【word】 改进的混合高斯算法
改进的混合高斯算法
!V01.32,No.2计算机工程与
设计
领导形象设计圆作业设计ao工艺污水处理厂设计附属工程施工组织设计清扫机器人结构设计
ComputerEngineeringandDesign
改进的混合高斯算法
黄文丽,范勇,李绘卓,薛琴,唐遵烈z,李立z
(1.西南科技大学计算机科学与技术学院,四川绵阳621010;2.中国电子科技集团公司第四十四研究所,
重庆400060)
摘要:针对混合高斯模型的初始建模速度慢,检测出的运动目标含大量阴影和频繁闪动等问题,提出了一种融合背景减
除法的改进混合高斯算法.该算法在初始建模时,自适应地更新均值和方差,能快速准确地建立背景模型;结合背景减除
法,克服频繁闪动,抑制阴影.实验结果
表
关于同志近三年现实表现材料材料类招标技术评分表图表与交易pdf视力表打印pdf用图表说话 pdf
明,该算法在初始建模,运动目标检测效果等方面优于混合高斯算法,具有较强的
稳定性和适应性.
关键词:运动目标检测;混合高斯模型;背景减除法;初始速度;阴影:闪动
中图法分类号:TP391.41文献标识码:A文章编号:1000—7024(2011)02.0592—04
ImprovedmixtureGaussianalgorithm
HUANGWen---li,FANYong,LIHui—zhuo,XUEQin,TANGZun—lie,LI
Li
(1.CollegeofComputerScienceandTechnology,SouthwestUniversityofScienceandTechnology,Mianyang621010,
China;2.44thResearchInstitute,ChinaElectronicsTechnologyGroupCorporation,Chongqing400060,China)
Abstract:AimingattheshortcomingofmixtureGaussianmodelwhichhasalowlyinitialmodelingspeed,andinwhichthedetected
movingtargetshavelotsofshadowsandthefrequentflashing,itproposesanimprovedmixtureGaussianalgorithmwiththefusingback.
groundsubtraction.Thisalgorithmadaptivelyupdatesthemeanandvarianceintheinitialmodeling,whichcanbuildthebackground
modelquicklyandaccurately.Itiscombinedwithbackgroundsubtractionalgorithmtoovercomethefrequentflashing,andtosuppress
shadowsofmovingtarget.Experimentsshowtheproposedalgorithm,withstrongstabilityandadaptability,canbesuperiortothe
mixtureGaussianmodelataspectsoftheinitialmodelinganddetectingresults.
Keywords:movingobjectdetection;mixtureofGaussianmodel;backgroundsubtraction;initialmodelingspeed;shadow;flashing
0引言
运动目标的检测和提取是计算机视觉与视觉合成系统…
的基本热点问题,其可为后续的目标分类,跟踪和行为理解等
提供良好的基础,在人工智能,机器人学,智能监控,步态分
析,虚拟现实等领域有着重要的应用.
目前主要的目标检测
方法
快递客服问题件处理详细方法山木方法pdf计算方法pdf华与华方法下载八字理论方法下载
有:光流法,背景减除法和统计
模型法.光流法.用于摄像机运动的情形,对动态环境的适
应能力较强,可提取目标的完整信息,但计算复杂度高,对光
线较敏感.背景减除法适用于摄像机静止的情形,计算速度
快,可获得完整精确的小运动目标区域,但对场景中光照条件
突变,大面积运动和噪声较敏感.目前研究,应用最多的是基
于统计模型的目标检测法,根据背景的特性,背景模型分为
单模态和多模态两种.单高斯分布背景模型适用于单模态
背景情形,在室内或较不复杂的室外环境,能达到很好的检测
效果,速度快,分割对象较完整.然而,多模态背景,如摇摆的
树枝,飘扬的旗帜等,噪声增多,背景模型变得不太稳定,易造
成系统误判.此时,采用混合高斯模型检测运动目标能处
理场景中重复的扰动,光照和背景的缓慢变化,但不能适应背
景的快速运动,初始建模速度慢,无法克服反光物体频繁闪
动,检测出的运动目标含有大量阴影.针对这些问题,本文提
出了一种融合背景减除法的改进混合高斯算法,在固定摄像
机监控室外场景的视频序列中,能快速准确地建立背景模型,
克服反光物体频繁闪动,检测出含较少阴影的运动目标.
1融合背景减除法的改进混合高斯算法
1.1混合高斯模型
对于多模态环境,背景像素多峰分布,Stauffer等人”根
收稿日期:2010—02—25;修订日期:201004—26.
基金项目:国家自然科学基金项目(10676029,10776028);四JI『省教育厅重点基金项目(2006c074,2006c075).
作者简介:黄文丽(1986一),女,四川绵阳人,硕士研究生,研究方向为计算机视觉;范勇(1972一),男,四川绵阳人,博士,副教授,研究
方向为机器视觉,图像理解及应用等;李绘卓(1976一),女,四川绵阳人,硕士,讲师,研究方向为图形图像,软件测试等;薛琴(1984一),
女,四川绵阳人,硕士研究生,研究方向为图像处理,图像融合,机器视觉;唐遵烈(1968--),男,重庆人,副研究员,研究方向为CCD器
件测试及应用;李立(1981一),男,重庆人,硕士,研究方向为微电子.E—mail:zhuiqiukuai@126.com
黄文丽,范勇,李绘卓,等:改进的混合高斯算法2011,Vo1.32,No.2593
据单模态的思想方法,提出对每个像素点采用多个高斯模型
来表征的混合高斯模型.每个像素点用个高斯分布来描述
背景,分别记为fn(I,?lI),f=1,2,…,,表示均值为,协方
差矩阵为?的高斯分布概率密度函数.各高斯分布具有不
K
同的权值(?,一1)和优先级=./f?按优先级从高到
Fl
低排序.使用混合高斯模型提取运动目标包括模型匹配与参
数更新,生成背景分布和检测前景3部分.
(1)模型匹配与参数更新
混合高斯模型不仅更新自身分布参数,而且更新各分布
的权重,优先级等,较为复杂.首先,当前像素与模型各高斯
分布按序匹配,若与某个高斯分布满足式(1),则与该高斯分
布匹配.
一
.l?D.一,(1)
式中:一.和.分别为第f个高斯函数在t一1时刻的均值和标
准差,D.为自定义常数.
然后,将与五相匹配的高斯分布按式(2)更新均值,方差和
权重.
CO=(1-a)col+口
=
(1一p一一+p【2)
,=
(1一p)+p一f).
式中:用户定义的学习率,且0?d?1,d的大小决定背景
更新的速度,a越大,更新速度越快.P是参数学习率,Rp~oJco.
其它高斯分布的均值和方差不变,其权值按CO.=(卜a)co.
衰减.
如果没有高斯分布和像素匹配,则权值最小的高斯分布
将被更新成均值为,
标准
excel标准偏差excel标准偏差函数exl标准差函数国标检验抽样标准表免费下载红头文件格式标准下载
差为6.,权值为?=(1一K,t-1+a,其
中6.为较大常数.其它高斯分布则按式?=(1一a)CO一,更新权
值,均值和方差不变.
(2)生成背景分布
混合高斯模型参数更新后,把各个高斯分布按优先级
,/3从大到小排列.分布位置越靠前,它是背景分布的可能
性越大.T为背景权值部分和阈值,若前个分布的权值之和
刚好大于T,则将前个作为背景分布,其它作为前景分布.
(3)检测前景
按照优先级次序将当前像素与各高斯分布逐一匹配,若
与背景分布都满足式(3),则判定该点为前景点,否则为背景
点.
lL-laI,』I>D6l’I,i=1,2,…,B(3)
式中:D——自定义常数,卜背景分布个数.
1.2融合背景减除法的改进混合高斯算法
混合高斯模型使用固定的学习率,如果a较小,初始建模
慢;如果a较大,初始建模快,但降低模型对视频中噪声(如树
叶摇晃)的抑制作用.混合高斯能够适应缓慢光照变化,树叶
摇动等因素引起的背景变化,而对于光照突变适应性慢,检测
结果中含大量阴影.并且由于树叶的摇动在水面或反光体上
产生的突然反光不服从高斯分布,从而在检测结果中出现频
繁闪动.针对这些问题,提出了一种融合背景减除法的改进
混合高斯算法,在初始建模时采用新的更新算法,能够快速准
确地建立初始背景模型.
改进的混合高斯模型,在初始的前?帧图像采用新的更新
模型方法,使初始模型快速建立….?帧后的背景为了保持模
型对噪声的抑制仍采用典型的更新方法来更新模型.
改进的混合高斯模型在前?帧中,使用白适应的学习率0[
,np,使得开始阶段n和p较大,增大开始若干帧对模型建立的
贡献.在更新方程(2)式中的a由式(4)来确定.
n:
ie俐(4)
n1,
式中:?一定值,表示视频中的前J?帧,视频中当前流过
的帧数,ar_一原始混合高斯的学习率.当?太小时,由于高
斯分布是通过对大量灰度值统计提出的,统计的灰度值太少,
初始建立的背景模型不能达到稳定的高斯分布,而在?帧后使
用更小的原高斯学习率a’,导致后继的背景模型很难更新到稳
定高斯状态,所以?不能太小.同时,?也不能太大,因为在前
?帧中为了加速建立模型,其更新率n应该大于等于?帧后的
更新率Q’,即1/N>~a’,得出??1/ct’.在已流过的f帧图像中,把
混合高斯模型中的每个高斯分布相匹配的次数记为M.,i=l,
2,…,K,则更新方程(2)中P的取值由式(5)来确定.
p:
f?Ielse
式中:在前?帧中,匹配次数M.越大的高斯分布,成为背景的
可能性越大,其均值越接近于真实的背景,则其参数更新率P
越小.在背景初始建立阶段,随着帧数增加,参数更新率p逐
渐稳定,OL也慢慢地由大变小,趋于a’,使背景模型趋于稳定,
能够快速准确地建立背景模型.
为了消除噪声和不服从高斯分布的反光物体闪动等的影
响,提取出更精确的运动目标.将改进混合高斯模型的当前
第一个分布作为背景,让当前帧与背景差分阈值化的结果与
改进混合高斯检测出的运动目标进行”与”运算,得出最终的
检测结果.即
:
f?J-B,(x,y)l>(6)
式中:Do——改进混合高斯检测的运动目标,D——背景减除
法检测的运动目标,D——融合背景减除法的改进混合高斯算
法检测的运动目标.
综上所述,融合背景减除法的改进混合高斯算法的流程
如图1所示.
2实验结果与
分析
定性数据统计分析pdf销售业绩分析模板建筑结构震害分析销售进度分析表京东商城竞争战略分析
使用352240的高速路监控视频和320*240的户外停车
场监控视频,将Stauffer等人提出的混合高斯算法与本文融合
背景减除法的改进混合高斯算法进行实验对比.实验时,假
定像素的R,G,B三颜色通道相互独立,取5高斯分布”,实验
中参数设置为D.=D=2.5,a=O.005,T=0.8,6.=30,T一50.
初始化模型时,把视频第一帧图像的像素值赋给对应像素位
置第一个高斯分布的均值,该分布取较大权重?.=0.5,其它分
布的均值为零,权重为(1).=0.5K—1).
实验中发现,在背景初始建立阶段,当式(4)中的N取值
:Vo1.32,No.2计算机工程与设计ComputerEngineeringandDesign
新的视频帧像素
N
Y
初始化,uo,?,,d
;I[:!!三三个高斯分布,从第一个ll:’:
开始匹配,直到匹配到I
一
个为止I
N
更新pi,,I
.
新的像素更新
第K个高斯
=
,
d;较大值
?=1一??
+l
?Jo-,,r降序排列高斯分布
B=min~???力,G,,…,GB为背景分布
=1
前景检测:l1,-uI>i=1,2area
改进混合高斯检l
测的运动目标Dl
T”运算
取第一个高斯分布
作为背景分布
B舡
一
l>
\/
背景差分检测
融合背景减除法的
改进混合高斯算法
检测的运动目标
D=DGADc
图1融合背景减除法的改进混合高斯算法流程
小于100帧时,统计的灰度值太少,使得初始建立的背景模型不
能达到稳定的高斯分布,而在?帧以后使用更小的学习率=
0.005,使得后继的背景模型很难更新到稳定高斯状态.从而
破坏了原混合高斯模型抑制光照缓慢变化,背景重复扰动等
优点,使得检测出的结果噪声量增大.又因在原混合高斯模
型中a『_0.005,所以N需小于等于1/a’,即?不能超过200帧,
才能使得模型更新平滑地过渡到稳定高斯状态.综上所知,
一
般?在[130,200】范围内,能确保模型建立后很好地适应缓慢
的背景变化.在下面的所有实验中?均取200.高速路监控视
频初始建模实验结果如图2所示.
从图2可以看出,融合背景减除法的改进混合高斯模型
(?取200)在第30帧时,能将很小的汽车检测出来,随着时间
的搬移,模型趋于稳定,检测的运动目标慢慢地完整真实.而
混合高斯模型到第120帧左右才能建立,检测出运动目标.由
此实验得出,融合背景减除法的改进混合高斯算法在第40帧
左右时建立模型,检测出运动物体,比混合高斯模型的初始建
模速度快了大约80帧.
户外停车场监控视频初始建模实验结果如图3所示.
从图3可以看出,在视频的第120帧和前面的视频帧中,
混合高斯检测不出运动目标,或检测出的运动目标不完整(如
图3(c)中方框标示部分即是图3(B)中漏检部分),到第123帧
时,才能建立健全的混合高斯背景模型,检测出准确完整的运
(a)第3O帧视频(b)混合高斯模型(c)融合背景减除法的改进混合
检测结果高斯模型检测结果(N=200)
(d)第120帧视频(e)混合高斯模型(D融合背景减除法的改进混合
检测结果高斯模型检测结果【N=200)
图2高速路监控视频初始建模实验结果
动目标.
从图2和图3的实验结果得出,混合高斯建模,由于背景
更新速率较慢,在初始建模时(第120帧以前),背景模型不够
健全,使得开始时漏检或检测结果残缺.而基于融合背景减
除法的改进混合高斯算法在第40帧左右建立初始模型,快速
检测出完整性好的运动目标,即该改进的方法能够快速建立
初始背景模型.
融合背景减除法的改进混合高斯算法检测运动目标实验
结果如图4所示.
黄文丽,范勇,李绘卓,等:改进的混合高斯算法2011,Vo1.32,No.2595
(d)第689帧视频(e)基于融合背景减除法的(f)基于融合背景减除法的
改进混合高斯的背景帧改进混合高斯的检测目标
图4融合背景减除法的改进混合高斯算法
检测运动目标实验结果
在图4中,由图4(c)和图4(f)的第二个方框标识部分,能
够对比看出混合高斯模型检测的运动目标中含大量运动阴影,
而本文提出的算法检测的运动目标中不含或含少量运动阴影.
从图4(c)和图4(f)的第一个方框标识部分,得出混合高斯模型
不能适应由于树叶的摇动在水面或反光物体(椅子)上产生的
突然反光,从而在检测结果中,将背景中椅子的闪动误检为前
景.而背景减除法能够避免这种突然反光造成的误检,从而
使得改进混合高斯算法能够抑制闪动现象.
综合上述实验结果得出:融合背景减除法的改进混合高
斯算法在背景建立阶段?在[130,200]范围内取值.此算法在
初始建模时比混合高斯算法能够提前大约8O帧建立模型,快
速检测出完整性较好,含少量阴影的运动目标,有效地抑制反
光物体带来的频繁闪动.
3结束语
本文提出的融合背景减除法的改进混合高斯算法,保持
了混合高斯模型适应缓慢光照变化和背景混乱(如树叶随风
摇晃)等外界干扰的多模态特点.在初始建模时,自适应地更
新均值,方差和权值,能够快速准确地建立初始背景模型.结
合背景减除法,检测出含较少运动阴影的目标,并有效地抑制
噪声和频繁的闪动,对混合高斯模型进行了有效的改进.
参考文献
【1】DorettoG,ChiusoA,WuYN,eta1.DynamicTextures[J].I~ema—
tionalJournalofComputerVision,2003,51【2):91一l09.
[2]BertholdKPHom,BrianGSchunch.Determiningopticalflow
【JJ_ArtificialIntelligence,1981,17:185—203.
[3]高岚.基于视频的多运动目标检测算法研究【D].沈阳:沈阳理
工大学,2008.
[4]代科学,李国辉,涂丹,等.监控视频运动目标检测减背景技术的
研究现状和展望[J].中国图像图形,2006,11(7):921—927.
[5]林洪文,涂丹,李国辉.基于统计背景模型的运动目标检测方法
[J].计算机工程,2003,29(16):97—99.
【6]王宏群,孙洪伟.基于背景建模的运动目标检测[J].Compeer
KnowledgeandTechnology,2008,3(4):825—827.
[7]YuTing,ZhangCha,MichaelCohen,eta1.Monocularvideofore—
ground/backgroundsegmentationbytrackingspatial?-colorOau--
ssianmixturemodels[C].Washington:ProcIEEEWorkshopon
MotionandVideoComputing,2007.
[8]StaufferC,GrimsonWEL.Learningpatternsofactivityusing
real-timetracking[C].Washington:ProcIEEETransonPAMI,
2000:747—757.
[9]ChrisPoppe,GaetanMartens,PeterLambert,eta1.Mixturemo—
delsbasedback~oundsubtractionforvideosurveillanceapplica?
tions[C].Vienna,Austria:Proceedingsofthe12thInternational
ConferenceonComputerAnalysisofImagesandPattems,2007:
28.35.
【10]NarimanMajdi-Nasab,MostafaAnaloui.Decomposingparame—
tersofmixtureGaussianmodelusinggeneticandm~imum
likelihoodalgorithmsondentalimages[J].PattemRecognition
1536. Letters,2006,27(13):1522—
[11]姚会,苏松志,王丽,等.基于改进的混合高斯模型的运动目标检
测方法[J]_厦门大学:自然科学版,2008,47(4):505510.
【12】王典.基于混合高斯的背景建模与阴影抑制算法研究【D].西
安:
西北工业大学,2006.
_一l_一_l一_三一一ll—l一一l