下载文档原格式
一种改进混合高斯模型下的运动人体检测算法作者：凌超吴薇来源：《电子世界》2012年第24期【摘要】提出了一种基于改进混合高斯模型下的帧间差分和背景差分相结合的方法对运动人体进行检测，实验表明，采用改进的混合高斯模型，可加快背景建模和更新的速度，且对外界环境的适应能力更强。
而帧间差分和背景差分的结合充分发挥了二者各自的优势，提高了检测效率。
【关键词】混合高斯模型；差分检测1.模型建立及更新对于当前像素点不满足匹配条件的情况，仍旧按照式（7）进行降权处理，其均值和协方差保持不变。
实验证明，根据上式的参数更新公式可以更有效的利用当前像素值，使模型的建立速度更快，同时模型的更新也可以更好地跟上背景的变化，提高检测过程的实时性。
3.基于差分法结合的人体检测由于帧间差分法[2]的实现速度快，自适应性较强，因此可以应对复杂的环境变化，但差分时间间隔的选取会影响其检测结果，因此它对速度慢的运动目标容易形成漏检；而背景差分法[3]对目标的运动速度不敏感，仅对环境的变化比较敏感，在没有较好的背景更新机制的条件下实施目标检测容易形成误检。
为了更好的发挥优势，克服存在的缺陷，本文将这两种差分算法进行结合，在利用改进的混合高斯模型建模的前提下实现人体的检测，有效的突出了两种差分算法的优势。
在背景开始建立和重建这两个过程中，采用对环境变化适应性较好的帧间差分法。
如果背景的建立或者重建已经完成一段时间，这时背景模型趋于平稳化，则采用背景差分法。
4.实验结论及分析从检测的结果来看，本文所提出的基于改进的混合高斯模型的差分检测算法能够较好的从序列图像中完成人体目标的检测。
由于对背景模型的参数更新进行了改进，因此，参数更新率随着像素点匹配的数目而取得不同的值，使得模型的建立和更新能够随着场景的变换而加快收敛速度，检测的实时性得到了较好的提高。
同时，在背景建模完成的基础上，在不同时段采用了两种差分算法相结合的人体检测方法，能够更好的从图像帧中提取出前景目标。
改进混合高斯模型的运动目标检测算法华媛蕾;刘万军【摘要】针对传统的混合高斯模型存在无法完整检测运动目标、易将背景显露区检测为前景等问题,提出了一种基于混合高斯模型的运动目标检测的改进算法.通过将混合高斯模型与改进帧差法进行融合,快速区分出背景显露区和运动目标区,从而提取出完整的运动目标.在运动目标由静止缓慢转为运动的情况下,为背景显露区给予较大背景更新速率,消除了背景显露区对运动目标检测的影响.在兼顾混合高斯模型在复杂场景中对噪声处理效果差的基础上,利用背景模型替换的方法来提高算法的稳定性.经过反复实验,结果表明改进后的算法在自适应性、正确率、实时性、实用性等方面有了很大的改进,能够在各种复杂因素存在的情况下正确有效地对运动目标进行检测.【期刊名称】《计算机应用》【年(卷),期】2014(034)002【总页数】5页(P580-584)【关键词】混合高斯模型;运动目标检测;帧差法;背景显露区;背景更新速率【作者】华媛蕾;刘万军【作者单位】辽宁工程技术大学软件学院,辽宁葫芦岛125105;辽宁工程技术大学软件学院,辽宁葫芦岛125105【正文语种】中文【中图分类】TP391随着社会经济的发展和城市化进程的加快，日益增长的交通容量的需求已经对现有的交通能力及管理设备造成了巨大压力。
基于视频的车流量检测系统是智能交通系统的重要环节，运动目标检测与提取成为了基本的热点问题。
随着计算机技术和图像处理技术的发展，基于视频采集和监控的智能交通系统会得到更大的发展，成为未来的发展方向。
对这方面的研究也将具有更大的价值[1]。
运动目标检测是从视频序列中检测和识别出运动目标的关键技术。
目前常用的基于视频的运动目标检测方法有光流法[2]、背景差法[3-6]、帧差法[7]以及统计模型法[8-9]等。
目前，最常用的、研究最多的方法是基于统计模型的目标检测方法。
本文以混合高斯模型为基础进行研究。
混合高斯背景模型最早由文献[10]提出，很好地描述了复杂的背景，在视频监控领域发挥了很大的优势；文献[11]提出了混合高斯背景模型与三帧差法结合的运动目标检测方法，并通过面积法对检测结果进行分析；文献[12]通过在颜色和空间上对像素点进行建模，使混合高斯背景模型的自适应性有了明显的改善，降低了环境的干扰；文献[13]通过为每个像素引入参考量来提高背景模型的自适应性。
改进的基于混合高斯模型的运动目标检测算法郭伟;高媛媛;刘鑫焱【摘要】针对传统混合高斯模型检测运动目标中存在的不足,提出了一种改进的基于混合高斯模型的运动目标检测算法.将改进的混合高斯模型与四帧差分相结合,有效地解决了突变光照的影响并消除了传统帧差法检测目标时容易出现的双影现象,改进的混合高斯模型自适应地调整了高斯模型的分布数量,提高了背景的描述精度.分情况讨论了物体的运动状态并分别设置不同的学习率,改善了对运动缓慢目标的检测效果.实验结果表明结合后的算法能对运动目标进行准确检测,对复杂场景有较好的适应性.%Aim at the disadvantages of traditional mixture Gaussian model in moving object detection, an improved moving object detection method based on mixture Gaussian model is proposed. It solves the problem affected by the illumination mutations and the traditional frame difference is easily affected by double shadow which combines the improved mixture Gaussian model and four-frame subtraction. The improved mixture Gaussian model adjusts the numbers of the Gaussian distribution adaptively and improves the accuracy of the background description. This paper discusses the motion state of the object and different learning rates are set to improve the effect of slow-moving object detection. Experimental results show that the combined algorithm can detect moving object accurately and has better adaptability in complex scenes.【期刊名称】《计算机工程与应用》【年(卷),期】2016(052)013【总页数】6页(P195-200)【关键词】混合高斯模型;运动目标检测;四帧差分;学习率【作者】郭伟;高媛媛;刘鑫焱【作者单位】辽宁工程技术大学软件工程学院,辽宁兴城 125105;辽宁工程技术大学软件工程学院,辽宁兴城 125105;辽宁工程技术大学软件工程学院,辽宁兴城125105【正文语种】中文【中图分类】TP391GUO Wei，GAO Yuanyuan，LIU Xinyan.Computer Engineering and Applications，2016，52（13）：195-200.从背景中精确地提取运动区域是运动目标检测的目的，即正确分割运动目标区域，在运动跟踪和识别的基础上，运动目标检测直接影响着随后识别效果的成功与失败。
改进的基于高斯混合模型的运动目标检测方法
马义德;朱望飞;安世霞;邱会银;汤书森
【期刊名称】《计算机应用》
【年(卷),期】2007(27)10
【摘要】针对固定摄像机的视频监控系统,提出了一种改进的基于混合高斯模型的运动目标检测方法.在模型学习方面,均值与方差采用了不同的学习率,其中均值更新采用自适应的学习率,方差的学习率取固定值;引入权值均值概念,然后结合权值进行像素点的前景和背景分类;利用了背景图像消除阴影.实验结果表明,改进的方法与传统方法相比具有更好的学习能力,能提高在繁忙场景中,大而慢的运动目标检测的正确率.
【总页数】4页(P2544-2546,2548)
【作者】马义德;朱望飞;安世霞;邱会银;汤书森
【作者单位】兰州大学,信息科学与工程学院,兰州,730000;兰州大学,信息科学与工程学院,兰州,730000;中国华阴兵器试验中心,陕西,渭南,714200;兰州大学,信息科学与工程学院,兰州,730000;兰州大学,信息科学与工程学院,兰州,730000;兰州大学,信息科学与工程学院,兰州,730000
【正文语种】中文
【中图分类】TP391.41
【相关文献】
1.基于改进高斯混合模型的体育视频运动目标检测与跟踪 [J], 高野
2.基于改进高斯混合模型的运动目标检测方法 [J], 苏兵;李刚;王洪元
3.基于改进高斯混合模型的运动目标检测方法 [J], 程全;马军勇
4.基于高斯混合模型的改进GVF-Snake运动目标检测算法 [J], 卢毅;李文新
5.结合高斯混合模型和改进的LSBS的运动目标检测方法 [J], 曾垂力
因版权原因，仅展示原文概要，查看原文内容请购买。
改进混合高斯模型的运动目标检测算法Moving object detection algorithm of improved Gaussian mixture modelFor the traditional Gaussian mixture model cannot detect complete moving object and is prone to detect the background as the foreground region ，an improved algorithm was proposed for moving object detection based on Gauss mixture model. The Gaussian background model mixed with improved frame difference method for integration ，distinguished the uncovered background area and moving object region ，which could extract the complete moving object. To give a larger background updating rate of uncovered background area ，the background exposure of regional influences was eliminated. In complex scene ，it used the method of replacement by background model to improve the stability of the algorithm. The experiments prove that the improved algorithm has been greatly improved in the aspects of adaptability ，accuracy ，real-time ，practicality and so on，and can correctly and effectivelydetect moving object in the situation with variouscomplicated factors.Gaussian mixture model ；moving objectdetection ；frame difference method ；uncovered background area ；background update rate0 引言随着社会经济的发展和城市化进程的加快，日益增长的交通容量的需求已经对现有的交通能力及管理设备造成了巨大压力。
基于视频的车流量检测系统是智能交通系统的重要环节，运动目标检测与提取成为了基本的热点问题。
随着计算机技术和图像处理技术的发展，基于视频采集和监控的智能交通系统会得到更大的发展，成为未来的发展方向。
对这方面的研究也将具有更大的价值[1] 。
运动目标检测是从视频序列中检测和识别出运动目标的关键技术。
目前常用的基于视频的运动目标检测方法有光流法[2] 、背景差法[3-6] 、帧差法[7] 以及统计模型法[8-9] 等。
目前，最常用的、研究最多的方法是基于统计模型的目标检测方法。
本文以混合高斯模型为基础进行研究。
混合高斯背景模型最早由文献[10] 提出，很好地描述了复杂的背景，在视频监控领域发挥了很大的优势；文献[11] 提出了混合高斯背景模型与三帧差法结合的运动目标检测方法，并通过面积法对检测结果进行分析；文献[12] 通过在颜色和空间上对像素点进行建模，使混合高斯背景模型的自适应性有了明显的改善，降低了环境的干扰；文献[13] 通过为每个像素引入参考量来提高背景模型的自适应性。
然而，以上方法的提出没有同时兼顾并有效地解决混合高斯背景模型中出现的以下问题：1）无法完整准确地检测大并且运动缓慢的运动目标，运动目标的像素点不集中，只能检测到运动目标的部分轮廓，无法提取出目标对象的完整区域；2）无法将背景显露区域与运动目标区域很好地区分开；3）当运动目标由静止缓慢转化为运动时，易将背景显露区检测为前景，出现“影子”现象；4）在有树枝摆动等复杂场景中对噪声的处理效果不佳，对环境的适应性较差。
针对上述问题，本文提出一种改进的混合高斯模型的运动目标检测的算法。
实验证明改进后的算法在自适应性、正确率、实时性、实用性等方面有了很大的改进。
1 混合高斯背景建模Stauffer 提出了自适应混合高斯模型，该模型能有效适应光线的变化和多模态场景，抗干扰性强，是目前比较常用而且有效的背景建模方法，也是研究运动目标检测最有效的方法之一。
它是一种直观的概率密度模型，反映了某段时间内图像运动的统计特征[10] 。
在混合高斯模型中，对图像中每个像素点建立K个高斯模型（K一般在3和5之间取值），对于t时刻像素的样本值xt ，它的概率密度函数由K 个多维高斯分布函数的概率密度函数加权和来表示：3 本文的检测算法通过对传统的混合高斯模型法的分析，传统的混合高斯模型无法完整准确地检测大并且运动缓慢的运动目标，不能很好地检测出运动目标的完整区域。
另外，由于其采用固定的背景更新率，对运动目标速度的变化不能很好地掌握，进而不能准确地区分背景显露区与运动目标区域，容易将背景显露区检测为前景。
当运动目标由静止缓慢转化为运动时，易出现“影子”现象。
在有树枝摆动的复杂场景中，传统的混合高斯模型不能很好地去除噪声的干扰。
因此，本文对传统混合高斯模型行了改进，来解决以上出现的问题，提高了混合高斯模型对运动目标检测的准确性、实时性和实用性。
3.1 融入改进帧差法的混合高斯建模在混合高斯模型算法中融入改进的帧差法，具体过程如下：步骤1其中：ou）和运动目标在当前帧中所覆盖的区域（Am采用不同的背景更新速率。
对Am区域中的像素点，选取较小的更新率，来避免噪声的影响。
对于背景显露区Au，由于传统混合高斯背景模型采用固定不变的更新率，难以适应运动物体速度变化的情况，静止物体一旦运动，背景区域就会显露出来。
静止车辆开始运动时造成停留区域出现“影子”的现象。
为了使显露的背景区域能迅速地恢复，需要提高背景的更新速率，由此学习率£的取值就显得尤为重要。
本文对进行动态更新，£是自适应变化的。
利用高£斯分布的概率来确定£，利用M帧的高斯分布进行统计。
即背景模型随着真实背景的变化而变化，背景变化较大时背景模型也跟着变化，进而实现了较快的学习速度，提高了背景更新率，显露的背景能得到迅速的恢复，避免了“影子”现象的发生。
3.3 改进的前景检测对于上述的处理结果，不可避免地会引入干扰因素。
如由光线改变、树枝摆动等因素引起的噪声，可以它归为背景的一部分。
为了避免这种复杂场景中噪声对运动目标检测的影响，本文采用背景替换方法来进行检测。
在检测中当像素点不符合背景点时，对不符合的点，通过建立计数器来记录不符合背景点的次数，如果当前像素点不属于建立的背景并且像素的变化平缓时，即可判断为环境因素引起的噪声，此时计数器Num+1否则清零。
4 检测算法流程改进混合高斯模型算法在运动目标检测的过程中，要获取实时的交通视频帧图像，从而更好地完成整个检测的核心，即对运动目标的提取。
本文检测方法的具体流程，如图2 所示。
为了验证本文算法的有效性，首先选取了两段视频来检测算法的灵敏度，改进后的算法能检测出较完整的运动目标。
如图3 所示，图（a）是在第一段视频中截取的第308帧，图（d）、（g）是第两段视频中分别截取的第27帧，第425帧的图像。
图（b八（e）、（h）分别是算法改进前的处理结果，图（c ）、（f）、i ）分别是算法改进后的处理结果。
通过比较可以看出，改进前的算法无法提取出目标对象的完整区域，只能提取出部分的运动目标，对运动目标的检测灵敏度较低。
改进后的算法能检测到大部分目标，可以提取出完整的目标对象，对大并且运动缓慢的目标检测效果也有明显的改善。
另外，如图4 所示，选取三段车辆由静止缓慢转为运动的视频。
图（。
）与（d）、（9）与（h）、（k）与（I ）分别是运动目标从静止缓慢转为运动的检测结果对比。
从图中可以看出，改进前的处理结果中还仍有原始背景帧中静止车辆残留的“影子”。
经过本文改进的算法的处理，可以明显地看出结果中该“影子”基本消失，使目标检测更加完整清晰。
实验结果表明，改进的算法避免了传统混合高斯模型背景法中“影子”现象的发生，有效地消除了背景显露区，使背景显露区对运动目标检测的影响也有了明显的消除。
最后一段视频是在有树枝摆动的复杂场境中拍摄的，如图5 所示，图（a）是原始视频第469帧的图像，图（b）、（c）、（d）分别为传统混合高斯背景模型法、文献[13]的方法和本文改进方法进行检测的结果。
通过比较可以看出，在有噪声的复杂场境中传统混合高斯背景模型的处理效果较差，存在噪声的影响并且检测出的运动目标不够完整，文献[13] 通过为每个像素引入参考量来提高背景模型的自适应性。
该方法虽然能够检测完整的运动目标，但噪声影响加强。
而本文改进的算法可以有效地兼顾以上出现的问题，可以将运动目标完整地检测出来，同时也可以有效地抑制噪声的影响。
通过实验可以看出，本文改进的混合高斯背景模型的运动目标检测算法在准确性、实时性、实用性方面有了很大的提高。
改进后的算法能够很好地消除“影子”现象，在光线改变、树枝摆动等因素引起噪声的复杂场景中，采用背景替换方法来进行检测，有效地减少了噪声的干扰，实用性强。
改进帧差法计算简单、复杂度不高、运算速度快，可以准确快速地检测出较完整的运动目标。
在混合高斯背景建模的初期运用改进的帧差法，快速分离出变化区域中的背景显露区域与运动目标区域，提高了算法的灵敏度与实时性。
此外，根据划分的不同区域给予不同的更新率，通过提高背景的更新速率，使显露的背景区域能迅速恢复。
这不仅降低了算法的复杂度，还大大降低了算法的运算量，提高了算法的准确性与实时性。
6 结语本文提出了基于混合高斯背景模型的运动目标检测的改进算法。
通过对像素点的8 邻域进行操作来完成对传统帧差法的改进，可以提取出运动目标的完整的区域。
在混合高斯背景建模的初期运用改进的帧差法快速检测出变化区域，很好地区分出背景显露区域与运动目标区域，从而提取出完整的目标信息，即有效地解决了引言中提出的问题1）、2）。
利用不同的区域给予不同的更新率，降低了混合高斯背景模型的复杂度，对背景显露区利用高斯分布的概率来确定£的方法来提高背景更新率。
