混合高斯模型和LBP纹理模型相融合的背景建模.pdfVIP

Microcomputer Applications Vol. 26, No.9, 2010 技术交流 微型电脑应用 2010 年第 26 卷第 9 期 文章编号：1007-757X(2010)10-0042-03 混合高斯模型和 LBP 纹理模型相融合的背景建模 刘泉志，胡福乔 摘 要：提出了一个适用于动态背景的基于颜色和纹理的背景模型。这个概率背景模型不仅考虑了传统目标检测中的时域相 关性（背景减除等），也考虑了在动态场景中大量存在的空间相关性（方块纹理等），使得在动态背景中依然得到准确的运动 目标检测。首先应用混合高斯概率模型和LBP 纹理模型计算当前像素的颜色前景概率值，然后应用数据融合算法 D-S 证据 理论，进行决策层级上信息融合得到当前像素隶属于前景的概率值，提高了前景判别的准确性。实验证明，上述算法能够在 一般目标检测特别是动态场景下的检测中取得良好的效果。 关键词：目标检测；混合高斯模型；LBP 纹理模型；D-S 证据理论 中图分类号：TP311 文献标志码：A 0 引言 当获得新的图像帧时，更新混合高斯分布模型；在每一个时 间段上选择混合高斯分布模型的子集来表征当前的背景；此 在当前运用背景建模进行目标检测的工作中，比较著名 处不直接利用最近邻法则来进行前景点和背景点的判断，而 的针对每个独立像素的特征信息建模，有早期 Wren 等人提 是计算前景和背景概率值，利用所得概率值结合纹理模型来 出的高斯模型[1]，但是高斯模型在大多数的室外场景中遇到 间接的判断。 了问题，因为一些往复运动，阴影和反射使得产生很多误检 1.2 背景模型 漏检。为此在高斯模型的基础上 Friedman 和 Russell 提出了 由摄像头采集到的图像序列,每一帧图像包含 R, G, B 的 更能真实反映多峰概率模型的混合高斯模型。混合高斯模型 色彩信息.背景模型采用这些信息来描述像素点 i 在时间 t 的 已成为目前背景减除中最为常用的一个标准算法，但是高斯 特征。 混合模型也只是模拟了单个像素点在时间序列上的分布，而 X [R ,G ,B ] 1 i,t i,t i,t i,t （） 没有考虑到在一帧图像中存在的空间上的关联性。另外存在 式中 i,t 为一般自然数。 的一个问题是很难确定混合模型中高斯分布的个数。另一类 如果没有运动目标(前景)存在,则视频图像相对静止.每 区域模型算法中，较为有效的有 Oliver 等人提出的基于特征 一像素点随时间变化都服从一定的统计模型,该算法中每一 空间分解[2] 的目标检测算法，这个算法对光线的变化十分鲁 个像素点由 K 个高斯分布的混合模型来表征,其中第 k 个高 棒。另外 Zhong 与 Sclaroff 提出了基于自回归移动平均 斯分布的概率密度函数为 [3] （autoregressive moving average, ARMA ）模型 来预测状态 1 T