一种自适应的基于混合高斯模型的运动目标检测算法

基于自适应高斯模型的实效运动目标检测算法

基于自适应高斯模型的实效运动目标检测算法王红茹;童伟【摘要】针对复杂环境下经典混合高斯背景建模算法实时性差以及帧间差分法检测精度低的问题,提出一种基于七帧差分和改进的自适应混合高斯模型相结合的运动目标检测算法.通过七帧差分获取当前帧运动目标的粗略区域;利用HSV颜色空间色度的不变性进行阴影抑制,提取出背景区域和可疑运动区域;对可疑运动区域使用混合高斯法区分出背景显露区域以及运动区域,对每个区域的高斯建模参数采用不同的更新策略,不对背景区域进行高斯匹配;引入光照突变参数,若发生光照突变,对高斯模型中的建模参数重新初始化.对比实验结果表明,该算法能有效抑制阴影和光照突变对检测精度的影响,具有良好的实时性.【期刊名称】《计算机工程与设计》【年(卷),期】2016(037)010【总页数】5页(P2700-2704)【关键词】运动目标检测;七帧差分;自适应更新;混合高斯模型;颜色空间【作者】王红茹;童伟【作者单位】江苏科技大学机械工程学院,江苏镇江212003;江苏科技大学机械工程学院,江苏镇江212003【正文语种】中文【中图分类】TP391.41常用的基于图像序列运动目标检测算法主要有光流法[1-3]、帧间差分法[4,5]、背景减除法[6-8]。

光流法需要专门的硬件支持，计算复杂且计算量大，一般较少使用。

帧间差分法原理简单，对噪声和光线变化不敏感，但是目标检测易出现空洞现象。

背景减除法是利用背景图像与当前帧图像进行差分获得运动目标区域，受光照影响容易将背景误判为目标。

基于混合高斯模型[9]的背景差分法因能够解决多模态情况(如摇曳的树叶和水面波动)而广泛地被应用，但是算法的收敛性较差。

文献[10]将帧间差分与混合高斯模型相结合，但是运动区域并不构建新的高斯分布，算法的准确度不高；文献[11]通过混合高斯模型与改进的差分法区分出背景显露区与运动目标，为背景显露区赋予较大更新率，尽管算法的实时性较好，由于采用固定的学习率，在光照突变的场景下，背景的误检率较高；文献[12]对边缘图像建立混合高斯模型，尽管能够有效克服光照突变的影响，但算法的实时性较差。

基于改进混合高斯模型的运动目标检测算法

的物体检测效果较差，特别是当运动物体在场景中停滞一段时间，会造成漏检。
频做进一步处理（编码、目标跟踪、目标分类、目标行为理解等）的基础。运动目标检测方法主要有光流计算法、
帧间差分法和背景减除法３，中，背景减除法是目前种其研究最多、用最广泛的方法。应文献［提出的自适应混合１］
ＤＯＩ１．６／ｉｎ１０ —４８０２１．５：Ｏ３９ｊｓ．００３２．１．８０９．ｓ２４
１概述
运动目检测是视频图像分析的重要部分，是对视标也
和空间上对像素进行建模，减少了环境的干扰，强了混增
合高斯模型的自适应性。然而，这些方法对运动速度变化
型的目标检测算法。引入背景学习参数，结合前一帧的检测结果自适应地更新背景，从而提取完整的运动目标。利用像素的八连通区域信息抑制噪声，提高算法在复杂环境中的稳定性。实验结果表明，与传统检测方法相比，该算法能够在复杂环境中准确地检测出短暂停滞的
运动目标。
ａｅｓｕｉｉｅｏｓｐｒｓｏｓｓａｄｉｒｖｔｔｂｉｔｎｔｅｃｍｐｅｎｖｒｎｅｔｅｅａｘｅｉｎｓａｅｉｐｅｅｔｄａｄｔｅｕｔｒａｉｔｌｄｔｕｐｅｓｎｉｅｚｎｍｐｏｅｉｓｓａｌｙｉｈｏｌｘｅｉｏｍｎ．Ｓｖｒｌｅｐｒｍｅｔｒｍｌｍｎｅｉｎｈｅｒｓｌｓ
ＳＵＮｉｇａ，ＬＩＨｏＹ－ｎｇｎｇ，ＺＨＡＮＧｏＨｎｇ— ｉｙｎｇ

基于改进混合高斯模型的自适应运动车辆检测算法

ｐｒｏｂｌｅｍｓｔｈａｔｔｈｅｂａｃｋｇｒｏｕｎｄｓｕｂｔｒａｃｔｉｏｎｍｅｔｈｏｄｏｆｔｒａｄｉｔｉｏｎａｌＧａｕｓｓｉａｎｍｉｘｔｕｒｅｍｏｄｅｌｉｓｓｅｎｓｉｔｉｖｅｔｏａｂｒｕｐｔｃｈａｎｇｅｓｉｎｅｎｖｉｒｏｎｍｅｎｔａｎｄｈａｓ
ＺｈａｎｇＨｕ
ＦａｎｇＨｕａ
ＬｉＣｈｕｎｇｕｉ
（ＤｅｐａｒｔｍｅｎｔｏｆＥｌｅｃｔｒｏｎｉｃＩｎｆｏｒｍａｔｉｏｎａｎｄＣｏｎｔｒｏｌＥｎｇｉｎｅｅｒｉｎｇ，ＧｕａｎｇｘｉＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙ，Ｌｉｕｚｈｏｕ５４５００６，Ｇｕａｎｇｘｉ，Ｃｈｉｎａ）（ＤｅｐａｒｔｅｎｍｔｏｆＥｎｇｉｎｅｅｒｉｎｇＴｒａｉｎｉｎｇＣｅｎｔｅｒ，ＧｕａｎｇｘｉＵｎｉｖｅｒｓｉｔｙｆＴｏｅｃｈｎｏｌｏｇｙ，Ｌｉｕｚｈｏｕ５４５００６，Ｇｕａｎｇｘｉ，Ｃｈｉｎａ）
测效果。
关键词中图分类号
自适应
混合高斯模型
背景减除目标检测Ａ
ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１０００－３８６ｘ．２０１４．０１．０７７

基于混合高斯模型的运动目标检测方法研究

ｐｒｏｍｉｇｍｕｔｌｂｅｔｅｍｅｔｔｎａｔｒｂｃｇｏｎｓｂｒｃｉｎ，ｗｅａｓｃｅｓｕｌｅｆｒｎｌｐｅｏｊｃｓｇｎａｉｆｅａｋｒｕｄｕｔａｔｏｉｏｃｎｕｃｓｆｌｙ
ｂｃｇｏｎｃｕａｅｙ，ａｄｔｒｕｈｓｂｒｃｉｎｂｔｅｃｎｍａｅａｄｂｃｇｏｎｍａｅａｋｒｕｄａｃｒｔｌｎｈｏｇｕｔａｔｅｗｅｎｓｅｅｉｇｎａｋｒｕｄｉｇ，ｏ
ｄｔｃｌｉｌｍｏｉｇｏｊｃｓＴｈｘｅｉｎｓｓｏｅｅｔｍｕｔｐｅｖｎｂｅｔ．ｅｅｐｒｍｅｔｈｗｔａｅｈｂｃｇｏｎｆｉｇｈｔｗｈｎｔｅａｋｒｕｄｏｍａｅ
ｓｑｕｎｅｓｈａｇｉｅｅｃｉｃｎｎｇ，ｔｅｈｍｉｔｅｘｕｒＧａｓｉｎｕｓａｍｏｌａｅａｇｏｉｈｄｅｂｓｄｌｒｔｍｃｎｓｉｔｃｎｇｄａｅｔｍａｅｈａｅ
基于混合高斯模型的运动目标检测方法研究
魏晓慧，李良福。，钱钧
（．惠州学院电子科学系，广东惠州５６０；２西安应用光学研究所，陕西西安７０６）１１０７．１０５
摘
要：了能够及时检测到图像场景中的运动目标，出一种基于混合高斯模型的运动目标检为提

基于混合高斯模型与三帧差分的目标检测算法

基于混合高斯模型与三帧差分的目标检测算法张文;李榕;朱建武【摘要】针对传统目标检测方法中光照变化、复杂背景、阴影等难点,提出了一种结合三帧差分法和混合高斯背景建模的算法,既能很好地适应场景中的光照渐变和背景扰动,又能克服普通帧差法中检测目标不准确,容易产生孔洞及双影现象的问题.同时,采用了一种简易的阴影抑制算法和形态学滤波处理,有效地去除了阴影以及噪声.实验结果表明,该算法易于实现,具有较好地实时性和鲁棒性,能精确地检测出运动目标.%Aiming at the difficulties of the illumination change, complex background and shadow in the traditional target detecting methods, a novel algorithm which combines three-frame difference with mixture Gaussian background models is presented. It not only can satisfy the illumination changes and background scene disturbance, but also can overcome the problems of object detection inaccuracy which is prone to produce the voids and double-shadow phenomenon existing in common frame differencing method. Furthermore, this paper uses a simple shadow restaint algorithm and morphological filtering processing, which effectively reduces the shadows and noise. The experimental results show that the algorithm is easy to implement, has good real-time performance and robustness, and can detect the moving targets accurately.【期刊名称】《现代电子技术》【年(卷),期】2012(035)008【总页数】4页(P57-60)【关键词】三帧差分;混合高斯背景建模;阴影抑制;形态学滤波【作者】张文;李榕;朱建武【作者单位】华南师范大学物理与电信工程学院,广东广州 510006;华南师范大学物理与电信工程学院,广东广州 510006;华南师范大学物理与电信工程学院,广东广州 510006【正文语种】中文【中图分类】TN919-340 引言运动目标检测是机器视觉研究的一个重要领域，它是目标跟踪和视频图像分析的基础，在智能安防、交通监控、医学图像处理等方面有着广泛的应用，具有重要的应用价值和广阔的发展前景。

一种改进的自适应高斯混合模型实时运动目标检测算法

ＪＩＡＯＢｉｎ，ＬＶＸｉａ — ｆｕ，ＣＨＥＮＹｏｎｇ，ＬＩＹｕａｎ
（ＫｅｙＬａｂｏｒａｔｏｒｙｆｏｒＩｎｄｕｓｔｒｉａｌＩｎｔｅｒｎｅｔｏｆＴｈｉｎｇｓ＆ＮｅｔｗｏｒｋＣｏｎｔｒｏｌｆＭｉｏｎｉｓｔｙｒｏｆＥｄｕｃａｔｉｏｎ，ＣｈｏｎｇｑｉｎｇＵｎｉｖｅｒｓｉｔｙｆＰｏｏｓｔｓ＆Ｔｅｌｅｃｏｍｍｕｎｉｃａ・
第３０卷第１１期
２０１３年１１月
计算机应用研究
ＡｐｐｌｉｃａｔｉｏｎＲｅｓｅａｒｃｈｏｆＣｏｍｐｕｔｅ￣
Ｖｏ１．３０Ｎｏ．１ｌＮＯＶ．２０１３
一
种改进的自适应高斯混合模型实时运动目标检测算法术
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．１００１－３６９５．２０１３．１１．０８２
焦宾，吕霞付，陈勇，李愿
（重庆邮电大学工业物联网与网络化控制教育部重点实验室，重庆４０００６５）

一种基于混合高斯模型的运动目标检测新算法

１混合高斯背景模型
Ｓｔａｕｆｆｅｒ等人提出的混合高斯模型用Ｋ个高斯分布混合模拟像素点的背景值Ｊ，对于像素点（，
）在时刻属于背景的概率为：
用最多的运动目标检测算法，它先将当前图像与背景模型进行比较，找出在一定阈值限制下当前图像中出现的偏离背景模型值较大的那些像素，再对图像进行二值化处理，从而提取出前景图像，然而这
第１３卷第１４期２０１３年５月１６７ｌ一１８１５（２０１３）１４ — ４０７０－０５
科
学
技
术
与
工
程
Ｖｏ１．１３Ｎｏ．１４Ｍａｙ２０１３
ＳｃｉｅｎｃｅＴｅｃｈｎｏｌｏｇｙａｎｄＥｎｇｉｎｅｅｒｉｎｇ
动目标检测算法。该算法首先分别通过混合高斯模型算法和三帧差法各获得一幅前景图像，然后将两幅图像进行逻辑或运
算；再对获得的图像进行自适应中值滤波处理，并利用连通域阈值面积去噪法除去剩余的噪声，最终提取出运动目标。实验
仿真结果表明，利用该方法可以有效地提高运动目标的检测率。关键词混合高斯模型三帧差法逻辑或运算自适应中值滤波
⑥
２０１３Ｓｃｉ．Ｔｅｃｈ．Ｅｎｇｒｇ．
一
种基于混合高斯模型的运动目标检测新算法

自适应混合高斯背景模型的运动目标检测方法

０引言
运动目标检测是计算机视觉应用中信息提取的第一步，包括视频监控、车辆跟踪等领域。一个鲁棒性的运动目标检
第３０卷第１期
２１００年１月
计算机应用
ＪｕｎｌｏｏｕｅｐｉａｉｎｏｒａｆＣｍｐｔｒＡｐｌｔｓｃｏ
Ｖ０．０Ｎｏ１３．１
Ｊｎ２０１０ — ０１２１）１０１— ４
ｍｖｇｏｊｔｗｒｄｔｔｙｂｃｇｏｎｕｔｃｉ．Ｃｍａｄｔｔｅｍｏｉｂｅｔｄｔｃｏｐｒａｈｂｓｄｏｏｉｂｃｓｅｅｅｃｅｂａｋｒｕｄｓｂｒｔｎｏｐｒｏｈｖｎｏｊｃｅｔｎａｐｏｃａｅｎｎｅｅｄａｏｅｇｓｅｉ
ｔｅｌｒｉｇｒｔｓｏｌｂｐａｅｎｌｅａｃｒｉｅｒａｏｓｉｂｔｅｎｔｅｐｅａｄｉｄａｅｔｉｌａｔ，ｈｈａｎｎｅｈｕｄｅｕｄｔｏ —ｎｃｏｄｎｔｔｅｔｎｈｐｅｅｉｌｎｓｊｎｘｓｅａｄｉｇｏｈｌｉｗｈｘｔａｃｐｅ．Ｌｓｙｔｅｌ
ｒｐｉｙａｄｌ．
Ｋｅｏｄ：ｍｘｒａｓｉｎｍｄｌａｋｏｎｐａｎ；ｂｃｇｏｎｕｔｃｉ；ｏｊｃｓｅｃｏ；ｎｉｅｖｌｙｗｒｓｉｔｅＧｕｓｏｅ；ｂｃｇｕｄｕｄｔｇａｋｒｕｄｓｂｒｔｎｂｅｔｄｔｔｎｏｅｒｕａｒｉａｏｅｉｓｍｏａ
盖几率小的假设构建初始背景，每个像素点在线选择高斯分布个数。根据像素点与其邻域像素间存在联系的思为

一种自适应运动目标检测算法及其应用

2021年2月第2期Vol. 42 No. 2 2021小型微型计算机系统Journal of Chinese Computer Systems一种自适应运动目标检测算法及其应用李善超，车国霖，张果,杨晓洪(昆明理工大学信息工程与自动化学院，昆明650500)E-mail ：991186428@ qq. com摘要：针对ViBe 算法在动态背景下存在鬼影消除时间长、算法适应性差、前景检测噪声多的问题，本文提出一种基于ViBe 算法框架的改进算法.该算法釆用鬼影检测法标记第1帧中的鬼影区域，并向位于鬼影区域的背景模型中强制引入背景样本，从而快速抑制鬼影；在像素分类过程中，引入自适应分类阈值，解决全局阈值易受动态噪声干扰的问题；在背景模型更新中，根据像素分类的匹配值来动态决定更新因子，提高算法适应场景变化的能力.定性与定量的对比实验结果表明，本文算法相较于ViBe 算法能够有效地检测动态背景下的运动目标，应用于河流漂浮物检测场景中也有较好的效果.关键词：ViBe ；动态背景;运动目标检测；自适应方法;河流漂浮物检测中图分类号：TP391文献标识码:A 文章编号：1000-1220(2021)02-0381-06Adaptive Moving Target Detection Algorithm and Its ApplicationLI Shan-chao ,CHE Guo-lin ,ZHANG Guo,YANG Xiao-hong(Faculty of Information Engineering and Automation ,Kunming University of Science and Technology ,Kunming 650500,China)Abstract : Aiming at the problem that ViBe algorithm has long ghost elimination time , poor algorithm adaptability and high foreground detection noise in dynamic background , this paper proposes an improved algorithm based on ViBe algorithm framework. The algorithmuses the ghost detection method to mark the ghost region in the first frame , and forces the background sample into the background model in the ghost region to quickly suppress the ghost. In the pixel classification process , the adaptive classification threshold is intro ・ duced to solve the problem that the global threshold is susceptible by dynamic noise interference. In the background model update , theupdate factor is dynamically determined according to the matching number of the pixel classification to improve the algorithm's abilityto adapt to scene changes. The comparison experimental results of qualitative and quantitative shows that the algorithm in this paper can effectively detect moving targets in dynamic background compared to the ViBe algorithm , and it also has a better effect in the de tection of river floating objects.Key words : ViBe ； dynamic background ； moving target detection ； adaptive method ； river floating debris1引言运动目标检测在智能视频监控的应用中扮演着重要的角色，是计算机视觉领域的一个研究热点⑴•运动目标检测的实质是在视频序列中定位运动中的目标，而准确的前景检测是目标分类、目标跟踪和行为识别研究的重要基石⑺叫运动目标检测算法按类别可分为帧差法⑴、光流法⑷、背景建模法"向3种.帧差法原理简单且易于设计，然而其检测结果存在空洞和鬼影的问题.光流法虽然精度高，但由于其计算量大，不适用于对实时性有较高要求的场景.背景建模法是在初始化过程中构建出由背景样本组成的模型，并将当前帧与背景模型进行差分，从而对像素进行分类,最后得到运动目标.其具有精度高实时性好的特点.背景模型的准确性决定了背景建模法的检测精度，主要影响检测精度的因素有鬼影问题、动态背景、噪声干扰等⑴.高斯混合模型(GMM ,Gaussian mixture model)[8]是运动目标检测算法中最为经典的算法，其本质是基于像素样本统计信息的背景建模方法，能够对复杂背景进行准确建模，然而其计算复杂度较高GMG 算法切是统计背景模型的概率，采用贝叶斯逐像素分割，但在动态场景中其检测精确度较低.核密度估计算法(KDE,Kernel Density Estimation)[10]是一种非参数背景建模方法，其通过大量的背景样本估算背景像素的概率密度函数，从而根据像素背景概率来分类像素，然而其内存占用与计算复杂度都较高.Bamich 等人⑴•切于2009年提出一种非参数化视频背景提取算法(ViBe , Visual BackgroundExtractor),该算法是为每个像素设置一个样本集，并与新帧像素进行阈值比较,从而对像素进行分类,其具有实时性好、鲁棒性高和易于集成于嵌入式设备的特点.然而ViBe 算法仍存在一些不足，限制了其在动态场景中的应用.例如：1)当初始化图像中存在运动中的目标时,ViBe 算法会在后续帧中检测到鬼影，降低了算法的检测精度且鬼影消除时间长；2)ViBe 算法在动态场景中检测精度低，容易受动态噪声干扰;3) ViBe 算法的背景模型更新策略无法适应背景动态的变化.针对ViBe 算法存在的问题,本文提出一种自适应运动目收稿日^:2020-03-06 收修改稿日期：202045-11基金项目：国家重点研发计划项目(2017YFB0306405)资助；国家自然科学基金项目 (61364008)资助.作者简介：李善超，男，1994年生，硕士研究生，研究方向为数字图像处理；车国霖，男,1975年生，硕士，副教授，研究方向为智能控制；张果，男，1976年生，博士，副教授，研究方向为智能測控;杨晓洪，女,1964年生，高级工程师，研究方向为综合自动化.382小型微型计算机系统2021年标检测算法.本文将从以下3个方面对ViBe算法进行改进.1)采用鬼影检测法标记鬼影区域并强制引入背景样本，加速鬼影的抑制;2)采用自适应匹配阈值的方法进行像素分类，提高算法抗干扰的能力;3)根据像素分类的匹配值动态调整更新因子，提高算法适应场景变化的能力.本文采用CDNET 数据集中dynamicBackground视频类中的5个视频序列和3组河流漂浮物的视频序列进行研究，以本文算法和其他5种算法为例，定性、定量对实验结果做出质量评价和分析.研究结果表明，本文算法相较于ViBe算法在召回率、精确率和F 度量值方面均有提高，错误分类比更低,达到了预期的目标.2ViBe算法原理ViBe算法是基于样本随机聚类的背景建模算法，具有运算效率高、易于设计、易于集成嵌入设备的特点，能够实现快速的背景建模和运动目标检测.算法的步骤包括背景模型初始化、像素分类过程和背景模型更新.2.1背景模型初始化1)背景模型定义:ViBe算法的背景模型是由N个背景样本组成的,v(x)是像素x的像素值，则背景模型M(x)定义如公式(1)所示：=|Vj(x),v2(x),v N(x)|(1)2)背景模型初始化:ViBe算法利用视频序列第1帧建立背景模型，从第2帧开始算法就可以有效地检测运动目标.背景模型初始化是在像素x的8邻域Nc(x)中选取一个像素值作为背景样本，重复N次,如公式(2)所示：(N g(x)=Ui,¾,--,¾IJ(2)〔M(x)=1v(ylyeN c(x))I3)随机选取策略:背景建模时，背景样本始终采用随机选取邻域像素的策略，以使背景模型更加稳定可靠.2.2像素分类过程ViBe算法采用计算欧氏距离来进行像素的分类. S”(v(x))是以像素值v(x)作中心，匹配阈值R为半径的二维欧氏空间，若v(x))与M(x)的交集H{•}中元素个数不小于最小匹配数则认为像素x是背景像素，如公式(3)所示:H{Sx(v(x))n I V,(x),v2(x),—,v w(x)I I(3) 2.3背景模型更新1)保守更新机制:ViBe算法通过保守更新机制进行背景模型更新，即如果像素被分类为背景像素，则以i/e(e是更新因子)的概率替代背景模型中的任一样本.假设时间是连续且选择过程是无记忆性的，在任一dt时间后，背景模型的样本随时间变化的概率如公式(4)所示：P(t,t+dt)=e-1"(^)d,(4)公式(4)表明，背景模型样本值的预期剩余寿命都呈指数衰减，背景模型的样本更新与时间无关.2)随机更新机制:ViBe算法通过随机更新机制进行样本替换,使得每个样本的存在时间成平滑指数衰减，提高了算法适应背景变化的能力，避免了旧像素长期不更新带来的模型劣化的问题.3)空间传播机制:ViBe算法也将背景像素引入邻域的背景模型中，保证了邻域像素空间的一致性.例如，用背景像素替换任一邻域(x)中的任一样本.ViBe算法首次将随机聚类技术应用于运动目标检测中，使得算法在背景模型初始化、像素分类过程、背景模型更新3个方面都比较简单,保证了算法的实时性，因此ViBe算法被广泛应用于现实生活中3提出的改进算法ViBe算法采用随机采样、非参数化和无记忆的更新策略，使得其具有较好的性能，但其在动态场景下仍然存在不能快速抑制鬼影、难以消除动态噪声以及无法适应场景动态变化的问题,本文将从以下3个方面对ViBe算法进行改进.3.1鬼影检测ViBe算法利用第1帧建立背景模型，但也不可避免的将第1帧中存在的运动目标前景像素引入到背景模型中，导致鬼影问题和彫响算法的检测精度.假设背景模型M(x)是由第1帧中的前景像素样本f(x)组成的，当运动目标离开时，ZU)不在背景像素值b(x)的S”(b(x))圆内，背景像素被错误的分类为前景,如公式(5)所示,则在第1帧中运动目标所在的区域就会出现虚拟的前景(鬼影).rM(x)=|/；(x)J2(x)，―J N(x)}(s&(x))nM(x)=0本文针对这一问题，应用鬼影检测法标记出第1帧中的鬼影区域,并向位于鬼影区域的背景模型中强制引入背景样本，减少其中前景像素的数量，从而快速抑制鬼影.鬼影检测法借鉴了帧间差分法并对其进行改进,其原理是提取视频序列的前3帧图像，第1帧图像分别与后两帧图像做差分运算，设定差分阈值并对差分后的图像进行二值化分类,将二值化结果做逻辑或操作和形态学操作，即得到标记有第1帧运动目标的鬼影模板Ghost(x),在鬼影模板Ghost(x)中大于0的位置是第1帧中鬼影区域的.具体定义如公式(6)、公式(7)和公式(8)所示：if I厶(x)-厶+|(兀)I>Tif\IM一人+|(x)lwTM)={o-/“2(x)IWTGhost(x)=£>i(x)or D2(x)(6)(7)(8)式中：D(x)为二值化图像，人(x)为第R帧输入图像，一般A=1为图像差分阈值，。

自适应学习的混合高斯模型运动目标检测算法

（江西理工大学信息工程学院，江西赣州３４１０００）
摘要：针对传统混合高斯模型采用固定学习速率带来的模态残留和拖影等问题，提出了一种自适应学习速率运动目标检
ห้องสมุดไป่ตู้
测算法。对图像序列像素变化特性和模型控制参数性能进行了分析，将模型学习过程分为背景初始形成和背景维护更新两
个阶段，不同阶段采取不同的学习策略，初始形成阶段采用较大递减学习速率加速背景模型的形成；维护更新阶段根据像
素点匹配次数与不匹配次数作为反馈量来调节学习率，实现模型的自适应学习。实验结果表明，该算法能够有效改善原始
模型收敛速率慢导致背景模型更新不及时的问题，可以更准确地检测出运动目标，并具有较好的自适应性和鲁棒性。关键词：运动目标检测；混合高斯模型；像素变化特性；学习速率；自适应学习
中图法分类号：ＴＰ３９１．４１文献标识号：Ａ文章编号：１０００７０２４（２０１４）０３ — ０９６８ — ０７
ＡｄａｐｔｉｖｅｌｅａｒｎｉｎｇａｌｇｏｒｉｔｈｍｆｏｒｍｏｖｉｎｇｔａｒｇｅｔｄｅｔｅｃｔｉｏｎｂａｓｅｄｏｎＧａｕｓｓｉａｎｍｉｘｔｕｒｅｍｏｄｅｌ
ｍｏｄｅｌｉｎｇ．Ｔｈｅｍａｉｎｔｅｎａｎｃｅｕｐｄａｔｅｓｓｔａｇｅ，ａｃｃｏｒｄｉｎｇｔｏｔｈｅｎｕｍｂｅｒｏｆｔｈｅｐｉｘｅｌｍａｔｃｈｉｎｇａｎｄｍｉｓｍａｔｃｈｉｎｇａｓｆｅｅｄｂａｃｋｔｏａｄｊｕｓｔ

基于混合高斯模型的目标差分自适应背景模型

时长时间留下前景运动物体和降低对光照变化的适应
能力
收稿日期：０９２０修稿日期：０９１－６２０ —１ — ９２０－２２
作者简介：永福（９１，，东省肇庆人，士研究生，究方向为机器视觉与模式识别刘１８一）男广硕研
（）１
｝．（ｌ（１ｆ１主】
。（２）
Ｔ（ｔ∑ ）１× ・
ｅ‘
式中，１’ 示ｔ的值（，２ … ，中落入第ｉ ‘Ｉ表）ｌ帧Ｘ。，Ｘ）Ｘ
个高斯分布的比率，和 ∑－分别表示高斯分布的期＇１
，
分量都置为２５方法不但填补了目标体内大量的裂５本
背景和引人大量噪声：新率低则在停滞物体逃离背景更
１混合高斯模型更新和背景生成．２
对某像素点的每个新样本点Ｘ判断其与已存在的Ｋ个高斯分布进行匹配，若满足条件Ｉ¨ １２ｔ，Ｘ一＜．ｒ５ｉ则Ｘ与该分布匹配。如果Ｘ＋都不匹配，。则增加新高斯分布或者用新高斯分布代替入最小的分布新的高
望值和方差，．。（ ∑ｉ１Ｉ假设像素点的ＲＢ个分量互相＝Ｇ
独立，且有相同的方差，为单位矩阵）Ｋ个高斯分布总Ｉ。是按照优先级 ‘Ｉｃ。ｉ１２ … ，从高到低的次１＇ｒ（，，Ｋ））ｌ＝／

基于改进混合高斯模型的运动目标检测

基于改进混合高斯模型的运动目标检测作者：黄会敏杨松林陈燚玲来源：《数字化用户》2013年第20期【摘要】背景建模是运动目标图像检测算法中的一项技术，本文对背景建模中的经典混合高斯算法进行了学习研究，针对混合高斯模型在复杂场景中的适应性问题，本文提出了一种改进的混合高斯背景模型。

该模型通过建立一种自适应的参数更新方法，使得混合高斯的参数更新能够随着环境的变化自适应调整，从而提高算法的适应能力。

最后，通过编程仿真，验证了算法的有效性。

【关键词】背景建模混合高斯模型更新方程【Abstract】Background modeling is a technology of the moving target image detecting algorithm，and in this paper，the authors made research to the Classical Gaussian Mixture algorithm in Background modeling. As for the adaptability of Gaussian Mixture Model in complex scene， an improved Gaussian Mixture Model is put forward in this paper. The new model makes the parameters of the Gaussian Mixture updated with change of the environment adaptively by establishing an adaptive parameter updating method， thus， improving the adaptability of the algorithm. Finally，verif the effectiveness of the algorithm through the programming simulation.【Keywords】Background Modeling； Gaussian Mixture Model； Update Equation一、引言随着科技的进步智能视频监控被越来越多的被应用到交通、高危险区域工作区、敏感水域、军事区域、工厂重点保护区和金融等领域，其中运动目标检测技术是其中一个重要研究方向。

基于改进的混合高斯模型的运动目标检测方法

而且，始学习速度慢．ＫａｗＴｒｋｌｏｇ等嘲在初ｅａｕＰｎＳａｆｒ模型的框架上提出了不同的模型更新ቤተ መጻሕፍቲ ባይዱ方ｔｕｆ［ｅ
即混合高斯分布
ｕ＾
．ｔｕｆｒ将混合高斯分布按Ｓａｆ［ｅ
式，即在初始学习阶段使用足够的统计信息更新方程，
２００８年７月
Ｊ１０８ｕ．２０
基于改进的混合高斯模型的运动目标检测方法
姚会苏松志王丽李绍滋，，，
（．门大学信息科学与技术学院，建厦ｆ３１０；．１厦福－６０５２山东大学控制科学与工程学院，东济南２０６）ｊ山５０１
排序，则前Ｂ个高斯分布为背景模型，
６
之后转入基本的迭代更新方式，决了混合高斯模型解
初始学习速度慢的问题，是这样不利于后面阶段学但习新的前景物体．
Ｂ — ａｇｉｒｍｎ（
叫＞．）ｒ
摘要：针对传统高斯模型学习速度慢问题，提出了一种基于新的背景模型更新模式的目标检测方法．首先，对彩色图像
建立混合高斯模型，且采用新方法更新背景模型，并即不同的阶段使用不同的更新方程，后由背景差分得到基本准确然
立颜色模型表示亮度变化和色差，利用它们检测阴影；文献［］阴影检测算法利用了在ＨＳ空间中，８的Ｖ阴影的亮度和饱和度减少，色调保持不变的特性．而文献［］９对多种阴影检测算法进行了比较．

基于时空的混合高斯背景建模的运动目标检测

【摘要】针对摄像机固定下的复杂背景环境，提出一种基于时空的自适应混合高斯背景建模方法，克服了经典混合高斯模型（ＧａｕｓｓｉａｎＭｉｘｔｕｒｅＭｏｄｅｌ，ＧＭＭ）中只考虑单个像素的独立性而忽略相邻像素间的空间域相关性。首先采用混合高斯模型对每个像素在时间域上进行学习，然后利用相邻像素的自信息对背景及前景目标进行二次聚类，以修正错误的判断。实验结果表明，与经典混合高斯背景算法相比，提出的方法目标检测结果更加完整，具有更强的鲁棒性和很好的应用前景。
计算机视觉是一门研究利用计算机系统实现类似人了传统混合高斯背景模型对非平稳场景的稳健陛。
类视觉系统理解客观世界的、新兴的、多学科交叉的学科，上述各种方法针对Ｓｔａｕｆｆｅｒ等人提出的经典自适应涉及图像处理、计算机图形学、模式识别和人了较好的效果。
【Ａｂｓｔｒａｃｔ】Ａｔｅｍｐｏｒａｌ — ｓｐａｔｉａｌｍｉｘｔｕｒｅＧａｕｓｓｉａｎｂａｃｋｇｒｏｕｎｄｍｏｄｅｌｉｓｐｒｏｐｏｓｅｄｗｈｉｃｈｏｖｅｒｃｏｍｅｔｈｅｓｔａｎｄａｒｄＧＭＭｗｈｅｒｅｅａｃｈｐｉｘｉｓｏｎｌｙｃｏｎｓｉｄｅｒｅｄｉｎ —
【关键词】混合高斯模型；空间域；自信息；聚类【中图分类号】ＴＮ９１１．７３；ＴＰ３９１

运动目标检测

–
但变化中可能有噪声读数会有误差

温度计观测（摄氏－〉华氏）
–
两种噪声相互无关根据连续的观测值来推算实际温度变化

KF是根据上一状态的估计值和当前状态的观测值推出当前状态的估计值的滤波方法
–
S(t) = f ( S(t-1) , O(t) )

它是用状态方程和递推方法进行估计的，因而卡尔曼滤波对信号的平稳性和时不变性不做要求
帧间背景校正

特征点提取采用经典的Harris算子提取参考帧的特征点，计算图像亮度I(x,y)在点(x,y)处的梯度： X I (1, 0,1)
T Y I (1, 0,1)
构造自相关矩阵
A X 2 w, B Y 2 w, C ( XY ) w

SAD(i, j ) I1 (m, n) I 2 (m i p, n j p) (i, j p,..... p)
m 1 n 1
M
N
step4：找出最小的SAD值，则其对应位置为匹配特征窗，其中心点即为匹配特征点

ˆ, y ˆ y 运动到当前帧的位置 x ˆ m0 m1 x m2 x 则对应的坐标关系为： y ˆ m3m4 y m5

由于场景的动态变化，如天气、光照、阴影及杂乱背景干扰等的影响，使得运动目标的检测与分割变得相当困难。运动检测分为静态背景和动态背景两类。

常用的方法有帧差法、光流法、背景减除法等。
运动目标检测的预处理
帧间背景校正——首先对相邻帧进行Байду номын сангаас局运动估计，补偿当前帧以实现背景校正背景建模——混合高斯模型建模

基于高斯混合模型的运动目标检测方法研究

电
子
测
量
技
术
第３６卷第１Ｏ期
２０１３年１０月
ＥＬＥＣＴＲ０ＮＩＣＭＥＡＳＵＲＥＭபைடு நூலகம்ＥＮＴＴＥＣＨＮＯＬ０ＧＹ
基于高斯混合模型的运动目标检测方法研究
马德智李巴津董志学
（１．内蒙古工业大学工程训练中心呼和浩特０１００５１；２．内蒙古工业大学信息工程学院呼和浩特０１００５１；３．内蒙古工业大学信息工程学院呼和浩特０１００５１）摘要：在研究比较常用的各种运动目标检测方法的基础之上，结合静止场景运动目标检测的特点，采用基于背景减
测的过程中可以直接对彩色图像进行处理也可以将彩色若任何高斯分布都不能与像素匹配说明出现了新图像转换为灰度图像然后再对灰度图像进行处理由于彩的分布则需要用新的高斯分布替换权重最小的高斯分布色图像文件的存储量较大且在处理彩色图像时需要占用新的高斯分布的均值为初始化一个较大的标准差和大量的机器资源为了便于后续处理可将彩色图像转换成一个较小的权重
除法的高斯混合模型方法进行运动目标检测，即采用高斯混合模型进行背景建模、背景减除法确定目标前景区域，并通过图像平滑、二值化处理、去噪等方法对图像进行后处理，最终得到目标前景图像。该方法具有运算量小、处理速度较快的特点。实验结果表明，所设计的嵌人式运动目标检测系统能够检测出较完整的前景区域并判断出目标前景，能够满足静止场景下运动目标检测的需求。关键词：运动目标检测；高斯混合模型；背景减除法

运动目标检测与跟踪算法的研究进展

运动目标检测与跟踪算法的研究进展0 引言人类感知的环境信息大多是通过视觉获得的，而在接受到的所有视觉信息中，人们又往往对动态信息更感兴趣。

随着多媒体技术的发展，人们正在接触越来越多的视频信息。

一方面，要获得较高压缩比来存储这些信息，另一方面，需要对感兴趣的区域或对象进行操作[1]。

因此对视频图像中运动目标的提取、分类识别和跟踪，已成为对运动目标的行为进行理解和描述视频图像中动态信息的主要内容。

运动目标的检测与跟踪在技术上融合了计算机视觉、视频图像处理、模式识别和自动控制等相关领域的知识[2]。

运动目标的检测与跟踪是视频技术的一个重要研究方向，其应用十分广泛。

在交通流量的监测、安全监控、军事制导、视觉导航，以及视频编码中都有涉及。

目前，运动目标的检测与跟踪已经取得了很多成果，并且不断有新技术、新算法涌现。

但是，在实际环境中，由于自然环境的复杂（光照、气候的变化等），目标的高机动性，干扰了目标检测与跟踪，造成检测不准确且跟踪效率不高。

因此，研究改进运动目标检测与跟踪算法有很现实的意义和应用价值。

1 运动目标检测常用算法运动目标检测就是从视频图像中将变化的区域从背景中提取出来，此类算法依照目标与摄像机之间的关系可以分为静态背景下运动检测和动态背景下运动检测。

静态背景下只有被监视目标在摄像机的视场内运动；而动态背景下摄像机也发生了运动，这个过程就产生了目标与背景之间复杂的相对运动，造成动态背景下的运动检测和跟踪难度很大。

目前对于动态背景下运动检测和跟踪的研究较少，因此本文暂不涉及运动背景下的运动目标检测与跟踪。

在静态背景下，运动目标检测主要算法有三种：帧间差分法、背景差分法和光流法。

下面分别对这三种算法进行分析。

1.1 帧间差分法帧间差分法[3]的基本原理就是相邻帧的图像对应像素点的灰度值相减，通过差分图像进行二值化处理以确定运动目标。

帧间差分法的主要优点是：算法实现简单，程序设计复杂度低；不存在背景的获取、更新和存储的问题；对场景中光线的变化不太敏感，实时性好。

一种基于改进混合高斯背景模型的运动目标检测方法研究

中图分类号：Ｐ９Ｔ３１
文献标志码：Ａ
文章编号：００— ６２２１）４— ０２— ３１００８（０２００１０
ＤｅｅｔｎｏｖｎｂｅｔｂｓｄｏｒｖｄＧａｓｉｎｍｉｔｒｄｌｔｃｉｆｏｍｏｉｇｏｊｃｓａｅｎｉｏｅｕｓｘｕｅｍｏｅｍｐａ
独立。用ｋ高斯分布的混合模型去描述这个随个机过程，概率分布可表示为：则
性，能有效地提取运动目标，计算量大，但复杂耗时，实现较难。背景差分法是近年来运动目标检测中运用最多的方法，主要是将背景图像与前景图像灰其
收稿日期：０２— ３—１２１０９
是一个随机过程，并假设任意２个像素点之间统计
与传统方法的结果进行比较，验证了该方法的有效
性和鲁棒性。
１背景模型建立
由于视频中任一位置像素值随时间变化，ｔ设
时刻视频中像素点（，的像素值为，，可认为ｉ）ｆ则
图像灰度相减来提取运动目标，但提取的运动目标不完整。光流法根据运动目标随时间变化的光流特
景模型，通过在线更新模型学习率，实现背景模型更新。最后用背景差分法检测出运动目标。实验
结果表明，与传统混合高斯模型的运动目标检测方法相比，该方法有较好的自适应性，能快速适应
场景的变化。关键词：混合高斯；背景更新；目标检测

基于混合高斯模型的运动目标检测改进算法

（ｏｐｔｉｃｄＴｃｏｇｏｅｅＣｏｑｇＵｉｒｔｏＰｓｎｅｃｍｎａｏｓＣｏｇｉ０６，ｈａＣｍｕｒｃｎｅｎｅｎｌｙＣｌｇ，ｈｎｉｎｅｉｏｓｄＴｌｏｕｉｔｎ，ｈｎｑｇ００５Ｃｉ）ｅＳｅａｈｏｌｇｎｖｓｙｆｔａｅｍｃｉｎ４ｎ
ｍｅｈｄ．ｒｔｔｏＦｉｌｓｙ，ｍｏｅｐａｉｇｍｅｈｎｓｉｍｐｏｖｄｂｙｕｉｇｄｆｅｅｔｌａｎｎａｅｉｉｆｒｎｅｏｎｐａｉｇｔｅｂｃｇｏｎｄｌｓｌｃｉｅｄｌｕｄｔｎｃａｉｍｓｉｒｅｓｎｉｒｎｅｒｉｇｒｔｎｄｆｅｔｐｄｄａｄｕｄｔｈａｋｒｕｄｍｏｅｅｅｔｖ — ｅｎ
【ｂｔｃ】ＡｐｏｅｇｒｈｒｏｉｂｃｅｃｏａｅｎＧｕｓｎｍｘｒｍｄｌｓｒｐｓｄｔｍｋｐｔｅｃｎｉｆｒｉｌＡｓａｔｎｍｒｖｄａｏｔｆｖｇｏｊｔｄｔｔｎｂｓｏａｓａｉｕｅｏｅｉｐｏｏａｅｕｅｄｆｉｃｓｉｎｒｉｌｉｍｏｍｎｅｓｅｉｄｉｔｅｏｈｉｅｅｏｏｇａ
硬件要求高，时陛效果不好。背景差分法对背景图像进像进行形态学膨胀处理；实最后将处理后的结果图像与？合昆行建模，能够检测出完整的运动区域，由于摄像机抖动、高斯模型法得到的运动区域图像再次进行与运算，但经过形
ｎｌ，ｔｅｍｏｉｇｏｊｃｓａｅｇｔｆｒｈｂｖ－ｅｔｎｄｐｏｅｓｈｘｅｉｎａｒｓｌｄｃｔａｔｅｐｐｓｄｍｔｏａｆｃｉｅｌｎｔｌａｙｈｖｎｂｅｔｒｏａｔｅａｏｅｍｎｉｅｒｃｓ．Ｔｅｅｐｒｅｔｏｍｅｔｅｕｔｉｉａｔｔｈｒｏｅｅｈｄｃｎｅｆｔｌｅｉａｅｌｓｎｅｈｏｅｖｙｍｉ

基于高斯混合模型和canny算法的运动目标检测

摘要：出一种基于高斯混合模型和ｃｎｙ提ａｎ算法的运动目标检测算法．用高斯混合模型计算像素之间的颜色信利息，同时利用高斯混合模型更新背景信息；ｃｎｙ用ａｎ算子提取图像的边缘信息；颜色信息和区域结构信息线性融将
合起来，较好地解决了边缘信息明显的运动目标检测．实验中采用改进的加权高斯模型及传统的ｃｎｙ算法相结ａｎ合．结果表明，本文方法比经典高斯混合模型方法具有较高的分割精度，鲁棒性较好．
基于高斯混合模型和ｃｎｙ算法的运动目标检测ａｎ
陈世文一，蔡念，肖明明
（．１嘉应学院计算机学院，广东梅州５４１；．１０５２广东工业大学信息工程学院，广东广州５００；１０６３仲恺农业工程学院信息学院，．广东广州５０２）１２５
，
人们通常通过颜色或者亮度信息来分割前景和背景，色和亮度容易受光照及噪声的影响，易而颜容导致误判．幅图像包含了丰富的信息，了颜色和一除
，
｝，以看作是一个与其它点独立的统可
亮度外，还包含有轮廓、边缘、纹理等信息，这些特征计随机过程，Ｋ个高斯分布的混合模型去模拟，用
第２８卷第３期２１年９月０１
广东工业大学学报
ＪｕｎｌｏａｇｏｇＵｎｖｒｉｆＴｅｈｏｏｙｏｒａｆＧｕｎｄｎｉｅｓｙｏｃｎｌｇｔ
Ｖｏ．８Ｎ．１２ｏ３