摘 要： 為了從具有運(yùn)動物體前景的公路監(jiān)控視頻中提取出初始背景，提出一種基于模糊聚類識別的背景建模算法。利用模糊聚類識別方法從時間軸上總體呈多相似值分布的像素點(diǎn)中提取出背景子類，實現(xiàn)背景初始化。結(jié)果表明，該方法具有良好的適應(yīng)性，能有效地對背景進(jìn)行初始化，可以顯著降低目前動態(tài)背景建模方法的計算量和內(nèi)存需求量，易于在實時嵌入式系統(tǒng)上實現(xiàn)。
關(guān)鍵詞： 背景建模；模糊聚類；車輛視頻檢測
智能交通系統(tǒng)是未來交通系統(tǒng)的發(fā)展方向，其能實時、準(zhǔn)確、高效地綜合利用交通信息為人們的生產(chǎn)生活提供便利。高速公路常用的車流檢測方法主要有空氣管道檢測、檢測環(huán)檢測和視頻檢測。視頻檢測可實時地收集交通信息并具有方便、有效等獨(dú)特的優(yōu)勢，已逐漸成為交通信息采集領(lǐng)域的主流技術(shù)之一。作為視頻檢測的一個重要部分，近年來，國內(nèi)外許多專家學(xué)者對視頻中的背景提取進(jìn)行了比較深入的研究，并提出了許多不同的算法。其中，時間平均法、中值法、平滑檢測法[1]、一致性判別法[2]、局部光流法[3]、隱馬爾可夫模型法[4]等背景初始化算法主要考慮的是像素的時間與空間特性初始化背景。時間平均法和中值法算法雖然結(jié)構(gòu)簡單，易于實現(xiàn)，但當(dāng)公路車輛飽和度較大時，提取出的背景中會出現(xiàn)殘影問題。平滑檢測法、一致性判別法、局部光流法和隱馬爾可夫模型法實現(xiàn)時運(yùn)算量大，在嵌入式系統(tǒng)上運(yùn)行時很難滿足實時交通檢測的要求。雖然高斯模型[5]、混合高斯模型[6-7]等背景建模方法，能對前景物體有效檢測，但這些模型均是建立在初始化背景為不包含運(yùn)動前景訓(xùn)練序列的條件下的，因此增加了運(yùn)用條件，從而導(dǎo)致此類背景模型很難適用于公路上車流不斷的實際應(yīng)用場合。
由于在嵌入式設(shè)備上要實時運(yùn)行視頻車檢算法，背景建模算法的時間復(fù)雜度和空間復(fù)雜度受到了嚴(yán)格的限制。因此有必要找到一種適當(dāng)?shù)墓芬曨l的背景建模方法，該方法既可以滿足后續(xù)視頻車檢算法的要求，又可以在嵌入式系統(tǒng)有限的資源上實時運(yùn)行。針對這一情況，本文根據(jù)公路視頻的特點(diǎn)，提出了基于模糊聚類的動態(tài)建模方法。首先，根據(jù)公路視頻中每個像素點(diǎn)灰度值與時間呈現(xiàn)的特性，將每個像素點(diǎn)在一段視頻序列中的灰度值用模糊聚類方法分成若干個子類，然后通過每個聚類中心對應(yīng)像素點(diǎn)隸屬度之和確定背景子聚類，最后將背景子聚類的聚類中心設(shè)為該點(diǎn)背景。
1 背景初始化模型
在嵌入式系統(tǒng)上運(yùn)行動態(tài)背景建模，要克服動態(tài)建模算法中計算量和內(nèi)存用量大的缺點(diǎn)，本文提出的基于模糊聚類的動態(tài)建模方法是根據(jù)這樣一個條件：在公路監(jiān)控視頻中，以時間軸為參照，視頻中各個像素點(diǎn)的取值應(yīng)該為多聚類分布形式，如圖1和圖2所示。每個子類代表在觀察的時間段內(nèi)出現(xiàn)最多的像素集合。Grimson用假設(shè)每個子類為高斯分布形式來建立背景模型，但實際上并非所有的背景都滿足該假設(shè)。因此，本文用模糊聚類的方法來描述各個子類，即不考慮每個子類的分布形式，只要像素點(diǎn)的觀察值與某個子類的中心距離小于規(guī)定的閾值，則該像素就屬于這個子類。像素點(diǎn)值在YUV空間，只對比亮度向量Y。因此在一定學(xué)習(xí)時間內(nèi)，從訓(xùn)練所得到的若干聚類子類，其中包含了背景子類、車輛子類和陰影子類等。依照高速路車輛通行及飽和度的特點(diǎn)，在車輛飽和度小于50%的情況下，各子類中隸屬度之和最大的子類應(yīng)為背景子類。算法將采集一段視頻訓(xùn)練序列中像素的灰度值，用模糊聚類方法將像素點(diǎn)的一組灰度值分成若干個子序列，然后分別對每個子類樣本對于相應(yīng)的聚類中心隸屬度進(jìn)行相加，得到隸屬度之和最大的子聚類。將其作為背景子類，并將其子聚類的聚類中心設(shè)為該像素點(diǎn)的背景值，實現(xiàn)背景初始化。
2 背景建模算法
為了獲得聚類子集，設(shè)公路視頻的前200幀圖像為背景訓(xùn)練幀，從中采集每個像素在每一幀的灰度值，表示為{xi|i=1，2，3，…，n}。將n個像素灰度值分為c個模糊聚類組，各組采用模糊劃分，初始化隸屬矩陣Uij(Uij允許取值在0~1之間的元素)。并且根據(jù)歸一化規(guī)定，一個像素點(diǎn)集的隸屬度總和等于1：
用式(2)計算出c個像素點(diǎn)聚類中心ci，i=1，…，c。由于隸屬度關(guān)系矩陣式隨即初始化，得到一組聚類中心。因此，用這組聚類中心計算價值函數(shù)，再根據(jù)價值函數(shù)的值判斷聚類中心正確與否。若價值函數(shù)大于設(shè)定的閾值，則確定聚類完成，否則重新計算。
背景建模算法實質(zhì)是模糊聚類的迭代計算過程，最終求出每組的聚類中心，使得非相似性指標(biāo)的價值函數(shù)取其最小值。再設(shè)Pi為第i子聚類內(nèi)所有像素點(diǎn)隸屬度之和，則Pi可以表示為：
公路視頻的特點(diǎn)是：背景點(diǎn)應(yīng)將Pi值最大的聚類組設(shè)為背景組，該組的聚類中心設(shè)為該像素點(diǎn)的背景灰度值。
3 實驗結(jié)果與分析
實驗中選取了昆明市東三環(huán)高速路作為訓(xùn)練視頻序列，車流處于通暢狀態(tài)。本實驗采用YUV格式視頻，從每5幀中抽取1幀作為背景初始化算法樣本進(jìn)行訓(xùn)練，用200幀采集樣本作為訓(xùn)練序列。為了說明本算法的性能，將本文算法與中值法、分矩陣法進(jìn)行比較，其結(jié)果如圖4所示。
從圖4可以看出，本文算法與中值法和分矩陣法相比，能夠在較少的訓(xùn)練幀數(shù)內(nèi)對視頻背景進(jìn)行有效的初始化。分矩陣法受其參數(shù)設(shè)置影響很大，其中矩陣的大小選取以及特征值閾值的確定和視頻有很高的耦合度，而且在前景頻繁出現(xiàn)的區(qū)域，通過200幀訓(xùn)練后仍然無法確定背景中所有子矩陣，直到500幀訓(xùn)練后才能獲取有效的背景，本算法比分矩陣法具有更好的通用性。若在公路車輛飽和度小于50%的情況下200幀內(nèi)獲取有效背景，圖片中的中值法在進(jìn)行200幀訓(xùn)練時有明顯的殘影遺留，而本文算法不會出現(xiàn)此類問題。實驗結(jié)果表明，本文算法能在200幀內(nèi)對快速路的背景進(jìn)行有效的初始化。
本文提出一種基于模糊聚類的背景初始化算法，首先基于模糊聚類思想將像素點(diǎn)灰度值分成若干個子類，然后通過每個聚類中心對應(yīng)像素點(diǎn)隸屬度之和確定背景子聚類，最后將背景子聚類的聚類中心設(shè)為該點(diǎn)背景。本方法的適用條件為：(1)訓(xùn)練序列中公路車輛飽和度小于50%；(2)訓(xùn)練序列中背景比較穩(wěn)定。實驗結(jié)果表明，該方法能夠有效地從高速路監(jiān)控視頻中進(jìn)行實時背景初始化，并具有良好的魯棒性，可有效去除高頻率出現(xiàn)前景物體的影響，實現(xiàn)公路車輛飽和度小于50%的背景初始化，可以滿足交通流檢測的實時性要求。同時，該方法可實現(xiàn)視頻監(jiān)控的背景初始化。目前大部分嵌入式設(shè)備中整數(shù)除法和浮點(diǎn)運(yùn)算是以軟件形式實現(xiàn)，而本文算法實質(zhì)是模糊聚類的迭代計算，在計算子類聚類中心和隸屬度時需要進(jìn)行多次除法運(yùn)算和浮點(diǎn)運(yùn)算而大大增加了處理器的運(yùn)算量，從而影響了整個視頻車檢算法功能實現(xiàn)的效率。因此，建議在訓(xùn)練視頻中增加一個簡單分類算法，將灰度值保持穩(wěn)定的像素點(diǎn)和不穩(wěn)定的像素點(diǎn)區(qū)分出來，本算法只處理灰度值不穩(wěn)定的像素點(diǎn)，以降低算法的計算量，提高系統(tǒng)整體效率。另外，本算法對于滿足正態(tài)分布的數(shù)據(jù)聚類效果很好，但對孤立點(diǎn)是敏感的。所以當(dāng)公路視頻中噪聲較大時，本算法效率將大大降低，這一點(diǎn)還需要進(jìn)一步改進(jìn)。
參考文獻(xiàn)
[1] WANG H Z， SUTER D. A novel robust statistical method for background initialization and visual surveillance[C]. // Computer Vision-Accv 2006， Pt I， Berlin： Springer-Verlag， 2006： 328-337.
[2] GUTCHESS D， TRAJKOVIC M， COHEN S E. A background model initialization algorithm for video surveillance [M]. Vancouver， Bc Institute of Electrical and Electronics Engineers Inc， 2001：733-740.
[3] MARCO C M B， VITTORIO M. Multi-level background initialization using hidden Markov models[C]. First ACMSIGM M International Workshop on Video Surveillance， 2003：11-20.
[4] ANDREA C A F， VITTORIO M. Background initialization in cluttered sequences[J]. Computer Vision and Pattern Recognition Workshop， 2006， 36(6)：993-997.
[5] WREN C R， AZARBAYEJANI A， DARRELL T， et al.Pfinder： real-time tracking of the human body[J]. IEEE Transactions on Pattern Analysis and Machine Intel-Ligence， 1997，19(7)：780-785.
[6] STAUFFER C， GRIMSONW E L. Adaptive background mixture models for real-time tracking[J].Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition， 1999(2)： 246-252.
[7] LONG W， YANG Y H. Stationary background generation： an alternative to the difference of two images[J]. Pattern Recognition， 1990， 23(12)： 1351-1359.
[8] 李志慧，張長海，曲昭偉，等．交流視頻檢測中背景模型與陰影檢測算法[J]．吉林大學(xué)學(xué)報(工學(xué)版)，2006，36(6)：993-997.