基于混合高斯和均值滤波法的运动检测方法

《基于混合高斯和均值滤波法的运动检测方法》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、第32卷第5期武汉理工大学学报·信息与管理工程版Vo1．32No．52010年10月JOURNALOFWUT(INFORMATION&MANAGEMENTENGINEERING)Oct．2010文章编号：1007—144X(2010)05—0691—03文献标志码：A基于混合高斯和均值滤波法的运动检测方法钟珞，刘剑(武汉理工大学计算机科学与技术学院，湖北武汉430070)摘要：针对智能视频处理技术中运动目标检测问题，提出了运动目标检测中背景动态建模的算法。该算法有效地结合了均值滤波法和混合高斯模型法的优点，不仅提高了系统对快速运

2、动目标的检测能力，而且消除了单独使用混合高斯法时容易产生的“假”前景区域现象，同时提高了前景检测率。结果表明，在有诸多不确定性因素的序列视频中构建的背景具有较好的自适应性，能迅速响应实际场景的变化。关键词：运动目标检测；混合高斯模型；均值滤波法中图分类号：P301．6DOI：10．3963／j．issn．1007—144X．2010．05．002随着网络、通信和微电子技术的发展，视频监与背景模型进而检测出运动目标J。设t时刻控以其直观、方便、信息内容丰富的优势被广泛应背景模型参考图像为B(t)，当前帧为F(t)，则背用于多种场合

3、。从视频序列中检测运动目标是一景减除法的差分图像为：项基础而又关键的任务。运动目标的检测算法有Fd(，Y，t)=lF(，Y，t)一B(，Y，t)l(1)帧间差分法、背景减除法和光流分析法等¨J。如果(，Y，t)≥T，则点(，)，)属于运动目帧差分法简单，对场景光线的变化不太敏感，但容标；反之其属于背景，其中为门限值。使用背易形成空洞，对于一个物体可能会分成几个连通景减除法进行运动目标检测归结为两个最基本的区域；均值滤波法只适用于移动目标较少出现的问题：背景模型的获取和背景模型的更新。最简场所；而混合高斯法在建模过程中允许运动目标

4、单的背景选择方法是选择固定的某帧作为背景，存在，尤其适合有光线和天气变化小而速度快的但是因受外界光线的变化、背景中含有轻微扰动运动目标检测，同时对于有周期性变化的背景的对象的影响，不能用于长期和复杂的场景，因此(如晃动的树叶、波光粼粼的水面等)有较好的抑背景减除法的研究核心与重点在于如何获取一个制作用，但其对于全局亮度的变化及噪声较为敏健壮的背景模型来使得背景能随时问重建和感，容易误判为前景点。笔者充分考虑了混合高更新。斯法和均值滤波法。各自的优点，提出了一种1．2混合高斯模型新的运动目标检测算法。该算法的主要原理是利混合高斯法

5、是将每个像素按照多个单高斯分用混合高斯对周期性变化背景的良好抑制作用和布混合建模，以同时处理多种背景变化，该模型参数可自适应更新。设像素密度，f=，)由K其检测出的前景区域具有较好的连通性的特点，同时利用均值滤波法来消除混合高斯法过多的检个高斯分布按式(2)混合建模(实际建模时K通常取3～5，以内存大小和所需速度而定)：测点的现象。结果表明，该算法在满足检测精度要求的前提下具有较好的实时j生。_厂(=，)=∑[叩(，，，or)]1≤i≤K(2)1背景建模的方法其中：叼(，，，)为￡时刻第i个高斯分布1．1背景减除法模型；／z州为

6、均值；or沁为其标准方差；为亮度值背景减除法的基本思想是通过比较输人图像符合第i个高斯分布的像素个数占整个背景的比收稿日期：2010—04—12．作者简介：钟珞(1957一)，男，湖南长沙人，武汉理工大学计算机科学与技术学院教授；博士生导师基金项目：武汉市政府基金资助项目(2006IH0448)．692武汉理工大学学报-信息与管理工程版2010年l0月率，即权重。对于某一帧图像的像素亮度值，先确该像素点所对应的混合高斯模型相比较，以确定定它与哪些高斯分布最接近，例如设定偏差门限它是否匹配所对应的混合高斯模型的某个分布。为2．5，

7、则满足l，一一l≤2．50-一。的高斯分然后，依据匹配程度的不同选择不同的规则来更布的参数按下式更新：新混合高斯模型。由于是对每个像素点进行混合∞【．f=(1一)60“一1+(3)高斯模型的更新，计算量很大。在硬件设施一定=(1一P)一。+JD，f(4)的情况下，这种计算必定耗费大量时间，从而降低2=(1一P)2了系统的实时性。笔者提出了一种新的运动目标一1+P(，『一)(5)模型学习率O／由用户指定，0≤Ot≤1(如取检测算法。该算法的主要原理利用了混合高斯对0．01)；参数学习率P／∞。如果没有任何高周期性变化背景的良好抑制

8、作用和其检测出的前斯模型与当前像素亮度值，，匹配，则用一个新的景区域具有较好的连通性，同时利用均值滤波法高斯模型替代当前高斯模型中权重最小的高斯分来消除混合高斯法过多的检测点的情况。改进算布。其中，新高斯模型的密度均值为，『，方差为最法流程如图1所示。大初始方差