基于改进的混合高斯背景模型的运动目标检测

合集下载

基于改进混合高斯模型的运动目标检测算法

的物体检测效果较差，特别是当运动物体在场景中停滞一段时间，会造成漏检。
频做进一步处理（编码、目标跟踪、目标分类、目标行为理解等）的基础。运动目标检测方法主要有光流计算法、
帧间差分法和背景减除法３，中，背景减除法是目前种其研究最多、用最广泛的方法。应文献［提出的自适应混合１］
ＤＯＩ１．６／ｉｎ１０ —４８０２１．５：Ｏ３９ｊｓ．００３２．１．８０９．ｓ２４
１概述
运动目检测是视频图像分析的重要部分，是对视标也
和空间上对像素进行建模，减少了环境的干扰，强了混增
合高斯模型的自适应性。然而，这些方法对运动速度变化
型的目标检测算法。引入背景学习参数，结合前一帧的检测结果自适应地更新背景，从而提取完整的运动目标。利用像素的八连通区域信息抑制噪声，提高算法在复杂环境中的稳定性。实验结果表明，与传统检测方法相比，该算法能够在复杂环境中准确地检测出短暂停滞的
运动目标。
ａｅｓｕｉｉｅｏｓｐｒｓｏｓｓａｄｉｒｖｔｔｂｉｔｎｔｅｃｍｐｅｎｖｒｎｅｔｅｅａｘｅｉｎｓａｅｉｐｅｅｔｄａｄｔｅｕｔｒａｉｔｌｄｔｕｐｅｓｎｉｅｚｎｍｐｏｅｉｓｓａｌｙｉｈｏｌｘｅｉｏｍｎ．Ｓｖｒｌｅｐｒｍｅｔｒｍｌｍｎｅｉｎｈｅｒｓｌｓ
ＳＵＮｉｇａ，ＬＩＨｏＹ－ｎｇｎｇ，ＺＨＡＮＧｏＨｎｇ— ｉｙｎｇ

改进的基于GMM的运动目标检测方法

Ａｂｔａｔｓｒｃ：ＡｒｎｔｔｅｌｔｔＩｆｂｉｇｅｅｔｅｙｒｆｃｉｇｔｅｂｃｇｏｎｙｔｅｔａｉｏａｕｓａｘｕｅｂｃ — ｍｉｇａｉａｉｌｏｅｎｆｃｉｌｅｌｔｈａｋｒｕｄｂｈｒｄｔｎｌＧａｓｉｎｍｉｔｒａｋｈｍｉＯＳｖｅｎｉ
ｒｐｄｙｃａｇｎｎｉｏｍｅｔａｄｅｔｂｉｈｄｉｈｉｏｉ．Ｆｎｌａｉｌｈｎｉｇｅｖｒｎｎｎｓａｌｅｎｔｅｔｓｍｅｄｍａｎｉａｌｙ，ａｐｉｄｔｅｍａｈｍａｉａｒｈｌｇｏｍａｅｐｌｈｔｅｔｌｍｏｐｏｏｙｆｒｉｇｅｃ
ｕｄｒａｓｅｅｏｅｆｅａｒ，ｃｎａｃｌｒｔｈｓａｌｈｎｎｈｏｍａｉｎｏｅｂｃｇｏｎｎｍｐｏｅｔｅａｔｎｅｃｎｆｈｘｄｃｍｅａａｃｅｅａｅｔｅｅｔｂｉｍｅｔｄｔｅｆｒｔｆｔａｋｒｕｄａｄｉｒｖｈｉｔｉｓａｏｈｎ — ｉｔｒｒｎｅａｉｔｆｘｅｎｌｄｓｒａｃｎｆｅｔｏｌｍｉａｉｎｅｉｉｎｌ．ｎｅｆｅｃｂｌｙｏｔｒａｉｔｂｎｅａｄｅｆｃｉｕｎｔｆｃｅｔｅｉｅｕｆｌｏｙ
的快速变化的背景进行背景减除操作，最后在空间域上对检测结果进行数学形态学的处理。实验结果表明，该
算法能够提高背景建立和形成速度，增强对背景扰动和光照变化的抗干扰能力，固定摄像机场景下运动目标对的检测具有良好的鲁棒性。关键词：混合高斯模型；背景建模；目标检测；背景减除

基于减背景和混合差分的运动目标检测算法

标检测的精确度和速度。
关键词
运动目标检测；混合高斯模型；背景相减法；混合差分法Ｔ３１４Ｐ９．１文献标识码Ａ文章编号１０７２（００１０５— ４０７— ８０２１）０— ８０
中图分类号
Ｍｏｉｇ０ｂｅｔＤｔｃｉｎＡｌｏｉｍａｅｎＢｃｇｏｎｕｔａｔｎｖｎｊｃｅｅｔｇｒｈＢｓｄｏａｋｒｕｄＳｂｒｃｉｓｏｔｏ
ｃｌｒｉｇｓａｄｔｅｂｃｇｏｎｄｌｉｕｄｔｄｔｍｅｙ，ｔｅｈｄａｏｙｒｄｄｆｒｎｅｉｒｓｎｅｎｔｅｂ — ｏｏｍａｅ，ｎｈａｋｒｕｄｍｏｅｓｐａｅｉｌｈｎｔｅｉｅｆｈｂｉｅｅｃｓｐｅｅｔｄｏｈａｉｆ
ｐｏｏｅｏｉｅｕｖｉａｃｙｔｍｔｔｔｃｃｍｅａＦｒｔｔｅｍｉｅｕｓａｄｌｉｏｓｒｃｅｏｈｒｐｓｄｆｒｖｄｏｓｒｅｌｎｅｓｓｅｗｉｓａｉａｒ．ｉｓ，ｈｘｄＧａｓｉｎｍｏｅｓｃｎｔｕｔｄｆｒｔｅｌｈ
ＡｂｔａｔＡｎｖｌｖｎｂｅｔｄｔｃｉｎａｇｒｈｂｓｄｏａｋｒｕｄｓｂｒｃｉｎａｄｈｂｄｄｆｒｎｅｉｓｒｃｏｅｍｏｉｇｏｊｃｓｅｅｔｌｏｔｍａｅｎｂｃｇｏｎｕｔｔｎｙｒｉｅｅｃｏｉａｏｉｆｓ
ｓｆｈｄａｅｔａｉｅｅｃ．ａｄｆａｌｅｂｃｇｏｎｕｔａｔｎｉｃｍｉｅｉｙｒｉｅｅｃｏｇｉｉｏｅａｊｃｎｍｅｄｆｒｎｅｎｎｌｔａｋｕｄｓｂｒｃｉｏｂｎｄｗｔｈｂｄｄｆｒｎｅｔａｎｓｔｌｆｆｉｙｈｒｏｓｈｉｆ

改进的基于高斯混合模型的运动目标检测算法

ｒｌａｄｅｕｅｎｎｗＧａｓｉｎｉｔｉｕｉｎｅｅａｉｎｕｅｕｉｇｈｍｏｅｕｄｔ．ｈｅｐｒｅｔｌｅｕｔｄｍｏｓａｅｈｉｕｓａｄｓｒｔｇｎｒｔｒｌｄｒｎｔｅｂｏｏｄｌｐａｅＴｅｘｅｉｎａｒｓｌｍｓｅｎｔｔｔｅｍ－ｒ
Ｌｎ，ＨＡＯＸｕｊｅｍｐｏｅｖｎｂｅｔｄｔｃｉｎａｇｒｈｂｓｄｏｕｓｎｍｉｔｒｄ１ｍｐｔｒＥｇ－ＩＭｉｇＺｎｉＩｒｖｄｍｏｉｇｏｊｃｓｅｅｔｌｏｉｍａｅｎＧａｓｉｘｕｅｍｏｅＣｏｕｅｎｉ．ｏｔａ．
ｎｅｉｇａｄＡｐｌａｉｎ，０１４（）２４２６ｅｒｎｎｐｉｔｓ２１，７８：０ —０．ｃｏ
Ａｂｔａｔｎａｖｄｏｓｒｅｌｎｅｓｓｍｔｔｔａｒｓｔｅｍｏｉｂｅｔ’ｒｓｎｅｄｒｇｔｅｉｉａｉｔｎｔｈｒ－ｓｃ：Ｉｉｅｕｖｉａｃｙｔｗｉｓｉｃｍｅａ，ｖｎｏｊｃｓｐｅｅｃｕｉｈｎｔｌａｉｏｔｅｔｒｌｅｈａｃｈｇｎｉｚｏａｄｔｎｌｍｏｉｇｏｊｃｅｅｔｎａｏｔｍａｅｎＧａｓｉｘｕｅｍｏｅｏｅｅｕｓｉｔｅｌｗｃｎｅｇｎｅｓｅｄＴｉｏａｉｖｎｂｅｔｄｔｃｏｌｒｈｂｓｄｏｕｓｎｍｉｔｒｄｌｆｎｒｓｌｎｈｏｏｖｒｅｃｐｅ．ｏｓｉｇｉａｔｔ
ｉｃｅｓｔｅｎｒａｅｈｍｏｅｃｎｅｇｎｅｓｅｄ，ｎｍｐｏｅｄｔｃｉｎｌｏｉｍｉｐｅｅｔｄＴｈｉｒｖｄｄｌｏｖｒｅｃｐｅａｉｒｖｄｅｅｔａｇｒｈｏｔｓｒｓｎｅ．ｅｍｐｏｅｍｅｏＵｅｏ —ｉｅｈｔｄＳＳｎｌｎＫ－ａｓｃｕｔｒｎａｇｒｔｍｏｉｉａｉｅｈｍｅｎｌｓｅｉｇｌｏｉｈｔｎｔｌｔｅｍｏｅ．ｌｏａｅｅｍｅｏｙｐｃｗｉｈｍｐｏｅｎｏｈｔｈｎｉｚｄ１ｔａｓｓｖｓｔｍｒｓａｅＩｈｔｔｅｉｒｖｍｅｔｔｔｅｍａｃｉｇｈ

基于混合高斯模型的运动目标检测方法研究

ｐｒｏｍｉｇｍｕｔｌｂｅｔｅｍｅｔｔｎａｔｒｂｃｇｏｎｓｂｒｃｉｎ，ｗｅａｓｃｅｓｕｌｅｆｒｎｌｐｅｏｊｃｓｇｎａｉｆｅａｋｒｕｄｕｔａｔｏｉｏｃｎｕｃｓｆｌｙ
ｂｃｇｏｎｃｕａｅｙ，ａｄｔｒｕｈｓｂｒｃｉｎｂｔｅｃｎｍａｅａｄｂｃｇｏｎｍａｅａｋｒｕｄａｃｒｔｌｎｈｏｇｕｔａｔｅｗｅｎｓｅｅｉｇｎａｋｒｕｄｉｇ，ｏ
ｄｔｃｌｉｌｍｏｉｇｏｊｃｓＴｈｘｅｉｎｓｓｏｅｅｔｍｕｔｐｅｖｎｂｅｔ．ｅｅｐｒｍｅｔｈｗｔａｅｈｂｃｇｏｎｆｉｇｈｔｗｈｎｔｅａｋｒｕｄｏｍａｅ
ｓｑｕｎｅｓｈａｇｉｅｅｃｉｃｎｎｇ，ｔｅｈｍｉｔｅｘｕｒＧａｓｉｎｕｓａｍｏｌａｅａｇｏｉｈｄｅｂｓｄｌｒｔｍｃｎｓｉｔｃｎｇｄａｅｔｍａｅｈａｅ
基于混合高斯模型的运动目标检测方法研究
魏晓慧，李良福。，钱钧
（．惠州学院电子科学系，广东惠州５６０；２西安应用光学研究所，陕西西安７０６）１１０７．１０５
摘
要：了能够及时检测到图像场景中的运动目标，出一种基于混合高斯模型的运动目标检为提

基于改进高斯混合模型的运动目标检测方法

像处理、模式识别和自动控制等领域的知识，目前在智能监控、工业检测、军事制导、图像编码等领域中都有着广泛的
应用。
应背景的变化，并采用目标判决信息间接控制模型的变化，
有效地提高了背景模型的更新速度，但该方法只利用了目标的面积特征，对于复杂的背景中目标检测效果不太理想。文献【】６针对背景差分法在光照突变情况检测效果不理想的问题，提出建立统计光照模型的方法，可以有效检测出运动目标，但该方法需要一些先验知识，如人工提取前景区域等。本文提出的高斯混合模型是在文献Ｉ】出的高斯模型２提基础上作一些改进，采用一种新的更新率来提高背景模型质
不匹配像素消除光照影响，使用改进的ＧＭＭ提取背景图像。通过差分当前帧与背景图像获得二值差分图像，从该差分图像中获取运动目标。实验结果表明，该方法能适应光照变化，提高检测的准确性和鲁棒性。关键词：高斯混合模型；背景图像差分；背景更新；光照变化
ｄｆｅｅｃｍａｅｉｒｎｅｉｇ．Ｅｘｒｍｅｔｌｒｓｌｓｓｏｔａｈｅｅｔｏａｄｐｌｍｉａｉｎｃａｇｓｗｅｌａｄｉｐｏｅｔｅａｃｒｃｎｏｕｔｅｓｏｆｐｅｉｎａｅｕｔｈｗｈｔｔｅｄｔｃｉｎｃｎａａｔｉｌｎｔｈｎｅｌｎｍｒｖｈｃｕａｙａｄｒｂｓｎｓｆｕｏ
［ｂｔａｔｒｄｔｎｌｕｓａｘｕｅＭｏｅ（ＭＭ１ｓｅｙｓｎｉｖｇｔｔｉｎｎｌｗｆｒｏｖｒｅｃｅｄＴｉｐｐｒｒｓｎｓＡｓｒｃ｜ＴａｉｏａＧａｓｉＭｉｔｒｉｎｄｌＧｒｅｓｔｅｔｌｈａｏｓｄｉｓｏｎｅｇｎｅｐｅ．ｈｓａｅｅｅｔｉｖｉｏｉｍｕｔａｓｏｃｓｐ

一种基于混合高斯模型的运动目标检测新算法

１混合高斯背景模型
Ｓｔａｕｆｆｅｒ等人提出的混合高斯模型用Ｋ个高斯分布混合模拟像素点的背景值Ｊ，对于像素点（，
）在时刻属于背景的概率为：
用最多的运动目标检测算法，它先将当前图像与背景模型进行比较，找出在一定阈值限制下当前图像中出现的偏离背景模型值较大的那些像素，再对图像进行二值化处理，从而提取出前景图像，然而这
第１３卷第１４期２０１３年５月１６７ｌ一１８１５（２０１３）１４ — ４０７０－０５
科
学
技
术
与
工
程
Ｖｏ１．１３Ｎｏ．１４Ｍａｙ２０１３
ＳｃｉｅｎｃｅＴｅｃｈｎｏｌｏｇｙａｎｄＥｎｇｉｎｅｅｒｉｎｇ
动目标检测算法。该算法首先分别通过混合高斯模型算法和三帧差法各获得一幅前景图像，然后将两幅图像进行逻辑或运
算；再对获得的图像进行自适应中值滤波处理，并利用连通域阈值面积去噪法除去剩余的噪声，最终提取出运动目标。实验
仿真结果表明，利用该方法可以有效地提高运动目标的检测率。关键词混合高斯模型三帧差法逻辑或运算自适应中值滤波
⑥
２０１３Ｓｃｉ．Ｔｅｃｈ．Ｅｎｇｒｇ．
一
种基于混合高斯模型的运动目标检测新算法

基于改进高斯混合模型的实时运动目标检测与跟踪

ＨＥｎ－ｕＸｉｈａ，ＺＨＡＯｏＬｎｇ
（ａｉａｅａｏａｏｙｏｃｎｅ＆ＴｃｎｌｙｏｎｇａｄＣｎｒｌＴｃｎｌｙＢｉａｇＵｉｒｔ，ｅｉ０１１ｈｎ）ＮｔｎｌｙＬｂｒｔｏＫｒｆＳｉｃｅｅｈｏｏｎＩ．ｒｎｏｔｅｈｏ，ｅｎｎｖｓｙＢｉｎ１０９，Ｃｉａｇｏｏｇｈｅｉｊｇ
ｄｉ１．９９ｊｉｎ１０．６５２１．２１８ｏ：１３６／．ｓ．０１３９．００１．０ｓ
Ｍｏｉｇｏｊｃｒａ—ｍｅｄｔｔｎａｄｔｃｉｇｂｓｄｏｖｂｅｔｅｌｉｅｃｉｎａｋｎａｅｎｎｔｅｏｒ
ｉｒｖｄＧａｓｉｎｍｉｔｒｄｌｍｐｏｅｕｓｍｘｒａｋｒｎｏｅｗｉｏｌａｊｇｔｅｕｂｒｆｉｒｕｉｕｏａｃｌａｄｄｔｃｄｍｖｇｏｊｃｙａｓｉｉｕｅｃｇｕｄｍｄｌｈｃｃｕｄｄｔｈｍｅｓｂｔｎａｔｍｔａｙｎｅｔｏｉｅｔｂａｔｂｏｈｕｎｏｄｔｉｏｉｌｅｅｎｂｓｂｃｇｏｎｕｔｃｉ，ｅａａｄｔｅｍｖｇｏｊｃｂｅｃｎｉｕｙｏｊｅｔｒｍｓｎｔｉｂｓ，ｎａｃｄｔｅｒｉａｋｕｄｓｂｒｔｎｓｐｒｅｏｉｂｅｔｙｔｏｔｉｆｄａｎａｅ．Ｏｓａｉｅｈｎｅｅａｒａｏｔｈｎｈｎｔａｃｆｈｓｈｌ－ｂｉｆｂｅｔｅｃｌｒｉｒｕｉｙｉｐｏｉｇｒｉｏａｃｌｉｏａｄ１Ｔｅｃｉｖｄｒｌｉｅｍｖｇｏｊｃｄ— ｉｔｏｊｃｖｏｄｓｂｔｎｂｒｖａｔｎｌｏｒｓｇｍｍｏｅ．ｈｎａｈｅｅａ－ｍｏｉｂｅｔｅｌｙｏｉｏｔｉｏｍｎｔｄｉｏｈｔｒｅｔｎｔｔｎａｄｔｃｉｇｂｅｓｉｒｙｕｃｉｈｃａｏｓｕｔｙｔｅｐｓｉ，ｉｎｏｒｆｂｃ．Ｌｔｏｅｐｆｅｉｎａｋｎｙｔｉｌｉｎｔｎｗｉｗｓｎｔｃｄｂｏｉｏｓｅａｄｃｌｊｔｏｓｆｘｅ — ｃｏｒｈｍａｔｆｏｈｃｒｅｈｔｎｚｏｏｏｅｓｉ

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

Ｖａｕｆｏｉｅｉｅｇｓａｅａａｙｅｈｗｅｐｏｅｓｆａｋｏｎｐａｉｇａｄｒｃｎｔｃｉｎｔｅｍｐｏｅｖｌｅｏｓｍｅｐｘｌｎｖｄｏｉｉｍａｅｒｎｌｚｄｔｓｏｔｒｃｓｂｃｇｕｄｕｄｔｏｓｒｔ，ｈｎｗｅｅｌｙｔｏｈｏｒｎｎｅｕｏｈ
４４６６
２１，１（１００３２）
计算机工程与设计ＣｍｕｅＥｇｎｅｉｇｎｅｉｎｏｐｔｒｎｉｅｒｄＤｓｎａｇ
・多媒体技术・
基于改进的混合高斯背景模型的运动目标检测
宋雪桦，陈瑜，耿剑锋，陈景柱
（苏大学计算机科学与通信工程学院通信工程系，江苏镇江２２１）江１０３
ａｄａｂｃｇｏｄｒｂｉｉｇｍｅｈｎｓｔａｏｉｅｙｌｏｎｅｔｙａｃｕｄｔｇｉａｏｔｄＴｅｃａｇｉａｉｎｏｄｎａｋｕｅｕｌｎｃａｉｍｈｔｍｂｎｓｃｃｅｃｕｔｒｈｄｎｍｉｐａｉｄｐｅ．ｈｈｎｅｓｔｔｏｆＳａｒｎｄｃｗｉｎｓｕｎ
Ｆｒｈｓｏｌ，ａｇｒｈｉｐｏｏｅ，ｗｉｍｉｅｊｃｎａｉｅｅｃｔｏｔｂｃｇｏｄｓｂｒｃｉｔｏ，ｏｅｅｒｂｅｔｐｍｓｎｌｏｔｓｒｐｓｄｈｃｃｂｎｓｄａｅｔｒｍｅｆｒｎｅｈｄｈａｋｕｔｔｎｍｅｄａｉｍｈｏａｆｄｍｅｗｉｒｎｕａｏｈ
摘要：合高斯模型在应对背景中存在扰动的情况具有优势，其不足之处中混而
前景与背景之间发生转换时容易产生较长时间的虚影。针对上述问题，出一种融合相邻帧差法和背景减法的算法。采用提了循环周期和动态更新相结合的背景重建机制，过运用Ｍａａ视频图像某个像素点的Ｓ和Ｖ值的变化情况分析来体通ｔｂ对ｌ值现背景更新和重建的过程，对背景变化前后分别采用传统算法和改进算法进行对比分析。该改进算法解决了背景模型对并光线变化敏感以及容易产生虚影等问题，验结果表明了算法的有效性和鲁棒性。实关键词：背景建模；混合高斯模型；背景更新；运动目标检测；虚影中图法分类号：Ｐ０Ｔ３１文献标识码：Ａ文章编号：００７２（００２ —６６０１０—０４２１）１４４ —４
（ｅａｔｎｆｅｅｏｕｉｔｎｎｉｅｒｇｏｌｅｆｏｕｒｃｎｅｎｅｃｍｍｕｉｔｎｎｉｅｎ，Ｄｐｒｍｅｔｌｍｍｎｃｉｓｇｎｅｉ，ＣｌｇｍｐｔｉｃｄＴｌｏｏＴｃａｏＥｎｅｏＣｅＳｅａｅｎｃｉｓｇｎｒｇａｏＥｅｉ
ｔａｉｏａｌｏｔｍｄｉｒｖｄａｇｒｈｈｎｅａｋｒｕｄａｄｕｃａｇｄｂｃｇｏｎｓｅｔｅｙｎｅｒｓｌｅａａｙｅｒｄｔｎｌｇｒｈａｉａｉｎｍｐｏｅｌｏｔｍｉｃａｇｄｂｃｇｏｎｎｎｈｉｎｎｅａｋｕｄｒｐｃｉｌ，ａｄｔｕｔａｌｚｄｒｅｖｈｅｓｒｎ
ＭｏｉｇｏｃｅｅｔｎｂｓｄｏｒｖｄＧａｓｉｘｕｅａｋｒｕｄｍｏｅｖｎＮｅｔｔｃｉａｅｎｉｏｅｕｓｎｍｉｔｒｃｇｏｎｄｌｄｏｍｐａｂ
ＳＯＮＧｅｈａＣＨＥＹｕＧＥＮＧｉｎｆｎ，ＣＨＥＪｎ — ｈＸｕ — ｕ，Ｎ，Ｊａ —ｅｇＮｉｇｚｕ
Ｊｎｓｎｖｒｔｈｎｉｇ２２１，Ｃｉ）ｉｇｕｉｅｉ，Ｚｅｊｎ１０３ｈａａＵｓｙａｎ
ＡｂｔａｔＧａｓｉｎｍｉｔｒｄｌａｌａｄａｔｇｆｅｌｇｗｉｅｅｉｔｎｅｏｅｂｃｇｏｎｉｕｂｎｅｂｔｔａｏｓｒｅ：ｕｓａｘｕｅｍｏｅｓａｃｅｒｖｎａｅｏａｉｔｔｘｓｃｆｈａｋｒｕｄｄｓｒａｃ，ｕｓｓｍｅｈａｄｎｈｈｅｔｔｌｈｄｓｄａｔｇｓｎｌｄｎｅｓｔｉｅｌｈｈｇｎｎ —ｉｈｓｉｅａｅｆｈｈｎｅｅｗｅｎｆｒｇｏｎｄｂｃｇｏｎ．ｉａｖａｅ，ｃｕｉｇｓｎｉｖｔｔｔｇｔａｅｄｌｇｔｎｉｉｙｏｈｉｃｎａｏｍｅｏｔｎｔｓｔｅｃａｇｔｅｅｒｕｄａａｋｕｄｇｈｃｏｂｏｎｒ