基于SVM和GMM的视频运动对象分割算法.pdfVIP

第31卷 第6期 武 汉理 工大学 学报 ·信 息与管 理工程版 2009年 12月 JOURNALOFWUT(INFORMATIONMANAGEMENTENGINEERING) Vo1．31No．6 Dec．2oo9 文章编号：1007一t44X(2009)06—0857—04 文献标志码 ：A 基于 SVM 和 GMM 的视频运动对象分割算法 张素文，张 陶，蒋 楠 (武汉理工大学 自动化学院，湖北 武汉 430070) 摘 要：针对传统的高斯混合模型分割方法易受复杂背景影响，且对前景对象的分割效果不理想的问题 ，提出 了一种将高斯混合模型与支持向量机分类器相结合的算法。该算法首先将视频图像由高斯混合模型做初步 二值化分割，同时将视频图像用训练后的支持向量机分类器进行像素分类，获取对应的前景块和背景块 ；然 后，将支持向量机得到的分割模板和高斯混合模型分割的结果进行与运算，得到最终分割结果。实验结果表 明，该算法显著减少了动态前景对象的分割错误，提高了分割质量。 关键词：支持向量机；高斯混合模型；复杂背景；分割模板 中图分类号：TP391 DOI：10．3963／j．issn．1007—144X．2009．06．001 视频对象分割是视频处理到视频分析的关键 模型与支持向量机 (suppo~vectormachine，SVM) 环节。视频对象分割 中的背景建模方法很多，如 分类器相结合的算法，其算法流程如图1所示。 Kalman滤波法、高斯混合模型法、基于色彩与梯 该算法充分利用视频的时空域信息，弥补了GMM 度建模法和光流法等 ¨。SAEED_2将 Kalman滤 仅采用时域信息对复杂背景建模的不足，适合复 波和背景消减两种方法相融合分割前景对象，通 杂背景视频的动态对象分割 。实验结果表明，该 过改进的帧问差分法，解决前景对象静止或不连 算法对复杂背景中的运动对象分割具有一定的可 续运动时滤波器无法感知的问题 ，但是，Kalman 靠性和鲁棒性，显著减少了动态前景对象的分割 滤波不能很好地消减运动物体的拖影，同时受视 错误，改善了对象分割效果，提高了分割质量。 频背景变化的影响较大，在提取前景的同时仍掺 杂了背景 中的小块干扰。GMM(gaussianmixture l 簦H I mode1)是应用最广泛的背景消减法之一，但是存 在更新速率低、时空消耗大等缺点，对复杂背景环 境的处理效果不佳 。对此，专家们提出了很多种 团 。 改进的GMM方法，如 YANG 将 GMM似然度、 时域连续的颜色特征和空间坐标结合成多维特征 向量，建立具有空间和颜色域连续性的GMM，解 决了复杂背景的干扰 问题，节省了对分割结果的 后期处理，但却进一步增加了GMM的计算复杂 自适应的GMM方法 构建连续帧图像的动 度和时间成本。YANG 提 出双层 GMM (TL— GMM)，克服了传统GMM 由于统一的更新机制， 难 以获取复杂像素的准确均值和方差的问题，减 P(X)=∑ ×n(x…x／，，∑ ) (1) 少了复杂背景的干扰，但仍有大量背景像素误判， 效果并不理想。 式中，K为高斯分布个数；o9为第i个高斯分布的 针对上述问题，笔者提出了一种将高斯混合 权值；叫为 时刻第i个高斯分布的均值；∑ 收稿 日期 ：2009—06—27． 作者简介：张素文(1963一)，女，湖北武汉人，武汉理