改进的混合高斯算法

改进的混合高斯算法 111122 立 黄文丽 , 范勇 , 李绘卓 , 薛琴 , 唐遵烈 , 李 ( 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 201102-0592-04 Improved mixture Gaussian algorithm 111122HUANG Wen-li, FAN Yong, LI Hui-zhuo, XUE Qin, TANG Zun-lie, LI Li (1. College of Computer Science and Technology, Southwest University of Science and Technology, Mianyang 621010, )China; 2. 44th Research Institute, China Electronics Technology Group Corporation, Chongqing 400060, China Abstract:Aiming at the shortcoming of mixture Gaussian model which has a lowly initial modeling speed, and in which the detected moving targets have lots of shadows and the frequent flashing, it proposes an improved mixture Gaussian algorithm with the fusing back- ground subtraction. This algorithm adaptively updates the mean and variance in the initial modeling, which can build the background model quickly and accurately. It is combined with background subtraction algorithm to overcome the frequent flashing, and to suppress shadows of moving target. Experiments show the proposed algorithm, with strong stability and adaptability, can be superior to the mixture Gaussian model at aspects of the initial modeling and detecting results. background subtraction; initial modeling speed; shadow; flashing Key words:moving object detection; mixture of Gaussian model; 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0 引 言 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 []1 运动目标的检测和提取是计算机视觉与视觉合成系统[] 6-7成系统误判。此时，采用混合高斯模型 检测运动目标能处 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 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 提供良好的基础，在人工智能、机器人学、智能监控、步态分 景的快速运动，初始建模速度慢，无法克服反光物体频繁闪 析、虚拟现实等领域有着重要的应用。动，检测出的运动目标含有大量阴影。针对这些问题，本文提 目前主要的目标检测方法有:光流法，背景减除法和统计 [] 2-3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 模型法。光流法用于摄像机运动的情形，对动态环境的适 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， 应能力较强，可提取目标的完整信息，但计算复杂度高，对光 [] 4克服反光物体频繁闪动，检测出含较少阴影的运动目标。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 []51 融合背景减除法的改进混合高斯算法 ，根据背景的特性，背景模型分为 于统计模型的目标检测法[] 5-6适用于单模态 单模态和多模态两种。单高斯分布背景模型 1.1 混合高斯模型[] 8-10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:2010-04-26。 (()) 基金项目:国家自然科学基金项目 10676029、10776028;四川省教育厅重点基金项目 2006C074、2006C075。 ()()作者简介:黄文丽 1986,，女，四川绵阳人，硕士研究生，研究方向为计算机视觉; 范勇 1972,，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,，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,， 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帧图像采用新的更新改进的混合高斯模型，在初始的前 []11来表征的混合高斯模型。每个像素点 用 个高斯分布来描述 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。 () 背景，分别记为，，，表示均值为I，?，= 12 ，，，协方 , t i,ti,t 改进的混合高斯模型在前 帧中，使用自适应的学习率 差矩阵为? 的高斯分布概率密度函数。各高斯分布具有不, 和 ，使得开始阶段 和 较大，增大开始若干帧对模型建立的 1/2 同的权值()()= = 1 和优先级 /|? |，按优先级从高到 贡献。在更新方程2式中的 由式4来确定。 , , , , = 1 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 1/ if, < ()=4 ()数更新、生成背景分布和检测前景 3 部分。 1模型匹配与参 , else 数更新 混合高斯模型不仅更新自身分布参数，而且更新 式中 ——定值，表示视频中的前 :帧，——视频中当前流过 各分布的帧数 '——原始混合高斯的学习率。当 太小时，由于高 ， 的权重、优先级等，较为复杂。首先，当前像素 与模型各高斯 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， ()分布按序匹配，若 与某个高斯分布满足式1，则 与该高斯分 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 布匹配。用更小的原高斯学习率 '，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 () 1 ，| |?D , 11 , 1帧中为了加速建立模型，其更新率 应该大于等于 帧后的 更 时刻的均值和标 1 混式中:新率 ' 1/ ? '，得出 ?1/ '。在已流过的 ，即帧图像中，把 和 分别为第 个高斯函数在 t , 1 , 1 合高斯模型中的每个高斯分布相匹配的次数记为 M，i = 1，i 准差，D为自定义常数。 1 () 然后，将与 相匹配的高斯分布按式2更新均值、方差和 () () 2， ，K，则更新方程2中 的取值由式5来确定。 权重。 1/ if, < = 1+, , 1 () = 5 ()2 = 1+, , 1 else ,, 2 2 2 = 1+, , 1 , 式中:在前 帧中，匹配次数 M越大的高斯分布，成为背景的 i : ，式中 ——用户定义的学习率，且 0? ?1 的大小决定背景 可能性越大，其均值越接近于真实的背景，则其参数更新率 ，。更新的速度 越大，更新速度越快 是参 数学 数学高考答题卡模板高考数学答题卡模板三年级数学混合运算测试卷数学作业设计案例新人教版八年级上数学教学计划 习率，且 ? / 。 , 越小。在背景初始建立阶段，随着帧数增加，参数更新率 逐 = 1其它高斯分布的均值和方差不变，其权值按 , 渐稳定 也慢慢地由大变小，趋于 '，使背景模型趋于稳定， , 1 ， 衰减。 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 如果没有高斯分布和像素 匹配，则权值最小的高斯分布 响，提取出更精确的运动目标。将改进混合高斯模型的当前 将被更新成均值为，标准差为 = 1 + ，权值为，其 0, , 1 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 更新权 , 1 为较大常数。其它高斯分布则按式中 = 10 , 改进混合高斯检测出的运动目标进行“与”运算，得出最终的 值，均值和方差不变。 检测结果。即()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() ，，y = x1,t / 从大到小排列。分布位置越靠前，它是背景分布的可能 , , 1 if , > , ()6 =性越大。T 为背景权值部分和阈值，若前 个分布的权值之和 , else 0 T，则将前 个作为背景分布，其它作为前景分布。 刚好大于 D = D?DGC ()3检测前景 式中:D——改进混合高斯检测的运动目标，D——背景减除 GC按照优先级次序将当前像素 与各高斯分布逐一匹配，若 法检测的运动目标，D——融合背景减除法的改进混合高斯算 ()3，则判定该点为前景点，否则为背景 与背景分布都满足式 法检测的运动目标。 点。 综上所述，融合背景减除法的改进混合高斯算法的流程 1 所示。 如图 ()，| 3 |>D ，= 1，2， , 2 i,t ——背景分布个数。，D 式中:——自定义常数 22 实验结果与分析 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 较小，初始建模 的户外停车 使用 352*240 的高速路监控视频和 320*240 (慢;如果 较大，初始建模快，但降低模型对视频中噪声 如树 场监控视频，将 Stauffer 等人提出的混合高斯算法与本文融合 )的抑制作用。混合高斯能够适应缓慢光照变化、树叶 叶摇晃背景减除法的改进混合高斯算法进行实验对比。实验时，假 []12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 R、G、B 三颜色通道相互独立，取 5 高斯分布，实验 定像素的 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 ，，' = 0.005，T = 0.8 中参数设置为 D= D= 2.5 = 30，T' = 50。 1 2 0 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 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繁闪动。针对这些问题，提出了一种融合背景减除法的改进 置第一个高斯分布的均值，该分布取较大权重 = 0.5，其它分0 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 布的均值为零，权重为()= 0.5/K 1。0 确地建立初始背景模型。 () 实验中发现，在背景初始建立阶段，当式 4中的 N 取值 新的视频帧像素 , Y 2, 0 初始化 ,, , 0 t = 1 N / , 1, 1 降序排列的 K , 计算 个高斯分布，从第一个 开始匹配，直到匹配到 新的像素更新一个为止 第 K 个高斯 = , ,, N = 较大值i<=K , 1 = 1 , , Y = 1 +1 匹配条件 , ,, 1, 1 Y 更新, 1 1 , 1 , +1, 1 取第一个高斯分布 N / 作为背景分布 , 降序排列高斯分布 , , = 1 , 1 , , , , , = min , 12为背景分布 背景差分 = 1 , , > > , = 1,2, , , 2 , 前景检测: Y 改进混合高斯检 背景差分检测 测的运动目标 的运动目标 “交”运算 融合背景减除法的 改进混合高斯算法 检测的运动目标 = 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 () () () b混合高斯模型 c融合背景减除法的改进混合 型中 ' = 0.005，所以 N 需小于等于 1/ '，即 不能超过 200 帧， a第 30 帧视频 () 高斯模型检测结果 N=200检测结果 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 () () () e混合高斯模型 f融合背景减除法的改进混合 d第 120 帧视频 ( ) 取 200在第 30 帧时，能将很小的汽车检测出来，随着时间 () 高斯模型检测结果 N=200检测结果的搬移，模型趋于稳定，检测的运动目标慢慢地完整真实。而 图 2 高速路监控视频初始建模实验结果混合高斯模型到第 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 动目标。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 从图 2 和图 3 的实验结果得出，混合高斯建模，由于背景 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。 从更新速率较慢，在初始建模时 第 120 帧以前，背景模型不够 3 可以看出，在视频的第 120 帧和前面的视频帧中， 图健全，使得开始时漏检或检测结果残缺。而基于融合背景减 ( 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 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 () () ) 3 c中方框标示部分即是图 3 B中漏检部分，到第 123 帧 图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 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 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 4 所示。结果如图 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 ) 等外界干扰的多模态特点。在初始建模时，自适应地更 摇晃() () () a第 120 帧视频 b混合高斯模型 c融合背景减除法的改进混合 新均值、方差和权值，能够快速准确地建立初始背景模型。结 () 高斯模型检测结果 N=200 检测结果合背景减除法，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: [][]Doretto G,Chiuso A,Wu Y N,et al.Dynamic TexturesJ.Interna- 1 () () () d第 123 帧视频 e混合高斯模型 f融合背景减除法的改进混合 () 高斯模型检测结果 N=200 检测结果()tional Journal of Computer Vision,2003,512:91-109. []Berthold K P Horn,Brian G Schunch.Determining optical flow 2 图 3 户外停车场监控视频初始建模实验结果 []J.Artificial Intelligence,1981,17:185-203. []高岚. 基于视频的多运动目标检测算法研究D. 沈阳: 沈阳理 []3 工大学,2008. 代科学,李国辉,涂丹,等.监控视频运动目标检测 []J.中国图像图形学减背景技术的 研究现状和展望[]4 (),2006,117:921-927. 林洪文,涂丹,李国辉.基于统计背景模报 []()型的运动目标检测方法 J.计算机 工程 路基工程安全技术交底工程项目施工成本控制工程量增项单年度零星工程技术标正投影法基本原理 ,2003,2916:97-99. []5 []王宏群, 孙洪伟. 基于背景建模的运动目标检测 J. Computer () () () a第 689 帧视频 b基于混合高斯 c基于混合高斯 模型的背景帧模型的检测目标()Knowledgean d Technology,2008,34:825-827. []6 Yu Ting,Zhang Cha,Michael Cohen,et al.Monocular video fore- ground/background segmentation by tracking spatial-color Gau- []7 []ssian mixture modelsC.Washington:Proc IEEE Workshop on Motion and Video Computing,2007. Stauffer C, Grimson WEL. Learning patterns of activity using () () () 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[]real-time tracking C. Washington :Proc IEEE Trans on PAMI, []8 2000:747-757. 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 Chris Poppe, Gaetan Martens,Peter Lambert ,et al.Mixture mo- dels based background subtractionfo r video surveillancea pplica- []9 []tions C. Vienna, Austria: Proceedings of the 12th International () () 在图 4 中，由图 4c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， Conferenceo n Computer Analysiso f Images and Patterns,2007: 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。 28-35. ()() 4c和图 4f的第一个方框标识部分，得出混合高斯模型 从图Nariman Majdi-Nasab,Mostafa Analoui.Decomposing parame- () 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 ters of mixture Gaussian model using genetic and maximum 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 []10 []likelihood algorithms on dental imagesJ.Pattern Recognition 景。而背景减除法能够避免这种突然反光造成的误检，从而 ()Letters,2006,2713:1522-1536. 使得改进混合高斯算法能够抑制闪动现象。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 综合上述实验结果得出:融合背景减除法的改进混合高 []()测方法J.厦门大学学报:自然科学版,2008,474:505-510. 王[] 斯算法在背景建立阶段 在130，200范围内取值。此算法在 []典.基于混合高斯的背景建模与阴影抑制算法研究D.西安: 初始建模时比混合高斯算法能够提前大约 80 帧建立模型，快 []11 西北工业大学,2006. 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。[]12 file:///D|/我的资料/Desktop/新建文本文 档.txt Appliance Error (configuration_error) Your request could not be processed because of a configuration error: "Could not connect to LDAP server." For assistance, contact your network support team. file:///D|/我的资料/Desktop/新建文本文档.txt2012-07-12 20:42:52