基于混合高斯模型的运动目标检测技术研究(可编辑)

基于混合高斯模型的运动目标检测技术研究(可编辑) 基于混合高斯模型的运动目标检测技术研究 独创性声明 本人声明所呈交的学位论文是本人在导师指导下进行的研究工作及取得 的研究成果。据我所知,除了文中特别加以标注和致谢的地方外,论文中不包 含其他人已经发表或撰写过的研究成果,也不包含为获得蚴走琴或其他教 育机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的 任 何贡献均已在论文中作了明确的 说明 关于失联党员情况说明岗位说明总经理岗位说明书会计岗位说明书行政主管岗位说明书 并表示谢意。 签字日期: 签字日期: 学位论文作者签名:/匀、彬拎 盘汐年.厂月“日 学位论文作者签名:匀云、彦耘 盘汐年.厂月“日 学位论文版权使用授权书 本学位论文作者完全了解躺关保留、使用学位论文的规定,有权 保留并向国家有关部门或机构送交论文的复印件和磁盘,允许论文被查阅和 借 阅。本人授权躺以将学位论文的全部或部分内容编入有关数据库进行检 索,可以采用影印、缩印或扫描等复制手段保存、汇编学位论文。 保密的学位论文在解密后适用本授权书 学位论文作者签名:囱 导师签名:箍午 导师签名:长刁曼名卜 签字日期:卵年月订 签字日期:&订年岁月力日 日 学位论文作者毕业去向: 工作单位: 电话: 通讯地址: 邮编:『卜摘要 摘要 随着计算机技科学、通信技术的发展,以及人们安防意识的不断提高,如 今,越来越多的摄像头被安装在停车场、交通枢纽、商场、社区等公共场所。 由于这些摄像头的不停运作,导致了许多的原始信息的产生。它们或者由专人 监控或者被存储起来。而这些信息由人工处理会是一件十分单调的工作。因为 在监控到的信息中有许多不是我们所关心的东西,这就需要研究工作者制定算 法让机器帮助人们完成目标的检测与提取工作,以便减少人力成本。 目前,运动目标检测算法主要分为三类:光流法,帧间差分法和背景差除 法。其中背景差除法作为主流方法,基本思想首先建立一个与真实背影较接近 的背影模型,然后将待检测的帧与背景模型进行差分运算,根据预先设定的阈 值,找出不满足模型的部分,作为前景。可以看出在该方法中,背景建模对目 标的提取致关重要,而混合高斯模型是目前背景建模中较流行的方法之一,受 到广泛的关注。但该方法存在计算量大和目标停留背景某点较长时会转变成背 景的情形等不足。 针对这些问题,本文做了~些研究探讨,主要工作如下: 在基于混合高斯模型的运动目标检测的经典算法中,由于背景建模是 针对每一个像素点而言的,而且每一个像素点都建立三个模型,导致使用该方 法检测运动需要花费较长的时阳。本文结合商空间分层方法,利用其求解问题 的优点,通过本文给定一个合适的等价关系,将被检测的图像由原来的像素级 抽象到粒度级,通过属性变换,得到商空问】,门,【丁】的商属性【门。然后通 过对商空间中的粒度建模,这样就会大大加快了运动目标检测的速度。 针对在使用混合高斯模型检测运动目标的过程中,由于运动目标停留 在场景中超过一段时间后,会转化为背景的情况,从而使检测的运动目标出现 不连续性,影响后续的目标跟踪与定位。本文通过使用一个矩形来标记检测到 的运动目标,然后判断被检测的运动目标停留在场景中的时间,假如出现上 述 情况时,采取只更新标记运动目标区域外的背景区域,否则整幅图像的模型 全 部更新,从而能够保证检测的运动目标在场景中连续出现,也方便了后续的 目基于混合高斯模型的运动目标检测技术的研究 安徽人学 届硕:学位论文 标分类与识别、行为理解、运动分析等高级处理。 关键词:运动目标检测,混合高斯模型,商空间分层方法, 锄 、? , ’ , , . , . 舯, 追 ,..唱 ; ’ ,砌 : 锄. :, 锄 , , ., . , . .伊 “、, 锄. ., 玛 . 印 , 印 : ,伊 , , .. 、? ,?, 【】,【门,【丁】 . 曲【/ . 锄伊. .、? . . 腩 , . 时 ?,, . ,、? . , ’ ., , .. , , : 目录 目录 摘要一目蜀乏 第章绪论?. .课题研究的背景和意义.国内外研究现状??. .本文主要研究内容及章节安排第章运动目标检测算法概述??. .引’言?. .运动目标检测常用算法..基于光流场的运动目标检测方法..基于帧间差分 法的运动目标检测方法 ..基于背景差除法的运动目标检测方法??. .本章小结第章混合高斯模型 .运动序列图像像素值的统计特征一 .混合高斯模型??.. ..混合高斯背景建模原理??. ..混合高斯模型算法分析??. .本章小结?.. 第章商空间分层方法.引言.. .问题求解的商空间描述?.. .商空间粒度关系推理??.. .等价关系与粒度的构造.混合高斯模型与商空间分层方法结合?.. .本章小结.仿真实验及分析 .本章小结?.. 第章总结与展望? .总结一 .展望.. 参考文献??. 附录图索引.?.附录?表索引’ 致谢??.. 攻读硕士学位期间从事的科研项目以及发表的论文??. 绪论 第章绪论 .课题研究的背景和意义 在人类获得的外界信息中%是来自视觉,所以视觉是人类获取外界信 息的重要手段之一。当人眼从周围环境获取丰富信息并传递给人脑后,此时人 脑会根据先验知识或者经验,对得到的信息进行加工处理,最后辨认、理解周 围环境,包括环境内的物体,物体’日的相对位置以及是处于运动状态还是静止 状态等等。而机器视觉就是通过计算机模拟人眼的视觉功能,从视频序列图 像中提取有用信息,然后对客观世界场景中背景和运动目标进行形念和运动识 别等。 人们安全意识的提高和以计算机为代表的通讯设备的普及,促使越来越多 的摄像头被安装在超市、交通要道等公共场所。因此与之相配合使用的自动视 频监控系统开始在安全监控领域发挥积极的作用,进而成为目前机器视觉研究 领域的一个热点课题。 自动视频监控。”主要包括运动目标检测、目标分类、目标跟踪以及行为理 解四个部分。其中,运动目标检测,是在视频序列图像中将存在相对于整幅背 景图像运动的物体检测出来的过程;目标检测的目的是通过运动检测得到的运 动区域中提取出与目标相对应的区域。和目标检测相比,目标跟踪属于高一级 的机器视觉问题,因为目标检测为后续的行为理解提供的合理的数据支持;而 行为理解是通过研究目标的运动模型,来寻求对运动目标的个体行为以及交互 行为的高层次描述,并用自然语言将这种描述表达出来。 由此可知,运动目标检测是视频监控系统研究的重要内容之一,她的效果 好坏将直接影响到整个系统的性能,只有准确、实时将运动目标从背景中提取 出来,才能保证后续分析理解的准确性。然而,运动目标检测面临许多困难, 目前它仍然是一个具有挑战性的课题。在运动目标检测过程中,不仅要考虑视 频序列图像中像素变化,实时检测,运标目标转化为背景,天气情况,光照变 化,阴影,摄像机抖动以及场景中背景的变化等因素也会给提取运动目标的 实 时性与准确性带来一定影响。因此,需要做一些折中考虑,来尽量适应各种安徽大学届硕:学位论文 基于混合高斯模型的运动目标榆测技术的研究 环境的变化。目前研究人员已经提出了多种运动目标检测算法。包括光流法、 帧间差分法和背景减除法,其中背景差除法是实现运动目标检测与提取的首选 方法晴,而比较常用的基于混合高斯模型的运动目标检测属于背景减除法中的 一种。 运动目标检测技术具有广泛的应用前景,主要应用领域有道路交通监控?、 战场分析盯、社区监控?等。近年来,以此为中心议题的国际会议己举行过多次, 国内也有许多学者做过相当深入的研究,并召不过多次专题研讨会。 由此可见,对运动目标检测算法的研究,不仅具有广泛的实用价值同时也 具有深远的理论意义。 .国内外研究现状 国外对运动目标检测的理论及应用的研究起步较早,尤其在美国、欧洲、 同本等发达国家已开展了许多相关项目的研究工作。如在年至年间美国国防高级研究项目署砌:成立了以卡内基梅隆大学和麻省理工学院为首联合美国十几所高等院校和研究机构参加的视频监控重大项目 盯。 主要目标是通过视频理解、传感器融合、网络通信支术实现对未来战场、城 市、 机场等进行自动监控。?在年又资助一项 计划 项目进度计划表范例计划下载计划下载计划下载课程教学计划下载 ,主要实现远距离人的检测与识别以避免受到恐怖袭击。资助比利时 在欧洲,欧盟 大学、法国国家计算机科学和控制研究院等著名大学和研究 机构联合研究并提出了基于图像处理的监控系统阳。 在同本,他们也开展了用于公共区域及智有小区的图像监控 舶计划? 现在,国际上很多重要的年度学术会议:锄 、.和许多权威信息处理杂志如: 、 等都将视 绪论 频监控系统作为主题内容之一们。 而在国内,许多高校和研究所也投入了许多科研人员以及财力在智能监控 领域进行研究工作,如中国科学院自动化研究所、清华大学、上海交通大学等。 其中,中国科学院自动化研究所模式识别实验室对智能监控领域作了许多研究, 并在人体运动分析、交通场景视频监控、交通行为事件分析和智能轮椅视觉导 航等领域取得了丰硕的科研成果。《中国图象图形学报》在年第、、 期于出了“智能视觉监控技术及系统”专栏,主要目的是为了及时报道视频 监 控领域的最新进展,并总结国内在该领域所存在的最新热点问题及现状,该专 栏共收到篇论文涉及到视频监控的各个方面,最终共有篇文章被录用九。 《软件学报》、《计算机学报》、《信号处理》和《控制与决策》等杂志也刊载了 智能监控系统中的一些关键技术?刳。 目标检测处于智能视觉监控技术的最低层,是各种后续高级分析处理如目 标的识别与分类,目标的行为分析理解等的基础,而其中背景差除法是目自仃运 动目标检测的主流方法瞄。因此近年来国内外的研究学者们对于其理论及应用 的研究已做了大量工作。 背景差除法主要是通过对运动场景中的背景通过建模来实现的。一种典型 的背景建模方法是使用混合高斯模型来描述背景图像的像素值在场景中的分布 ?:’。然后在目标检测的过程中,判断图像的当前像素值是否满足该高斯分布, 若满足则将其像素点判断为背景点,否则为前景点。同时根据新获取的图像, 对模型的参数进行更新。混合高斯模型能够有效的克服背景图像的扰动、光照 变化的干扰等因素。文献在此研究的基础上,对背景、静止目标和运动目标 三者采取不同的更新方法,以削弱背景在更新过程中运动目标对背景的影响。 . 此外,勋册口刀行与阳胛衍、筋,.都采用基于卡尔曼滤波 勋砌口九的自适应背景模型来适应光照和天气的变化。锄等力 采用基于核密度估计 的非参数模型来描述场景中的 背景分布,该方法能准确地给背景建模,但算法对计算机硬件以及性能都有较 高要求。撕等?蝴人使用最大时间差分值和最大、最小强度值对运动环境 景中像素点做统计并且建模,然后再周期性地对背景模型进行更新。锄等 叫人的、?算法分别对图像进行像素级、区域级、帧级处理;在像素级安徽大学届硕士学位论文 基于混合高斯模型的运动目标检测技术的研究 处理中,为每个像素建立背景模型,忽略像素间颜色信息的相关性, 对背景与运动前景进行初步区分;在区域级处理阶段,根据图像中像素点问的 相关信息来填充均匀的运动前景部分,进一步细分背景和『景;在帧级处理阶 段,当发现图像出现大面积的光线突变时,切换后备的背景模型;。 针对运动目标在场景中融入到背景的情况,一些学者也做了许多探索,如 陈焕钟等人在文献中将使用观察某像素持续为前景的帧数,当这个数超过 事选设定的值时,认为该点像素为运动缓慢物体上的像素。则将其当做前景像 素检测出来。李全民等人在文献中提出为每个像素运态的构建一个像素变 化历史图. 巧,用来表示每个像素被连续分类为前景的次 数。它可以根据需要调节前景物体消融的持续时间,防止前景错分为背景,进 而造成漏检现象的出现。 .本文主要研究内容及章节安排 针对运用混合高斯模型进行运动目检测技术,基于已有的研究成果,本文 做出了以下几方面的工作: 论文中介绍目前常用的运动目标检测算法,并根据其原理重新做了实 验。所得出的实验结果与前人的分析的结果一致。 论文中介绍了视频序列图像的像素值的分布特点,并分析了混合高斯 模型在做运动目标检测过程中运算量比较大的缺点,结合商空间分层方法将原 问题从较细粒度转化到较粗粒度空间的问题的优点,可以减少运动目标检测的 时间,以达到快速提取场景中的运动目标的目的。 用本文的算法对多个运动序列图像进行仿真实验,并做了比较分析。 ’针对使用混合高斯模型做运目标检测过程中,运动目标长时间停留在 场景中会渐渐消失的情况,论文做出了改进,当出现此中情况时,算法只更新 标记运动目标区域之外的场景,以保持检测的运动目标在场景中出现的连续性。 论文分为五个章节,其安排如下: 第章绪论。主要介绍了研究运动目标检测的背景及意义,以及目前国 内外研究的现状。 第章运动目检测算法概述。主要介绍了目前运动目检测算法中常用的 绪论 方法,主要基于光流场的运动目标检测、基于帧间差分的运动目标检测、以 及 基于背景差除法的运动目标检测。 第章混合高斯模型。主要介绍了序列图像像素值的统计特征,满足高 斯分布,进而介绍了混合高斯模型原理,并对论算法进行了分析。 第章 商空间分层方法。主要介绍了高空间分层方法,可以减少求解时 ‘ 间,并将其优点应用到混合高斯模型检测运动目标中。 第章基于商空间分层方法的混合高斯模型的运动目标检测。本章主要 介绍了商空间分层方法的问题描述,模型的创建与更新以及运动目标在场景 中 的消失处理,并使用本文算法针对单目标检测和多目标检测的序列图像做了 实 验,并做了比较性分析,以及结果的讨论。 第章 总结与展望。总结了论文所做的工作,并对以后的工作方向做了 展望。基于混合高斯模型的运动目标检测技术的研究 安徽人学届硕:学位论文 第章运动目标检测算法概述 .引言 运动目标检测,是在视频序列图像中判断是否存在相对于整幅背景图像运 动的物体,如果存在,则把相对于背景运动的前景检测出来的过程。在机器视 觉领域,运动目标检测在信息提取中扮演十分重要的角色,是后续目标跟踪和 运动分析的基础。完整、快捷并准确地提取出运动目标对提高运动目标跟踪的 质量以及其识别行为理解的准确性都有很大的帮助。但是由于现实场景中的背 景图像复杂,存在许多变化,如阴影、光照、噪声、树木晃动等干扰,在实际 设计算法时要考虑许多因素,不仅要保证快速检测出运动目标而且还要精确。 目前,运动目标检测方法主要有以下几种:基于光流场的运动目标检测方 法、基于帧问差分法的运动目标检测方法和基于背景差除法的运动目标检测方 法等,这些方法基于的原理不同,且各有优劣,以下详细介绍这三种方法。 .运动目标检测常用算法 ..基于光流场的运动目标检测方法 所谓光流是指图像中狄度模式的运动速度:它是图像中景物的三维速度矢 量在成像平面上的投影,它表示了景物在图像中位置的瞬时变化【;而光流场 是运动场在二维图像上的投影,该物理量包含了有关运动和结构的重要信息。 研究物体的运动可以通过研究运动场的活动,因此光流场对研究物体的运动 意 义很大。一般情况下,可以把光流看作运动场,他们之问没有本质的区别,因 此可以通过研究光流场柬估计图像序列的运动情况。 在视频图像序列中,一幅图像上的任何一个像素点都具有和两个方向 的运动矢量,要求出这两个运动矢量,就要列出两个有效方程,所以必须寻找 两个约束条件来帮助解决。 由视觉感知原理可知,物体在空间上一般是相对连续运动的,则其投射到 传感器平面上的图像也是连续变化的,即灰度不变性假设。根据此假设,可以 运动日标枪测算法概述 列出光流基本约束方程。 假设图像上的像素点,在时刻,的灰度值为,石,,,,,光流场材,,, 材,,和,分别表示像素点,的水平方向的速度分量和垂直方向的速 度分量。则经过一段时间西后,像素点从,运动到出,砂处,此时 的相应的灰度值,出,砂,出。根据前面的假设,即在功很小的情况下, 对于一组连续的二维图像序列中某个运动目标来说,沿该运动轨迹上的各帧 中 相应的像素点灰度值保持不变。 ,,,,,出,咖,出 将上面右侧用泰勒 公式 小学单位换算公式大全免费下载公式下载行测公式大全下载excel公式下载逻辑回归公式下载 展不后可得: 乏, 』五?,烘,罢鲁等等等等即 忽略二阶无穷小项,整理得著名的光流约束方程: “,, 变成矢量式为: ??‘ 其中,,。,‘分别是像素点,,的灰度值,,,沿,,三个方向的偏 导数。?,,,’为图像灰度的空间梯度。在著名的光流约束方程中,光流场 “,含有两个未知量,然而只有一个方程.无法求解两个变量,所 以必须引入其它的约束条件来帮助求解,从而产生了不同的光流分析方法。 其 中具有典型代表的方法有.非迭代光流算法【】、.算法 【】生垒 可 和【】提出了基于局部平滑性约束条件,即假设在一个小的空 问邻域万上光流是平滑的,使用加权最小二乘法 ?来估 计。在邻域万上,我们定义光流的估计误差是: ?形“‘’,‘安徽人学届硕十学位论文 基于混合商斯模型的运动目标枪测 技术的研究 其中形是窗口的权系数,它使得邻域中心区域对约束施加的影响比外层 区域要大,式.的解为 与 尺’形彳一彳’形 其中时刻刀个点,,?万, 尺【世。,?置,...,?咒】, 形访昭【‖。,形五,...,形以】.一【‘五,‘置,...,‘以】 和方法在运动物体边缘处可求得较精确的光流,而在空间梯 度接近于零的小邻域内求得的光流不够准确。 和【】基于强度不变假设的条件下引入了另外一个约束条件, 即全局平滑约束假设条件。它是指运动区域上的所有像素点全部具有相似的 运 动矢量和亮度模式,也就是速度变化率为零;若运动矢量和亮度模式发生在 某 点突然变化,则认为此象素点为运动区域的边界点。 . ?材, ? 公式.与光流基本方程.相结合,可知光流,’应满足: ? ,,??“‘‘旯【?材?’,】 其中旯是反映了对图像数据及约束条件可信度的一个参数,它的取值主要 考虑图像中噪声的情况,如果噪声较强,说明数据的置信度较低,需要更多的 依赖光流约束,所以旯取值较大;反之五的取值较小。 光流法的优点是检测精度较高,适合做精确分析,可以获得目标的运动参 数等信息,也可以解决传统的基于特征的运动目标检测难以解决的遮挡,重 合 等问题。然而其运算量太大,对处理机等硬件要求较高,在现阶段很能满足实 时性要求。同时由于该算法中采用假设的局限性使得光流法对噪声非常敏感, 容易产生错误的检测结果,这些缺点都引起光流法与实际使用之间的矛盾。 ..基于帧间差分法的运动目标检测方法 基于帧问差分法【】例运动目标检测的基本思想是:利用视频序列图像相邻 帧问的强相关性,取前一帧序列图像作为参考图像,通过后一帧与参考图像的 运动目标榆测算法概述 差分并且阈值化来提取图像中的运动区域。因为对视频序列图像而言,最有价 值的信息一般是相邻两帧或多帧之间的变化信息,其中往往包含了与目标运动 相关的知识。因此可以通过帧间差分方法提取图像中的运动区域。 帧间差分法最简单的是相邻帧差法,做差分的量可以为灰度,亮度、饱和 度等,本文采用灰度。基本算法是将前一帧作为参考图像,设为当前帧为第帧, 其狄度图像为,,,,,则参考图像为第一帧,其值为,,,?,将两幅图 像作差即可得到变化区域: ,,,,,一,,,,?然后设置一个阈值丁,可得二值化差分后的结果: 列 啪川艺 引八五弘棋卜 式.中,差分结果为的像素对应两相邻帧之间发生变化的部分, 理想的情况下为运动目标,差分结果为的像素通常看作背景部分。通过此方 法就把图像中的运动目标和背景区分开来。这罩阈值选取很重要,若其值选 择 的较大,有可能将属于运动目标的像素点划分为背景,反之,可能将属于背景 的像素点判别为运动目标,因此应通过实验选择合适的阈值。另一个值得注 意 的地方是,如图.所示,帧间差分法检测出来的相邻帧问发生变化的区域分 为和两部分,为运动目标在前一帧所覆盖的区域,是运动物体现在所 覆盖的区域,即运动目标本身。而在相邻两帧中运动物体重叠的部分根据公 式.则会误判为背景,从而造成检测出的运目标中问存在空洞。则为 动运区域外的共同背景区域,理想状态下,值都为。 安徽大学届硕‘:学位论文 基于混合商斯模型的运动目标检测技术的研究 图.运动变化区域示意图 .. 其基本运算过程图.所示。 ? 第帧图像 ?斗 视 背景 频 阂 预 序 值 筹分结果 列 处 化 图 理 ?叫廷明.城 像 ?斗 第?帧参考图像 图.帧间差分法原理图仃诧 .. 帧问差分法是运动目标检测方法最简单的一种,具有较低的时间复杂度以 及运算简单等特点,可用于实时检测的系统。但是使用它检测到的运动目标 的 结果~般却差强人意。这早存在的局限性主要有:~般不能完全提取出与 运动区域相关的像素点,在运动实体内部会产生“空洞”,如图.所示的部 分。该方法检测出来的运动区域大小与目标的运动速度有很大的关系。当 物体运动缓慢时,相邻两帧间的动动目标移动的跟离很小,即图.所示的 和部分很小,检测的运动区域和实体差不多大,但是假如慢到一定程度就检 测不到运动物体。相反当速度很大时,检测到的运动区域相应的就会变大, 即 图.所示的和部分变大。 运动目标榆测算法概述 针对帧间差分法的不足有多种改进算法,如多帧图像差分法】,在两帧 差分中取不相邻的帧作差分等等。 ..基于背景差除法的运动目标检测方法 所谓背景差除法【【】是通过对给定的视频序列图像进行学习,使用特定的 数学模型来对图像中场景的背景进行建模并存储起来,然后用当前的视频序 列 图像与存储的背景模型做差分并通过选定适当的阈值来二值化,最终就得到 相 应的运动区域。目前该方法在运动目标检测中经常使用,它的提取目标的好 坏 将取决于选定的数学模型能否实时并有效地模拟出视频序列图像中的背景。 假设时刻的视频序列图像为,五,,,通过模型模拟出来的背景图像为 ,,,将两帧图像做差,则可得到差分图像,,,如式?。 ? ,少,,,,,,一工,少,, 然后再通过阈值化处理得到二值图像‖,,,如式一 沼七 骶彤,器以。戮? 在式.中,假如当前帧与模拟出来的背景的差值大于阈值丁时,二值化 后的图像设置为即表示运动区域中的像素点,否则二值图像设为,表示该 像素点为背景的二部分。 其基本运算过程如图.所示:基于混合商斯模型的运动目标榆测技术的研究 安徽大学届硕仁学位论文 图.背景差除法原理图..基于背景差除方法的运动目标检测虽然比相邻帧间差分法更为完整的提取 与运动目标相关的信息,但随着时间的推移,场景中可能会出现光照、水波反 射等外部条件的改变,可能会出现些伪运动点,影响到运动目标检测的效果。 所以在实际的 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 应用中使用背景差分方法需要解决的主要问题就是如何获取 自理想的背景模型和以及背景模型的建立、保持与更新引。 背景建模也称为背景估计,其主要目的是根据当前的估计背景,把对序列 图像的运动目标检测转化为一个二分类问题,将所有像素划分为背景和运动前 景两类,进而对分类结果进行后处理,得到最终检测结果。 简单获取背景模型的方法有:从视频序列图像中获取一帧无运动目标的图 像作为背景模型;后来出现取连续多帧图像在同一像素点的位置取均值,来模 拟背景图像。这种简单的背景模型只适应理想状态下检测运动目标,即噪声很 少,无光照等外部条件变化。目前大多数算法己经放弃这种非自适应的背景图 像估计方法。越来越多的研究人员正在致力于研究更好的背景模型算法,以减 少动态场景变化对于运动目标检测的影响。 经典的背景模型可以分为两类:一类是单背景模型用一个概率分布表 示背影此刻所处的状态,另一类是多背景模型使用多个分布表示背景所处的 不同模态。单背景模型包括:自适应背景模型、中值滤波模型、形方法、基 于锄滤波的背景模型等,多背景模型常用的有混合高斯模型、非参数内 运动目标检测算法概述 核模型等方法,其中混合高斯模型将在后面详细介绍。 自适应背景模型 自适应背景模型【】是对基本背景差分法的改进,其背景模型采用无限脉冲 滤波器的形式对场景进行实时动态的更新,目的就是适应外部条件的变化。 设时刻的视频序列图像为,,,,背景图像为,,,其差分的形式为 ,,,一,,,丁 其中为差分阈值。,,是由,,,?,,,,一前.帧估计得到, 且,,,,,。 背景的更新方程 亿五 啪力髋篆端二裟搿蒜篙 其中为背景点集合,为前景点集合。口,‖?,】为模型背景学习率, 若口,‖的值越大,则当前帧对背景模型的影响就越小,也就是背景模型变化 慢。此方法简单快速,曾结合三帧差分法应用在 】系统中。 中值滤波背景模型 基于中值滤波的背景模型【的基本思想是:首先建一个视频流滑窗口用来 缓存帧视频图像,然后从缓存中的帧视频序列图像取同位置像素的中值 作为该处的背景值,即忍,,,”砌,,工,,,,,?,,石,,,一肘 该算法的特点是:它需要帧大小的内存空间;前提条件为帧相应点 为背景像素值的帧会超过缓存中一半以上;背景像素的分布是均衡的,即单模 态。因此,的选取需要折中考虑,当的值过小时,虽然算法的运算时间 降低,但在检测速度缓慢的目标时漏检率会增大,甚至出现空洞现象,反之, 算法计算时间将会被延长。 矿方法的模型 撕等人提出‖模型四通过从当前帧最近~段时间内的序列图像中基于混合高斯模型的运动目标检测技术的研究 安徽大学届硕.学位论文 获取时间段内每个像素点的最小灰度值施刀、最大灰度值破以及视频序列图 像中相邻两帧差异的最大值来构造背景模型。其基本的判别条件为: ? ?一,,,,.舰一,,, 其中,,,,,为,时的序列图像。把满足条件的像素点视为前景点, 反之则判为背景点。这些参数初始由一段序列图像估计得到,需要周期性的更 新。该方法可以检测到复杂场景中的多个运动目标,但是前提是场景中的光照 变化不能剧烈,而且树枝摆动等伪前景点得不到较好的处理。 基于滤波的背景模型 基于卡尔曼滤波的背景模型【】是递归的背景估计方法,背景估计值包含了 当前图像之前所有视频帧的信息。在充分利用连续的图像序列信息的条件 下, 只需要根据获取的当前帧即可完成对背景模型的更新,这样可以减少计算 量。 其基本原理:假如序列图像中的背景变化缓慢,而运动目标相对于背景图 像变化比较快,即运动目标看作背景图像的随机扰动。若继续假设这种扰动 的 均值为零,则使用滤波在白噪声零均值时的退化公式束重建和更新背 景模型。则其公式为【『一形宰】 . 形【口蚴形’】一户形【?,形】 其中,是,时该输入的图像,曰,、召 分别是,、,时刻的背 景图像的估计值;是时刻的时变增益因子,取值范围为【,】;尸、 ,分别为、时刻的方差矩阵;‖为观测矩阵;口为渐消记忆因子: 为单位矩阵。 如果图像中的每一个像素点在空间上是独立分布的,则式.、.、 .中的矩阵均退化为标量,即肜,那么此三式简化为,,,【,一,】 ‘ 川%川 运动目标检测算法概述 一 . 善口善,善 肌%川刖】 式.中的因子在推导的过程中引入的,紧接在式.中给出了 定义。称式.为时域渐消递归最小二乘法的数学表达式,用它能够得到 背景的递归估计,完成背景模型的实时重建和更新。其它参数的详细说明见 文 献【】。 无参数内核模型 等人提出了一种基于内核函数的无参数方法【】目的是为了适 应快速变化的场景,获取更好的检测效果。它采用的是核密度估计法【 ,直 接 从数掘样本中估计未知密度函数,样本充分时核密度估计能渐近收敛于任何 概 率密度函数。设而,恐,?,为最近帧图像同位值的历史样本,利用核函数 取?可以估计出该像点在,时刻的像素值置的概率密度: . 瓴‰艺再一 其中为薯的维数。若取核函数?为?,?并且各个颜色通道相互独 立,则式?可表示为 沼, 呲磷叠南口掣 因此,前景点的检测就是其概率密度魄,若小于预先设置的阈值, . 则认为是前景点。为了减少计算量,文献】中给出简化的方法,先计算‘一薯 在不同巳下的所有可能值,这里巳石嚣钫,/,?,,其中『,,是数据样本中 相邻两帧同一像素点绝对差的中值,即: . 聊,聊讲日,一?一 无参数内核模型能够较快的适应该场景的变化,在背景建模时允许运动目 标的存在,而且,不需要假设背景的概率分布形式,也不要估计参数,但是需 混合高斯模型 第章混合高斯模型 .运动序列图像像素值的统计特征 在运动序列图像中,考虑摄像机固定不动,则背景的变化相对来说就会非 常缓慢,可能出现光照变化,运动目标的进入等因素引起像素值的突变。对于 一段时间的序列图像,观测某一位置的像素值,根据统计学理论会发现,假如 该点在一这段序列图像中,没有运动目标经过,则其像素值会保持在一个值 的 附近,上下波动,否则,在这段序列图像中,会存在某帧图像,由于运动目标 的经过,使该点的像素值发生了变化,即产生一波峰或者波谷。 在实验中,使用巧一.视频,总帧数为,分辨率为宰, 选取其中的帧做统计,像素点分别在,和,处,统计的量 是狄度值。,处的个数据如下: . . 图.是该点的像素值在运动序列图像中的变化曲线,从图中可以看出,它的 值在附近波动,没有出现大的突变,说明此处在这段序列图像中没有运动 目标经过。 基于混合高斯模型的运动目标榆测技术的研究 届硕.卜学位论文 安徽大学 , ;.. 而,处的个数据如下: 图.是该点的像素值在运动序列图像中的变化曲线,从图中可以看出, 它的值在绝大多数的帧数中是在附近波动,而在第?帧中出现了一个 大的波谷和一个小的波峰,说明在这段序列图像中在几帧中此处有运动目标 经 过或者噪声。 混合商斯模型 图. ,处灰度值的变化曲线图 ,.. , 从数据和图.、图.分析可知,在~段序列图像中,每点的像素值随时 间的变化呈『态分布高斯分布。所以,运动目标检测的背景模型可以通过高 斯函数来建模,由于现实场景存在复杂的变化,如光线的变化,树树的摆动, 显示屏的闪动等因为都会给背景的模型来来干扰,所以在视频序列图像中, 在 某一点单单一个高斯模型往往是不能刻画场景中存在的的变化,这就需要我们 通过组合的办法,将某一时刻某点用多个高斯模型共同来刻画,即混合高斯模 型【。 .混合高斯模型 ..混合高斯背景建模原理 在视频序列图像中,通过高斯函数可以分别对每个像素点而,%从时刻 到时刻建立模型。设到第时刻,该像素点的取值集合为 五,...,‘,而,%, ?占?,,其中,为视频帧。如果将该像素点的所有历史 值用个高斯函数来近似,那么在时刻,像素值鼍属于背景的概率为 足一?哆,,事‘,跏?, , 安徽大学届硕:学位论文 基于混合高斯模型的运动目标榆测技术的研究 式中葺是时刻该点的像素值,一般由红、绿、蓝三个通道的颜色值组成; 是此混合高斯模型的个数,的值一般取决于可用存储器的大小以及系统 的计算能力,通常的情况下取值在~之间,的值越大表示处理波动能力就 越强,但需要消耗的时间就越多‘引。哆.是,时刻混合高斯模型中第,个模型的 权系数的估计值,其满足??且?铭,。叩‘,“,,?是,时刻第个高 斯分布,其定义如下: . ‘,鸬主,,,:二丢;一争‘一朋‖』』.’‘一玛’,,二,二., 万?,, 式中,是一的维数,对于图像彤,掣,,疗;鸬.,是,时刻第‘ 个高斯模型的均值向量,对于图像鸬,,‖,,成,形,?,,,为混合高斯模 型的协方差矩阵。考虑到计算量大的原因,艉和四假设视频帧 中的各像素点的红、绿、蓝三个分量相互独立,并且具有相同的方差,因此有 ?“‖ 其中是疗阶单位方阵。 这样,每~个像素都可以通过建立好的混合高斯模型来近似表示,一旦背 景模型建立,则需要对其参数进行初始化和更新。 模型的初始化 一种标准的方法是通过算法四来估计混合高斯模型的参数,不幸的是 对每个像素都这样处理,会消费大量的计算时间,因此毹和寻 找到一种近似的方法来估计模型的参数,即在线.方法。 初始化时,计算一段视频序列图像中的每一个像素点的平均值心和方差 亦,用它们来初始化混合高模型中的个分布的参数,这里取灰度值,即: ?, 风专善,嘞,%?,蠢专喜,‰,%?一风, 但是计算风和爵时,需要保存多帧序列图像,需要一定内存空间。如果参 数初始化的精确度要求不高,设每个像素点的取值范围为【,】,则可以将所 混合商斯模型 有模型的方差设置较大点的值,所以第个模型的权重与均值为: . 哆去,肛×舷 在实验中初始化也可以用视频序列图像的第一帧图像的像素值作为模型初 始化的均值,即使第一幅图像中有运动目标存在,也不会对检测结果有太大 影 响。因为从一段时间来看,运动目标在场景中是运动的,对于场景中某一点来 说,大部分时问都是背景像素值,只有很少一部分是运动目标的像素值。可以 通过后续的学习更新,此点还是能够得出较好的背景模型。 模型的匹配 在时刻,对序列图像中的某点新到像素值和已建立好的个模型进行测 试,假如新获取的像素值置与其中的某个模型满足.式,则认为该点像素 值与该模型匹配,其匹配函数啊,为,否则设为。 击 葺一一’『?木川 是用户自定义的参数,在实验中取.。然后该像素值要加入到模型 中重新计算其均值和方差。 从实验中可知,式?取宰卜,作为混合模型匹配的阈值,能够获取 较好的效果,因为他可以自动的为每个像素点的每个模型选择不同的匹配阈 值, 因此此种自适应阈值比对所有像素点的混合模型耿统一固定的阈值要优越。 模型参数的更新 混合高斯模型的参数的更新较为复杂,因为对于每一个模型为了适应变化 的场景都有三个参数需要更新,即权重,、均值鸬,、方差『所以参数更新 。 是算法的关键部分之一。 此时可能发生两种情况: 假设,时刻,对于新到的像素五在个模型中找到一个和当前像素点 匹配的模型,则该点的像素值应参加此模型的参更新,应按?、.、? 公式重新调整权重、均值和方差。 ? 哆.,一口。.口基于混合高斯模型的运动目标检测技术的研究 安徽人学 届硕.:学位论文 ? 以.,一‘鸬‘薯 ? 吒一吒‘一肛,?薯一鸬卜’ 式中 口?薯,鸬川,川是参数更新率,口是一个常数,表示学习率, 一般取值在~之间,它的大小决定了背景更新的速度,当口取较大点的值时, 其背景更新较快,否则,背景更新的较慢。 另外对在此象素点的余下没有匹配的高斯模型,则保持它的均值肛.,和协方 差?“不变,但是要通过式降低此模型的权重,使其按照权重值的大小排 列时,会排在匹配模型的后面。.,一口’哆.『 对于新到的像素蕾,在此点的个模型中,没能找到与之匹配的模 型,则应当舍弃其混合模型中权值最小的那个子模型,然后用当自,.像素值置作 为舍弃的模型的均值,并重新赋予初始化时的方差和权重,添加到混合模型中, 重新学习其参数。这样做的目的是,防止此像素点为伪运动物体的噪点,用到 的公式是一? 国?挖砌,喀办,?? 模型的分类 基于上述建立的个混合高斯模型,它们能够表示每个点的个模态,即 能表示背景也能表示前景,但是要对背景实行精确建模,则必须从中选择最能 表示此刻背景的高斯函数作为背景模型。仃和“【认为那些在视 频序列图像中,变化最小,最稳定,出现次数相对较多的模型能够刻画图像中. 的背景。 在做模型分类前,应选按照鬈,的大小把每点的个混合高斯模型从大 到小排序,值最大的那个模型排在最前面,这个值越大,意味着该模型的权重哆。 较大,表明此模型匹配次数较多,而方差。相应的就较小,表明此模型越稳定。 通过排序后,能够精确刻画背景的模型往往排在了最前面,最不可能表示背景混合高斯模型 的模型排在后面,这样也方便重新设置新的背景模型即模型参数更新部分 的中所述。 然后从排好序的个混合模型中,选择超过某个特定阈值的前个高斯分 布做为背景的最佳描述即此刻的背景模型: ?:.哆,,丁 式中为预定阂值,它的大小通过实验的方法选择,一般选取.。丁值 的确定对算法的影响很大,若’选取的值过大,则有可能将权重很小的分布作 为背景模型,从而使场景中的运动目标误认为背景出现漏检现象,反之,则有 可能只取一个高斯分布做为背景模型,从而失去了混合高斯模型的优势,退 化 成单模态。 余下的?个高斯分仰作为前景高斯模型。 运动前景的检测 通过使用中所述,训练学习好的背景模型,对时刻的每一个像素五与 背景模型做运算,首先计算出自适应闽值木.,。,再根据式?判断,如果此 像素置与个高斯模型之一相匹配,则此像素被分类为背景,否则划分为前景。 此时把对序列图像中的运动目标检测转化为一个二分类问题了,将每幅图 像中的所有像素点根据约定的 规则 编码规则下载淘宝规则下载天猫规则下载麻将竞赛规则pdf麻将竞赛规则pdf 本文中是式?划分为背景和运动前景 两大类,然后再作后续处理。 ..混合高斯模型算法分析 与前面介绍的无参数内核模型模型相似,混合高斯模型需要为每一个像素 点维持个概率分布,因此它是多模态的,可以克服背景的变化,减少检测出 的伪运动点。因为一般背景中都会存在噪声,如树叶被风吹动,它会重复的某 些像素点,即遮住背景与显露背景两个状态之间切换,但是它不能做为前景检 测出来,所以通过多模态的混合高斯模型,将这两种状态分别对应于两个高斯 模型,以后检测时,用训练好的背景模型分别匹配两个状态,那么,就会把树 叶的摆动当作背景来处理,而运动的目标,只是暂时的遮挡住了背景点,因此 与训练好的背景模型都不匹配,则会检测出为前景点。另一方面,既然混合高安徽大学届硕七学位论文 基于混合商斯模型的运动目标检测技术的研究 斯模型是参数化的,模型的参数可以适应性的更新而不需要设置一个缓存来存 放视频序列图像。它适合户外有光线和天气变化,目标移动快的检测,并且模 型在采用了在线.近似的估计方法,无需要计算其概率密度,在一定程 度上减少了算法的运算量,由于混合高斯模型有其自身的优点,所以得到广泛 学者的研究‘。 然而混合高斯模型也面临一些难题,首先是,它对视频序列图像中的每个 像素点的、、颜色的三个通道都建立个背景模型,而每个模型又包含参 数权重缈、均值‖和方差盯需要实时更新,因此使用此方法依然有较大的计算 量。 第二,混合高斯模型是基于像素建模的而不是区域级的或者帧级的,没能 考虑图像中像素与像素之间的相关系,忽略了图像本身的结构信息,把每个像 素都当成孤立存在的点来考虑,没能充分利用图像中存在的信息。 第三,当运动目标在场景中移动过慢或者停止不动时,高斯模型会将此目 标当作背景像素来处理,将会带来漏检,如在运动目标中形成空洞,或者在运 动目标在场景中消失。假如重新赋予相应的更新率口也不能很好的解决这个问 题。 当然还存在其它一些方面的难题,如阈值较能确定,背景更新问题,会把 运动目标的阴影当作前景检测出来等。 .本章小结 本章主要介绍了以下方面的内容,第一,视频序列图像的统计特性,对于 图像中的像素点,在一段时间内满足高斯分布,而且可以用高斯函数来模拟背 景模型。 第二,详细介绍了混合高斯模型的原理,以及它的优点,适合处理哪类视 频序列图像,然而,任何方法都不是力.能的,它也存在不足,并分别作了介绍。 商窄问分层方法 第章商空间分层方法 .引言 近年来,张钹院士和张铃教授提出了基于商空间 的粒度计 算模型及其理论【】【,由于符合人们对实际问题的认知过程,从而吸引了研究 者的广泛关注而且在许多领域的问题求解中得到了应用并取得较好的研究成果 【?】 在文献【】中指出:“人类智能的一个公认特点,就是人们可以从极不相同的 粒度空问上观察和分析同一个问题。人们不仅能在不同的粒度的空间进行问题 求解,而且还可以很快地从一个粒度空问跳到另一个粒度空间,往返自如,毫 无困难。这种处理不同空间的能力,正是人类问题求解的强有力的表现”。 商 空间分层方法『是以上述逻辑为出发点,借助于数学上的商结构得到的。它可 以将小的粒度空间通过等价关系划分为更大的粒度,然后在大的粒度世界中运 算,从而提高问题的求解速度。 .问题求解的商空间描述 我们在求解一个复杂问题时,需要对所研究的问题进行抽象描述,如问题 归约法、状态空问法,虽然这两种方法可以描述相当广泛的问题求解过程,但 是它却不能描述人类问题求解中的一些重要的问题??如人们能够从不同的 粒度层次上观察和分析一个问题。而文献【】给我们提供了一个可以描述不同粒 度世界的方法,具体描述如下: 商空间理论用一个三元组,厂,丁描述一个问题【【。表示问题的论 域;厂?表示论域上元素的属性,可以为单值的,也可以为多值,用函数 厂:?一来表示,,可以是实数集合,也可以是刀维空间詹中的集合;丁是论 域的结构,指论域中各元素的相互关系。分析和求解问题,厂,丁,是指对论 域及其有关的结构、属性进行分析和研究。 当很复杂或者在上求解问题很费时时,我们可以用比较“粗”的粒度安徽大 学届硕二学位论文 基于混合商斯模型的运动目标榆测技术的研究 来考察原问题,即给定论域上的一个等价关系,并出月产生上的商集工】 ??对于任意工?,【】抄? ,?月,】为的等价类,也是商集中 的元素,即】【】 ?,从而将原问题,厂,转化成新层次的问题 【】,门,【刀,称【】,【/】,丁】为,/,丁的商空间。【/】,】分别为商集】 上 的商属性函数和商结构。上的不同的商集及其对应的商空间,便构成了原问 题不同粒度世界的描述。 .商空间粒度关系推理 问题求解理论描述是为了在更好的研究问题,以及为在不同的粒度之问的 关系推理做铺挚。而推理关系推理主要是由“保真原理”和“保假原理”这 两 个基本原理构成。 保假原理?:若一个命题在粗粒度空间中为假,则该命题在比它细的商空 间中一定也无解。 保真原理?:若一个命题在两个较粗粒度的空问中为真,则在一定条件 下,在其合成的商空间中对应的命题也为真。 在文献【】中详细论述了原问题,厂,’和新问题【】,【厂】,【丁】的关系, 而 文献【】并有如下两个重要命题: 命题】.:,丁一】,【丁】是自然投影,所以是连续的.若彳?且 彳是中的连通集,则是【】中的连通集. 命题表明,若一个问题在原论域中有解是连通的,在适当的粗粒度论域 【】上也有解.反之,若粗粒度论域上无解,则原问题必无解不连通.这个性质 说 明,商空间变换的保假的特点. 命题【.设,丁是半序空间或是拟半序空间,是相容的,若 ,?,且,,则【】,】,其中【】,【少】?【】,【丁】。 命题表明,如果原论域彳本身很复杂,可在上引入一个分类,得 【】。若月与彳的结构丁是相容的,则在【上诱导出一个商半序丁】。于是就 商窄问分层方法 将原来求到的问题转化为在?】中求【】到【门的问题。由于尺是相容的, 则 :,丁寸【】,旷】是保序的。也就是,当利用适当的分类技术在粗粒度世界 讨论问题时,如果问题无解,那么在细粒度的原问题上也无解,由于粗粒度世 界通常比原粒度世界简单,这样就缩小了求解的范围,加快了求解的进度。 .等价关系与粒度的构造 通过对商空间理论的研究可知,在其分析、研究问题,特别是在各个商空 间的确定的过程中,等价关系的确定起到关键的作用。下面作简单的价绍: 定义.: 设,是两个集合,彳×是彳与的笛卡尔积,?彳×。 如果口,?么×,都有口,?月,那么口与有关系月,记为枷,则称为 集合彳×上的一个关系。 定义.:设爿是一集合,口,,?彳,灭是彳上的一个关系,且满足 口口,称自反性 若被,则口,称对称性 若口足,尺则口尺,称传递性 那么尺就是上的~个等价关系。 问题的粒度的确定,要寻找相应的等价关系尺,然后就可以对论域颗粒 化即划分,从而得到商空间【】,【门,口】。在文献【】中,给出了四种论域 划分 的方法: 属性划分法。即将论域上的属性相同或者相似的元素划分一类。 ’ 投影划分法。假设论域上的元素是多维的,若有脚个属性函数的 分量分别是彳,以,?,厶,为了处理方便,暂不考虑其中的聊一个属性 厶,厶’,?,厶,将石,石,?,属性,按值相同的元素划分一类。 结构划分法。将论域在结构上或功能上关系密切的元素划分为一 类。 约束划分法。假设论域上有个约束条件,,,?,。,则可以 基于混合高斯模型的运动目标检测技术的研究 安徽大学们届硕上学位论文 按照条件来进行划化论域。 假如分类有相交的情况:即论域中有一元素同时属于至少两个以上划