浅析基于混合高斯背景建模的运动目标检测.docVIP

浅析基于混合高斯背景建模的运动目标检测 摘 要：本文结合背景差分法及混合高斯背景建模基本理论，分析了背景差分法的运动目标检测效果依赖于背景的缺点。为了实现更准确的检测，本文用混合高斯加权建模的方法构建背景，并将其应用于单目摄像机背景下的运动目标检测。与一定的后处理结合后，该方法得到了较为清晰和完整的运动目标，为进一步深入分析和研究运动目标打下基础。 关键词：背景差分法、混合高斯模型、目标检测 1.前言 随着计算机科学技术的发展，视频监控已经从军事、交通、科研等领域向人们的日常生活渗透。如何自动识别监控目标，实现监控智能化已经成为计算机应用技术之图形图像处理研究领域的一大热门课题。运动目标检测就是实现检测并提取出与背景存在相对运动的目标的技术。它是对运动目标进行行为理解和分析的前提和基础[1]，是监控智能化应用和发展的重要研究内容。 目前，运动目标检测常用的方法主要是：帧间差分法[2]、背景差分法[3]和光流法[4]。其中，因受计算复杂，抗造性能差且不利于实现等条件的制约，光流法一般不适用于视频序列图像中的运动目标检测。在差分方法中，帧间差分法检测比较容易受到运动目标的速度的影响，无法对运动速度过快或过慢的目标进行正确检测。三帧差分在检测较大面积的运动物体时，容易出现目标“空洞”，不利于后期运动目标的识别和分析。与帧间差分相比，背景差分法检测出来的运动目标信息更完整，位置更准确，且操作简单，在运动目标的深入研究中有较大的优势。 2.背景差分法 背景差分法[3]是在运动目标检测方面最常用的方法之一，它的基本理念是通过判断当前帧和背景帧的对应像素点的变化程度来判断运动目标是否存在。如果对应的像素点变化值小于指定阈值，则该像素将标记为背景像素，否则为前景像素。其算法具体描述如下： ①获取某一时刻t的背景帧Bt（x，y）； ②获取与① 中对应时刻t的当前帧Pt（x，y）； ③将俩者进行差分运算，得到其的相对变化结果： （1） ④选用阈值T对③中的得到的相对变化结果进行二值化，根据二值化来判断对应像素点是背景像素还是前景像素，从而得到目标二值化图像： （2） 其执行流程及实现效果如图1、图2所示： 根据上面实验可以发现，背景差分法的算法比较简单，容易操作，可以较快实现检测目的。而且检测出来的运动目标信息完整，位置准确，非常有助于进一步对目标进行识别与分析。此外，从理论上说，只要能有合适的背景和经过相应的图像后期处理，运动目标就能被较快、较准的检测出来。 但是，通过对其进一步深入分析，就可以发现：背景差分法检测的效果对背景的依赖非常大。首先，在相机拍摄位置不变的情况下，背景差分法的检测需要一个纯粹的、没有任何运动目标的背景帧，或者需要一个可以提供准确且稳定背景的算法[5]。其次，背景差分法检测的是背景帧与当前帧的区别，如果一直不更新背景，那么对新加入视频后静止不动的目标就一直无法排除。最后，如果一直固定检测背景帧不变，那么实际背景中的光线变化、背景扰动等客观事物的变化将会以目标的形式出现在目标检测的结果上，干扰检测，甚至直接导致运动目标检测失败。 因此，在实际的背景差分法应用中，我们需要用一个合适的模型来描述背景，并在检测过程中不断对其进行更新，以便其更贴近于实际背景，提高目标检测的准确性和鲁棒性。 3.混合高斯背景建模 在对背景进行建模的方法中，最经典的是Stauffer和Grimson提出的自适应混合高斯模型[6，7]。它基本的理念是：每一个像素点的特征都通过用K个高斯模型加权建模进行表示，再通过分析该像素点的变化情况来确定背景点与前景点。其算法的具体描述为： ①背景建模：当前像素点出现的概率是K个高斯分布的加权建模，可用以下公式表示： （1） 其中K表示高斯分布的个数。（一般来说，K值越大，一个像素点的特征描述所含有的高斯分布就越多，则描述出来的背景与实际背景就越接近。但K值越大，意味着每个像素点的建模计算就越复杂，对系统的内存和计算速度的要求就越高，否则就无法实现实时背景建模的要求，从而导致无法准确的检测出运动目标。在实际应用中，一般会根据系统硬件情况及实践经验，将K的取值范围制定为 。）此外， 表示对应的第i个高斯函数的权值， 则表示第i个高斯分布函数，其具体公式为： （2） 4.后处理 在数学形态学[8]中，膨胀和腐蚀是对二值图像处理进行滤波的基本操作。膨胀操作的基本理念是通过增加目标的像素点，从而实现消除目标中的空洞和间隙。与膨胀相反的是，腐蚀则是通过减少目标的像素点，从而实现消除目标中的噪声点。它们的基本定义为： 一般来说，膨胀和腐蚀只能处理较小面积的空洞和噪声点，对于相对较大面积的噪声点和目标黑洞，则需采用连通性的原则来处理。即先对原始二值图像进行连通性分析，通过计算各连通区域的面积来判断该对象是否为后处理对象。当其连通面