改進(jìn)混合高斯模型的運(yùn)動(dòng)目標(biāo)檢測(cè)算法

1、改進(jìn)混合高斯模型的運(yùn)動(dòng)目標(biāo)檢測(cè)算法Moving object detection algorithm of improved Gaussian mixture modelFor the traditional Gaussian mixture model cannot detect complete moving object and is prone to detect the background as the foreground region ，an improved algorithm was proposed for moving object detection based on

2、 Gauss mixture model. The Gaussian background model mixed with improved frame difference method for integration，distinguished the uncovered background area and moving object region ， which could extract the complete moving object. To give a larger background updating rate of uncovered background are

3、a ， the background exposure of regional influences was eliminated. In complex scene ， it used the method of replacement by background model to improve the stability of the algorithm. The experiments prove that the improved algorithm has been greatly improved in the aspects of adaptability， accuracy

4、， real-time ，practicalityand so on， and can correctly and effectivelydetect moving object in the situation with variouscomplicated factors.Gaussian mixture model ； moving object detection ； frame difference method ； uncovered background area ； background update rate0 引言隨著社會(huì)經(jīng)濟(jì)的發(fā)展和城市化進(jìn)程的加快， 日益增長(zhǎng)的交通 容量

5、的需求已經(jīng)對(duì)現(xiàn)有的交通能力及管理設(shè)備造成了巨大壓力。 基于視頻的車流量檢測(cè)系統(tǒng)是智能交通系統(tǒng)的重要環(huán)節(jié)， 運(yùn)動(dòng)目 標(biāo)檢測(cè)與提取成為了基本的熱點(diǎn)問(wèn)題。 隨著計(jì)算機(jī)技術(shù)和圖像處 理技術(shù)的發(fā)展， 基于視頻采集和監(jiān)控的智能交通系統(tǒng)會(huì)得到更大 的發(fā)展， 成為未來(lái)的發(fā)展方向。 對(duì)這方面的研究也將具有更大的 價(jià)值 1 。運(yùn)動(dòng)目標(biāo)檢測(cè)是從視頻序列中檢測(cè)和識(shí)別出運(yùn)動(dòng)目標(biāo) 的關(guān)鍵技術(shù)。 目前常用的基于視頻的運(yùn)動(dòng)目標(biāo)檢測(cè)方法有光流法 2 、背景差法 3-6 、幀差法 7 以及統(tǒng)計(jì)模型法 8-9 等。目前， 最常用的、 研究最多的方法是基于統(tǒng)計(jì)模型的目標(biāo)檢測(cè)方法。 本 文以混合高斯模型為基礎(chǔ)進(jìn)行研究?；旌细咚贡尘澳Ｐ?/p>

6、最早由文獻(xiàn) 10 提出，很好地描述了復(fù)雜 的背景， 在視頻監(jiān)控領(lǐng)域發(fā)揮了很大的優(yōu)勢(shì)； 文獻(xiàn)11 提出了混 合高斯背景模型與三幀差法結(jié)合的運(yùn)動(dòng)目標(biāo)檢測(cè)方法， 并通過(guò)面 積法對(duì)檢測(cè)結(jié)果進(jìn)行分析； 文獻(xiàn) 12 通過(guò)在顏色和空間上對(duì)像素 點(diǎn)進(jìn)行建模，使混合高斯背景模型的自適應(yīng)性有了明顯的改善， 降低了環(huán)境的干擾； 文獻(xiàn) 13 通過(guò)為每個(gè)像素引入?yún)⒖剂縼?lái)提高背景模型的自適應(yīng)性。 然而， 以上方法的提出沒(méi)有同時(shí)兼顧并有效地解決混合高斯背景模型中出現(xiàn)的以下問(wèn)題：1）無(wú)法完整準(zhǔn)確地檢測(cè)大并且運(yùn)動(dòng)緩慢的運(yùn)動(dòng)目標(biāo)，運(yùn)動(dòng)目標(biāo)的像素點(diǎn)不集 中，只能檢測(cè)到運(yùn)動(dòng)目標(biāo)的部分輪廓， 無(wú)法提取出目標(biāo)對(duì)象的完 整區(qū)域； 2）無(wú)法

7、將背景顯露區(qū)域與運(yùn)動(dòng)目標(biāo)區(qū)域很好地區(qū)分開(kāi)； 3）當(dāng)運(yùn)動(dòng)目標(biāo)由靜止緩慢轉(zhuǎn)化為運(yùn)動(dòng)時(shí)，易將背景顯露區(qū)檢測(cè) 為前景，出現(xiàn)“影子”現(xiàn)象； 4）在有樹(shù)枝擺動(dòng)等復(fù)雜場(chǎng)景中對(duì) 噪聲的處理效果不佳，對(duì)環(huán)境的適應(yīng)性較差。針對(duì)上述問(wèn)題， 本文提出一種改進(jìn)的混合高斯模型的運(yùn)動(dòng)目 標(biāo)檢測(cè)的算法。實(shí)驗(yàn)證明改進(jìn)后的算法在自適應(yīng)性、正確率、實(shí) 時(shí)性、實(shí)用性等方面有了很大的改進(jìn)。1 混合高斯背景建模Stauffer 提出了自適應(yīng)混合高斯模型，該模型能有效適應(yīng) 光線的變化和多模態(tài)場(chǎng)景， 抗干擾性強(qiáng)， 是目前比較常用而且有 效的背景建模方法，也是研究運(yùn)動(dòng)目標(biāo)檢測(cè)最有效的方法之一。 它是一種直觀的概率密度模型， 反映了某段時(shí)間內(nèi)圖

8、像運(yùn)動(dòng)的統(tǒng) 計(jì)特征 10 。 在混合高斯模型中，對(duì)圖像中每個(gè)像素點(diǎn) 建立K個(gè)高斯模型（K一般在3和5之間取值），對(duì)于t時(shí)刻像 素的樣本值 xt ，它的概率密度函數(shù)由 K 個(gè)多維高斯分布函數(shù)的 概率密度函數(shù)加權(quán)和來(lái)表示：3 本文的檢測(cè)算法通過(guò)對(duì)傳統(tǒng)的混合高斯模型法的分析， 傳統(tǒng)的混合高斯模型 無(wú)法完整準(zhǔn)確地檢測(cè)大并且運(yùn)動(dòng)緩慢的運(yùn)動(dòng)目標(biāo)， 不能很好地檢 測(cè)出運(yùn)動(dòng)目標(biāo)的完整區(qū)域。 另外，由于其采用固定的背景更新率， 對(duì)運(yùn)動(dòng)目標(biāo)速度的變化不能很好地掌握， 進(jìn)而不能準(zhǔn)確地區(qū)分背 景顯露區(qū)與運(yùn)動(dòng)目標(biāo)區(qū)域， 容易將背景顯露區(qū)檢測(cè)為前景。 當(dāng)運(yùn) 動(dòng)目標(biāo)由靜止緩慢轉(zhuǎn)化為運(yùn)動(dòng)時(shí)， 易出現(xiàn)“影子”現(xiàn)象。 在有樹(shù) 枝

9、擺動(dòng)的復(fù)雜場(chǎng)景中， 傳統(tǒng)的混合高斯模型不能很好地去除噪聲 的干擾。因此，本文對(duì)傳統(tǒng)混合高斯模型行了改進(jìn)， 來(lái)解決以上出現(xiàn) 的問(wèn)題， 提高了混合高斯模型對(duì)運(yùn)動(dòng)目標(biāo)檢測(cè)的準(zhǔn)確性、 實(shí)時(shí)性 和實(shí)用性。3.1 融入改進(jìn)幀差法的混合高斯建模 在混合高斯模型算法中融入改進(jìn)的幀差法，具體過(guò)程如下： 步驟 1其中：ou）和運(yùn)動(dòng)目標(biāo)在當(dāng)前幀中所覆蓋的區(qū)域（Am采用 不同的背景更新速率。對(duì)Am區(qū)域中的像素點(diǎn)，選取較小的更新率，來(lái)避免噪聲的 影響。對(duì)于背景顯露區(qū) Au，由于傳統(tǒng)混合高斯背景模型采用固 定不變的更新率， 難以適應(yīng)運(yùn)動(dòng)物體速度變化的情況， 靜止物體 一旦運(yùn)動(dòng)， 背景區(qū)域就會(huì)顯露出來(lái)。 靜止車輛開(kāi)始運(yùn)動(dòng)時(shí)

10、造成停 留區(qū)域出現(xiàn)“影子”的現(xiàn)象。 為了使顯露的背景區(qū)域能迅速地恢 復(fù)，需要提高背景的更新速率，由此學(xué)習(xí)率的取值就顯得尤為重要。本文對(duì)進(jìn)行動(dòng)態(tài)更新，是自適應(yīng)變化的。利用高斯分布的概率來(lái)確定 ，利用M幀的高斯分布進(jìn)行統(tǒng)計(jì)。即背景模型隨著真實(shí)背景的變化而變化， 背景變化較大時(shí)背景 模型也跟著變化， 進(jìn)而實(shí)現(xiàn)了較快的學(xué)習(xí)速度， 提高了背景更新 率，顯露的背景能得到迅速的恢復(fù)， 避免了“影子”現(xiàn)象的發(fā)生。3.3 改進(jìn)的前景檢測(cè)對(duì)于上述的處理結(jié)果， 不可避免地會(huì)引入干擾因素。 如由光 線改變、樹(shù)枝擺動(dòng)等因素引起的噪聲， 可以它歸為背景的一部分。 為了避免這種復(fù)雜場(chǎng)景中噪聲對(duì)運(yùn)動(dòng)目標(biāo)檢測(cè)的影響， 本文采用

11、 背景替換方法來(lái)進(jìn)行檢測(cè)。在檢測(cè)中當(dāng)像素點(diǎn)不符合背景點(diǎn)時(shí)， 對(duì)不符合的點(diǎn)， 通過(guò)建 立計(jì)數(shù)器來(lái)記錄不符合背景點(diǎn)的次數(shù)， 如果當(dāng)前像素點(diǎn)不屬于建 立的背景并且像素的變化平緩時(shí)， 即可判斷為環(huán)境因素引起的噪 聲，此時(shí)計(jì)數(shù)器Num+1否則清零。4 檢測(cè)算法流程 改進(jìn)混合高斯模型算法在運(yùn)動(dòng)目標(biāo)檢測(cè)的過(guò)程中， 要獲取實(shí) 時(shí)的交通視頻幀圖像， 從而更好地完成整個(gè)檢測(cè)的核心， 即對(duì)運(yùn) 動(dòng)目標(biāo)的提取。本文檢測(cè)方法的具體流程，如圖 2 所示。為了驗(yàn)證本文算法的有效性， 首先選取了兩段視頻來(lái)檢測(cè)算 法的靈敏度，改進(jìn)后的算法能檢測(cè)出較完整的運(yùn)動(dòng)目標(biāo)。如圖 3 所示，圖（a）是在第一段視頻中截取的第 308幀，圖（d

12、）、（ g） 是第兩段視頻中分別截取的第 27幀，第425幀的圖像。圖（b八（e）、（ h）分別是算法改進(jìn)前的處理結(jié)果，圖（c ）、（ f）、i ）分別是算法改進(jìn)后的處理結(jié)果。通過(guò)比較可以看出，改進(jìn) 前的算法無(wú)法提取出目標(biāo)對(duì)象的完整區(qū)域， 只能提取出部分的運(yùn) 動(dòng)目標(biāo)， 對(duì)運(yùn)動(dòng)目標(biāo)的檢測(cè)靈敏度較低。 改進(jìn)后的算法能檢測(cè)到 大部分目標(biāo)， 可以提取出完整的目標(biāo)對(duì)象， 對(duì)大并且運(yùn)動(dòng)緩慢的 目標(biāo)檢測(cè)效果也有明顯的改善。另外，如圖 4 所示，選取三段車輛由靜止緩慢轉(zhuǎn)為運(yùn)動(dòng)的視 頻。圖（。）與（d）、（ 9）與（h）、（ k）與（I ）分別是運(yùn)動(dòng) 目標(biāo)從靜止緩慢轉(zhuǎn)為運(yùn)動(dòng)的檢測(cè)結(jié)果對(duì)比。 從圖中可以看出， 改

13、 進(jìn)前的處理結(jié)果中還仍有原始背景幀中靜止車輛殘留的“影 子”。經(jīng)過(guò)本文改進(jìn)的算法的處理，可以明顯地看出結(jié)果中該 “影子”基本消失，使目標(biāo)檢測(cè)更加完整清晰。實(shí)驗(yàn)結(jié)果表明， 改進(jìn)的算法避免了傳統(tǒng)混合高斯模型背景法中“影子”現(xiàn)象的 發(fā)生，有效地消除了背景顯露區(qū)， 使背景顯露區(qū)對(duì)運(yùn)動(dòng)目標(biāo)檢測(cè) 的影響也有了明顯的消除。最后一段視頻是在有樹(shù)枝擺動(dòng)的復(fù)雜場(chǎng)境中拍攝的，如圖 5 所示，圖（a）是原始視頻第469幀的圖像，圖（b）、（ c）、（d）分別為傳統(tǒng)混合高斯背景模型法、文獻(xiàn) 13的方法和本文 改進(jìn)方法進(jìn)行檢測(cè)的結(jié)果。 通過(guò)比較可以看出， 在有噪聲的復(fù)雜 場(chǎng)境中傳統(tǒng)混合高斯背景模型的處理效果較差， 存在噪

14、聲的影響 并且檢測(cè)出的運(yùn)動(dòng)目標(biāo)不夠完整， 文獻(xiàn)13 通過(guò)為每個(gè)像素引入 參考量來(lái)提高背景模型的自適應(yīng)性。 該方法雖然能夠檢測(cè)完整的 運(yùn)動(dòng)目標(biāo)， 但噪聲影響加強(qiáng)。 而本文改進(jìn)的算法可以有效地兼顧 以上出現(xiàn)的問(wèn)題， 可以將運(yùn)動(dòng)目標(biāo)完整地檢測(cè)出來(lái)， 同時(shí)也可以 有效地抑制噪聲的影響。通過(guò)實(shí)驗(yàn)可以看出， 本文改進(jìn)的混合高斯背景模型的運(yùn)動(dòng)目 標(biāo)檢測(cè)算法在準(zhǔn)確性、實(shí)時(shí)性、實(shí)用性方面有了很大的提高。改進(jìn)后的算法能夠很好地消除“影子”現(xiàn)象，在光線改變、 樹(shù)枝擺動(dòng)等因素引起噪聲的復(fù)雜場(chǎng)景中， 采用背景替換方法來(lái)進(jìn) 行檢測(cè)，有效地減少了噪聲的干擾，實(shí)用性強(qiáng)。改進(jìn)幀差法計(jì)算 簡(jiǎn)單、復(fù)雜度不高、運(yùn)算速度快，可以準(zhǔn)確快

15、速地檢測(cè)出較完整 的運(yùn)動(dòng)目標(biāo)。 在混合高斯背景建模的初期運(yùn)用改進(jìn)的幀差法， 快 速分離出變化區(qū)域中的背景顯露區(qū)域與運(yùn)動(dòng)目標(biāo)區(qū)域， 提高了算 法的靈敏度與實(shí)時(shí)性。 此外， 根據(jù)劃分的不同區(qū)域給予不同的更 新率，通過(guò)提高背景的更新速率， 使顯露的背景區(qū)域能迅速恢復(fù)。 這不僅降低了算法的復(fù)雜度， 還大大降低了算法的運(yùn)算量， 提高 了算法的準(zhǔn)確性與實(shí)時(shí)性。 6 結(jié)語(yǔ)本文提出了基于混合高斯背景模型的運(yùn)動(dòng)目標(biāo)檢測(cè)的改進(jìn) 算法。通過(guò)對(duì)像素點(diǎn)的 8 鄰域進(jìn)行操作來(lái)完成對(duì)傳統(tǒng)幀差法的改 進(jìn)，可以提取出運(yùn)動(dòng)目標(biāo)的完整的區(qū)域。 在混合高斯背景建模的 初期運(yùn)用改進(jìn)的幀差法快速檢測(cè)出變化區(qū)域， 很好地區(qū)分出背景 顯露區(qū)域與運(yùn)動(dòng)目標(biāo)區(qū)域， 從而提取出完整的目標(biāo)信息， 即有效 地解決了引言中提出的問(wèn)題 1）、 2）。利用不同的區(qū)域給予不 同的