《Adaptive Background Mixture Models For Real Time Tracking》翻译（一）

声明：本人英文水平有限，粗略翻译Chris Stauffer 和W.E.L Grimson《Adaptive background mixture models for real-time tracking》，错误的之处还希望大家指正。翻译原文是为了学习和参考，禁止任何商业用途。

 
 
自适应背景混合模型的实时跟踪
 

 
摘要
在图像序列中一种用于实时分割移动地区的通常的方法是 “背景减除法”或者是对没有移动物体的预估图像和当前图像之间的阈值误差，对这一问题有许多方法，不同之处是使用不同背景模型类型和程序更新模型。本文讨论为每个像素建立一个混合高斯函数的建模，并利用线性逼近来更新该模型。自适应混合模型是高斯分布，然后评估，从背景程序确定哪些是最有可能结果。每个像素的分类是基于是否是高斯分布，背景模型中高斯分布认为是最有效的。
 

实验结果是在稳定、实时的户外进行的，能有效处理光线的变化，复杂场景的重复运行和长时间的场景变化已经在雨和雪存在的情况下，每天24小时，连续运行了近16个月。
 

 
1 介绍
过去，计算的屏障限制了复杂的实时视频处理的应用。结果，大多数系统要么实际使用太慢，要么限制非常苛刻的环境才能成功使用。如今，更快的计算机促使研究人员去思考更快、更强大的实时分析数据流模型。本文的方法允许研究人员去建立多变情况下的现实世界的模型。
 

考虑到视频监控的问题。一个强大的系统不应该依赖于相机仔细安排。一个强大的系统应该适用于任何在其视野或者任何灯光的产生。它应该能处理杂乱场景的运动、可视区域内目标重叠、阴影、光线的变化、含有运动元素的场景（如树的摇摆）、缓缓运动的目标、目标在场景内引入和移除。以背景为基础的传统方法在这些一般场景下是不行的。我们的目标是建立一个强大的，自适应跟踪系统，该系统具有足够的灵活性来处理光线的变化，运动的混乱场面，含有多个运动目标和其他任意变化的场景。这种跟踪主要这眼于现场视频监控的应用。
 

   1.1 以前的工作和当前的不足
大多少研究人员放弃非自适应背景方法，因为它需要手动初始化。如未重新初始化，随着时间的推移而积累背景的错误，导致这种方法只有应用于非正常的监控，没有重大改变场景的短期跟踪应用。
一个标准自适应背景方法是平均时间段图像序列，产生一个近似背景，这个近似背景类似当前不内有运动目标的静止场景。虽然这一方法在如下情况是有效的，目标连续运动和重要的时间段内背景是可见的，但即使场景内显著的运动目标但它们缓慢移动，这边方法是不鲁棒的。它也不能处理双峰背景，当背景被遮盖后恢复很慢，整个现场存在单一的，预先设置阈值。
改变场景光线能引出很多背景方法问题。Ridder et al.[5]模型是每个像素使用Kalman滤波，使得该系统能对场景内光线变化很鲁棒。虽然这方法能自动得到一个很好的像素阈值，但背景恢复仍然很慢同时也不能很好处理双峰背景。Koller et al.[4]这一方法已经成功的应用于自动交通监控中。
Pfinder[7]对跟踪目标使用了多级统计模型，但背景模型是每个像素单一高斯。当初始化阶段时室内是空旷的，这个系统报告是很好的结果，然而还没有相关报告这种方法成功应用于户外场景。
Friedman和Russell[2]最近使用每个像素的最大期望(EM)架构来检测车辆，这与我们的工作有很大的相似。他们的方法试图明确分像数值为三类，预先确定分布的相应道路颜色、阴影颜色、相应的车辆颜色。他们试图消除影子的影响，看上去似乎有点效果，但目前尚不清楚当像数不存在于三类中这个系统表现出的行为是什么。比如，因为重复运动、阴影或者反射像数可能会出现单一背景颜色或者多背景颜色。

   
    1.2  我们的方法
相对于显著的建模所有像数值作为一个特定类型的分布，我简单模型为某特定像数值作为混合高斯函数，基于持久性和每个混合高斯方差，我们确定哪种高斯可能是相应的背景颜色。像数值被认为是背景，直到足够充分的证据支持它被包括与前景。
我们的系统能适应处理光线的变化、重复运动的场景元素、杂乱区域内的目标跟踪、缓慢运动的目标和场景内目标引入和去除。缓慢运动的目标要消耗跟长的时间融入背景，因为他们颜色与背景相比有很大的方差。此外，反复的变化需要训练，这一背景分布模型是需要改善即使暂时使用其他分布代替，才能使目标移走是背景快速恢复。
我们的背景模型包括二个重要参数,a训练常数，T背景所占比例系数。在不需要改变参数的情况，我们的系统已经在室内，人机交换界面应用下运行了16个月，也在户外不间断监控。


2 方法
如果每个像数的形成是在特定灯光下的特定表面，当去除噪声时，建模像数值为单一高斯就足够了。如果随着时间的推移只是光线的改变，每像数建立单一、自适应高斯也足够。现实中，多方面常出现在特定像数可视维和光线情况下的改变。因此，多样的、自适应高斯应运而生。我使用混合自适应高斯来接近这一过程。
 
 



图1：该方案的执行。(a)当前图像，(b) 最有可能在高斯背景模型方法下组成的图像，(c)前景像数，(d)添加跟踪信息的当前图像。注意：在这种情况下阴影是前景，如果表面被阴影常时间的覆盖，用高斯函数表示的这些像数值可能认识是背景。
每次高斯函数参数的更新，高斯函数都使用简单启发式的评估来确定背景进程最有可能的部分。像数值与任何一个高斯背景像数不匹配时，用连接组件分组该像数值。最后，连接组件使用多假设跟踪视频流中。这一过程的见图1。

2.1线性混合模型
我们认为随着时间推移特定像素的值作为“像素进程”，“ 像素进程”是时间连续像数值，例如灰度值的等级或者彩色图像的矢量。任何时候，t是I图像序列的历史,（x0,y0）是已知特定的像素。



如图2，一些“像素进程”通过(R,G)图显示，说明带自动阈值的自适应系统的需要。图2（b）和（c）又特出了多态模型表示法的需要。



 

图2:这一图像包括图像及随着时间内一个图像的单个像数的红色和绿色分量值的坐标图。它说明了在现实环境下的一些相关的差异。(a)显示部分像数二个分量2分钟的图，这需要二个阈值。(b)显示水面推测的一个像素值双模型分布结果。(c)显示了另一个监控器闪烁的双模型结果。
每个像素值表示经过像数光学的折射的第一个分割目标的反射率方向的度量单位。当稳定的背景和稳定光线，这一值为相应的常数。如果我们假设它是单独的，高斯噪声是随机抽样过程产生的，它的密度能以这一像数值为中心的单一高斯分布来表示。但不幸的是使我们最感兴趣是视频序列中含有光线的变化、场景的改变和目标的运动。
如果光线的改变发生在稳定的场景，使用高斯跟踪这些变化时必需。在场景中添加一个静止的目标，这目标不会被纳入到背景中，除非它在背景中的时间比之前其他目标时间还长，与之相应的像数任意长的时间内认为是前景。这会导致判断前景的累积误差，结果是失败的跟踪事情。这些因素说明最近的观察能跟好的确定判定高斯参数。
如果运动目标在场景内出现会使用的另外的方面的变化发生。即使是颜色一致的运动目标，它产生的变化一般都认为比静止的目标大。然而，一般情况下，有更多的重复数据表示背景的分布，鉴于不同目标不同的颜色的像数值。
 
  （未完...）