一种改进的自适应高斯混合模型实时运动目标检测算法_焦宾

对光照变化适应性差及学习率单一等问题， 提出了一种光照变化检测及学习率更新的方法， 以达到自适应更新 背景模型的目的。提出利用颜色直方图匹配算法， 通过引入光照变化因子以及模型参数更新计数器对学习率进 并通过对描述模型分量个数的自适应选择减少了计算时间， 增强了系统的实时性。 实验结果 行自适应的调整， 该方法能快速有效地适应场景的变化， 比传统高斯混合模型具有更好的鲁棒性与稳定性。 表明， 关键词： 高斯混合模型； 光照变化； 自适应； 运动目标检测； 背景减法 中图分类号： TP391. 4 文献标志码： A 文章编号： 1001-3695 （ 2013 ） 11-3518-03 doi： 10． 3969 / j． issn． 10013695． 2013． 11． 082
| Σ | 1 /2
ˑ exp（ －
1 （ X － μ） T Σ － 1 （ X － μ） ） 2 （ 2）
{
（ 3）
slow variation， if D（ t， t － 1 ） ≤T sudden variation， otherwise
（ 12 ）
其中： T2 为相似性匹配阈值。在区分出光照变化之后， 按下式 （ 13 ） 对学习率 a 进行自适应的更新：
Abstract： Gaussian mixture model is a widely used approach for background modeling to detect moving objects from static cameras． Base on the situation that traditional Gaussian mixture model could not effictively solve the problems such as poor athis paper proposed a method to detect the illumination variation daptability of illumination change and single of learning rate， and update the learning rate， in order to achieve the purpose of the adaptive updating background model． Firstly， the proposed it also method used the color histogram matching algorithm to introduce the factor of illumination variation． At the same time， adaptive selection of the introduced a counter of the updating parameters of model to adaptively adjust learning rates． And then， number of components in the model reduced the computation time and enhanced the realtime nature of the system． The experimental results show that this proposed method can quickly and effectively adapt to changes in the scene， and has better robustness and stability than traditional Gaussian mixture model． Key words： Gaussian mixture model； illumination variation； adaptive； moving object detection； background subtraction
m =1
其中： K 是模型分量的个数； ω i， μ i， t、 t 和 Σ i， t 分别为 t 时刻模型中 均值和协方差矩阵。 第 i 个高斯分布 第 i 个高斯分布的权值、 的概率密度函数为
N（ X， μ， Σ） = 1 （ 2 π）
n /2
Σ min（ H t （ m） ）
M
（ 11 ）
t － 1 ） 来区分光照的突然变化和缓慢变化， 本文以 D（ t， 判 别方法为
将 K 个高斯分布按 ω / σ 大小排序， 取前 B 个分布作为背 景模型：
B = arg min b （ Σ ω k ＞ T）
k =1 b
{
α = α + θ t if slow variaton α = 2 α if sudden variaton
（ 13 ）
当前像素值与背景模型的差值在一定范围内则判定其为 背景， 即
EG 、 EB 分 别 表 示 当 前 帧 其中： E t 表 示 当 前 帧 的 信 息 熵； E Ｒ 、 ＲGB 各分量的信息熵。 图像中的颜色与其中的物体关系密 切， 不同亮度像素值分布情况可以反映出环境光线变化的强 本文采用颜色直方图法提取颜色特征， 当两幅被检 弱。因此， 测的图像样本特征值不相同， 但是其差值距离小于某一阈值 说明其相似程度较高， 两幅图像的统计分布情况相似 。 利 时， 用这一原理， 提出了光照变化检测方法， 即直方图匹配算法， 用 以区分光照的缓慢变化和突然变换 。其数学表达式为
一步实现目标跟踪、 特征提取、 行为分析和理解等的基本步 骤
［1 ］
。因此， 有效的检测结果对后续高层次阶段的处理是至
［2 ］
关重要的。运动目标检测方法主要分为点检测法 、 图像分割 法、 帧间差分法、 背景减法、 聚类分析法和 运 动 矢 量 场 法 。 其中， 背景减法应用得比较广泛， 尤其是在摄像机固定的场景 中， 它通过将每一帧与实时更新的背景模型相比较从而分割出 背景区域与前景区域。 GMM ） 是一种基于 高斯混合模型（ Gaussian mixture model， 3］将其用于视频监控中背 像素级别的背景建模方法 。 文献［ 景建模和运动分割， 采用 K 个（ 一般取 3 5 ） 高斯分布来描述 4］ 背景像素的变化规律。文献［ 则在原始 GMM 的基础上将背
其中： β 取 2． 5
3， 若满足式（ 4 ） ， 则按照以下公式更新：
ω i， t + 1 = （ 1 － α ） ω i， t + α ˑ Mt μ i， t + 1 = （ 1 － ρ ） μ i， t + ρ ˑ Xt + 1 （ 5） （ 6）
T
2 σ2 i， t + 1 = （ 1 － ρ ） σ i， t + ρ ˑ （ X t + 1 － μ i， t + 1 ） ˑ （ X t + 1 － μ i， t +1）
0
引言
运动目标检测属于计算机视觉的低层次阶段处理， 也是进
景学习和更新分为两个阶段， 背景初始化阶段学习率为 1 / N， 5］提出了一种为每 之后则采用普通的迭代方式更新 。 文献［ 个高斯分布提供不同学习率的自适应方法， 使得收敛的速度得 6］分析了模态均值和方差更新时产生方差 到了提高。文献［ 从而导致饱和像素现象， 并提出了两种不同 收敛性严重恶化， 的学习因子， 分别对均值和方差进行更新 。在最近的一些研究 7］ 中， 文献［ 提出了一种窗口权值更新计划， 以减少系统的运 GMM 的鲁棒性与 行时间， 增强实时性。通过许多学者的研究， 稳定性得到了一定程度的提高， 但是在对背景变化的适应能力 8］提出 上还不太令人满意， 特别是对光照突变等现象 。文献［ 通过统计前景像素个数与整幅图像像素总数相比较得到的比 例值来判断是否发生光照突变， 此时当前突变的图像帧并不能 得到及时有效地更新。 本文在传统 GMM 的基础上， 通过引入光照变化因子， 解
收稿日期： 2013-01-17 ； 修回日期： 2013-03-11
）， ）， 作者简介： 焦宾（ 1987男， 重庆长寿人， 硕士研究生， 主要研究方向为视频图像处理及应用（ matheu_joe@ 163． com） ； 吕霞付（ 1966男， 安徽 ）， 六安人， 教授， 博士， 主要研究方向为机器视觉及智能仪器仪表； 陈勇（ 1963男， 四川成都人， 教授， 博士， 主要研究方向为视频图像处理及应用； ）， 李愿（ 1986男， 四川南充人， 硕士研究生， 主要研究方向为视频图像处理及应用．
（ 7）
其中： 学习率 α 是一个常数， ρ = α ˑ N（ Xt + 1 ， μi ， Σ i ） 。对于当前 则将初始化一个 背景模型中没有任何一个满足式（ 4 ） 的分布， 权值较小、 均值为当前像素值、 方差较大的分布， 取代模型中权 值最小的那个分布。 GMM 的更新速度主要取决于学习率 α。 如果 α 取值较 小， 背景模型初始化和更新的速度就慢， 需要较长时间适应环 境的变化； 反之， α 取值较大， 背景模型初始化和更新的速度就 快， 适应环境变化的能力较强， 但容易引入噪声。
第 11 期
焦
宾， 等： 一种改进的自适应高斯混合模型实时运动目标检测算法
Et = E Ｒ + E G + E B /槡 3 槡
2 2 2
· 3519·
（ 9）
决因光照的变化导致动态适应能力降低的问题， 通过对学习率 的自适应更新的同时， 并自适应地选择高斯分量个数以减少计 使得模型的鲁棒性和稳定性得到了一定程度的增强 。 算量，
Improved algorithm of adaptive Gaussian mixture model for realtime moving object detection
JIAO Bin，LV Xiafu，CHEN Yong，LI Yuan