一种改进的运动目标检测算法研究与实现

1、一种改进的运动目标检测算法研究与实现摘要：运动目标检测是计算机视觉领域的一个重要分支与基础，在军事、交通、工业以及生物医学等领域具有广泛的应用前景。但由于运动目标检测问题本身的复杂性，运动目标的检测与跟踪面临诸多挑战。背景差分技术是常用的运动目标检测方法，但对于动态场景的变化，如光照和外来无关事件的干扰等特别敏感。本文提出基于背景差分技术的一种有效的运动目标检测方法，对于解决这些问题是非常有帮助的，首先利用混合高斯模型建立背景模型，再实时更新背景模型，以适应视频本身和光线的变化，最后使用形态学方法消除噪声和背景扰动带来的影响。运动目标跟踪方面使用区域跟踪技术，并引入两个参数实现跟踪匹配，很好地

2、处理了目标之间的相互遮挡问题。实验结果表明，该方法是快速有效，能够满足实时的需要。关键词：视频信息处理 混合高斯背景建模 目标跟踪 检测1 概述在视觉监控系统等应用领域中，其重要研究内容就是检测与跟踪运动目标。当下我们饿越来越多的需要进行视频信息智能化处理，人们开始将主力以更多地集中在怎样才能从视频流中提取运动目标、并对目标进行实时跟踪。在各种运动目标检测方法中使用的最普遍的是背景差分方法，但是关于动态场景的变化，如光照和外来无关事件的干扰等特别敏感。本文主要是依据背景差分技术，找到了一个更好的运动目标检测方法。在进行背景提取时，运用混合高斯模型方法建立背景模型，在对视频中的运动目标进行检测时

3、，通过背景差分操作的方法来实现，实时更新背景模型，以适应光线的变化和场景本身的变化，通过形态学运算得到最终的检测结果，最后运用连通区域面积限制目标大小的方法进行后处理，使由于噪声和背景扰动产生的影响不再存在。当运动目标确定后，采用区域跟踪技术对目标进行实时跟踪，跟踪技术中使用了两个参数以避免运动目标之间的遮挡问题。实验结果证明提出的检测方法是高效的。2 背景的提取和更新2.1 混合高斯模型 在采集的视频图像中是包含彩色分量的，一些应用中则使用了协方差的方法来进行计算，这种方法计算量大但效果提升不高，不适合实时性的要求。因此，本算法中直接简化了这一过程，将彩色图像转为灰度图的方法来进行高斯混合建

4、模。根据场景的复杂程度，高斯模型的数量k(37)，随着k值的增加，其能表征的场景会变得更加复杂，会加大相应的计算量。2.2 背景训练 首先对一段帧数的视频进行训练，通过训练帧中所得到模型计算出均值，方差和权重等各参数来从作为背景模型的参数。在训练过程中，不必对每个高斯模型都进行确定，如果对于某一像素点来说，在训练时间内其灰度值变化不大，即其一个到两个高斯模型内就已经能包含图像中90%以上的像素值，那么可直接将有较大的方差和较小的权值的参数赋予其他模型。本算法中将方差设为11，权值初始设置设为1。通过对背景的训练，可以消除背景中的扰动因素，以避免将运动物体视为背景模型，训练帧数越长，所得到的背景

5、模型越精确，但一般训练时间不超过50帧，否则会影响整系统的启动时间。2.3 模板匹配 得到了背景模型后，通过模板匹配来进行前景分割。在进行模板匹配前，首先要对混合高斯模型中的三个单高斯模型按照从大到小的方式进行排序，找出能与背景图像匹配的那个高斯模型。因动态区域点的方差会比静态区域的点要大，再加上由于运动物体的出现而使得模型更新后该单高斯模型的权值变小，所以随着权值的增加，方差会越来越小，匹配度相应的变高。通过公式distftb*var对混合模型中的各单个高斯模型进行优先级高低的排序后在进行匹配，其中dist为马氏距离、ftb表示阀值，var为模板中的方差。如果当前帧的像素值与所有的高斯分布模

6、型都不匹配，则可以判断该点为前景点，但找到匹配的高斯模型后，还不能就将其判断为背景点。因为背景模型中还是可能包含一定的噪声和干扰因素，并不是所有的高斯模型能完全代表背景。但由于噪声等干扰因素不会在图像中长时间停留在某一位置，其相对应的权值就应该很小。在对高斯模型排序的过程中，需设定一个权值阀值t。如果排序后所得到的第一个高斯模型的权值大于该阀值，则b 为1，否则，按顺序累加各高斯模型的权值，只到其权值大于该阀值，并将该高斯模型序号赋给b。在上面进行匹配成功的模型中，如果该匹配模型号小于b 值为背景，否则为前景。2.4 背景更新 由于场景中环境的不断变化，通过训练建立好的背景模型不可能适应新的背

7、景的需要，因此，需要对背景进行实时更新，以保证前景提取的正确性。在背景模型更新过程中，引入了学习率alpha 这一概率。当学习率取值比较小，其适应环境变化的能力就低，需要给足够的时间才能更新背景模型。相反，当alpha 取值较大时，其对场景的适应性较强，能很快的变化背景模型，但是对于一段时间内停留的场景中的目标，却很容易学入背景中去。针对这种情况，算法对学习率进行调整，在图像中的不同处设定不同的学习速率，以保证场景变化的需要。学习率的变化范围应该在01之间。对k个高斯模型进行更新，也就是对混合高斯模型中的三个参数，即权值，均值和方差进行调整。其权值的更新算法如下：weight=（1-alpha

8、）*weight+alpha*fct+alpha*mfct为一参数，m为匹配度，对于匹配上的模型取值为1，否则取值为0。可见当像素点与高斯模型不匹配时，其权值会降低。对于匹配上的i 个高斯模型，需对均值和方差进行更新。未匹配的模型，其均值和方差都保持不变。如果对于当前点的像素值，其与所有的高斯分布模型都不匹配，则新建立一个高斯分布将混合高斯模型中排序最后一个的高斯模型替换掉，同样该分布应选取较大的方差和较小的权值，而其均值则设为当前像素点的值。3 形态学过滤由于视频本身不可避免的噪声影响，导致检测结果产生各种问题，可能会将背景图像的区域像素点误测成为运动区域的像素点，也可能会由于各种原因漏检运

9、动目标内的部分区域，以及背景图像的分部区域由于树枝、树叶的轻微晃动而被误判为运动目标的区域等等。要想不让这些影响存在要做到：第一，通过运用形态学的腐蚀、膨胀方法处理上一步的检测结果，第二，找出其经过形态学处理后的连通区域，计算每个连通区域的面积，如果区域面积不大于一定阀值，不将其看作是前景运动目标区域。运用形态学运根据具体的实际状况最终确定连通区域内像素点个数的阈值。4 运动物体的跟踪目标检测结束之后，对运动目标进行跟踪时，选择的是区域跟踪方法，而且可以在区域跟踪算法中选择两个参数进行匹配。通过这种方法，即使有物体重叠和遮挡的现象，仍然能准确找出运动物体在图像中的位置。不仅能够对物体进行准确的跟踪，而且还实现了实时性处理的要求。具体跟踪时要做到：首先检测出第一帧中的目标，通过计算找到被跟踪目标在本帧中面积、质心的位置等，我们可以假设被跟踪目标为m。对下一帧中的目标进行检测，通过计算得出各自面积，最终确定质心的位置。计算出目标m与下一帧中各目标的质心间的距离dis和面积差dif。更新被跟踪对象的面积和质心位置的数据。再进行中的操作，对后续帧进行跟踪。5实验结果及结论本实验采用.net开发，下图是实验的结果，该算法快速检测到运动的轮廓。6 结论本文提出了一种基于背景模型法的背景更新方法，以混合高斯模型和背景差分技术为基础，结合形态学