基于背景差分的酒瓶子计数
陆周雷，李文生**
作者简介：陆周雷，（1987-），男，硕士研究生，主要研究方向：计算机图形学，图像处理
通信联系人：李文生，（1966-），女，副教授，部门工会主席、中心党支部书记，主要研究方向：数据库
系统及应用、网络信息处理、多媒体技术. E-mail: wenshli@bupt.edu.cn
（北京邮电大学计算机学院，智能通信软件与多媒体北京重点实验室，北京 100876）
5 摘要：近年来，智能视频监控系统在银行，电力，交通，安检以及军事设施等领域的安全防
范方面发挥越来越重要的作用。该系统要是实现对生产流水线上的酒瓶子的计数。通过背景
差分的方法来提取运动物体的前景图像，则是比较普遍的方法，但背景差分算法对光照变化
敏感的特性，本文提出混合的高斯背景模型提取瓶子轮廓能达到更好的效果。根据提取的瓶
子轮廓，利用设定基准线的方法来对酒瓶子计数。基于该算法实现的监控平台，对酒瓶子数
10 目的统计误差低于8%，准确度达到92%以上。
关键词：背景差分；高斯背景建模；轮廓检测
 0 引言
30 针对该系统的要求，要对生产流水线上的酒瓶子计数，那就要求准确的提取酒瓶子的轮
廓和位置，就是说准确的提取运动物体是整个系统的关键部分。在现有的图像运动目标检测
的方法中，典型的算法有：相邻帧差分法，光流法和背景差分法。相邻帧差分法，具有简单，
直接，易于实现，可连续处理等优点，可较好的适应环境的较大变化，但因其难以有效地检
测出对应于运动目标但帧间变化不够明显的像素点，一般难以获得运动目标的完整轮廓[1].
35 光流法[2]通过估计图像的运动场并合并相似的运动矢量来实现检测，对于摄像机可动的情况
其性能较好，但是其算法复杂，运算量大，很难实现对视频流的实时处理；背景差法[3]通过
将图像序列和背景相减来实现检测，可以检测出和运动目标相关的所有像素点(完整地切割
出运动对象)，因而今年来广受重视和研究。但现有的该类算法普遍对于外界环境的变化(如
光照条件)较为敏感。
40 将背景差分的方法与混合高斯背景建模结合起来，对背景图像进行混合高斯建模，保证
了提取出来的背景的准确性，实效性，对光照的变化有较好的鲁棒性。通过背景差分的方法，
可以很准确的提取前景图像，通过轮廓检测可以获取运动物体，酒瓶子的位置，通过对位置
 的计算可以实现对瓶子的计数。
1 本文安排
45 第1 章主要介绍论文的背景和现状，第二章介绍图像预处理的操作，第三章介绍根据本
文改进的混合高斯模型，第四章介绍根据混合高斯模型构建出来的背景图形进行背景差分提
取瓶子轮廓，第五章介绍基于基准线的瓶子计数法。第六章对全文进行总结，提出今后要修
改的问题以及进一步展望。
2 图像预处理——彩色图像灰度化
50 灰度图像的描述与彩色图像一样仍然反映了整幅图像的整体和局部的色度和亮度等级
的分布和特征[4]。图像的灰度化处理可以表示为
Gray(i, j)=0.11*R(i, j)+0.59*G(i, j) +0.3*B(i, j) (式2—1)
这样就可以去掉颜色的干扰，减少了计算量，方便后面对图像进行处理和建模，下面是
对背景图像的灰度化效果展示：
55
图1 源图像与灰度化后的图像
3 基于混合高斯模型的背景更新算法
根据建立起混合高斯模型，本文不仅仅采取高斯模型本身的更新策略，而是采用了基于
60 背景变化统计变速率的更新策略[5]。背景的更新公式具体如下：
Bt(x, y) = ( ( , ) (1 ) 0( , )
1
W, Xt , , , Bt x y
K
r
t i t i t i α μ η α − + Σ ∗ Σ=
（式3－1）
Bt(x, y)为t 时刻背景图像的每个点亮度, i,t W 是亮度值符合第i 个高斯分布的像素个数占
整个背景的比率, η(Xt,μi,t,Σi,t) 表示t 时刻第i 个高斯分布模型,平均值μi, t 的权重和以及（协）
方差Σi, t 的权重和,α (0 ≤ α ≤ 1) 为更新速率,1−α 为前一张背景在新背景图像中所占的比
65 重。α 越大，说明背景更新的速度应该越快。此参数的改变会影响到背景更新的快慢和效
果。为了解决固定α 的这种弊端，本文提出了一个基于变化点统计α 更新策略。
假设这样的的一系列图像，图像包含的总像素点为N，这些图像的场景是相同的，采用
基于变化点统计的变α 更新策略实现背景差分的思路主要分为四个阶段：
 q=0.1,获取当前视频帧为背景帧,
将其图像灰度化
取出下一帧图像，灰度化后与
背景帧图像相减，计算出差值C
获取图像帧的总像素数N,
q=C/N
q>W(阈值)
根据公式3-5,根据当前视频帧进
行背景更新
Y
N
70 图2 改进的混合高斯模型流程
(1)α 取定值0.1，建立初始的混合高斯分布模型，并持续进行K 帧更新;(2)对每张新得
到的背景图像的每个点，计算该点在新背景图像和背景模型中的差值，如果该差值大于阀值
T，则认为该点发生了变化，计数值C(C 在每次建立混合的高斯分布模型的时候初始化为0)
加1；(3)计算C 与N 的比值q＝
N
C
75 ，可以得知q 的变化范围为0～1，q 值越大，说明新背
景与背景模型之间的差别越大，而这时候背景更新的速度应该越快，说明α 应该越大。这
样我们就从图像中寻找到了一个参数来对应于α 的设定，即我们可以得到以下关系：
q＝
N
C
（式3－2）
α ～q （式3－3）
80 为了将α 和q 对应起来，我们建立如下方程：
α = K * q （式3－4）
其中K 为常数（0 < K ≤ 10 ）。一般设定K=5（4）当q>ω （ω 为一个阀值，表示了
背景图像中发生变化点所占的阀值比例）时，我们就重新进行（1）（2）（3）的步骤来重
新建立新的混合高斯模型。通过以上的分析，我们得到了一个新的更新公式：
Bt(x, y) = * ( ( , ) (1 * ) 0( , )
1
K q W, Xt , , , K q Bt x y
K
r
t i t i t i − + Σ ∗ Σ=
85 η μ （式3－5）
本算法对混合高斯背景模型在更新策略上做了一定的改进，这个改进能够有效的解决背
景差分算法会受光照影响的缺陷，当光照改变的时候，q 值会发生很大变化，这样，我们就
能迅速地对背景模型进行更新。对于背景阴影和背景内部发生变化的情况，该算法也能十分
迅速地进行反应和计算。下图便是在实践中得到的提取背景的结果图：
 90
图3 提取的背景和运动的前景图
其中video 图像是当前的视频帧，由于酒瓶子缓慢移动，我们不断地对背景进行建模计
算，实时的提取该背景帧，可见背景帧右下存在部分的小黑点，但是这对于后期的背景差分
95 法来说，影响已经很小了。
4 背景差分法
首先，将背景图像存储下来，由于运动物体和背景在灰度或色彩上存在差别，通过将背
景图像和当前图像做减法运算，相减的结果中每一个像素的值和一个预先设定的阈值相比
较，若这个像素的值大于阈值，则认为是该点是前景点，否则是背景点[5]。
100
图4 背景差分法原理流程
由于背景差分的流程如上图4-1 所示，首先计算高斯混合模型产生的背景图像B 与当前
帧图像K 的差，然后依据公式(4-2)对差分的结果图像D，采用高斯滤波来进行降噪处理，
105 通过形态学上的腐蚀和膨胀来去掉一些小物体，在纤细点处分离物体，平滑较大物体的边界，
最后通过公式(4-3)进行二值化处理，提取出前景图像R[6]。
( , ) ( , ) ( , ) D K B F x y = F x y −F x y (4-2)
其中FK(x,y),FB(x,y)分别为当前帧图像和背景帧图像
{0 (, )
1 (, ) ( , ) k
k
background F x y T
k foreground F x y T R x y <
≥ = (4-3)
110 得到的效果图：
图5 提取出的前景图
 5 轮廓检测瓶子以及对瓶子进行计数
115 5.1 轮廓检测
针对我们提取到的前景图像， 利用轮廓检测将提取的二值前景图中的瓶子轮廓提取出
来，获取该轮廓各点坐标。其中轮廓检测的大致原理就是掏空内部点：如果原图中有一点为
黑，且它的8 个相邻点都是黑色时(此时该点是内部点)，则将该点删除[7]。我们可以比较准
确地定位到酒瓶子的大致位置：
120
图6 定位酒瓶子
5.2 对瓶子的数目进行计数
算法流程图如下：
125
图7 计数算法流程图
对瓶子的数目进行计数，也就是统计出我们提取出来的轮廓的总数。算法流程如下：首
 先设定基准线为照片中图像宽度1/4 的地方mid X 。根据检测出来的轮廓，记录每个轮廓左
右边界的横坐标的值130 Xleft , Xright ，存储这些左右边界的值，如果Xleft <= Xmid 并且
right X <= mid X ,那么说明瓶子轮廓没有越过基准线，那么用left X ， right X 更新之前存储的
位置信息 ,如果轮廓数大于存储中的元素，那么将余下的位置位置信息存储起来。否则的话，
说明瓶子轮廓已经越过基准线，如果根据对应的元素|X1- left X |<50 并且|X2- right X | <50，那
么对瓶子计数器加1，并且将对应位置信息清楚掉。如果不满足条件，那么系统提示流水线
135 传送带速度过快，要求减速，此时计数器的值不做改变。
6 实验结果
对于一个瓶子在该场景下的运动情况的跟踪计数，得到结果如下
图8 酒瓶子计数
140
对于两个瓶子在该场景下运动情况的跟踪计数，得到结果如下：
图9 对两个酒瓶子计数
145 表1 统计结果
统计时间(分钟) 实际的瓶子数目(个) 系统统计的瓶子数(个) 准确率(%)
30 100 97 97
60 224 219 97.7
90 356 349 98
7 结论
本文给出了基于混合高斯模型的背景提取方法，可以很好的消除光照和运动物体引起的
干扰，可以提取比较好的背景图像，之后通过背景差分的方法可以比较好的提取出酒瓶子的
150 轮廓，方便我们对酒瓶子计数，本文提出的基于准线的计数方法，能比较快速，准确地实现
对酒瓶子的计数，但是受到酒瓶子的运动速率的影响，会出现一定的误差。