一种改进背景提取与目标检测方法研究.docVIP

一种改进的背景提取与目标检测方法研究 　　【摘要】目标检测背景差分法是相对而言较为常用的方法，但是在背景差分法中，背景模型的建立成了至关重要的一个步骤，针对传统的混合高斯模型面临的计算量大、环境尤其是光照突变和对场景构成改变的问题，本文首先提出了一种简化了的混合高斯模型，可以减少运算量[1-3];其次通过区分是否发生光照突变从而选择不同的背景更新速率。简单、有效地解决了背景建模、实时更新模型参数以及光照变化和场景构成变化的问题。 　　【关键词】改进混合高斯模型;背景差分;运动目标检测 　　Abstract：target detection background difference method is relatively commonly used method， but in the background difference method， background model has become one of the most important step， in view of the traditional gaussian mixture model face a large amount of calculation， the environment， especially the illumination mutations and a change to the scene， this paper puts forward an adaptive gaussian mixture model number choice， secondly by distinguishing light mutations and choose a different background update rate. Effectively solve the background modeling， real-time update model parameters and the change of illumination and scene change. 　　Keywords：Improving Mixture Gaussion medel;Background subtraction;Moving object detection 　　1.引言 　　对于运动目标的检测，在现代化的各个领域都占有者重要地位，也是人们研究的热点。基于背景模型建立的目标检测方法通常有均值法、中值法、单高斯分布背景模型、混合高斯分布背景模型等，混合高斯模型是最为重要的一种背景建模方法。它是利用多个高斯分布函数进行背景模型的建立，通过与对应像素匹配，不断修改多个高斯分布的组成及权重，因此对场景具有一定的适应能力，但是该方法仍然存在很多弊端：1）在光照突变或者树叶大面积摆动的情况下，像素值会在短时间之内大面积的发生突变，很容易会被检测成为目标，这就存在一定的虚假性;2）目标长时间停止再运动时，被目标遮挡的部分容易被误判断为前景目标;3）目标运动缓慢或者做短暂停留时，很容易将目标判断为背景。 　　2.混合高斯模型 　　在混合高斯模型中，把图像中的每个像素都建立K个高斯函数模型（K=3～5），高斯分布表示所构成的模型amp;其函数表达式为： 　　高斯混合模型的背景提取和更新应包含以下三个部分：背景模型的初始化、参数更新、背景模型提取。 　　2.1 背景模型参数初始化 　　要对K个混合高斯分布的均值、标准差、权重系数初始化[4]： 　　⑴K个混合高斯分布的均值为第一帧视频所对应像素的像素值; 　　⑵K个混合高斯分布的标准差去一个相对较大的值; 　　⑶K个混合高斯分布的权重相等（一般为一）。 　　2.2 背景模型的参数更新 　　在完成对每个像素所对应的K个混合高斯分布初始化后，需要对下一帧图像里的每个像素与K个高斯模型进行逐一高斯匹配，如果满足式（1），则证明该像素与第i个高斯分布相匹配，匹配的为背景点，不匹配的为前景点。 　　（1） 　　对已经匹配成功的高斯分布按照式（2）进行参数更新： 　　（2） 　　匹配时取1，不匹配时取0。 　　2.3 背景模型的提取 　　每个像素点的多个高斯分布的优先级按照的值从大到小递减排列，在选取背景模型的时候从第一个优先级最高的模型开始，选取B个高斯分布作为背景模型[5]： 　　其中：-0.7～0.8。 　　3.改进的混合高斯模型 　　3.1 混合高斯模型个数的简化[6] 　　耗时较长是混合高斯模型较为突出的缺点，因为该建模方法需要对每个像素点建立多个（一般情况为3～5）高斯模型，大大增加了运算时间和运算的复杂度，有些不太复杂的场景下，很少的高斯分布就能准备的描述出背