基于双向分析的KGMM运动目标检测算法-福州大学学报.doc

基于双向分析的KGMM运动目标检测算法( 游佩佩 , 何建农 (福州大学 数学与计算机科学学院，福州350116) 摘 要：传统的目标检测算法往往是顺着时间轴方向从过去到现在分析视频序列，而忽略当前帧之后的逆向视频帧信息，对于复杂场景下的背景突变或光照变化的运动目标检测等方面存在不足。因此，本文提出了基于双向分析的KGMM运动目标检测方法。在KGMM模型基础上，加入向后分析建立混合高斯模型，有效解决了较强的背景扰动和环境的复杂变化带来检测效果不好的问题，提高了算法的适应性；向前分析模型与向后分析模型共享一个高斯分布集，减少了高斯分布个数，保证了算法的运行速度。实验结果表明改进的算法检测效果更理想。 关键词：混合高斯模型; 双向建模; 运动目标检测 中图法分类号：TP391 The dynamic target detection algorithm based on bidirectional KGMM You Pei-pei,HE Jian-nong (Dept. of Mathematics, Mathematics and Computer Science Institute, Fuzhou University, Fuzhou 350002,China) Abstract: For most traditional target detection methods ,they prefer to use information observed in past frames when analyzing the video sequences instead of the opposite direction. As for suppressing strong background disturbance and complex environmental changes of background , the performs of KGMM do not so well . In order to solve the problem effectively, we proposed a bidirectional analysis method based on KGMM model which contains a backward establishment of Gaussian mixture model. Furthermore the forward analyzing model and backward analyzing model share one Gaussian distribution set ,thus our method can reduce the number of Gaussian model and improve the operating speed. Experimental results show that the improved detection algorithm performs better. Keywords: Gaussian mixture model; Bidirectional Modeling; dynamic object detecting 0引言 基于图像序列的运动目标检测是智能视频监控、交通检测及步态识别等领域的重要研究内容。目前主要的运动目标检测方法有光流法、帧差法、背景差分法。光流法需多次迭代运算，计算复杂耗时，一般难以实现实时检测，算法抗噪声等干扰能力较差，实际应用较少采用[1]。帧差法检测出的运动目标位置不精确，一般不能完全提取出所有相关的特征像素点，容易出现空洞现象等[2]。背景差分法直接通过比较当前帧与背景模型之间的差别来实现对运动目标的检测，具有数据运算量较小、实现简单提取的目标比较精准等优点[3]。 背景差分法的核心在于背景提取。经典的背景建模方法有基于统计的高斯混合模型方法[4-6]，能较好地描述多模态的背景分布，对处理背景轻微扰动等情形有较好的应用效果。文献[7]提出的在线均值聚类混合高斯模型(K-means Gaussian Mixture Model，KGMM)采用在线均值聚类对混合高斯模型进行初始化，在一定程度上提高了检测的准确度。但是对于复杂场景下的背景突变、光照变化等问题，上述两种方法只采用当前帧之前的帧信息来检测当前帧的像素点，而背景的某些变化导致的像素值变化可能在当前帧检测不到却在之后几帧中表现出来[8]，这样会造成检测效果不够准确。为此，本文在KGMM模型基础上，在时间轴上采用双向分析法，综合考虑当前帧之前以及之后的帧信息对当前帧像素值的影响并进行分析，建立双向KGMM模型，提高了算法对