下载文档原格式
ＣｏｍｐｕｔｅｒＥｎｇｉｎｅｅｒｉｎｇａｎｄＡｐｐｌｉｃａｔｉｏｎｓ计算机工程与应用２００７，４３（２１）１引言在视频监控系统中，运动目标的实时检测一直是一个重要课题。
一般说来，检测主要有三种方法：光流法［１］，相邻帧差法［２］，背景相减法［３］。
光流法的优点是能够检测独立运动的对象，不需要预先知道场景的任何信息，并且可用于摄像机运动的情况，但多数光流法计算复杂耗时，除非有特殊的硬件支持，并且很难实现实时检测；相邻帧差法非常适合于动态变化的环境，但相邻帧差分析法不能够完整地分割运动对象，不利于进一步的对象分析与识别；背景相减法实现很简单，并且能够完整地分割出运动对象，对摄像机静止及对背景相对固定的应用，背景相减法是一种有效的运动对象检测算法。
但在实际应用中，由于场景光照变化、摄像机抖动等因素，背景需要进行实时更新与维护。
因此，背景相减法的难点主要不在于“减运算”本身，而在于背景的实时更新与维护。
基于所研究的是室内视频监控系统，提出了一种自适应的背景估计方法来更新背景帧，在此基础上运用基于概率的分类对视频场景中运动目标进行实时检测与提取，再用数学形态学中的开、关运算来消除因噪声产生的虚假目标。
在消除运动阴影中，本文先联合ＨＭＭＤ色彩空间和光度特征来抑制阴影，最后用Ｓｏｂｅｌ边缘检测来修正运动目标，效果明显。
２目标检测２．１运动目标的提取背景相减法的基本思想是通过输入图像与背景参考图像进行比较的方法来检测运动目标。
设ｎ时刻背景参考图像为ｆｂ（ｘ，ｙ，ｎ），当前帧图像为ｆｃ（ｘ，ｙ，ｎ），则背景差分图像为ｆｄ（ｘ，ｙ，ｎ）＝｜ｆｃ（ｘ，ｙ，ｎ）－ｆｂ（ｘ，ｙ，ｎ）｜（１）对于运动目标检测的判断依据为：若ｆｄ（ｘ，ｙ，ｎ）＞Ｔ，则（ｘ，ｙ）点属于运动目标象素，反之属于背景点象素。
这里的Ｔ是门限阈值，本文采用基于概率的分类的方法来确定它。
首先需要评估活动值是由运动对象造成的，还是由摄像头的噪声造成的。
假设摄像头的噪声是叠加噪声，遵从高斯分布。
智能视觉监控中运动目标检测的阴影抑制摘要:论文简单的论述了智能视觉监控技术,重点研究了智能视觉监控中运动目标检测的阴影抑制算法,提出了基于归一化互相关函数和纹理特征的阴影检测算法,实现了任意运动物体的准确检测,取得了较好的检测效果.关键词:目标检测阴影阴影抑制1 引言智能视觉监控是用摄像机对场景进行拍摄,视频信号被采集到中央控制部门并显示到监视器上,由计算机自动的分析和抽取视频源中的关键信息,并发出警报和提供有用信息,从而能够有效地协助安全人员处理危机。
智能视觉监控技术是利用计算机视觉和图像处理的方法对图像序列进行运动检测、运动目标分类、运动目标跟踪以及对监视场景中目标行为的理解与描述.其中,运动目标检测对于智能视频监控的关键技术目标识别分类、跟踪和行为理解等后期处理非常重要,检测的结果将直接影响到后期处理的效果。
2 运动目标中的阴影抑制在摄像机静止的情况下,背景减除方法是目前运动检测中最常用的一种方法,但对于动态场景的变化,运动目标检测中影子有可能被误认为场景中一个错误的目标,如何让计算机识别出运动目标的阴影并把它和运动目标分离开,已经成为国内外学者研究的热点问题。
目前已有不少的文献对阴影问题进行了研究,典型的基于属性的阴影抑制算法分为以下几类:基于颜色空间变换的阴影抑制、基于统计的阴影抑制、基于色彩特征不变量的阴影抑制、基于物理模型的阴影抑制.通过研究与调研,灰度图易于计算,提出基于灰度图像的基于归一化互相关函数和纹理特征的阴影检测算法[1]。
2.1 算法研究像素点在未被阴影覆盖和被阴影覆盖时的亮度值近似呈线性关系,在信号处理中,归一化互相关函数(NCC)常被用来衡量两信号间的相似性,两信号越相似,则其NCC值越接近于1,因此可利用互相关系数的性质进行阴影检测; 对于亮度值或者饱和度很低的像素点,我们采用前景点和背景点的纹理相关性进行阴影点的判别.2.2 算法实现2.2.1 归一化互相关函数像素点处归一化的互相关函数为,4 结语本文提出基于归一化互相关函数和纹理特征的阴影检测算法,使其和之前的算法做实验比较,通过评估结果,可以看出此算法具有很好的适应性和准确性。
《运动目标检测和跟踪算法的研究及实现》一、引言运动目标检测和跟踪是计算机视觉领域中的一项重要技术，广泛应用于智能监控、自动驾驶、人机交互等众多领域。
本文旨在研究并实现一种高效、准确的运动目标检测和跟踪算法，为相关领域的研究和应用提供参考。
二、运动目标检测算法研究1. 背景及意义运动目标检测是计算机视觉中的一项基础任务，其目的是从视频序列中提取出感兴趣的运动目标。
传统的运动目标检测方法主要包括帧间差分法、背景减除法等，但这些方法在复杂场景下往往存在误检、漏检等问题。
因此，研究一种适用于复杂场景的、高效的、准确的运动目标检测算法具有重要意义。
2. 算法原理及实现本文采用基于深度学习的运动目标检测算法。
该算法利用卷积神经网络（CNN）提取视频帧中的特征，并通过区域生成网络（RPN）生成候选目标区域。
接着，利用分类网络对候选区域进行分类，确定是否为运动目标。
最后，通过边界框回归和NMS （非极大值抑制）等技术对检测结果进行优化。
在实现过程中，我们采用了PyTorch等深度学习框架，利用GPU加速计算，提高了算法的运算速度。
同时，我们还针对不同场景的实际情况，对算法进行了优化和改进，提高了算法的准确性和鲁棒性。
三、运动目标跟踪算法研究1. 背景及意义运动目标跟踪是在检测出运动目标的基础上，进一步对目标进行跟踪和定位。
传统的运动目标跟踪方法主要包括基于特征的方法、基于模型的方法等，但这些方法在复杂场景下往往存在跟踪不准确、易丢失等问题。
因此，研究一种适用于复杂场景的、稳定的、准确的运动目标跟踪算法具有重要意义。
2. 算法原理及实现本文采用基于深度学习的Siamese网络进行运动目标跟踪。
Siamese网络通过学习目标模板和搜索区域的特征表示，实现目标的快速定位和跟踪。
在实现过程中，我们采用了离线训练和在线更新的方式，提高了算法的准确性和适应性。
同时，我们还结合了光流法等技术，进一步提高了算法的稳定性和准确性。
监控系统中运动目标检测算法分析作者：李立现来源：《电脑知识与技术》2013年第34期摘要：广泛了解当前智能监控技术已有的运动目标检测算法的基础上，对常用的运动目标几种检测算法进行了深入的分析和对比。
针对相邻帧的帧间差分、背景减除法和光流场三种检测方法的不同算法的优缺点，介绍了一种基于背景差分和帧间差分相融合的多帧差分运动目标检测算法。
通过对运动目标静态场景监控视频图像的准确获取，运用分析改进算法得到更为接近运动目标实际状况的影像轮廓。
关键词：运动目标检测；光流法；背景差分法；帧差法中图分类号：TP311 文献标识码：A 文章编号：1009-3044（2013）34-7864-03近年来，由于监控系统中目标检测和跟踪技术的应用和商业价值，国际上许多科研人员积极探究其丰富理的论[1-2]。
在国外，欧美国家起步较早，拥有较为成熟的技术，例如：美国的ARDA 机构、欧盟ADVISOR 系统，还有日本的日本视觉工程 CDVP[3-4]。
中科院自动化研究所于上个世纪90年代成立模式识别国家重点实验室，开始研究和开发智能视觉监控系统。
分析国内在运动目标检测领域的研究成果，目前检测主要有三种运动目标的方法：静态场景下运动目标检测的帧差分法和背景减除法法，动态背景下运动目标检测的光流场法。
实际应用中往往因为多种因素包括光照、复杂背景等影响运动检测效果。
1 运动目标检测技术分析运动目标检测是运用数字信号处理技术从视频序列图像中分离出运动目标，运动目标检测的准确性直接决定着后续目标的识别跟踪，监控系统的运动目标检测可以说是整个系统的基础和核心，是计算机视觉研究领域中的重要分支之一[5]。
按照视频监控系统中背景的动与静可以分为两种情况，即：动态背景和静态背景。
监控系统中摄像头随着时间的变化旋转、平移的场景称之为动态背景，监控系统中摄像头固定，背景不变的场景称之为静态场景，这里讨论主要是室内静止的背景，前景是运动的人和物[6]。
目标跟踪算法与检测处理技术研究一、内容描述在这个日新月异的时代，科技的发展让我们的生活变得越来越便捷。
而在众多领域中，目标跟踪算法与检测处理技术的研究正逐渐成为了一个热门话题。
这项技术的应用范围非常广泛，从智能家居到无人驾驶汽车，再到智能安防系统，都离不开这一技术的支持。
本文将围绕目标跟踪算法与检测处理技术展开讨论，带领大家走进这个充满无限可能的领域。
首先我们来了解一下什么是目标跟踪算法，简单来说目标跟踪算法就是通过对视频或图像中的物体进行实时分析，自动识别和跟踪这些物体的运动轨迹。
这种技术在很多场景下都非常实用，比如在体育赛事中，我们可以通过目标跟踪算法来实时追踪运动员的位置；在智能家居系统中，我们可以利用目标跟踪算法来监控家中的老人和孩子，确保他们的安全。
接下来我们将探讨目标跟踪算法与检测处理技术的研究方向，目前这一领域的研究主要集中在以下几个方面：一是提高目标跟踪算法的精度和鲁棒性；二是降低目标跟踪算法的计算复杂度，以满足实时应用的需求；三是研究目标跟踪算法与其他相关技术的融合，以实现更广泛的应用场景。
在实际应用中，目标跟踪算法与检测处理技术已经取得了显著的成果。
例如在智能安防系统中，通过目标跟踪算法可以实现对入侵者的实时监控，有效提高了系统的安全性；在无人驾驶汽车领域，目标跟踪算法可以帮助汽车实现对前方道路状况的实时感知，从而提高行驶的安全性和舒适性。
目标跟踪算法与检测处理技术的研究具有很高的实用价值和广阔的应用前景。
随着科技的不断发展，相信这一领域将会取得更多的突破和进步，为我们的生活带来更多便利和惊喜。
A. 研究背景和意义在当今这个信息爆炸的时代，我们每天都会接触到大量的图像和视频数据。
这些数据中蕴含着丰富的信息，如目标的位置、速度等。
然而如何从这些海量的数据中提取出有用的信息，对于提高我们的生活质量和工作效率具有重要意义。
因此研究目标跟踪算法与检测处理技术显得尤为重要。
目标跟踪算法是一种自动定位和跟踪目标的技术，它可以在视频序列中找到已经出现的物体，并随着时间的推移实时更新物体的位置。
一种去除运动目标阴影的新方法摘要运动目标检测和追踪是视频监控和交通分析系统的关键问题。
然而由于运动目标产生的阴影也会被误检测为阴影。
本文的目的是提出一种检测和去除运动阴影的新方法，本文提出利用HSV颜色空间来提高阴影检测的精确度。
关键词阴影检测；HSV；背景提取0 引言视频监控系统和交通控制系统的基础任务是检测重要的目标（行人，车辆等），根据运动目标可以计算交通状况和行人轨迹等。
由于运动目标检测对于后续工作非常重要，这要求运动目标检测务必具有鲁棒性和精确性。
在目前运动目标检测的方法中，普遍存在检测不准确的问题，这严重影响了后续工作。
其中最为严重的问题是将阴影误认为运动目标。
视频中阴影像素随运动目标一起运动。
因此视频中所有运动的点与伴随物体运动的阴影极有可能都被视作运动物体。
而且，阴影与物体相互连接，会造成运动物体的形状严重失真，这对于依靠几何性质对物体分类以及判断运动物体的位置都产生了干扰。
另外，如果阴影将两个不同的物体相连，将会导致将不同物体划归同一物体。
有很多算法也用于检测运动阴影，但是这些算法的精确度不够[1，2]。
为了防止由于阴影所产生的监控问题，我们提出了一种阴影检测和去除的方法。
这种方法基于HSV颜色空间。
实验证明在HSV空间检测阴影非常有效，比之前的大部分算法都有很大的提高。
1基于HSV的阴影检测为了解决阴影问题我们利用HSV空间来检测阴影而不是利用RGB[1]空间。
在本文中，我们先对前景背景分离，找到包含阴影的运动目标信息，再利用HSV 模型辨别真正的运动前景和运动目标所产生的阴影。
我们尝试了多种背景建模方法，其中混合高斯模型是最具有鲁棒性，并且被应用最多。
第二步就是本文重点提出的HSV模型下的阴影检测方法。
1）混合高斯模型(GMM)前景背景分离为了检测运动目标，首先需要提取背景，利用当前帧和背景的区别进行帧差，得到运动目标和其所产生的阴影。
我们利用著名的混合高斯模型（GMM）提取背景算法[3]。
视频监控系统中的运动目标检测与跟踪算法研究随着科技的不断进步和人们对安全保障的需求日益增长，视频监控系统成为了现代社会中不可或缺的一项重要技术。
其中，运动目标检测与跟踪算法在视频监控系统中起到了至关重要的作用。
本文将对视频监控系统中的运动目标检测与跟踪算法进行探讨和研究。
一、运动目标检测算法运动目标检测是指在视频监控场景中，通过对连续的视频帧进行分析和处理，从中提取出感兴趣的移动目标的过程。
在视频监控场景中，由于光照、背景干扰、遮挡等因素的存在，运动目标的检测变得尤为困难。
目前，运动目标检测算法主要有以下几种。
1.1 基于背景差分的运动目标检测算法基于背景差分的运动目标检测算法是最常用的一种算法。
该算法通过建模和更新背景图像，在当前视频帧和背景图像之间进行差分运算，从而得到移动目标的前景区域。
然后再通过阈值分割和形态学处理等步骤对前景区域进行进一步处理和提取。
这种算法简单直观，计算效率高，但对光照变化和背景干扰比较敏感。
1.2 基于光流法的运动目标检测算法基于光流法的运动目标检测算法是另一种常用的算法。
该算法通过对连续视频帧之间的像素点进行运动分析和计算，利用像素点之间的亮度差异来估计目标的运动速度和方向，从而得到移动目标的区域。
这种算法对光照变化和背景干扰比较鲁棒，但在高动态场景和复杂背景情况下会存在误检和漏检等问题。
二、运动目标跟踪算法运动目标跟踪是指在完成目标检测后，对目标进行连续追踪和定位的过程。
目标跟踪的主要挑战在于处理目标的遮挡、尺度变化、形变等问题。
目前，运动目标跟踪算法主要有以下几种。
2.1 基于卡尔曼滤波的运动目标跟踪算法基于卡尔曼滤波的运动目标跟踪算法在目标跟踪中得到了广泛应用。
该算法通过对目标的位置、速度进行建模和预测，结合观测的图像信息进行目标状态预测和更新。
这种算法能够较好地处理目标的连续追踪，但对于目标的运动模型和观测噪声等参数的选择比较敏感。
2.2 基于相关滤波的运动目标跟踪算法基于相关滤波的运动目标跟踪算法是近年来得到广泛关注的一种算法。
运动⽬标检测跟踪各过程算法综述运动⽬标检测跟踪各过程算法综述图像预处理数字图像中的⼏种典型噪声有：⾼斯噪声来源于电⼦电路噪声和低照明度或⾼温带来的传感器噪声；椒盐噪声类似于随机分布在图像上的胡椒和盐粉微粒，主要由图像切割引起或变换域引起的误差；加性噪声是图像在传输中引进的信道噪声。
⼀般来说，引⼊的都是加性随机噪声，可以采⽤均值滤波、中值滤波、⾼斯滤波等⽅法去除噪声，提⾼信噪⽐。
均值滤波在噪声分布较平均，且峰值不是很⾼的情况下能够得到较好的应⽤；中值滤波对尖脉冲噪声的滤除有较好的效果，并且能突出图像的边缘和细节；⾼斯滤波对滤除⾼斯⽩噪声有较好的效果。
背景差分法：能完整、快速地分割出运动对象。
不⾜之处易受光线变化的影响，背景的更新是关键。
不适⽤摄像头运动的情况。
光流法：能检测独⽴运动的对象，可⽤于摄像头运动的情况，但计算复杂耗时，很难实时检测。
帧差法：受光线变化影响较⼩，简单快速，但不能分割出完整的运动对象，需进⼀步运⽤⽬标分割算法。
还有⼀些改进的算法，主要致⼒于减少光照影响和检测慢速物体变化。
图像标识图像标识的作⽤是确定物体是否独⽴，图像中有⼏个运动⽬标。
1）领域：常取周围的4或8个像素作为领域。
2）连通域：⼆值图像中互相连通的0像素集或1像素集称之为连通域。
被1像素包围的0像素叫做孔。
1像素连通域不含孔时，叫做单连通成分，含有⼀个或多个孔的连通成为叫做多重连通成分。
3）标记：差值后的⼀帧图像可能存在多个连通域，每个⾮连通域对应⼀个⽬标图像区，给各⽬标区分配相应标号的⼯作成为标记。
标识过程⼤致为：按⼀定顺序逐个扫描像素，扫描到1的像素，检测其领域的像素值，若⼀样则为连通域，并标记为第⼀个⽬标，然后依次寻找下⼀个⽬标。
在所有可能的⽬标都找到了之后，可以为每个⽬标划出⼀个波门，将⽬标框起来。
并建⽴⼀个多⽬标位置链表，找到的每⼀个⽬标区域的中⼼位置都作为⼀个结点加⼊该链表储存起来。
波门的划分有可能将同⼀个⽬标分为两个部分，或者⼀个波门⾥包括了两个⽬标，使得⽬标数据错误增加或减少，所以还要判断当前的⽬标是属于同⼀个⽬标还是不同的⽬标，这将在后⾯的图像分割中完成。
matrix nms作用Matrix NMS是一种用于目标检测任务中的非极大值抑制（Non-Maximum Suppression）算法，它的作用是在候选框中选择最优的目标框，并去除重叠的冗余框。
本文将介绍Matrix NMS的原理和应用，并探讨其在目标检测领域的重要性。
一、Matrix NMS的原理在目标检测任务中，通常会生成大量的候选框，这些候选框可能存在重叠的情况。
为了准确地定位目标并消除冗余框，需要使用非极大值抑制算法。
Matrix NMS是一种基于矩阵操作的非极大值抑制算法，相比传统的非极大值抑制方法，它具有更高的效率和准确性。
Matrix NMS的核心思想是将候选框的得分和重叠度矩阵进行矩阵乘法运算，得到一个置信度矩阵。
然后通过设定阈值，将置信度低于阈值的候选框去除，从而得到最终的目标框。
二、Matrix NMS的应用Matrix NMS广泛应用于目标检测任务中，特别是在一些高精度要求的场景中。
它能够有效地去除冗余框，提高目标检测的准确性和效率。
在物体检测中，Matrix NMS可以帮助区分出重叠的目标框，并选取得分最高的目标框作为最终结果。
这对于一些复杂场景下的目标检测非常重要，例如人群密集的人脸检测、车辆检测等。
Matrix NMS还可以用于视频目标跟踪。
在视频目标跟踪中，目标框的位置和大小会随着时间的变化而变化，可能会出现一些冗余的目标框。
通过使用Matrix NMS，可以去除这些冗余框，从而提高目标跟踪的准确性。
三、Matrix NMS的优势相比传统的非极大值抑制方法，Matrix NMS具有以下几个优势：1. 高效性：Matrix NMS通过矩阵操作实现，运算速度更快，能够处理大量的候选框。
2. 准确性：Matrix NMS能够准确地选择得分最高的目标框，并去除重叠的冗余框，提高目标检测的准确性。
3. 灵活性：Matrix NMS可以根据需要设置不同的阈值，从而在不同的场景中灵活应用。
运动目标检测中的误检测点抑制算法1胡园园宁波大学信息科学与工程学院，浙江宁波 （315211）E-mail ：victor.y.y.hu@ 摘 要：减背景法是一种有效的运动目标检测方法，但在光照强度发生突然变化时，由于背景模型不能及时反映环境光线变化，将产生大量的误检测点。
这种影响在室内环境下尤其明显。
本文采用了改进的自适应混合高斯模型进行背景建模，提取初始的运动目标，当存在光线突变时，结合基于归一化互相关系数分析，有效抑制了光线变化导致的误检测点对检测结果的干扰, 得到了清晰的运动目标。
关键词：混合高斯模型；光线变化；归一化互相关系数中图分类号：TP391 文献标识码：A1 引言视频图像的运动目标检测是计算机视觉领域的一个重要研究课题，它是进一步对目标进行分类、跟踪、行为理解与识别的关键和基础。
而减背景法是比较常用也是比较有效的一种运动目标检测算法，国内外学者也对此进行了大量的研究，相继提出了各种减背景算法，如基于预测的卡尔曼滤波器方法[1,2 ]，基于统计的混合高斯分布模型[3-5]、非参数核密度方法[6]等。
其中基于卡尔曼滤波的自适应背景模型虽然能适应天气和光照的变化，但由于它只跟踪单个的高斯分布，因此不能处理多模态情形；基于非参数核密度的方法能够处理树枝晃动、窗帘抖动等多模态分布，但该方法需要对邻近的几十个样本都建立一个高斯核函数，计算量较大；而基于混合高斯分布模型的方法，通过构建多模态的背景信息，能够较好的适应缓慢光线的变化、树枝晃动、窗帘抖动等背景扰动的干扰，但当光线发生突变时，将严重影响运动目标检测结果。
针对这种情况，本文采用混合高斯分布模型来构建多模态的背景信息，通过最匹配准则和在线估计更新背景模型，检测得到初始的运动目标，并通过光线变化检测，当存在光线突变时，结合归一化互相关系数分析去除由于光线突变导致的误检测点，得到清晰的运动目标检测结果。
2 混合高斯背景模型及其更新2.1 混合高斯背景模型本文采用K 个高斯分布组成的混合高斯模型（GMM ）来对背景图像中的每个像素点建模，那么在t 时刻背景图像中某一点像素值为t X 的概率为，,,,1() (,,)K t i t t i t i t i P X X ωηµ==∑∑(1)式中,i t ω为t 时刻混合高斯模型中第i 个高斯分布的权重值，,i t µ和,i t ∑分别为t 时刻第i 个高斯分布的均值和协方差矩阵，,,(,,)t i t i t X ηµ∑为高斯概率密度函数，其定义如下，11()()21/2/21(,,)(2)T t i i t i X X t i i n i X e µµηµπ−−−∑−∑=∑ (2) 1本课题得到浙江省科技计划（2007C21G2070004）的资助。
其中i ∑为第i 个高斯分布的协方差矩阵，为了避免复杂的矩阵运算，假设R 、G 、B 3个颜色分量相互独立，即222000000R GB δδδ⎛⎞⎜⎟∑=⎜⎟⎜⎟⎝⎠, n 为向量t X 的维度。
2.2 模型参数更新一般情况下，常常通过执行EM （Expectation Maximization ）算法来重新估计t 时刻的模型参数，而由于背景图像中每个像素点都有K 个高斯分布建模，因此是一个非常耗时的过程，而一般都采用在线K 均值聚类的方法来近似参数估计[3][4]。
假设在t 时刻，对于当前帧的每一个像素，检验其像素值t X 是否与对应的高斯背景模型相匹配，如果与第i 个高斯分布满足下式时则表示发生匹配，, 2.5t i t i X µδ−≤ (3)如果像素值t X 与多个高斯分布匹配时，常用的判断当前像素值与哪个高斯分布最匹配的办法是，计算当前像素值与每个高斯分布的匹配值，从中选出匹配值最大的第k ∧个高斯分布进行匹配，1,,,1()()2,1/2/2arg max{(,,)}1 arg max{}(2)T t i i t i i t t i t i t kX X i t n k i k X e µµωηµωπ−∧−−∑−=∑=×∑ (4)即与多个高斯分布都发生匹配的情况下，权重值大、方差小的那个高斯分布将有较大的匹配值。
上述匹配判断方法其计算复杂度较高，因此在实际应用中都作如下简化处理，先通过计算1/2ω∑值对K 个高斯分布从大到小进行排序，然后依次用式(3)对每个高斯分布进行匹配检验，如果匹配，即作为最匹配的高斯分布进行参数更新，如果不匹配，再依次进行匹配检验。
因此，它是通过排序、匹配检验，来满足式(4)的最匹配判断，这样做降低了计算复杂度，但明显牺牲了部分检测精度。
本文对最匹配的判断作了如下改进，按下式得到最匹配的高斯分布，1/2,,arg min{}i t i t k i t k X µω∧∑=×−(5)即与当前像素值t X 越接近、权重值越大、方差越小，上式计算结果最小的第k ∧个高斯分布作为最匹配的高斯分布。
这样，将排序值与匹配程度同时进行考虑，提高了匹配精度。
对与当前像素值t X 发生匹配的第i 个高斯分布，其均值和方差作如下更新，,,1,,(1)(1)()()i t i t tT i t i t t t t t X diag X X µρµρρρµµ−=−×+×∑=−×∑+×−− (6)而对没有匹配的高斯分布，其均值和方差则保持不变。
上式中的更新速率ρ定义如下， ,,(,,)t i t i t X ραηµ=∑ (7) 对t 时刻K 个高斯分布的权重作如下更新，,,1(1)(|)i t i t i t p X ωαωαω−=−+(8) 其中α表示学习速率，(|)i t p X ω表示t 时刻像素值t X 与第i 个高斯分布发生匹配时为1，而对于没有匹配的高斯分布则为0。
如果当前像素值t X 与背景模型中K 个高斯分布都没有发生匹配，则用新的高斯分布取代权重值最小的高斯分布，新的高斯分布取像素值t X 作均值，赋一较大方差和较小权重值。
2.3 前景目标提取 在上述更新过程之后，通过计算1/2ω∑值对K 个高斯分布进行排序，并且对排序后满足1 > B ii T ω=∑的前B 个高斯分布作为背景模型，余下的K B −个高斯分布则用来描述前景。
如果t 时刻像素值t X 与前B 个高斯分布之一发生匹配，则该像素为背景点，否则为前景像素点，从而将前景运动目标从背景中提取出来。
3 抑制光线变化导致的误检测点混合高斯背景模型能适应天气和光线的缓慢变化，但在光线发生突变的情况下，背景模型不能及时的反映外界环境光线的变化，导致检测结果中出现大面积的误检测点。
因此本文提出了一种光线变化检测算法，当检测到当前帧中存在光线突变时，归一化互相关系数（NCC ）将被用来抑制光线变化的影响。
归一化互相关系数经常被用来衡量两个信号之间的相似性，两个信号越相似，则对应的归一化互相关系数越接近于1。
3.1 光线变化检测本文提出通过连续统计前后帧之间检测为前景像素点的数量变化，来判断当前帧是否发生了光线突变。
其基本思想是，在没有发生光线突变情况下，前后帧之间由于运动目标移动而检测到的前景像素点变化率远低于光线发生变化时的检测结果。
前后帧之间检测到的前景象素点变化率计算如下：()(1)s t s t sum ψ−−= (9)式中ψ表示检测到前景像素点的帧间变化率，()s t 、(1)s t −分别表示第t 、1t −帧检测到前景像素点的个数，sum 表示一帧图像总的像素数即等于图像的宽度乘以高度。
通过统计场景在没人和有人走动以及光线变化情况下的变化率，发现在没有运动目标经过和光线变化时，变化率几乎为零，在正常运动目标（行人）经过时，ψ一般都小于20％，而光线发生剧变时ψ至少在40％以上（如图1），因此可以设定一个阈值τ（实验中设置为20％），当ψ>τ时，说明环境光线发生了剧烈变化，检测到的前景像素中包含大量由于光线变化导致的误检测点。
图1表示第350帧左右由于拉动窗帘使光线突然变亮导致的变化率急增，第200帧左右为室内行人经过时检测到的变化率，其变化率都在20%以下。
图1 不同场景下检测到的帧间变化率3.2 基于归一化互相关系数的误检测点消除当检测到当前帧中包含大量由于光线变化导致的误检测点时，归一化互相关系数将被用到当前帧，分析检测到的前景像素点是不是由于光线变化导致的，如果是，则从前景像素点中去除该误检测点。
令(,)BG x y 为背景图像，(,)CF x y 为当前帧图像，那么在以像素点(,)x y 为中心，大小为(21)(21)L L +×+的窗口内，当前帧与背景帧之间的归一化互相关系数定义为：(,)(,)(,)(,)BG CF ER x y NCC x y E x y E x y = (10) 其中：(,)(,)(,)L Lm L n L ER x y BG x m y n CF x m y n =−=−=++++∑∑(,)BG E x y =(,)CF E x y =式中(,)BG E x y 和(,)CF E x y 分别为背景图像能量函数和当前帧图像能量函数。
而根据光照模型，对于视频图像中的某一像素点(,)x y ，其亮度(,)f x y 可表示为： (,)(,)(,)f x y i x y r x y = (11)其中(,)i x y 为物体表面单位面积接受到的光强度，(,)r x y 为物体表面反射系数，通常假设(,)r x y 是不随时间变化的，为一常量。
可以将背景像素点(,)BG x y 和当前帧像素点(,)CF x y 分别表示为：(,)(,)(,)(,)(,)(,)F F BG x y i x y r x y CF x y i x y r x y == (12)那么当光照强度变化时，即相当于(,)i x y 同乘以一个光照变化系数k ，得到(,)F i x y ，即(,)(,)F i x y k i x y =×，而对于同一物体其反射系数(,)r x y 保持不变，即(,)r x y 等于(,)F r x y 。
那么光照强度变化后的当前像素点(,)CF x y 可表示为：(,)(,)(,)(,)(,)(,)F F CF x y i x y r x y k i x y r x y k BG x y ==×=× (13) 即当前像素点在光照强度发生变化前后的亮度呈线性关系，那么所得到的归一化互相关系数与光照变化前是一样的。
