基于混合高斯模型的运动目标检测算法_赵群.doc

基于混合高斯模型的运动目标检测算法赵群渤海船舶职业学院，辽宁葫芦岛125003摘要:针对摄像机在静止条件下的自适应运动目标检测，提出一种改进的运动目标检测算法。首先，针对高斯混合背景建模初期背景建模效果不理想的问题，利用统计的方法得到背景模型，根据背景图像建立高斯混合模型;在模型学习方面，为均值与方差设置了不同的学习率。针对传统的LBP算子的缺陷，提出了一种改进的纹理特征算子，将其与HSV颜色空间去阴影的方法相结合，从而实现对阴影的检测与去除，利用随机Hough算子对圆的检测原理，在运动目标检测的基础之上，实现对人头的边缘检测。实验结果表明:该算法可以很好地检测出运动目标，并能够有效去除运动目标包含的阴影区域，从而实现人头区域的检测。关键词:目标检测;自适应高斯混合模型;阴影检测;LBP算子;纹理特征算子;边缘检测Moving object detection algorithm based on Gaussian mixture modelZhao QunBohaiShipbuildingVocationalCollege，Huludao125003，ChinaAbstract:Under the static condition of a camera for adaptive moving target detection，this paper puts forward an improved algorithm for moving object detection First of all，considering that in the early stage of Gaussian mixture background modeling，the background modeling effect is not ideal，the background model is obtained by statistical method at the beginning of the video sequence，and then Gaussian mixture models are set up for the background image;then，in aspect of the model learning，different rates of learning are set for the mean and variance in order to improve the convergence rate of the background model In view of the defects of the traditional LBP operator，an improved texture feature operator is proposed This improved operator is combined with the method of removing shadow area of the HSV color space，thereby to detect and get rid of the shadow，and further to achieve detection of the edge of human head according to the principle of random Hough operators detection of the ring The experimental results show that the proposed algorithm can well detect moving targets，and can effectively remove the shadow in the moving object and thereby to achieve the detection of head areaKeywords:targetdetection;adaptivegaussianmixturemodel;shadowdetection;LBPoperator;textureoperator;edgedetection基于序列图像的运动目标检测是计算机视觉领域的重要组成部分。其中，最常用的方法是利用场景进行背景建模再用背景减除法提取运动目标，而在实际场景中，背景常常因为光照的变化或者某些对象的轻微扰动而有所改变，因此，背景模型的建立和模型参数的实时更新是背景相减法中最重要的2个问题1-3。目前，高斯混混合模型法是背景建模的方法中比较成功的一种。但高斯混合背景模型无法消除阴影的干扰，通常阴影也被检测为运动目标的一部分，这样将影响对运动目标的进一步处理和分析。1改进的高斯混合模型背景建模11背景模型初始化CStauffer4最早提出了高斯混合背景模型。设在时刻，像素点的概率值为式中:K为高斯混合模型中高斯分布的个数;、和分别为时刻高斯混合模型中第i个高斯分布的权重()、均值和协方差矩阵;为高斯分布的概率密度函数。运用高斯混合模型进行背景建模，在模型建立初期，很可能会有运动目标的“鬼影”留在背景图像中。文中在视频初期的N帧图像序列中，利用中值法提取背景图片，并对背景图片的每个像素点进行高斯混合背景建模，以背景图片中每个像素点的像素值作为均值，并赋以方差和权重，运用中值法的结果更新高斯背景模型，从而避免了运动目标被一起更新到背景里去。12背景模型更新及模型选择在t时刻，将当前帧像素值It(x，y)与该像素点对应的高斯混合模型的各个高斯模型进行比较，如式(1)所示:|It(x，y)ui，t1|25i (1)采用一种新的自适应学习率，为权重、均值和方差分别设置不同的学习率，若满足式(1)，按式(2)更新参数: (2)式中:，0=0002。反之，It(x，y)与任一高斯分布都不匹配，那么均值和方差保持不变，权值按式(3)进行更新: (3)若当前像素It(x，y)与所有模型均不匹配，则添加一个新的模型，用它替换w/比值中最小的高斯模型，设定替换的新模型的均值为It(x，y)，并赋予其较大的初始方差和较小的权值。2阴影去除及运动目标检测21局部二值均值模式(A-LBP)LBP作为一种纹理描述算子通常用于度量和提取图像局部的纹理信息5。LBP算子虽然具有很多优点，但是在某些特定的情况下，会丢失纹理的特征信息。针对LBP的缺点，本文提出一种改进后的局部二值平均模式，不但将传统算子的编码分类方式进行了改进，而且融合了中心像素和邻域像素的平均值，可以更好地描述纹理特征。公式表示为 (4)式中符号函数为 (6)其中阈值T的选取可以依据实际场景中背景图像的情况。22阴影检测本文选择在HSV颜色空间进行阴影检测。将文献6中提到的HSV颜色空间阴影检测算法与A-LBP纹理特征阴影检测算法相融合，具体步骤如下:1) H、S、V和Hb、Sb、Vb分别为当前帧和背景帧的色调、饱和度和亮度的分量。根据阴影在HSV颜色空间的特征初步检测阴影区域，计算公式如下: (7)2)在初步检测阴影区域后，利用A-LBP算子分别提取阴影区域像素块和相应的背景区域像素块的纹理直方图特征，计算2个直方图特征的卡方距离。如果距离小于设定的阈值，则该点是阴影点，否则判定为运动点。 (8)式中:Y、B分别代表阴影区和相应背景区像素块的直方图。图1是采集的一段室内视频流，intelligentroom_raw视频，图像分别包括视频流的原始图像，提取出的运动前景，利用HSV颜色空间和LBP相结合去除阴影后的运动目标，以及利用HSV颜色空间和A-LBP相结合去除阴影后的运动目标，可以看出本文提出的A-LBP改进算子在特征检测的阴影去除方面效果更好。( a) 原始图像 ( b) 前景区域( c) 结合LBP 的阴影检查 ( d) 结合A-LBP 的阴影检测图1 室内视频流3随机霍夫变换的人头检测技术1990年，LXu等人提出了随机霍夫变换(HT)的概念。随机霍夫变换对圆进行检测的具体步骤如下:1)设D为图像中所有边缘像素的集合，初始化参数单元集P=NULL，K为循环次数，K=0。2)从D中随机抽取3个点。3)计算这3个采样点所确定的特征参数p，如果可以计算出p，则执行步骤4);否则跳到步骤7)。4)在P中找出满足ppc的点pc，如果存在点pc，转到6);否则，执行步骤5)。5)将p对应的计数值置为1，并插入P中，然后转到步骤7)。6)将pc所对应的计数值加1，然后和阈值Nt比较，如果小于阈值Nt，则继续执行步骤7);否则，删除pc以及它在P中所对应的存储单元，然后转到步骤8)。7)计算k=k+1，如果kksmax，在P中找出pc，pc的计数值是P中最大的值，然后执行步骤8);否则，跳到2)。8)pc是候选圆的参数，如果pc对应圆上的边缘点数Me满足条件MeMmin则转到步骤9)。9)参数pc代表真实圆参数，从D中去掉那些落在参数pc对应特征上的点，查看已经检测到的圆的数目和规定的数目是否一致，若一致，结束;否则重置P=NULL，k=0，并且跳转到步骤2)。上面的步骤中，kmax是对一个圆检测的过程中所能允许的最大循环次数，Me是图像空间中落在候选圆上的点数，Mmin是圆必须的最小点数，一般是2。4实验结果与分析图2是利用随机霍夫变换进行人头检测的仿真效果图。图2中的6幅图像分别是原始图像;利用第1节改进算法检测出来的前景区域;利用第2节算法去除阴影后的运动目标;利用Canny算子进行边缘检测的结果;利用霍夫变换对圆进行检测并用白色圆环标记;根据图(e)中检测到的类圆区域的大小和位置，在原始图像中标记出来，标记的区域就是相应的人头检测的区域，及人头所在的位置。根据图2的仿真结果可以看出，本文提出的检测方法可以有效的去处阴影部分，完整提取前景目标，并且利用随机霍夫变换准确进行人头检测，实验效果良好。( a) 原始图像 ( b) 前景区域( c) 阴影去除 ( d) 边缘检测( e) 检测人头 ( f) 原始图像中标记人头位置图2 人头检测仿真效果图5结束语本文针对传统的混合高斯模型，提出了一种改进算法，利用该算法进行运动目标的检测。主要研究了复杂场景下的背景建模方法以及运动阴影的检测和去除，并且将其应用到实际的人头检测试验。本文虽然改进了基于高斯混合模型的运动目标检测算法，但是，只是针对目标检测过程中出现的某些问题，在其他的方面，还需要提高改进:基于混合高斯模型的运动目标检测，当运动目标和背景的差异较小，颜色相近时，检测的误差比较大，检测效果不佳，以后应该在这方面进行研究;本文进行的运动目标检测只是一个最初阶段的研究。对于一个完善的目标检测系统来说，除了检测提取前景目标，还应该对目标进行后续的高级处理工作，比如目标的分类、目标跟踪以及行为理解等方面。参考文献:1朱帆，田红彦，周张钰视频监控的全数字化与发展J中国西部科技，2011，6(2):1-32GEOGIOS S，MICHAIL K，EVANGELOLS L，et al 2D and 3D，motion tracking in digital videoM/ / Handbook of Image and Video Processing Burlington: Elsevier Academic Press，2008: 491-5173SONKA M，HLAVAC V，BOYLE 图像处理、图像分析与机器视觉M 艾海舟，武勃，译 2 版 北京: 人民邮电出版社，2003: 59-714STAUFFE C，GIMSON W E L Adaptive background mixture models for real-time trackingC/ / Proceedings IEEE Conference on Computer Vision and Pattern ecognitionCambridge，UK， 1999: 245-2515OJALA T，PIETIKAINEN M，HAWOOD D A comparative study of texture measures with classification based on feature distributionsJ Pattern ecognition，1996，29( 1) : 51-596林庆，徐柱，王士同，等 HSV 自适应混合高斯模型的运动目标检测J 计算机科学，2010，37( 10) : 254-2567汤中泽，张春燕，申传家，等 帧差法和Mean-shift 相结合的运动目标自动检测与跟踪J 科学技术与工程，2010，24( 8) : 5895-58998牛武泽，石林锁，金广智，等 融合时空信息的运动目标检测算法J 计算机工程，2011，37( 18) : 171-1769TALUKDE A，GOLDBEG S，MATTHIES L，et al ealtime detection of moving objects in a dynamic seen from moving robotic vehiclesC/ / IEEE/SJ International Conference on Intel