智能监控系统中一种改进的目标检测算法

《智能监控系统中一种改进的目标检测算法》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、智能监控系统中一种改进的目标检测算法摘要：目标检测算法是智能监控系统研究领域中的一个重要课题，基于混合高斯模型的背景差分方法是其中一种广泛使用的目标检测方法，但是，在当场景本身发生变化，如当静止的物体开始移动时，存在背景模型对背景的变化的不能快速、及时地响应等问题。本论文针对运动目标的检测，提出了一种新的混合高斯模型自适应更新算法，它能够快速准确地初始化背景模型，加强模型适应场景变化的能力。仿真实验结果表明，该算法准确性高，运算速度快，能够较快适应背景的变化，可以满足实时检测的需要。关键词：运动检测；背景差分；混合高斯模型中图分类号：TP391.41在智能监控系统研究领域中，目标检测算法是其中

2、的一个重要研究课题，是目标识别、行为理解等各种后续高级处理基础，也是智能监控技术自动化和实时应用的关键。如何从视频流中准确地提取出运动目标，是很多智能监控系统，如：安全监控，交通自动监控，人体检测与跟踪等的基础部分[1]。7运动目标检测的方法有很多种，其中在视频监测系统中被广泛应用的是背景差分法。背景差分法将新得到的每一帧图像和一个背景表示进行比较，从而确定出每帧图像中属于运动目标像素点的位置。背景差分的方法也很多，如Ahmed[2]提出的非参数法，Stauffer等人[3，4]提出的高斯混合模型法等等。本文提出了一种改进的多高斯混合模型的目标检测算法。它能够在视频序列存在运动目标的情况下，快

3、速建立背景模型，还可以迅速适应背景的变化。1改进的目标检测算法在摄像机固定、视频中背景完全静止的情况下，背景图像中的每一个象素点，都可以用一个高斯分布来描述。然而，在绝大多数实际场景中，由于一些噪声的干扰，如树枝的摇摆、或是窗帘的晃动等，导致背景场景不是绝对静止的。这就使得背景图像上的某些象素点在不同时刻会表现出不同的颜色值。因此，用一个高斯模型来描述的背景跟实际背景会有偏差。本文中采用一种混合高斯分布来描述实际场景的背景模型。假设有K个高斯分布用来描述每个象素点Xt颜色，K的取值区间为3～5，则象素点Xt的概率函数可用公式（1）来表示：（1）在公式（1）中：μi，t∑i，t是第i个高斯分布在

4、t时刻的均值及协方差矩阵，ωi，t是第i个高斯分布在t时刻的权值，令∑i，t=σ2iI。高斯概率密度函数η用公式（2）来表示：（2）7当有新的一帧图像时，背景模型就需要进行更新。将高斯分布按照优先级由高到低进行排序，设一全局阈值T，将前B个高斯分布的权值求和，如果刚好大于该阈值，则将前B个分布认定为背景分布。全局阈值T决定了背景分布模型的数量，T越大，则背景分布模型个数就越多。对t时刻任意的像素点Xt，将其与B个高斯分布进行匹配，定义：（3）如果Mi，t=1，则判断该像素点为背景点，并对第i个高斯模型参数进行更新，更新方程如下：1）更新权重ωi，t=（1-α）ωi，t-1+α（Mi，t）（4）

5、2）更新均值和方差对于匹配不成功的高斯分布，不予更新均值和方差。对于匹配成功的第i个高斯分布如下：μi，t=（1-ρ）μi，t-1+ρXt（5）σ2t=（1-ρ）σ2t-1+ρ（Xt-μt）T（Xt-μt）（6）其中，ρ=αη（Xt

6、μi，σi）（7）7其中，α为权值更新率，ρ为参数更新率。如果该像素点与多个高斯分布匹配，则选择优先级最高的高斯分布进行更新。如果在混合模型中没有高斯分布匹配Xt，则去除掉权值最低的高斯分布，并用一个新的高斯分布来代替，同时将该像素点认定为前景点。在Stauffer[2，3]描述的模型更新方法中，权值更新率α是一个固定数值。如果α过小，模型的建立时间会较长。如果α

7、过大，模型对噪声的抑制作用就会降低。为解决上述问题，本文提出了一种新的模型更新方法，仅使用最新的N帧图像更新背景模型。在建立背景模型的初始阶段，由于可用来建立模型的帧数小于N，因此为了快速建立背景模型，我们选取了时变的权值更新率α和参数更新率ρ，使初始阶段的α值和ρ值较高，增大了开始若干帧在建立背景模型中的权重。α和ρ定义如下：（8）随着视频中帧数的增加，当稳定像素点（即连续多帧都能与背景分布相匹配的像素点）的参数更新率ρ逐渐稳定之后，背景模型也趋于稳定。当t0≥N时，基本建立起背景模型，令，利用最新的N帧数据更新背景模型。另外，对于场景本身的变化，如场景中原本静止的物体发生了运动，本文采取了

8、如下的更新方法：对于每一个象素点Xt，统计它被连续检测为前景的次数F（Xt），即Mi，t=0的次数。如果F（Xt）大于阈值THF，则将该点的7背景替代成当前的前景值。THF的取值不宜过小，否则将会把在场景内做短暂停留的对象更新到背景中，影响后续检测的准确性。统计场景中被检测为前景点的象素个数，如果大部分的象素点被检测为前景（如大于80%），则放弃继续更新，并且重新开始学习新的模型，方法如前文所述。