基于高斯混合背景模型的运动目标检测技术研究
智能视频监控中的一种快速运动目标检测方法
兰
州
理
工
大
学
学
报
Ｖ０． ８ １３ Ｎｏ ２ ．
Ａｐ ． ０１ ｒ２ ２
Ｊ ｕ ｎ ｌｏ ｎ ｈ ｕ Ｕｎｖ ｒｉｙｏ ｃ ｎ ｌｇ ｏ ｒ ａ ｆＬａ ｚ ｏ ｉｅ ｓｔ ｆＴｅｈ ｏｏ ｙ
文章 编 号 ： ６ ３５ ９ （０ ２ ０—０ ２０ １ ７—１ ６ ２ １ ）２０ ８—５
中图分类号 ： Ｐ ９ Ｔ ３１ 文献标识码 ： Ａ
Ａ ｄ ｔｃｉｎｍｅｈ ｄｏ ｓ ｖｎ ｂ ｔ ｔｌ ｇｎｓｉ ｉ ｅｌ ｅ ｔｖｄ ｏｓｒｅｌ ｎ ｅ ｏ ｆ ｃ ｅ ｎｎ ｉ ｌ
ＹＵ ｈ— ａ ＨＡＮＧ ｅ － ｉｎ Ｓ ｉｃ ｉ，Ｚ Ｗ ｎ ｘａ ｇ ，ＧＯＮＧ ｎ ｂｎ Ｒｅ － ｉ
一
ｌ ２５ ＜ ．
（） ４
混合差分算法的描述如下： 步骤 １混合差分是保存前三帧的图像 一 （， ： ）厂— （，） 一（，）用 当前 帧 （，） ， ｌ ， ３ ， ｚ 分别 与前 三帧图像两两差分 ， 得到差值 图像 ， ： 即 Ｄ ，】 ，） ｌ （，） １ ，） （ 一 一 卜 （ ｌ
Ｐ ｔｏｅ ｍ ｘ ｌｒｔ ｎ ＆ Ｄ ｖｌｐ ｎ ，Ｌ ｒ ｈ ｕ ７ ０ ５ ，Ｃ ｉａ ｅｒｌｕ Ｅ ｐｏａｉ ｏ ｅ ｅ ｍｅ ｔ ａ＝ ｏ ３ ００ ｈｎ ） ｏ
Ａｂ ｔａ ｔ ｎｏ ｄ ｒ ｏｓｌｅｔｅｐ ｏ ｌ ｕ ｈａ ｅｃ ｍｐｅ ｎ ｉ ｎ ｎ ｈ ｔ ｈ ｂｅｔ ｅｅｔ ｎａ ｏ ｓｒ ｃ ：Ｉ ｒｅ ｏｖ ｈ ｒｂｅ ｓ ｃ ｓ ｈ ｏ ｌ ｅ ｖｒ ｍｅ ｔ ａ ｅｏ ｊｃ ｔｃｉ ｌ — ｔ ｍｓ ｔ ｘ ｏ ｔ ｔ ｄ ｏ ｇ
基于风险决策与混合高斯背景模型的前景目标突变快速检测
文献 ［ ］ 目标 跟踪 分 为 以下 几类 ： ４将 目标 进 入
收稿 日期 ： ０ ０—０ ２１ ９—０ ７
基金项目 ：国家基础科学研究 基金 （ １ ２０ ０ ５ ） Ａ ４０ ６ １９ 十 通讯作者 ，４２ ４ ９ ＠ｑ ．ｏ ７９ ８ ２ ７ ｑ ｃｒ ｎ
第 ２期
闫英战等 ： 于风 险决策与混合高斯背景模型的前景 目标 突变快速检测 基
此能较准确地判断该像素点 ， 以将原先错判的前 可 景点 改判 为背 景点 ， 时 更 新混 合 高 斯 背 景模 型 参 及
数， 以减少 多个 高斯模 型 的高额 计算 量．
１ 自适应混合 高斯背景模型及更新
自适 应混 合高 斯模 型对 每个 图像 点采 用 了多个 高斯 模 型 的混合 表 示． 每一个 像 素点 定 义 Ｋ个 状 对 态来 表 示其所 呈现 的颜色 ， 值 一般取 ３— ５之 间 ， Ｋ 值 越大 ， 处理 波动 能力越 强 ， 相应所 需 的处理 时间也
新物体移人或现有物体移 出当前场景 中时 ， 场景 中 变动部分将不符合 当前的 Ｋ个高斯分量 ， 部分像素 会 被错 误 地划 分 为前 景 或 背 景 ， 了减 少 这 种错 误 为 划分 ， 在这 里 引人 一个 时 序 计 数器 函数 ｆ ，） 录 （ ｔ记
一
正 目 出现前被判定为前景的频率越高 ， 标 它在 目标 消 失 的瞬 间是背 景 的可能性 越 大．
文 章 编 号 ：１０ ５ ６ （０ １ ０ ０ ５ —０ ０ ０— ４３ ２ １ ）２— ０ ６ ４
基 于风 险决 策 与 混合 高 斯 背 景模 型 的 前 景 目标 突 变快 速 检 测
闫英 战 ， 杨 勇
（ 广东科技学院计算机 系， 广东东莞 ５ ３８ ） ２０ ３
基于高斯混和模型与Blob分析的人手定位
＠ ２ ０ １ ３ Ｓ ｃ ｉ ． Ｔ ｅ ｃ ｈ ． Ｅ ｎ ｇ ｒ ｇ ．
基于高斯 混和模 型与 Ｂ ｌ ｏ ｂ分析的人 手定位
张瑜 慧 吴 江梅 孙 莹 刘 海朦
（ 宿迁学院 ， 宿迁 ２ ２ ３ ８ ０ ０）
摘
要
在基 于机器视 觉的手势识别研究 中， 手势分 割 与定位 是关键 技术 。在分 析肤色 的颜色特 征和人 手运 动特 性 的基 础
１ 肤色检测
肤 色是 人 体 最 为 显 著 的特 征 之 一 。在 人 手 区 域定 位 中 ， 可 以通 过人 手 的颜 色 信 息 实现 粗 略 的定
２ ０ １ ３年 ６月 ２ ５ 日收到 图 １ 是视频中的某一帧
图像 ， 图 ２为本 文算 法 实 现 的肤 色 检测 结 果 。虽 然
个Ｒ Ｇ Ｂ颜色空间（ Ｒ ， Ｇ ， 日 ） 表示下 的像素点在（ ｙ ， ｃ ｒ ） 空 间的值可 以通过下 面 的转换关 系得 到 ：
，
Ｙ ＝０ ． ２ ９ ９ Ｏ Ｒ ＋０ ． ５ ８ ７ ０ Ｇ＋０ ． １ １ ４ ０ Ｂ
（ １ ）
Ｃｂ ＝ 一０ ．１ ６ ８ ７ Ｒ 一０ ． ３ ３１ ３Ｇ ＋ ０ ． ５ ０ ０ ＯＲ ＋１ ２ ８
处 理 。Ｅ — ｍ ａ ｉ ｌ ： ４ １ ２ ０ １ ９ ９ ＠ｑ ｑ ． ｃ ｏ ｍ。
２ 基于高斯混合模型的运动 目标检测
当前运 动 目标 检 测 技 术 可 分 为 三 类 ： 光流法 、 帧差 法 和 背 景差 法 。其 中光 流 法 要 求 相 邻 图像 之
科
学
技
术
与
工
关键词 肤色 区域检测
手势分割
高斯混合模型
基于颜色和梯度特征的混合高斯模型的运动目标检测算法
收稿 日期：２ ０ １ ２ －１ ０ －１ ６
背 景 模型 ，从 而 实 现 视 频 图像 的运 动 目标 检 测 。 算 法 的主要 过程 有 ：１ ） 混合 高斯 背景模 型 的建立 ； ２ ） 基 于 像素 颜色 的运 动 目标 检 测 ；３ ） 基 于像 素梯 度
度 的 统计 特 征 ，分 步 进 行视 频 图像 前 景 与 背 景 的
判 定 ，并 由判 定 结 果 和 帧 间 图 像 的变 化 程 度 更 新
素 、 局 部 区 域 和 整 张 图 像 分 阶 段 处 理 的 方 法 进 行 运 动 目标 检 测 ，该 方 法 利 用 颜 色 特 征 并 结 合
出 了一 种 新 的 背 景 图 像 差分 运 动 目标 检 测 算 法 。
该算法首先基于像素的颜色特征 ，建立像素颜色 的混 合 高 斯 模 型 ， 对运 动 目标 进 行 初 步 检 测 ；再 基 于 像 素 的 梯 度 特 征 ，建 立 像 素 梯 度 的 混 合 高斯 模 型 ，完 成 运 动 目标 检 测 。该 算 法 降 低 了 对 光照 的敏 感 度 和 运动 目标 阴影 干 扰 ，提 高 了运 动 目标 检 测 的精 确性 。
鲁棒性。
关键 词 ：运动目标 检测 ；混合 高斯模 型；颜色 ；梯度
中图分类号 ：Ｔ Ｐ ３ ９ １ 文献标识码 ：Ａ 文章编号 ：１ ０ ０ ９ － ０ １ ３ ４ （ ２ ０ １ ３ ） ０ ３ （ 下） － ０ ０ ４ ６ －０ ４
Ｄ ｏ ｉ ： １ ０ ． ３ ９ ６ ９ ／ Ｊ ． Ｉ ｓ ｓ ｎ ． １ ０ ０ ９ － ０ １ ３ ４ ． ２ ０ １ ３ ． ０ ３ （ 下） ． １ ４
复杂光照条件下的运动目标检测
科技与创新┃Science and Technology&Innovation ·60·2021年第06期文章编号：2095－6835（2021）06－0060－02复杂光照条件下的运动目标检测王杰，陈宁，李潇峥，李旭亮（浙江科技学院机械与能源工程学院，浙江杭州310023）摘要：为了解决视频目标检测中光照变化对目标检测产生的影响，提出了一种考虑光照变化的运动目标检测方法。
首先确定光照变化的强度并进行分类，其次将图片均匀分割成9块区域并计算光照强度均值，最后根据相邻帧光照强度变化量进而改变混合高斯模型的个数和学习率的大小。
实验结果表明，该方法与传统混合高斯模型相比在不同光照条件下均具有较好的检测效果。
关键词：复杂光照；目标检测；混合高斯；学习率中图分类号：TP391.41文献标志码：A DOI：10.15913/ki.kjycx.2021.06.020在图像分析与处理中，人们更希望获取其感兴趣区域。
而常用的方法就是对图像进行处理，突出有效目标去除无用的信息[1]。
目前，常用的运动目标检测方法有帧间差分法、光流法、背景差分法等[2]，但这些方法对光照变化场景中的目标图像处理效果较差，存在目标漏检、误检等诸多缺点。
针对上述问题文献[3]采用自适应学习率的混合高斯模型进行背景建模，该方法可以一定程度上解决光照突变带来的影响。
文献[4]采用边缘描检测和RGB颜色信息相结合的方式对前景和背景进行分割，进而实现目标检测。
文献[5]根据最近观察到的像素值的历史值进行背景建模，随着时间的推移逐渐更新背景。
文献[6]改进ViBe的视觉背景提取算法，根据光照变化的不同做出相应改进，提升了算法对光照变化的鲁棒性。
上述方法在不同程度上解决了光照变化的影响，但算法存在计算量大、实用场景受限、检测不完整等问题。
基于以上学者研究存在的问题，混合高斯背景建模相对于其他检测方式，可以更有效地检测出光照变化区域的运动目标[7]。
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
Ｓ ｔ ａ ｕ ｆ ｆ ｅ ｒ 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１ ３卷 第 １ ４期 ２ ０ １ ３年 ５月 １ ６ ７ ｌ 一１ ８ １ ５ （ ２ ０ １ ３ ） １ ４ — ４ ０ ７ ０ － ０ ５
科
学
技
术
与
工
程
Ｖｏ １ ．１ ３ Ｎｏ ．１ ４ Ｍａ ｙ ２０１ ３
Ｓ ｃ ｉ ｅ ｎｃ ｅ Ｔｅ ｃ ｈｎ ｏ ｌ ｏ ｇ ｙ ａ ｎ ｄ Ｅｎ ｇ ｉ ｎ ｅ ｅ ｒ ｉ ｎｇ
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
２ ０ １ ３ Ｓ ｃ ｉ ． Ｔ ｅ ｃ ｈ ． Ｅ ｎ ｇ ｒ ｇ ．
一
种基于 混合高斯模型的运动 目标检 测 新 算 法
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。
改进混合高斯模型的运动目标检测算法
改进混合高斯模型的运动目标检测算法华媛蕾;刘万军【摘要】针对传统的混合高斯模型存在无法完整检测运动目标、易将背景显露区检测为前景等问题,提出了一种基于混合高斯模型的运动目标检测的改进算法.通过将混合高斯模型与改进帧差法进行融合,快速区分出背景显露区和运动目标区,从而提取出完整的运动目标.在运动目标由静止缓慢转为运动的情况下,为背景显露区给予较大背景更新速率,消除了背景显露区对运动目标检测的影响.在兼顾混合高斯模型在复杂场景中对噪声处理效果差的基础上,利用背景模型替换的方法来提高算法的稳定性.经过反复实验,结果表明改进后的算法在自适应性、正确率、实时性、实用性等方面有了很大的改进,能够在各种复杂因素存在的情况下正确有效地对运动目标进行检测.【期刊名称】《计算机应用》【年(卷),期】2014(034)002【总页数】5页(P580-584)【关键词】混合高斯模型;运动目标检测;帧差法;背景显露区;背景更新速率【作者】华媛蕾;刘万军【作者单位】辽宁工程技术大学软件学院,辽宁葫芦岛125105;辽宁工程技术大学软件学院,辽宁葫芦岛125105【正文语种】中文【中图分类】TP391随着社会经济的发展和城市化进程的加快，日益增长的交通容量的需求已经对现有的交通能力及管理设备造成了巨大压力。
基于视频的车流量检测系统是智能交通系统的重要环节，运动目标检测与提取成为了基本的热点问题。
随着计算机技术和图像处理技术的发展，基于视频采集和监控的智能交通系统会得到更大的发展，成为未来的发展方向。
对这方面的研究也将具有更大的价值[1]。
运动目标检测是从视频序列中检测和识别出运动目标的关键技术。
目前常用的基于视频的运动目标检测方法有光流法[2]、背景差法[3-6]、帧差法[7]以及统计模型法[8-9]等。
目前，最常用的、研究最多的方法是基于统计模型的目标检测方法。
本文以混合高斯模型为基础进行研究。
混合高斯背景模型最早由文献[10]提出，很好地描述了复杂的背景，在视频监控领域发挥了很大的优势；文献[11]提出了混合高斯背景模型与三帧差法结合的运动目标检测方法，并通过面积法对检测结果进行分析；文献[12]通过在颜色和空间上对像素点进行建模，使混合高斯背景模型的自适应性有了明显的改善，降低了环境的干扰；文献[13]通过为每个像素引入参考量来提高背景模型的自适应性。
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 、 ｂ ｉ ｔ ｆ Ｔ １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 ａｐ ａ 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
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。
几种背景建模方法的研究
几种背景建模方法的研究摘要：在本文中，我们比较了各种背景建模算法在城市交通视频序列中，对于检测运动车辆和行人的影响。
我们考虑了不同的方法，从简单的技术，如帧差分和中值滤波到更多复杂的概率建模技术。
说明各种算法在不同情况下性能优劣。
关键词：运动目标检测，帧差法，中值滤波法，混合高斯分布法目前背景提取的算法很多，有基于时间轴的滤波方法，如中值滤波；有基于统计模型的方法，如混合高斯分布模型。
虽然方法很多，但是很难找到一种在各种情况下都表现最好的算法。
本文主要比较帧差法，中值滤波，混合高斯滤波在不同情况下的性能优劣。
1 帧差法帧差法是最为常用的运动目标检测和分割方法之一，基本原理就是利用基于时间序列图像中相邻两帧或者几帧图像逐个像素进行对比得到一副差值图像，然后通过事先确定的阈值对差值图像进行二值化处理。
在环境亮度变化不大的情况下，如果对应像素值变化小于事先确定的阈值时，可以认为此处为背景像素如果图像区域的像素值变化很大，可以认为这是由于图像中运动物体引起的，将这些区域标记为前景像素，利用标记的像素区域可以确定运动目标在图像中的位置。
简单的两帧差对噪声有一定的敏感性，而且对象运动的速度不能太快，否则由于背景被运动物体的遮挡和重现使得计算出的运动区域的掩模要大于运动物体的尺寸。
两帧间运动物体的位移越大，这种差距就越大。
由于相邻两帧间的时间间隔非常短，用前一帧图像作为当前帧的背景模型具有较好的实时性，其背景不积累，且更新速度快、算法简单、计算量小。
2中值滤波选择像素灰度，通过包含运动目标的序列帧提取初始背景。
对视频中的任意一个像素点，只有在前景运动目标通过该点时，它的灰度值才会发生明显变化，其余大部分时间处，该点的灰度值是基本保持不变的，总是在一个区域内波动，因此可以用这个区域内的中值作为该点的背景值。
若有L帧视频图像，只有当L帧图像内有一半以上是背景的灰度值，目标灰度和噪声很少的情况下，该算法才具有可行性。
基于改进的混合高斯模型背景减除算法
基于改进的混合高斯模型背景减除算法王占凤;郭星;徐秋月【摘要】背景减除法常采用混合高斯模型作为背景模型来进行目标检测,它可以自适应学习并表示分布复杂的背景.混合高斯模型在光线变化缓慢的情况下表现很好,但是在光线快速变化的情况下,由于高斯背景无快速更新机制,无法应对光线迅速变化的情况.通过对混合高斯模型进行优化,提出了一种改进的混合高斯模型检测算法,并通过实验证明了新算法明显提高了运动目标检测的准确度.【期刊名称】《河南工程学院学报（自然科学版）》【年(卷),期】2013(025)003【总页数】4页(P65-68)【关键词】混合高斯模型;背景减除法;运动目标检测【作者】王占凤;郭星;徐秋月【作者单位】巢湖学院计算机与信息工程学院,安徽巢湖238000;安徽大学计算机科学与技术学院,安徽合肥230031;巢湖学院计算机与信息工程学院,安徽巢湖238000【正文语种】中文【中图分类】TP39目前，国内外学者对图像中运动目标检测的研究很多，常用的方法有背景减除法[1]、帧间差分法[2]和光流法[3]等.前两种方法均采用当前图像与参考的差分图像进行差分运算来进行运动物体的检测，区别在于背景减除法中所采用的参考图像为视场中的背景图像，而帧间差分法所采用的参考图像通常为前几帧图像的平均值，这两种方法简单且实时性强.光流法需要进行若干次的迭代运算，所以时间复杂度比较高、耗时长.因此，人机交互这种实时性比较高的系统通常采用前两种方法.在背景较复杂的情况下，获取背景图像比较困难，在更新背景的自适应模型中Friedman与Russell[4]利用扩展的EM[5]算法，对图像中每个像素建立对应的混合高斯模型，该模型可以根据背景图像的变化自动更新，自适应地判别每个像素是背景还是前景.即使在目标运动速度比较缓慢的情况下，也能将运动目标从图像中提取出来，并且可以有效地消除阴影带来的影响.另外，Stringa[6]也提出了一种基于数学形态学的场景变化检测算法，在复杂的环境中取得了比较好的目标分割效果.1 混合高斯模型1.1 背景减除法背景减除法是物体检测中使用最为普遍的一类方法.一副图像信息可以分为前景信息和后景信息，前景信息就是需要识别检测的物体信息，这里指人体信息；背景信息就是除去前景信息后留下来的无关信息.背景减除法就是通过建立的背景模型来为每幅图像进行背景定位，然后使用差分法将前景图像从图像信息中提取出来的过程.这种方法的核心在于背景模型的选取，其速度快，能够提取较为完整的物体信息，但是对外来的噪声比较敏感[7].用背景减除法检测运动目标非常有效，基本上能够将运动目标的大小、位置和形状等信息提取出来，并且算法简单、复杂度低.但是，该方法对环境变化特别敏感，光线变化、灯照不稳定以及复杂的背景动态变化和运动目标自身由于光照产生的影子等都会造成错误背景的产生，导致检测目标不准确，所以建立有效、可靠的背景模型成为该方法的主要研究工作.1.2 高斯分布背景模型背景减除法中经常使用混合高斯模型作为背景模型进行目标检测，它可以自适应学习和表示分布复杂的背景.基于混合高斯模型的目标检测核心在于高斯模型参数的确定.(1)单高斯分布背景模型单高斯分布背景就是为背景图像中每个像素点建立一个高斯分布表示的模型η(x,μt,∑t)，其中t表示时间.设像素点的当前灰度值为Xt，若η(xt,μt,∑t)≤Tp，则该点被判定为前景点，否则为背景点，这里的Tp为概率阈值.但随着时间的推移，高斯分布模型需要根据当前帧对背景进行更新.假设更新率为α，则该像素点更新可表示为μt+1=(1-α)·μt+α·Xt，(1)(2)如果更新率为1，则背景模型方法退化为帧间差分方法.(2)多高斯分布背景模型高斯模型就是以时间域为标线，对每个元素都使用k个高斯分布模型去描述它某段时间内的k个历史取值.如果k=1，那么就是单一高斯模型，而k>1就是混合高斯模型.可以这样去描述它——对于某个像素P(x0，y0)，它在某时间段t内的取值集合为{X1，X2，…，Xt}，从中选取k个历史值使用高斯分布模型描述并记录下来，这样就可以得到当前像素值的概率(3)其中，Wk，j表示k个历史值所占的比重，并且有权值之和表示该时刻第j个高斯模型分布的均值，而∑k，j是该高斯模型分布的协方差.这里的高斯分布模型的数量也就是k的值不是固定的，一般视情况在3～5中选取.η是高斯概率密度函数，(4)这里，n表示元素值Xt的维度数.因为对每个元素都建立了k个高斯分布模型用作背景模型，在实际使用中，会选择一些包含背景信息较多的b个高斯分布模型作为背景模型.通常将k个高斯分布模型的权值与方差的比值w/σ按照降序进行排序，选前b个分布作为背景模型，并且满足公式(5)其中，T为阈值，表示B背景模型在k个高斯分布模型中所占的比例大小.如果T 取值较大，那么背景模型个数较多，选取的背景模型则比较全面；如果T取值较小，那么背景模型个数较少，选取的背景模型则比较片面.多高斯分布背景模型的更新需要更新自身参数，还要更新各分布模型的权值.若当前没有匹配的高斯分布，则将权值最小的删除，根据当前的像素点建立一个新的高斯分布，然后将所有的高斯分布重新分配权值，归一化处理.若第m个高斯分布与Xt匹配，则对第i个高斯分布的权值更新如下：其中，β是更新率.更新完毕后，再重新将k个高斯分布进行权值计算、排序，选择b个分布作为背景模型.2 改进的混合高斯模型检测算法混合高斯模型在光线变化缓慢的情况下表现很好，但是在光线快速变化的情况下，由于高斯背景更新率较低，则没有一个快速更新机制以应对光线迅速变换的情况，故本研究设计了一个快速背景更新机制以适应光线突变的情况，具体算法如下：(1)依照传统的高斯背景为每个像素建立高斯背景模型.(2)进行前景提取，并同时统计前景像素个数Spre，计算前景像素个数占总像素个数的比例r=Spre/Sall.(3)若r大于设置的阈值，则表示光线变化很大，应及时更新背景模型并以帧间差分方法进行前景检测.与此同时，进行新的高斯背景建模，建立完毕，就以高斯背景建模的方法进行前景检测.3 实验结果与分析本实验主要验证高斯背景物体检测方法的有效性和改进的高斯背景方法对光线突变情况下的有效性以及阴影去除的结果.本实验使用的检测平台是Windows 7，其实验环境是Visual 2010，实验结果见图1、图2和图3.由图1可以看出，高斯背景的物体检测基本可以满足要求，但是人体旁边的阴影也同样被检测出来了，从原图可以看出阴影部分.图2是在门突然打开的情况下的检测结果，可以看出门的地方长期处于检测状态下，而实际上该部分并不是运动物体，从而造成误识别.图3采用改进的方法进行检测，可以看出，有效地去除了门打开后由于光线变化造成的固定背景改变而误检测出的物体，可以看出快速更新时候检测上帧与当前重合部分没有检测出来.通过实验证明，经过改进的混合高斯模型检测算法可以更加有效地进行运动物体的检测.图1 正常的高斯背景物体检测结果Fig.1 Detection result of Gaussian background object on the normal condition图2 光线突然变化情况下高斯背景检测结果Fig.2 Detection result of Gaussian background object on the condition of abrupt light change图3 光线突然变化情况下改进的算法检测结果Fig.3 Detection result of improvedalgorithmin this paper on the condition of abrupt light change 4 总结根据运动目标检测的背景减除法以及算法中的混合高斯模型，提出了基于改进的混合高斯模型检测算法，并通过实验证明了改进的算法在光线突然变化的情况下能提高对运动目标检测的准确度.【相关文献】[1] Mittal A,Paragios N.Motion-based background subtraction using adaptive kernel density estimation[C]∥Proceedings of IEEE Computer Society Conference on Computer Vision and Pattern Recognition.Colorado:Springs,2004:1335-1339.[2] Foresti G.Object recognition and tracking for remote video surveillance [J].IEEE Transactions on Circuits and Systems for Video Technology,1999,9(7):1045-1062.[3] Verri A,Uras S,DeMicheli E.Motion Segmentation from optical flow [C]∥Proceedings of the 5th Alvey Vision Conference.Brighton:Brighton University Press,1989:345-359.[4] Friedman N,Russell S.Image segmentation in video sequences: a probabilistic approach[C]∥Proceedings of the Thirteenth Conference on Uncertainty in Artificial Intelligence.Providence:Brown University,1997:264-269.[5] McLachlan G,Krishnan T.The EM algorithm and extensions [M].New York:Wiley,1997.[6] Stringa E.Morphological change detection algorithms for surveillance applications[C]∥Proceedings of British Machine Vision C onference.Brighton:Brighton University Press,2000:536-552.[7] Harville M,Gordon G,Woodfill J.Foreground segmentation using adaptive mixture models in color and depth[C]∥Proceedings of IEEE EventsWorkshop.Vancouver:Janeiro,2001:436-441.。
改进的基于混合高斯模型的运动目标检测算法
改进的基于混合高斯模型的运动目标检测算法郭伟;高媛媛;刘鑫焱【摘要】针对传统混合高斯模型检测运动目标中存在的不足,提出了一种改进的基于混合高斯模型的运动目标检测算法.将改进的混合高斯模型与四帧差分相结合,有效地解决了突变光照的影响并消除了传统帧差法检测目标时容易出现的双影现象,改进的混合高斯模型自适应地调整了高斯模型的分布数量,提高了背景的描述精度.分情况讨论了物体的运动状态并分别设置不同的学习率,改善了对运动缓慢目标的检测效果.实验结果表明结合后的算法能对运动目标进行准确检测,对复杂场景有较好的适应性.%Aim at the disadvantages of traditional mixture Gaussian model in moving object detection, an improved moving object detection method based on mixture Gaussian model is proposed. It solves the problem affected by the illumination mutations and the traditional frame difference is easily affected by double shadow which combines the improved mixture Gaussian model and four-frame subtraction. The improved mixture Gaussian model adjusts the numbers of the Gaussian distribution adaptively and improves the accuracy of the background description. This paper discusses the motion state of the object and different learning rates are set to improve the effect of slow-moving object detection. Experimental results show that the combined algorithm can detect moving object accurately and has better adaptability in complex scenes.【期刊名称】《计算机工程与应用》【年(卷),期】2016(052)013【总页数】6页(P195-200)【关键词】混合高斯模型;运动目标检测;四帧差分;学习率【作者】郭伟;高媛媛;刘鑫焱【作者单位】辽宁工程技术大学软件工程学院,辽宁兴城 125105;辽宁工程技术大学软件工程学院,辽宁兴城 125105;辽宁工程技术大学软件工程学院,辽宁兴城125105【正文语种】中文【中图分类】TP391GUO Wei，GAO Yuanyuan，LIU Xinyan.Computer Engineering and Applications，2016，52（13）：195-200.从背景中精确地提取运动区域是运动目标检测的目的，即正确分割运动目标区域，在运动跟踪和识别的基础上，运动目标检测直接影响着随后识别效果的成功与失败。
基于高斯模型的运动目标检测方法研究
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 ：
ｌ ｏｉ ａ ｇ ｒｔｍ ｓ ｓ ｆｕ ａ ｉ ｅｅ ｃ ｔ ｏ ｏ ｄ ｔｒ ｎ ｈ ｖ ｍｅ ｔｔｒ ｅ ｅ ｔｆ ｔ ａ ｄ ｂ ｃ ｇ ｏ ｎ ｄ ｌｉ ｈ ｕ ｅ ｏ ｒｆ ｍｅ ｄ ｆ ｒｎ ｅ ｍｅｈ ｄ ｔ ｅ ｅｍｉｅ ｔｅ ｍｏ ｅ ｎ ａｇ ｔａ ａ ａ ｒ ， ｎ ａ ｋ ｒ ｕ ｄ ｍｏ ｅ ｓ ｒ ｒ ｉ ｓ
ａ ｌｃ ｔｏ ｐｐｉ ａｉｎ．
Ｋ ｙｗ ｒｓｓ ｇｅＧ ｕｓ ｎｍｏｅ； ｏｉｇｏｊｃ ｄｔ ｔ ｎ ｆ ｒ ａ ｅｄｆ ｒ ｃ ； ａｏ Ｕ－ｅｓ ｎ ｅ ｏｄ ：ｉ ｌ ａ ｓｉ ｄ ｌｍ ｖ ｂ ｔ ｅ ｃ ｏ ； ｕ・ｍ ，ｉｅｅ ｅｓ ｄｗ Ｓｌ ｒｓｉ ｎ ａ ｎ ｅ ｅｉ ｏ ｆ ｒ ｎ ｈ ０ ｐ ｏ
型 的更 新两 步来 完成 。 ２ １ 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