数以及像素呈现的高斯分布特性，用最近的几个样
本图像信息准确估计出核函数，而不需要预先知道密度函数分布模型。Elgammal A.等人将最近的N帧图像中同一坐标点的像素值记为x1,xz,...,xN，利用核函数K(·)对当前像素在t时刻的像素值x，进行无参概率密度估计:

其中x，表示维数为d的色彩特征矢量。许多时候，我们假定各颜色通道相互独立，而且选择高斯函数作为核函数，则式(1.2)转化为:

这样给定阂值后，若当前像素的概率密度小于阂值，那么该像素就被分类到前景像素。
核密度估计法在背景建模过程中不需要事先假设背景的概率分布形式，也不需要进行参
数估计，能够较快地适应场景的变化，而且在场景中摄像机或树叶抖动、有光照变化及目标
存在阴影时都能自适应调整背景模型，而且能够适应多模态分布情况。然而该方法的缺点就
是会占用过多的内存，而且计算量也比较大，较难应用于实时场景中。

三、课题的可能方案
算法方案：
混合高斯模型算法
定义：
混合高斯模型使用K（基本为3到5个）个高斯模型来表征图像中各个像素点的特征,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,如果成功则判定该点为背景点, 否则为前景点。通观整个高斯模型，她主要是由方差和均值两个参数决定，,对均值和方差的学习,采取不同的学习机制,将直接影响到模型的稳定性、精确性和收敛性。
高斯运动检测的一般方法：
高斯模型就是用高斯概率密度函数（正态分布曲线）精确地量化事物，将一个事物分解为若干的基于高斯概率密度函数（正态分布曲线）形成的模型。对图像背景建立高斯模型的原理及过程：图像灰度直方图反映的是图像中某个灰度值出现的频次，也能够以为是图像灰度概率密度的估计。

主要流程:
（1）模型参数初始化
高斯背景建模中最重要的一步便是对k个高斯分布的参数进行初始化。
初始时，将第一个高斯模型的均值设为视频第一帧的像素值X，剩余高斯
模型的均值Uk (k 不等于1)设为零。

我们采用第一帧的像素值作为初始均值，这样对于第一帧图像恰好显示背景的像素点，则大大提高了高斯分布趋近于实际分布的速度。
第一个高斯模型的权重设置为一个较高的预设值w，剩余高斯模型都取较小值。

(2)模型参数更新
每当获得新的像素值时，都要对背景模型中的参数进行更新。模型参数更新
的基本流程如下:
对于任意时刻t，将图像帧的每个像素值X，和它对应的混合高斯模型进行匹
配检验，如果像素值X与混合高斯模型中第k个高斯分布G、均值的距离小于其
标准差的2.5倍，则定义该高斯分布G、与像素值X，匹配。
如果检验出该像素混合高斯模型中至少有一个高斯分布与像素值X，匹配，
则按照如下规则更新混合高斯模型的参数:
如果模型中没有任何一个高斯分布与像素值X，匹配，则将当前时刻权重最小的个高斯分布Gk按如下公式重新赋值:

应用上述更新规则后，有像素匹配的高斯模型权值增大，没有像素与之匹配
的高斯模型权值变小。使得混合高斯分布不断接近实际背景。
将K个高斯分布根据适合度值从大到小排列，则前B个高斯分布被
看作场景背景值的最佳描述，B经过下式来计算。

其中T为阈值。
适合度值的计算公式说明方差相等的情况下，权重越大，越趋向于背景分布;
权重相等的情况下，方差越小，即变量分布越集中，则越趋近于背景分布。
在判断图像时，如果像素值和前B个高斯分布之一相匹配，则该像素点像
素值为背景值，否则为前景值。

程序链接：
1.高斯背景建模

2. 混合高斯模型

3. opencv混合高斯背景模型