下载文档原格式
科技与创新┃Science and Technology&Innovation ·60·2021年第06期文章编号：2095－6835（2021）06－0060－02复杂光照条件下的运动目标检测王杰，陈宁，李潇峥，李旭亮（浙江科技学院机械与能源工程学院，浙江杭州310023）摘要：为了解决视频目标检测中光照变化对目标检测产生的影响，提出了一种考虑光照变化的运动目标检测方法。
首先确定光照变化的强度并进行分类，其次将图片均匀分割成9块区域并计算光照强度均值，最后根据相邻帧光照强度变化量进而改变混合高斯模型的个数和学习率的大小。
实验结果表明，该方法与传统混合高斯模型相比在不同光照条件下均具有较好的检测效果。
关键词：复杂光照；目标检测；混合高斯；学习率中图分类号：TP391.41文献标志码：A DOI：10.15913/ki.kjycx.2021.06.020在图像分析与处理中，人们更希望获取其感兴趣区域。
而常用的方法就是对图像进行处理，突出有效目标去除无用的信息[1]。
目前，常用的运动目标检测方法有帧间差分法、光流法、背景差分法等[2]，但这些方法对光照变化场景中的目标图像处理效果较差，存在目标漏检、误检等诸多缺点。
针对上述问题文献[3]采用自适应学习率的混合高斯模型进行背景建模，该方法可以一定程度上解决光照突变带来的影响。
文献[4]采用边缘描检测和RGB颜色信息相结合的方式对前景和背景进行分割，进而实现目标检测。
文献[5]根据最近观察到的像素值的历史值进行背景建模，随着时间的推移逐渐更新背景。
文献[6]改进ViBe的视觉背景提取算法，根据光照变化的不同做出相应改进，提升了算法对光照变化的鲁棒性。
上述方法在不同程度上解决了光照变化的影响，但算法存在计算量大、实用场景受限、检测不完整等问题。
基于以上学者研究存在的问题，混合高斯背景建模相对于其他检测方式，可以更有效地检测出光照变化区域的运动目标[7]。
基于改进的GMM运动目标检测算法的应用研究本文讨论了监控视频运动目标检测算法，在实际的监控视频中，所面临的一些问题和挑战。
对基于GMM算法的原理、检测流程进行了讨论，分析了GMM 算法的优点和存在的不足。
针对其缺陷，提出了一种改进的GMM算法，在GMM 算法的基础上引入MRF、非参数密度估计、高斯个数自适应选择等，使得算法的抗干扰能力加强，对运动目标的检测更准确。
标签：背景建摸高斯模型目标检测一、引言多年来，随着信息技术和图象处理技术的新发展，使得智能交通管理成为全球研究的一个重点课题，对视频实现运动目标的自动定位，可以为城市智能化交通分析和管理提供可靠信息，对于缓解城市交通压力、维护社会治安等具有重要的战略意义，具有广泛的应用前景和经济价值。
二、基于GMM的运动目标检测方法1.GMM算法基础传统单高斯模型（GMM）对每一个像素利用高斯函数建模，每一个像素处理的都是一系列在相应时间内（从起始时间到当前时间）的该点值的集合，即在任意时间t像素点的值应该是以时间为轴的点的集合中的一个，这些点的集合符合高斯分布的特征：但是，当检测场景很复杂时，单高斯分布背景模型抵制噪声干扰的作用很弱。
综上所述，单高斯背景模型有很大的局限性，无法准确地描述背景变化很大或者场景发生突变时的复杂场景，例如对于运动摄像机拍摄的视频等，这时可以使用多个高斯模型来描述像素点，这就是混合高斯模型的思想。
2.混改进的GMM运动目标检测算法改进的GMM（混合高斯模型）与单高斯模型不同的是，一般用3到5个高斯模型来表示像中各个像素点的特征，由于算法简单计算量不大，一般能够满足实时性需要。
从多个方面对GMM进行了改进，主要的方式有：引入MRF、非参数密度估计、高斯个数自适应选择等[1]。
利用混合高斯背景模型GMM建模过程可以总结如下[2]：（1）模型匹配过程，判定新像素与混合高斯模型是否匹配：判断图像帧中对象位置的像素与已有的高斯混合模型匹配程度，若判定为匹配则按下面步骤（2）的规则更新模型参数；匹配不成功的情况下对新像素用一个新的高斯分布进行表示，加进该像素的混合高斯模型中。
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。
运动目标检测与跟踪算法的研究进展0 引言人类感知的环境信息大多是通过视觉获得的，而在接受到的所有视觉信息中，人们又往往对动态信息更感兴趣。
随着多媒体技术的发展，人们正在接触越来越多的视频信息。
一方面，要获得较高压缩比来存储这些信息，另一方面，需要对感兴趣的区域或对象进行操作[1]。
因此对视频图像中运动目标的提取、分类识别和跟踪，已成为对运动目标的行为进行理解和描述视频图像中动态信息的主要内容。
运动目标的检测与跟踪在技术上融合了计算机视觉、视频图像处理、模式识别和自动控制等相关领域的知识[2]。
运动目标的检测与跟踪是视频技术的一个重要研究方向，其应用十分广泛。
在交通流量的监测、安全监控、军事制导、视觉导航，以及视频编码中都有涉及。
目前，运动目标的检测与跟踪已经取得了很多成果，并且不断有新技术、新算法涌现。
但是，在实际环境中，由于自然环境的复杂（光照、气候的变化等），目标的高机动性，干扰了目标检测与跟踪，造成检测不准确且跟踪效率不高。
因此，研究改进运动目标检测与跟踪算法有很现实的意义和应用价值。
1 运动目标检测常用算法运动目标检测就是从视频图像中将变化的区域从背景中提取出来，此类算法依照目标与摄像机之间的关系可以分为静态背景下运动检测和动态背景下运动检测。
静态背景下只有被监视目标在摄像机的视场内运动；而动态背景下摄像机也发生了运动，这个过程就产生了目标与背景之间复杂的相对运动，造成动态背景下的运动检测和跟踪难度很大。
目前对于动态背景下运动检测和跟踪的研究较少，因此本文暂不涉及运动背景下的运动目标检测与跟踪。
在静态背景下，运动目标检测主要算法有三种：帧间差分法、背景差分法和光流法。
下面分别对这三种算法进行分析。
1.1 帧间差分法帧间差分法[3]的基本原理就是相邻帧的图像对应像素点的灰度值相减，通过差分图像进行二值化处理以确定运动目标。
帧间差分法的主要优点是：算法实现简单，程序设计复杂度低；不存在背景的获取、更新和存储的问题；对场景中光线的变化不太敏感，实时性好。
