基于改进的GMM参数估计的目标检测方法.pdfVIP

第30卷第5期 重庆工商大学学报(自然科学版) 2013年5月 TechnolBusiness Sci V01．30NO．5 JChon鹊ing Univ．(NatEd) Mav2013 文章编号：1672—058x(2013)05—0030一07 基于改进的GMM参数估计的目标检测方法水 李世锋，文志强，吴岳忠 (湖南工业大学计算机与通信学院，株洲412007) 摘要：背景减除法通过计算当前帧与背景模型的差来实现运动目标的检测，因此背景建模是背景减 mixture 除法的关键；混合高斯模型(Gaussianmodel，GMM)可对存在渐变及重复性运动的场景进行建模，有 效的提高了在光线强度变化，物体摇摆等复杂场景下建模的准确性；但它也有其固有缺点，针对利用传统 EM算法进行GMM模型参数估计时，易陷入解空间的局部最优的缺陷，采用基于最大惩罚的EM参数估计， 对传统的EM算法进行改进；另外，在检测不需要满足实时性时，提出了一种基于差分进化算法的GMM参数 估计法；最后把改进的GMM参数估计方法应用于基于GMM模型的运动目标检测当中进行验证，并得到很 好的检测效果。 关键词：目标检测；GMM；参数估计；EM算法；差分进化 中图分类号：TP391．4l 文献标志码：A 目标检测在实现技术上融合了视频图像处理、人工智能以及模式识别等多个学科，是近年来计算机视 觉领域中备受关注的前沿方向。当前目标检测常见的方法有：光流法、帧间差分法及背景减除法等¨。。光 流法在摄相机发生运动的情况下，仍可将独立运动的目标检测出来，但它是采用迭代进行计算，计算过程复 杂，对光照、遮挡、阴影等敏感；帧问差分法算法简单，计算复杂度低，实时性好等优点，很好的适应动态环 境，特别是当目标运动较快，目标与背景差别明显的时候效果更好，但是由于该方法对光线变化不敏感，在 实际检测过程中会出现空洞而不能完整的提取运动目标；背景减除法由于对场景的变化较敏感，所以在检 测的过程中需要不断地更新背景。但是，由于GMM能利用有限个单高斯模型的加权平均来对视频的像素 分布进行描述，因此，它可以用来对光照强度发生渐变，树木因刮风而摇摆等复杂的视频背景进行准确地建 模。背景减除法实现目标准确检测的关键是背景模型的创建与更新，也就是如何才能准确的对GMM模型 的参数进行估计确定。对参数集进行估计的一般方法有：极大似然估计，期望最大化估计。但在实际处理 中，极大似然估计往往由于似然函数的表达式太复杂，而使得参数估计值的求解相当困难，因此常用期望最 Ma)【imization 大化估计(Expectation GMM模型参数，但是EM算法本质上类似于多元参数空间中的局部爬山算法嵋o，在E和M步骤中，需要隐 含地确定每一点的方向和距离。因此，尽管EM算法是一种有效的极大似然估计方法，但却容易陷入局部极 小值而无法得到最优解，针对这一问题，本文提出了在EM算法的M步骤中增加似然函数的惩罚项，通过获 得最大惩罚值来避免解空间的局部最优；另外，在检测不需要满足实时性时，提出了一种基于差分进化算法 的GMM参数估计法，来提高利用GMM模型进行目标检测的准确性和鲁棒性。 收稿日期：2013—03一05；修回日期：2013—04—06． 目(20“7IW004．1)；湖南省教育厅科研基金资助项目(1lC0398)． 作者简介：李世锋(1984一)，男，河南濮阳人，硕士研究生，从事计算机视觉、目标跟踪与识别等研究。 万方数据 第5期 李世锋，等：基于改进的GMM参数估计的目标检测方法 3l l 混合高斯模型基本原理 混合概率模型是由多个独立的概率模型凸组合而成的口1，它可以用来描述复杂的数据分布，无论该数 据分布的结构如何复杂，总可以通过增加成分的方式来描述数据分布的局部特性，因此在视频和图像处理 领域是实现目标检测的有效工具。 从广义上来说，混合模型的表达形式如下所示：