一种基于历史背景混合高斯背景建模算法.docVIP

一种基于历史背景的混合高斯背景建模算法 　　摘要：针对背景场景重复显现问题，提出了一种基于历史背景的混合高斯模型（History Background-based GMM，HBGMM）。相较于传统的混合高斯模型，该模型对历史背景模型进行标记，并通过判决匹配次数快速调整历史背景模型的学习率。同时对模型权重低于阈值下限历史模型和非历史模型进行区别处理，用该方法更新模型权重从而降低误检率，使历史模型尽量避免误删除。实验结果表明，本文提出的基于历史背景的混合高斯背景模型能够实现记忆背景的功能，从而更快地适应场景的变化，减少前景误判。 　　关键词：视频处理；背景建模；混合高斯模型；历史背景 　　中图分类号：TN919 文献标识码：A 　　背景减除是自动视频对象分析的一项关键技术，他在智能视频监控等领域中有着非常广泛的应用。对视频场景进行背景建模，将存储好的背景模型和新观察到的图片进行背景减除来提取运动目标是较为常用的方法＼[1＼]。原理虽然简单，但是真实世界中像素在时域和空域中的复杂变化，使得背景建模变得很困难。比如阴影检测、亮度的缓慢或剧烈改变等都是现在背景建模的难点＼[2-3＼]。近年来，国内外学者提出了许多建立背景模型的方法，包括针对含有纹理的动态场景，采用一种新的模糊色彩直方图特征来减弱运动背景造成的色彩改变＼[4＼]；为每一个像素点建立一个由4层前馈神经网络组成的背景模型＼[5＼]；结合颜色、梯度、不同特征来构建背景模型，采用支持向量机来进行背景分类＼[6-7＼]等。 　　湖南大学学报（自然科学版）2015年 　　第10期肖进胜等：一种基于历史背景的混合高斯背景建模算法 　　高斯模型是近年发展起来并得到广泛应用的一种技术。Stauffer等＼[2＼]提出利用混合高斯模型来建立背景模型，在每帧中对各个像素点建立由多个高斯分布组成的背景模型。自此以后，该方法以其能较为鲁棒地描述多峰分布的背景而被广泛应用，但其仍然具有处理速度较慢、无法应对突变背景等缺点＼[8＼]。此后的研究者对混合高斯背景建模方法做了各种改进。Zivkovic Z＼[9＼]针对自适应高斯混合模型的个数和参数问题进行了改进，利用最大似然估计进行高斯模型个数的选择。文献＼[10＼]考虑到全局抖动造成的运动目标检测不准确的问题，提出基于分区灰度投影稳像的高斯背景建模算法。文献＼[11＼]针对亮度场景的变化，建立亮和暗不同的模型进行亮度场景变化的检测和估计。文献＼[12＼]为了解决场景中存在的突变，提出基于记忆的混合高斯模型（Memory-based GMM， MGMM）的前景检测算法，取得了很好的检测效果，但是该算法中每个像素都要经过瞬时记忆、短时记忆和长时记忆3个空间的传输和处理，影响了算法效率和实用性。上述方法对混合高斯模型的修改多数集中在提高模型的处理效率与收敛速度方面。当现有的混合高斯建模算法应用到实际场景中时，若背景场景重复性出现时，如被重复性的遮挡与显露，受模型学习速度的影响，重新显露出的背景场景的变化不能被立即学入背景模型中，依然会被检测为前景，从而产生大量误判。 　　本文针对视频中背景经常重复性地被遮挡与显现的场景（如智能视频监控场景中），提出了一种基于历史背景的混合高斯模型（History Background-based GMM， HBGMM）。经过模型学习，基于历史背景的混合高斯模型对重复出现过的背景具有记忆功能；当重复性背景再次出现时，能及时判决出背景与前景，从而使被误判成为前景的背景快速消融至背景中。 　　1混合高斯模型原理分析 　　经典的混合高斯模型＼[2＼]对视频图像中的每一个像素点定义K个状态，其值一般取3～5。若每个像素点的像素值用Xt表示，则对应的概率密度函数可用K个高斯函数来表示： 　　f（Xt=x）=∑Ki=1ωi，tη（Xt，μi，t，Σi，t）。 （1） 　　式中：η（Xt，μi，t，Σi，t）为t时刻的第i个高斯模型；ωi，t为时刻t第i个高斯模型的权重，且有K个权重的和为1。 这里假定视频各帧图像中各点的像素值在R，G，B3个颜色通道＼[13＼]是相互独立的，并且具有相同的方差，σi，t为标准差，那么协方差矩阵可以取值为： 　　Σi，t=σi，t2I。 （2） 　　其中I为单位阵。所有K个高斯模型首先按照ωi，t由大到小排序，然后从首端选取B个高斯模型作为背景模型。其中B满足： 　　B=argminb（∑bi=1ωi，tThershold）。 （3） 　　式中：Thershold为预先给定的权重阈值，是用于选择模型个数的阈值，一般取值为0。7～0。9。对于新的一帧图片，若当前图片中点的像素值与其中某个高斯模型的均值和标准差满足： 　　Xt+1-μi，tδσi，t。 （4） 　　则认为该