基于改进的单高斯模型的运动目标检测方法

合集下载

一种基于改进单高斯模型的运动目标提取方法

点，而且在运动实体内部容易产生空洞现象。对于
运动物体速度过慢或者过快这两种极端情况得不到很好的效果。
２０１２年１２月２６日收到国家自然科学基金（６１０７５１０５）资助
布。因而我们可以为每一个像素点建立一个高斯
实现对目标的实时检测。帧间差分法实时性强，通过在连续的图像序列中的两个或三个相邻帧间采用基于像素的时间差分并且阈值化来提取出图像
中的运动区域Ｊ。对于动态环境具有较强的 ቤተ መጻሕፍቲ ባይዱ适
于单高斯模型在运动目标检测中存在的缺点，提出了一种改进的单高斯背景建模方法。依据先验知识，为每一个像素点设定
一
个计数器来进行历史前背景点判别信息的统计，进而建立起一种 “ 防欺骗” 机制来防止背景点的误判，有效地抑制了传统单
高斯模型中的拖影和前背景误判等现象。实验结果表明，改进方法在前景提取效果上有着显著的提高，背景形成更为准确．
模型。
１
ｐ
［＿
】（１）
式（１）中ｉ … 代表坐标为（，Ｙ）对应的某一像素点
的值。
，
第一作者简介：喻旭勇（１９８７一），男，湖南湘潭人，硕士研究生。研究方向：模式识别与智能系统。
代表该像素点高斯模型的均值，６为对

基于改进的混合高斯背景模型的运动目标检测

Ｖａｕｆｏｉｅｉｅｇｓａｅａａｙｅｈｗｅｐｏｅｓｆａｋｏｎｐａｉｇａｄｒｃｎｔｃｉｎｔｅｍｐｏｅｖｌｅｏｓｍｅｐｘｌｎｖｄｏｉｉｍａｅｒｎｌｚｄｔｓｏｔｒｃｓｂｃｇｕｄｕｄｔｏｓｒｔ，ｈｎｗｅｅｌｙｔｏｈｏｒｎｎｅｕｏｈ
４４６６
２１，１（１００３２）
计算机工程与设计ＣｍｕｅＥｇｎｅｉｇｎｅｉｎｏｐｔｒｎｉｅｒｄＤｓｎａｇ
・多媒体技术・
基于改进的混合高斯背景模型的运动目标检测
宋雪桦，陈瑜，耿剑锋，陈景柱
（苏大学计算机科学与通信工程学院通信工程系，江苏镇江２２１）江１０３
ａｄａｂｃｇｏｄｒｂｉｉｇｍｅｈｎｓｔａｏｉｅｙｌｏｎｅｔｙａｃｕｄｔｇｉａｏｔｄＴｅｃａｇｉａｉｎｏｄｎａｋｕｅｕｌｎｃａｉｍｈｔｍｂｎｓｃｃｅｃｕｔｒｈｄｎｍｉｐａｉｄｐｅ．ｈｈｎｅｓｔｔｏｆＳａｒｎｄｃｗｉｎｓｕｎ
Ｆｒｈｓｏｌ，ａｇｒｈｉｐｏｏｅ，ｗｉｍｉｅｊｃｎａｉｅｅｃｔｏｔｂｃｇｏｄｓｂｒｃｉｔｏ，ｏｅｅｒｂｅｔｐｍｓｎｌｏｔｓｒｐｓｄｈｃｃｂｎｓｄａｅｔｒｍｅｆｒｎｅｈｄｈａｋｕｔｔｎｍｅｄａｉｍｈｏａｆｄｍｅｗｉｒｎｕａｏｈ

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

改进的基于GMM的运动目标检测方法

Ａｂｔａｔｓｒｃ：ＡｒｎｔｔｅｌｔｔＩｆｂｉｇｅｅｔｅｙｒｆｃｉｇｔｅｂｃｇｏｎｙｔｅｔａｉｏａｕｓａｘｕｅｂｃ — ｍｉｇａｉａｉｌｏｅｎｆｃｉｌｅｌｔｈａｋｒｕｄｂｈｒｄｔｎｌＧａｓｉｎｍｉｔｒａｋｈｍｉＯＳｖｅｎｉ
ｒｐｄｙｃａｇｎｎｉｏｍｅｔａｄｅｔｂｉｈｄｉｈｉｏｉ．Ｆｎｌａｉｌｈｎｉｇｅｖｒｎｎｎｓａｌｅｎｔｅｔｓｍｅｄｍａｎｉａｌｙ，ａｐｉｄｔｅｍａｈｍａｉａｒｈｌｇｏｍａｅｐｌｈｔｅｔｌｍｏｐｏｏｙｆｒｉｇｅｃ
ｕｄｒａｓｅｅｏｅｆｅａｒ，ｃｎａｃｌｒｔｈｓａｌｈｎｎｈｏｍａｉｎｏｅｂｃｇｏｎｎｍｐｏｅｔｅａｔｎｅｃｎｆｈｘｄｃｍｅａａｃｅｅａｅｔｅｅｔｂｉｍｅｔｄｔｅｆｒｔｆｔａｋｒｕｄａｄｉｒｖｈｉｔｉｓａｏｈｎ — ｉｔｒｒｎｅａｉｔｆｘｅｎｌｄｓｒａｃｎｆｅｔｏｌｍｉａｉｎｅｉｉｎｌ．ｎｅｆｅｃｂｌｙｏｔｒａｉｔｂｎｅａｄｅｆｃｉｕｎｔｆｃｅｔｅｉｅｕｆｌｏｙ
的快速变化的背景进行背景减除操作，最后在空间域上对检测结果进行数学形态学的处理。实验结果表明，该
算法能够提高背景建立和形成速度，增强对背景扰动和光照变化的抗干扰能力，固定摄像机场景下运动目标对的检测具有良好的鲁棒性。关键词：混合高斯模型；背景建模；目标检测；背景减除

一种改进的基于背景差分的运动目标检测方法

ｄｆｅｅｃｔｏｏｂｅｔｄｔｃｉｎｉｒｎｅｍｅｈｄｆｒｏｊｃｅｅｔｏ．Ａｔｔｅｓｍｅｔｍｅｔｅｂｃｇｏｎｐａｉｇａｇｒｔｍｓｎｉｒｒｈｃｌｂｔｅｏｕｉｎｔｅｆｈａｉｈａｋｒｕｄｕｄｔｌｏｉｎｈｕｉｇｈｅａｃｉａｅｔｒｓｌｔｈｏ
“
ｓａ ” ｎｈａｇ — ｃｌｈｎｅｎｉｕｎｔｏｏｄｔｎ，ｎｌｍｅｒａｄｔｅｌｒｅｓａｅｃａｇｓｉｌｍｉａｉｎｃｎｉｏｓＦｉａｌｌｉｙ，ｔｅｐｐｒｐｏｏｅｉｌｌｏｉｈｔｏｖｈｒｂｅｈａｅｒｐｓｄａｓｍｐｅａｇｒｔｍＯｓｌｅｔｅｐｏｌｍ
运动目标检测就是从整幅场景图像中把感兴趣的运动目标检测出来。是后续的各种高级处理，目标它如跟踪、目标分类及行为分析的基石，也是视频监控系统
动等影响较大并且不能很好地解决 “ 拖影 ” 和背景区域
大面积变化等问题。对以上问题，针本文在对图像前期和后期进行处理的基础上对背景差分法的关键部分：
ｐｘｌｎｅｓｔｌｓｉｃｔｎａｄｔｅｓｎｌｕｓａｄｌａｅａｋｒｕｄｒｃｎｔｕｔｎａｇｒｔｍ，ＴｈｎｕｅｈａｋｒｕｄｉｅｔｎｉｃａｓｆａｉｎｈｉｇｅＧａｓｉｎｍｏｅｓｄｂｃｇｏｎｅｏｓｒｃｉｌｏｉｈｉｙｉｏｂｏｅｓｄｔｅｂｃｇｏｎ

改进的基于高斯混合模型的运动目标检测算法

ｒｌａｄｅｕｅｎｎｗＧａｓｉｎｉｔｉｕｉｎｅｅａｉｎｕｅｕｉｇｈｍｏｅｕｄｔ．ｈｅｐｒｅｔｌｅｕｔｄｍｏｓａｅｈｉｕｓａｄｓｒｔｇｎｒｔｒｌｄｒｎｔｅｂｏｏｄｌｐａｅＴｅｘｅｉｎａｒｓｌｍｓｅｎｔｔｔｅｍ－ｒ
Ｌｎ，ＨＡＯＸｕｊｅｍｐｏｅｖｎｂｅｔｄｔｃｉｎａｇｒｈｂｓｄｏｕｓｎｍｉｔｒｄ１ｍｐｔｒＥｇ－ＩＭｉｇＺｎｉＩｒｖｄｍｏｉｇｏｊｃｓｅｅｔｌｏｉｍａｅｎＧａｓｉｘｕｅｍｏｅＣｏｕｅｎｉ．ｏｔａ．
ｎｅｉｇａｄＡｐｌａｉｎ，０１４（）２４２６ｅｒｎｎｐｉｔｓ２１，７８：０ —０．ｃｏ
Ａｂｔａｔｎａｖｄｏｓｒｅｌｎｅｓｓｍｔｔｔａｒｓｔｅｍｏｉｂｅｔ’ｒｓｎｅｄｒｇｔｅｉｉａｉｔｎｔｈｒ－ｓｃ：Ｉｉｅｕｖｉａｃｙｔｗｉｓｉｃｍｅａ，ｖｎｏｊｃｓｐｅｅｃｕｉｈｎｔｌａｉｏｔｅｔｒｌｅｈａｃｈｇｎｉｚｏａｄｔｎｌｍｏｉｇｏｊｃｅｅｔｎａｏｔｍａｅｎＧａｓｉｘｕｅｍｏｅｏｅｅｕｓｉｔｅｌｗｃｎｅｇｎｅｓｅｄＴｉｏａｉｖｎｂｅｔｄｔｃｏｌｒｈｂｓｄｏｕｓｎｍｉｔｒｄｌｆｎｒｓｌｎｈｏｏｖｒｅｃｐｅ．ｏｓｉｇｉａｔｔ
ｉｃｅｓｔｅｎｒａｅｈｍｏｅｃｎｅｇｎｅｓｅｄ，ｎｍｐｏｅｄｔｃｉｎｌｏｉｍｉｐｅｅｔｄＴｈｉｒｖｄｄｌｏｖｒｅｃｐｅａｉｒｖｄｅｅｔａｇｒｈｏｔｓｒｓｎｅ．ｅｍｐｏｅｍｅｏＵｅｏ —ｉｅｈｔｄＳＳｎｌｎＫ－ａｓｃｕｔｒｎａｇｒｔｍｏｉｉａｉｅｈｍｅｎｌｓｅｉｇｌｏｉｈｔｎｔｌｔｅｍｏｅ．ｌｏａｅｅｍｅｏｙｐｃｗｉｈｍｐｏｅｎｏｈｔｈｎｉｚｄ１ｔａｓｓｖｓｔｍｒｓａｅＩｈｔｔｅｉｒｖｍｅｔｔｔｅｍａｃｉｇｈ

运动目标检测方法

运动目标检测方法
运动目标检测是计算机视觉领域中的一个重要任务，旨在识别图像或视频中的运动目标并将其从背景中分割出来。

以下是几种常见的运动目标检测方法：
1. 基于背景差分的方法：该方法通过建立静态背景模型并通过计算当前帧与背景之间的差异来检测运动目标。

常见的背景差分算法有帧差法、高斯混合模型（GMM）法等。

2. 基于光流的方法：光流是描述图像中像素运动方向和速度的一种方法。

基于光流的运动目标检测方法通过计算两个相邻帧之间的光流场，并根据光流的一致性来检测运动目标。

常见的光流算法有Lucas-Kanade算法、Horn-Schunck 算法等。

3. 基于运动轨迹的方法：该方法通过跟踪目标的运动轨迹来检测运动目标。

常见的运动目标跟踪算法有卡尔曼滤波算法、粒子滤波算法等。

4. 基于深度学习的方法：近年来，深度学习技术在计算机视觉领域取得了显著的进展。

基于深度学习的运动目标检测方法通过使用深度学习模型，如卷积神经网络（CNN）或循环神经网络（RNN），来学习图像或视频中的运动目标特征，并进行目标检测。

5. 基于多目标跟踪的方法：运动目标检测通常是多目标跟踪的前置任务。

基于
多目标跟踪的方法可以通过结合目标检测和目标跟踪的技术，实现对连续帧中的多个目标进行准确的检测。

这些方法各有特点和适用领域，选择适合任务需求的方法能够提高运动目标检测的效果。

基于改进高斯混合模型的运动目标检测方法

像处理、模式识别和自动控制等领域的知识，目前在智能监控、工业检测、军事制导、图像编码等领域中都有着广泛的
应用。
应背景的变化，并采用目标判决信息间接控制模型的变化，
有效地提高了背景模型的更新速度，但该方法只利用了目标的面积特征，对于复杂的背景中目标检测效果不太理想。文献【】６针对背景差分法在光照突变情况检测效果不理想的问题，提出建立统计光照模型的方法，可以有效检测出运动目标，但该方法需要一些先验知识，如人工提取前景区域等。本文提出的高斯混合模型是在文献Ｉ】出的高斯模型２提基础上作一些改进，采用一种新的更新率来提高背景模型质
不匹配像素消除光照影响，使用改进的ＧＭＭ提取背景图像。通过差分当前帧与背景图像获得二值差分图像，从该差分图像中获取运动目标。实验结果表明，该方法能适应光照变化，提高检测的准确性和鲁棒性。关键词：高斯混合模型；背景图像差分；背景更新；光照变化
ｄｆｅｅｃｍａｅｉｒｎｅｉｇ．Ｅｘｒｍｅｔｌｒｓｌｓｓｏｔａｈｅｅｔｏａｄｐｌｍｉａｉｎｃａｇｓｗｅｌａｄｉｐｏｅｔｅａｃｒｃｎｏｕｔｅｓｏｆｐｅｉｎａｅｕｔｈｗｈｔｔｅｄｔｃｉｎｃｎａａｔｉｌｎｔｈｎｅｌｎｍｒｖｈｃｕａｙａｄｒｂｓｎｓｆｕｏ
［ｂｔａｔｒｄｔｎｌｕｓａｘｕｅＭｏｅ（ＭＭ１ｓｅｙｓｎｉｖｇｔｔｉｎｎｌｗｆｒｏｖｒｅｃｅｄＴｉｐｐｒｒｓｎｓＡｓｒｃ｜ＴａｉｏａＧａｓｉＭｉｔｒｉｎｄｌＧｒｅｓｔｅｔｌｈａｏｓｄｉｓｏｎｅｇｎｅｐｅ．ｈｓａｅｅｅｔｉｖｉｏｉｍｕｔａｓｏｃｓｐ

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）

基于改进的GMM运动目标检测算法的应用研究

基于改进的GMM运动目标检测算法的应用研究本文讨论了监控视频运动目标检测算法，在实际的监控视频中，所面临的一些问题和挑战。

对基于GMM算法的原理、检测流程进行了讨论，分析了GMM 算法的优点和存在的不足。

针对其缺陷，提出了一种改进的GMM算法，在GMM 算法的基础上引入MRF、非参数密度估计、高斯个数自适应选择等，使得算法的抗干扰能力加强，对运动目标的检测更准确。

标签：背景建摸高斯模型目标检测一、引言多年来，随着信息技术和图象处理技术的新发展，使得智能交通管理成为全球研究的一个重点课题，对视频实现运动目标的自动定位，可以为城市智能化交通分析和管理提供可靠信息，对于缓解城市交通压力、维护社会治安等具有重要的战略意义，具有广泛的应用前景和经济价值。

二、基于GMM的运动目标检测方法1.GMM算法基础传统单高斯模型（GMM）对每一个像素利用高斯函数建模，每一个像素处理的都是一系列在相应时间内（从起始时间到当前时间）的该点值的集合，即在任意时间t像素点的值应该是以时间为轴的点的集合中的一个，这些点的集合符合高斯分布的特征：但是，当检测场景很复杂时，单高斯分布背景模型抵制噪声干扰的作用很弱。

综上所述，单高斯背景模型有很大的局限性，无法准确地描述背景变化很大或者场景发生突变时的复杂场景，例如对于运动摄像机拍摄的视频等，这时可以使用多个高斯模型来描述像素点，这就是混合高斯模型的思想。

2.混改进的GMM运动目标检测算法改进的GMM（混合高斯模型）与单高斯模型不同的是，一般用3到5个高斯模型来表示像中各个像素点的特征，由于算法简单计算量不大，一般能够满足实时性需要。

从多个方面对GMM进行了改进，主要的方式有：引入MRF、非参数密度估计、高斯个数自适应选择等[1]。

利用混合高斯背景模型GMM建模过程可以总结如下[2]：（1）模型匹配过程，判定新像素与混合高斯模型是否匹配：判断图像帧中对象位置的像素与已有的高斯混合模型匹配程度，若判定为匹配则按下面步骤（2）的规则更新模型参数；匹配不成功的情况下对新像素用一个新的高斯分布进行表示，加进该像素的混合高斯模型中。

基于改进高斯混合模型的实时运动目标检测与跟踪

ＨＥｎ－ｕＸｉｈａ，ＺＨＡＯｏＬｎｇ
（ａｉａｅａｏａｏｙｏｃｎｅ＆ＴｃｎｌｙｏｎｇａｄＣｎｒｌＴｃｎｌｙＢｉａｇＵｉｒｔ，ｅｉ０１１ｈｎ）ＮｔｎｌｙＬｂｒｔｏＫｒｆＳｉｃｅｅｈｏｏｎＩ．ｒｎｏｔｅｈｏ，ｅｎｎｖｓｙＢｉｎ１０９，Ｃｉａｇｏｏｇｈｅｉｊｇ
ｄｉ１．９９ｊｉｎ１０．６５２１．２１８ｏ：１３６／．ｓ．０１３９．００１．０ｓ
Ｍｏｉｇｏｊｃｒａ—ｍｅｄｔｔｎａｄｔｃｉｇｂｓｄｏｖｂｅｔｅｌｉｅｃｉｎａｋｎａｅｎｎｔｅｏｒ
ｉｒｖｄＧａｓｉｎｍｉｔｒｄｌｍｐｏｅｕｓｍｘｒａｋｒｎｏｅｗｉｏｌａｊｇｔｅｕｂｒｆｉｒｕｉｕｏａｃｌａｄｄｔｃｄｍｖｇｏｊｃｙａｓｉｉｕｅｃｇｕｄｍｄｌｈｃｃｕｄｄｔｈｍｅｓｂｔｎａｔｍｔａｙｎｅｔｏｉｅｔｂａｔｂｏｈｕｎｏｄｔｉｏｉｌｅｅｎｂｓｂｃｇｏｎｕｔｃｉ，ｅａａｄｔｅｍｖｇｏｊｃｂｅｃｎｉｕｙｏｊｅｔｒｍｓｎｔｉｂｓ，ｎａｃｄｔｅｒｉａｋｕｄｓｂｒｔｎｓｐｒｅｏｉｂｅｔｙｔｏｔｉｆｄａｎａｅ．Ｏｓａｉｅｈｎｅｅａｒａｏｔｈｎｈｎｔａｃｆｈｓｈｌ－ｂｉｆｂｅｔｅｃｌｒｉｒｕｉｙｉｐｏｉｇｒｉｏａｃｌｉｏａｄ１Ｔｅｃｉｖｄｒｌｉｅｍｖｇｏｊｃｄ— ｉｔｏｊｃｖｏｄｓｂｔｎｂｒｖａｔｎｌｏｒｓｇｍｍｏｅ．ｈｎａｈｅｅａ－ｍｏｉｂｅｔｅｌｙｏｉｏｔｉｏｍｎｔｄｉｏｈｔｒｅｔｎｔｔｎａｄｔｃｉｇｂｅｓｉｒｙｕｃｉｈｃａｏｓｕｔｙｔｅｐｓｉ，ｉｎｏｒｆｂｃ．Ｌｔｏｅｐｆｅｉｎａｋｎｙｔｉｌｉｎｔｎｗｉｗｓｎｔｃｄｂｏｉｏｓｅａｄｃｌｊｔｏｓｆｘｅ — ｃｏｒｈｍａｔｆｏｈｃｒｅｈｔｎｚｏｏｏｅｓｉ

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。

一种改进的运动目标检测算法研究与实现

再加上由于运动物体的出现而景模型，以适应Байду номын сангаас视频本身和光线的变化，后使用形态学方法消除噪差会比静态区域的点要大，最
所声和背景扰动带来的影响。运动目标跟踪方面使用区域跟踪技术，并使得模型更新后该单高斯模型的权值变小，以随着权值
关键词：视频信息处理混合高斯背景建模目标跟踪检测级高低的排序后在进行匹配，其中ｄｓ为马氏距离、ｂｉｔｆＴ１概述表示阀值，ａ为模板中的方差。ｖｒ在视觉监控系统等应用领域中，重要研究内容就是其如果当前帧的像素值与所有的高斯分布模型都不匹
检测与跟踪运动目标。当下我们饿越来越多的需要进行视配，可以判断该点为前景点，找到匹配的高斯模型后，则但频信息智能化处理，们开始将主力以更多地集中在怎样还不能就将其判断为背景点。因为背景模型中还是可能包人才能从视频流中提取运动目标、并对目标进行实时跟踪。含一定的噪声和干扰因素，并不是所有的高斯模型能完全在各种运动目标检测方法中使用的最普遍的是背景差分代表背景。但由于噪声等干扰因素不会在图像中长时间停方法，是关于动态场景的变化，光照和外来无关事件留在某一位置，但如其相对应的权值就应该很小。对高斯模型在的干扰等特别敏感。本文主要是依据背景差分技术，到排序的过程中，设定一个权值阀值Ｔ找需。如果排序后所得到了一个更好的运动目标检测方法。在进行背景提取时，运的第一个高斯模型的权值大于该阀值，Ｂ为１否则，则，按用混合高斯模型方法建立背景模型，对视频中的运动目顺序累加各高斯模型的权值，在只到其权值大于该阀值，将并标进行检测时，过背景差分操作的方法来实现，时更该高斯模型序号赋给Ｂ通实。在上面进行匹配成功的模型中，如新背景模型，以适应光线的变化和场景本身的变化，过果该匹配模型号小于Ｂ值为背景，通否则为前景。形态学运算得到最终的检测结果，后运用连通区域面积最２４背景更新由于场景中环境的不断变化，通过训．限制目标大小的方法进行后处理，由于噪声和背景扰动练建立好的背景模型不可能适应新的背景的需要，因此，使产生的影响不再存在。当运动目标确定后，用区域跟踪需要对背景进行实时更新，采以保证前景提取的正确性。在技术对目标进行实时跟踪，踪技术中使用了两个参数以背景模型更新过程中，跟引入了学习率ａｐａ这一概率。当ｌｈ避免运动目标之间的遮挡问题。实验结果证明提出的检测学习率取值比较小，适应环境变化的能力就低，要给其需

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Surendra改进的运动目标检测算法

Ａｂｓｔｒａｃｔ：ＴｈｉｓｐａｐｅｒｐｒｏｐｏｓｅｓａｎｉｍｐｍｖｅｄｍｏｔｉｏｎｔａｒｇｅｔｄｅｔｅｃｔｉｏｎａｌｇｏｒｉｔｈｍｂａｓｅｄｏｎＳｕｒｅｎｄｒａｍｅｈｏｔｄ，ｔｈｒｏｕｇｈｉｍｐｒｏｖｅｄ
Ｍｏｖｉｎｇｏｂｊｅｃｔｓｄｅｔｅｃｔｉｏｎ．
Ｋｅｙｗｏｒｄｓ：ｂａｃｋｇｒｏｕｎｄｕｐｄａｔｉｎｇ；ｍｏｖｉｎｇｒｅｇｉｏｎｓ；ｄｉｆｅｒｅｎｃｅｏｐｅｒａｔｉｏｎ；ｔａｒｇｅｔｄｅｔｅｃｔｉｏｎ
第２１卷第１４期
Ｖｏｌ＿２１Ｎｏ．１４
电子设计工程
ＥｌｅｃｔｒｏｎｉｃＤｅｓｉｇｎＥｎｇｉｎｅｅｒｉ
２０１３年７月
Ｊｕ１．２０１３
基于Ｓｕｒｅｎｄｒａ改进的运动目标检测算法
当今世界科技的日新月异．智能视频监控系统在日常生
区间。把处于置信区间的像素作为背景像素。该算法的优点是可以得到较清晰的背景图像，但背景更新速率较慢，且多高斯模型的计算量很大。２）自适应中值滤波算法翻是由中值滤波算法改进而来，其基本思想是：如果输入的图像像素的灰度值比原背景中处在相同位置的小，则对应背景在该位置的像素灰度值减１。反之会加１，这样重复做，到最后背景像素的灰度值会收敛到一

一种改进的基于混合高斯模型的运动目标检测方法

一
种改进的基于混合高斯模型的运动目标检测方法
董小舒，。陈岗卞志国，
（．中国电子科技集团公司第二十八研究所，江苏南京２００；１１００２．南京理工大学电子工程与光电技术学院，江苏南京２０９）１０４
第３卷第５期３２１年９０２月
应
用光
学
Ｖｏ１３．３ＮＯ．５
Ｓｅ．２２ｐ０１
ＪｕｎｌｏｐｉｄＯｐｉｓｏｒａｆＡｐｌｔｅｃ
文章编号：０２２８（０２０ — ８７０１０ — ０２２１）５０７ — ７
ＡｂｔａｔＧａｓｉｎｍｉｔｒｄｌ（ｓｒｃ：ｕｓａｘｕｅｍｏｅＧＭＭ）ｉｗｉｅｙｕｅｎｍｏｉｇｏｊｃｓｄｔｃｉｎｉｍａｅｓｄｌｓｄｉｖｎｂｅｔｅｅｔｎｉｇｏｓｑｅｃｓｏｖｒｔｅｅｉｔｎｖｎｂｔｅｅｔｎｍｅｈｄｉｈａｅｂｓｄｏｕｓ— ｅｕｎｅ；ｈｗｅｅ，ｈｘｓｉｇｍｏｉｇｏｊｃｓｄｔｃｉｔｏｓｗｈｃｒａｅｅｈｏｃｍｂｎｅｔｅｅｓｄｍｔｄｏｉｓｈｅｄｇＧａｕｓａｍｉｕｅｓｉｎｘｔｒｍｏｌｗｉｈｈｅｍｐｏｖｄｅｇｄｅｔｔｉｒｅｎｉｈｂｏｈｏｄｒｏ—
ａｘｕｅｍｏｌａｅｎｏＯｅｆｃｅｓｃａｌｅｅｌｎｇｗｉｈｎｏｓｒｉｌｎｍｉｔｒｄｅｒｔＳｆｉｉｎｔｅｐｅｉｌｙｗｈｎｄａｉｔｉｅｏｌｕｍｉａｉｎｍｕａｎｔｏｔ —

基于改进GMM算法的运动目标检测

型．即：
ｂ
运动目标检测是从视频图像中把运动目标检测出来，是计算机视觉的重要分支之一。背景减除是目前使用的主要方法，但是当背景中包含阴影、波动的水面、无关的运动物体，甚至发生摄像头抖动、光照变化，建立准确的背景模型十分困难，所以背景模型的建立和更新成为研究热点和难点。为了解决上述问题，研究人员提出了改进方法。文献＿１利用ＨＳＶ建立模型，很好地消除光照和阴影的干扰。文献在图像的背景区域和前景区域使用不同的参数更新速率，解决了由于更新速度过慢而出现的 “ 虚影 ”情况。文献融人改进帧差法的混合高斯建模，很好地去除噪声的干扰。文献【４对视频帧进行分块处理，使用块的像素
１．概述
其中，Ｐ＝（置ｆ，）。
对于匹配不成功的高斯分布，在更新背景模型时，它的均值和方差都保持不变。２．３背景建模当获得新的一帧图像时，根据背景更新公式来更新模型参数，把Ｋ个高斯分布按权值大小进行排列，选择权值大的ｂ个高斯分布进行求和，当它的值大于阈值时，那么这ｂ个分布就构成了新的背景模
Ｋ
Ｐ（ｘ）＝三ｗＩｌｌ（ｘ，＿．１，∑＿ＩＩ）ｔ＝ｌ，２，…，Ｎ
Ｋ
（１）
式中：是ｔ时刻第Ｋ个高斯分布的权值，且 ∑∽ “ ＝１；１１
（Ｘ，，∑．．，）表示ｔ时刻第Ｋ个高斯分布的概率密度函数，其定义如公式（２）所示，以此对ｔ时刻图像Ｊ『￡的每个像素点建立 ∞ ＞）

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

基于高斯模型的运动目标检测方法研究

２单高斯背景模型法的改进与实现
被判断为前景点
（）７
单高斯背景模型属于单模背景模型，合于背适景灰度或颜色分布比较集中且背景中扰动较少的场景。假设图像中每个像素点均服从均值为和协方差为 ∑ 的高斯概率分布，那么可以把每个像素点的颜色分布用高斯函数式（）１表示：
ｌｏｉａｇｒｔｍｓｓｆｕａｉｅｅｃｔｏｏｄｔｒｎｈｖｍｅｔｔｒｅｅｔｆｔａｄｂｃｇｏｎｄｌｉｈｕｅｏｒｆｍｅｄｆｒｎｅｍｅｈｄｔｅｅｍｉｅｔｅｍｏｅｎａｇｔａａａｒ，ｎａｋｒｕｄｍｏｅｓｒｒｉｓ
ａｌｃｔｏｐｐｉａｉｎ．
ＫｙｗｒｓｓｇｅＧｕｓｎｍｏｅ；ｏｉｇｏｊｃｄｔｔｎｆｒａｅｄｆｒｃ；ａｏＵ－ｅｓｎｅｏｄ：ｉｌａｓｉｄｌｍｖｂｔｅｃｏ；ｕ・ｍ，ｉｅｅｅｓｄｗＳｌｒｓｉｎａｎｅｅｉｏｆｒｎｈ０ｐｏ
型的更新两步来完成。２１单高斯背景模型的建立．
情况。当运动目标停止后，转化为新的背景；便目标开始运动后，背景中的部分像素又变为新的运动目标。当用式（）背景模型进行更新时，对判断９对只为背景的像素点进行更新，被判断为前景点的像而素则不参与更新，目标由运动变为静止或由静止即

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

室内以及背景较为稳定的室外环境下，高斯模型法可单
技术是智能视频监控技术中的核心部分，用的运动目常
控系统得到了日益广泛的研究与应用，能视频监控技智
术也得到了越来越多科研工作者的关注。动目标检测运
建模方法有单高斯模型法［和混合高斯模型法『。与混３１４１合高斯模型法相比，高斯模型法的时间效率更高。在单
ｍａｅＰｒｅｓｎｄｇｏｃｓｉｇａｎＭｕｔｅｉｃｎｏｇｌｍｄａＴｅｈｏｌｙｉ
基于改进的单高斯模型的运动目标检测方法
陈超，杨克俭
（汉理工大学计算机科学与技术学院，湖北武汉４０６）武３０３
ＭｏｉｇｏｊｃｄｔｔｎｂｓｄｏｍｐｏｅｉｇｅＧｕｓｎｍｏｅｖｎｂｅｔｅｅｉａｅｎｉｒｖｄｓｌａｓｉｄｌｃｏｎａ
ｃＨＥＮＣａ，ＹＡＮＧＫｅＪａｈｏｉｎ
ｆｏｅｅｏｏｐｔｃｎｅ＆Ｔｃｎｌｙ，ＷｕａｎｖｒｔｏｅｈｏｏｙＣｌｇｆＣｍｕｒＳｉｃｌｅｅｅｈｏｏｇｈｎＵｉｓｙｆＴｃｎｌ，Ｗｕａ３０３ｈｎ）ｅｉｇｈｎ４０６，Ｃｉａ
ｉｅｒｔｈｏａａｅｒｎｅｗｔｆｓｇａｉｔｉｏｍｔｎｗｓａｏｔｄｔｇｔｍｒｒｃｅｓａｅｏｖｇｏｊｃ．Ｅｐｒｅｔｉｎｇａｓｃｒｍｂｒｃｉｒｔｒｄｅｎｒａｉａｄｐｅｏｅｏｅｐｅｉｈｐｆｍｏｉｂｅｔｘｅｍｎｓｎｔｅａｈｉｎｆｏｓｎｉ — ｌｔｈｔｈｅｄＢｓｄｏｍｒｄＳｎｌａｓｉｄｌａｅｃｏｉｇＯｊｃｅｎｎｏｒｏｔｌｏｔｏｒｅｖｏ — ｆｃｔａｔｅｍｔｏａｅｎＩｐｏｅｉｇｅＧｕｓｎＭｏｅｃｎｄｔｔＭｖｎｂｅｔｗｌｉｉｄｏｒｓｂｕｄｏｎｉｎｅｈａｅｌａｅｒ
摘要：传统的单高斯模型作了一些改进，效地解决了传统单高斯模型中的拖尾、影问题。对有鬼对单高斯模型中均值与均方差的更新率的选取提出了一种新方案，够兼顾高斯模型的收敛性和稳能定性。将基于色度畸变与一阶梯度信息的阴影消除方法结合起来，够很好地消除阴影，得提取出能使的运动目标轮廓更为精确。实验结果表明，室内以及背景较为稳定的室外环境下，于单高斯模型在基
的运动目标检测方法能够很好地检测出运动目标。
关键词：高斯模型；运动目标检测；拖尾；影；阴影消除单鬼
中图分类号：Ｔ３１４Ｐ９．文献标识码：Ａ文章编号：１７ — ７０２１）４０３ — ４６４７２（００２ — ０９０
ｍｅｔｎ．
Ｋｙｗｏｄ：ｓｇｅＧｕｓｎｍｏｅ；ｍｏｉｇｏｊｃｄｔｔｎｒｉｎ；ｇｏｔｈｄｗｓｐｒｓｉｎｅｒｓｉｌａｓｉｄｌｎａｖｂｅｔｅｃｉ；ｔｌｇｈｓｎｅｏａｉ；ｓａｏｕｐｅｓｏ
近年来，随着硬件设备成本大大降低，智能视频监
Ａｂｔｃ：Ｉｔｉａｅ，ｂｓｄｎｍｐｏｅＳｎｌＧａｓｉｎｓｒｔｎｈｓａｐｐｒａｅｏＩｒｖｄｉｇｅｕｓＭｏｅ，ｐｏｌｍｓｓｃａｒｉｎａｄｈｓｓｉｒｄｔｎｌｉｇｅａｄｌｒｂｅｕｈｓｔａｌｇｎｇｏｔｎｔａｉｏａｓｌｉｉｎ
Ｇｕｓａｍｏｅｗｒｏｖｄｅｆｃｉｅｙ．ＷｅｅｌｙｄａｎｗｓｌｔｎｆｈｗｏｃｏｓｐａｅａｅｏａａｄｎｉｓｄｖｒａｃａｓｉｎｄｌｅｅｓｌｅｆｔｌｅｖｍｐｏｅｅｏｕｉｏｏｔｈｏｅｕｄｔｏｒｔｆｍｅｎｎｕｂａｅａｎｅｉｉｓｇｅａｓｉｎｎｉｌＧｕｓａｍｏｅ．Ｉｎｄ１ｔｍａｅｉｇｅｋｓｓｎｌＧａｓｉｎｍｏｅｇｔｇｏａｔｉｇｎｙａｄｔｂｌｙ．Ａｈｄｗｕｐｅｓｏｍｅｈｄｗｈｃｕｓａｄｌｅｏｄｓｒｅｃｎｓｉｔｎａｉｓａｏｓｐｒｓｉｎｔｏｉｈ