资源描述：
《基于像素层背景模型的复杂场景运动目标检测_414907778》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、第15卷第8期中国图象图形学报Vo.l15,No.82010年8月JournalofImageandGraphicsAug.,2010基于像素层背景模型的复杂场景运动目标检测1),2)1)1)韩建平张明敏潘志庚1)(浙江大学CAD&CG国家重点实验室,杭州310027)2)(杭州电子科技大学图形图像研究所,杭州310018)摘要为了从复杂变化背景中鲁棒地检测、提取运动目标,提出一种基于像素层背景模型的运动目标检测算法。该算法采用快速均值漂移方法将背景帧上具有相同统计特性的像素划分为一个像素层,背景模型从而被表示为一组像素层,通过与邻域像素对应的层匹配来检测运动
2、前景像素。实验结果表明,该方法可以实时、准确地检测运动目标,特别是在摄像机颤动等原因造成的背景时域不规则变化情况下,比经典的基于混合高斯背景模型的方法具有更好的检测效果。关键词视频分析运动目标检测背景模型视觉监控中图法分类号:TP309.7文献标志码:A文章编号:10068961(2010)08120106APixelLayerBasedBackgroundModelforMovingObjectsDetectioninaDynamicScene1),2)1)HANJianping,ZHANGMingmin,PANZhigeng1)(StateKeyL
3、aboratoryofCAD&CG,ZhejiangUniversity,Hangzhou310027)2)(InstituteofGraphicsandImage,HangzhouDianziUniversity,Hangzhou310018)AbstractAnovelbackgroundmodelbasedonpixellayerformovingobjectsdetectioninadynamicsceneispresentedinthispaper.Fastmeanshiftapproachisusedtoclusterintolayerswherethosep
4、ixelssharesimilarstatistics.Thebackgroundisthenmodeledasagroupofpixellayers.Anincomingpixelisdetectedasforegroundifitdoesnotadheretotheselayermodelsofthebackground.TheexperimentsshowthattheproposedmethodperformsbetterthanthetraditionalMoGmethodunderdynamicbackgroundandespeciallyintheprese
5、nceofnominalcameramotion.Keywordsvideoanalysis,movingobjectsdetection,backgroundmode,lvisualsurveillance中背景是变化的,例如背景中树枝随风飘动、水面0引言波动以及摄像机颤动,可以呈现一定的伪周期性,也可以是突发的,这些复杂的背景变化给运动目标检实时检测运动目标是智能视频监控、行为识别测提出了挑战。等视觉应用的基础。背景减除是在摄像机固定条件国内外研究者针对实际问题,提出了许多背景下常用的一种运动目标检测方法,即通过当前帧和模型及其运动目标检测方法。文献[1]建立参数
6、化背景模型匹配来检测和提取运动目标。构建背景模的混合高斯模型(MoG)来表示每个像素的概率分型是背景减除方法中的关键技术,决定运动目标检布,通过K均值近似算法对模型进行自适应更新,测的效率、准确性和鲁棒性。其困难在于自然场景一定程度上能适应多峰分布的背景变化。此后,研基金项目:国家高技术研究发展计划(863)项目(2009AA062704);上海世博科技专项(09524005001)收稿日期:20090108;改回日期:20090422第一作者简介:韩建平(1969),男,副教授。浙江大学CAD&CG国家重点实验室博士研究生。主要研究方向为计算机视觉、数字
7、图像处理。Emai:lhanjp@hdu.edu.cn通讯作者:张明敏。Emai:lzmm@cad.zju.edu.cn1202中国图象图形学报第15卷究者又对混合髙斯背景模型进行了改进。文献[2]利用最大似然估计在混合高斯模型中引入了高斯分1算法思想布个数的自动选择机制;文献[3]提出自适应的学习速率,从而改善模型参数更新的收敛速度。文献在无运动目标遮挡的情况下,除光照变化、噪声[4]通过应用颜色和纹理信息的线性组合,以提高影响外,背景像素颜色时域的变化一般是空域变化分割的准确性。高斯混合模型依赖高斯分布
