基于高斯混合模型的运动目标检测
李〓灿，丁学文
(天津职业技术师范大学电子工程学院，天津〓300222)
首先介绍了运用高斯混合模型检测运动目标的原理和方法；然后根据检测过程中出现的失真、阴影干扰等问题对高斯混合模型进行了改进，即通过选取合适的背景更新速率来改善检测失真问题，通过将RGB彩色向量转换为HVS彩色向量来消除阴影干扰。对比改进前后的实验结果可知，通过改进可以使背景模型更好地适应有干扰的环境，能较为完整地提取出运动目标并减少目标阴影给检测带来的干扰。
〖HT5H〗关键词：〖HT5K〗目标检测；高斯混合模型；背景更新率；阴影消除
〖HT5H〗〖STBZ〗〖WTBZ〗中图分类号：TP391〓〓〓文献标志码：A〓〓〓文章编号：2095-509X(2015)10-0061-04
〖HK〗
目标检测技术在视频监控系统智能化中起着重要的作用，同时也是目标跟踪、目标分类和行为理解等更高层次处理算法的基础［1］。由于后续算法的准确度受到目标检测结果的影响，目标检测方法也独立地应用在多个领域的检测过程中，所以，良好的目标检测技术在智能视频监控系统中占据着举足轻重的地位。在众多目标检测算法中，高斯混合模型因其具有背景干净、设置参数少、拟合性好、结构简单、可适用领域广泛等突出优点，在交通、医疗、通信等众多领域中被广泛使用［2］，所以笔者选择高斯混合模型的算法检测运动目标。
1〓高斯混合模型建模方法〖
依据视频图像的灰度直方图，可以把某一个灰度值产生的频次大致认为是该图像灰度的高斯分布。这些分布中，由于背景和目标存在差异，可以将这些高斯分布分为背景描述分布和前景描述分布。实际应用中摄像头捕捉到的视频图像比较复杂，背景中有可
能存在目标运动或背景晃动、光照变化等情况，对应的图像的像素区域就会呈现出多个峰值的特性，可以认为此特性是几个高斯分布相叠加共同作用的结果并将其称为高斯混合模型［3］。通过当前图像与当前时刻的背景进行加权平均从而更新背景，如图1所示，其中高斯分布的数目常用K来表示，一般是3～7个。
运用高斯混合模型对视频中的目标进行检测
图1〓基于高斯混合模型的目标检测系统框图时，对于视频中的t时刻，图像中每个像素点的特征用i~K个高斯分布描述可得［4］：
〖WTBX〗
p(〖WTHX〗X〖WTBX〗t)=∑〖DD(〗K〖〗i=1〖DD)〗〖SX(〗ωi,t〖〗〖WTBZ〗(2π)〖WTBX〗〖SX(〗n〖〗2〖SX)〗｜〖WTHX〗Σ〖WTBX〗i,t｜〖SX(〗1〖〗2〖SX)〗〖SX)〗·
〖WTBZ〗e〖WTBX〗-〖SX(〗1〖〗2〖SX)〗(〖WTHX〗X〖WTBX〗t-〖WTHX〗μ〖WTBX〗i,t)〖WTBZ〗T〖WTHX〗Σ〖WTBX〗-1i,t(〖WTHX〗X〖WTBX〗t-〖WTHX〗μ〖WTBX〗i,t)〓(n=3)
〖JY〗(1)
〖WTBZ〗
式中：ωi,t为高斯分布的权重，且∑〖DD(〗K〖〗i=1〖DD)〗ωi,t=1；〖WTHX〗X〖WTBX〗t=［xrt,xgt,xbt］〖WTBZ〗T,为像素的RGB彩色向量；〖WTHX〗μ〖WTBX〗i,t=［μri,t,μgi,t,μbi,t］〖WTBZ〗T,为均值向量；〖WTHX〗Σ〖WTBX〗i,t=〖WTHX〗σ〖WTBX〗2i,tIn,为协方差矩阵，其中〖WTHX〗σ〖WTBX〗i，t〖WTBZ〗为像素方差。接下来，用高斯混合模型对目标进行检测，整个过程分为模型初始化、模型更新、背景估计与前景分割［4］。
1）模型初始化。
对视频图像的第一帧中各个像素点的彩色向量值进行复位操作，创建每个对应像素的K个高斯分布的平均值，对每一个高斯分布都赋予指定的方差（数值30）并且让它们的权重都一样［5］。
2）模型更新。
当计算下一帧图像时，把其中的每一个新像素〖WTHX〗X〖WTBX〗t与当前的K个高斯分布的均值参照式（2）分别进行匹配。假如成立，那么〖WTHX〗X〖WTBX〗t就与所述模型中第i个高斯分布匹配，如果没有成立的话，那么就不匹.....
作者简介李灿（1989—），女，河南南阳人，天津职业技术师范大学硕士研究生，主要研究方向为数字图像处理。
（文章来源《机械设计与制造工程》如需详细资料请联系江苏机械门户网客服QQ:2980918915,电话025-83726289）
|
最新图文
