运动目标检测中误检测点抑制算法.pdfVIP

1 运动目标检测中的误检测点抑制算法 胡园园 宁波大学信息科学与工程学院，浙江宁波 （315211 ） E-mail ：victor.y.y.hu@163.com 摘 要：减背景法是一种有效的运动目标检测方法，但在光照强度发生突然变化时，由于背 景模型不能及时反映环境光线变化，将产生大量的误检测点。这种影响在室内环境下尤其明 显。本文采用了改进的自适应混合高斯模型进行背景建模，提取初始的运动目标，当存在光 线突变时，结合基于归一化互相关系数分析，有效抑制了光线变化导致的误检测点对检测结 果的干扰, 得到了清晰的运动目标。 关键词：混合高斯模型；光线变化；归一化互相关系数 中图分类号：TP391 文献标识码：A 1 引言 视频图像的运动目标检测是计算机视觉领域的一个重要研究课题，它是进一步对目标进 行分类、跟踪、行为理解与识别的关键和基础。而减背景法是比较常用也是比较有效的一种 运动目标检测算法，国内外学者也对此进行了大量的研究，相继提出了各种减背景算法，如 基于预测的卡尔曼滤波器方法[1,2 ]，基于统计的混合高斯分布模型[3-5]、非参数核密度方法[6] 等。其中基于卡尔曼滤波的自适应背景模型虽然能适应天气和光照的变化，但由于它只跟踪 单个的高斯分布，因此不能处理多模态情形；基于非参数核密度的方法能够处理树枝晃动、 窗帘抖动等多模态分布，但该方法需要对邻近的几十个样本都建立一个高斯核函数，计算量 较大；而基于混合高斯分布模型的方法，通过构建多模态的背景信息，能够较好的适应缓慢 光线的变化、树枝晃动、窗帘抖动等背景扰动的干扰，但当光线发生突变时，将严重影响运 动目标检测结果。 针对这种情况，本文采用混合高斯分布模型来构建多模态的背景信息，通过最匹配准则 和在线估计更新背景模型，检测得到初始的运动目标，并通过光线变化检测，当存在光线突 变时，结合归一化互相关系数分析去除由于光线突变导致的误检测点，得到清晰的运动目标 检测结果。 2 混合高斯背景模型及其更新 2.1 混合高斯背景模型 本文采用K 个高斯分布组成的混合高斯模型（GMM ）来对背景图像中的每个像素点建 模，那么在t 时刻背景图像中某一点像素值为X 的概率为， t K P (X ) ∑ω η(X , µ , =∑ ) (1) t i t t i t i t , , , i 1 式中ω 为t 时刻混合高斯模型中第i 个高斯分布的权重值，µ 和∑ 分别为t 时刻第 i ,t i,t i ,t i 个高斯分布的均值和协方差矩阵，η(X ,µ , ∑ ) 为高斯概率密度函数，其定义如下， t i,t i,t 1 T −1 ( ) ( )