一种改进的混合高斯背景模型

基于视频的车流量统计算法设计摘要：智能交通系统(ITS)已经被科学家认为是解决当前城市交通问题最有效的方法,也是目前和未来交通发展的主流方向。

ITS的前提是获得交通道路的实时信息,比如车速、车流量等。

本文主要研究ITS中基于视频检测技术的车流量统计方法,对所涉及的运动目标检测、背景提取、阴影去除以及车辆统计等核心技术进行了详细的研究。

本文的工作主要分为以下四部分：1)对车流量统计相关算法进行了研究,针对目标检测算法,研究了光流法、帧间差分法和背景差分法。

针对背景提取算法,研究了均值法、统计中值法、单高斯背景模型法和混合高斯背景模型法；针对阴影消除算法,研究了基于HSV颜色空间变换的阴影消除算法、基于色彩特征不变量的阴影消除算法和基于纹理特征的阴影消除算法。

同时,本文对上述算法进行了实验对比分析。

2)给出了一种改进的混合高斯模型背景提取算法,当读入一定帧数的图像之后认为背景达到稳定状态,读入新的视频帧时,对当前帧进行判断,如果像素点和稳定背景图像的像素点差值大于阈值Th1,就对该像素点进行更新,反之就不更新。

3)给出了一种改进的基于虚拟区域的车流量统计算法,首先设置检测区域和检测线,然后跟踪检测区域中车辆的质心到检测线的距离d,如果d小于Th2认为有一辆车辆通过,通过实验验证,本文算法的精确率能达到90%左右。

4)实现了一个车流量统计系统,整个系统主要包括视频播放模块、GMM背景更新模块、前景构建模块和车辆计数模块。

视频播放模块主要完成视频的播放和显示；GMM背景更新模块主要是实现本文的背景提取算法；前景构建模块的主要功能是通过阴影去除和形态学操作得到较好的前景图像；车辆计数模块的主要功能是完成本文的车流量统计算法。

本文深入研究了车流量统计的相关算法,并给出了一种改进的混合高斯模型算法和一种改进的基于虚拟区域的车流量统计算法,最后用VC实现了一个车流量统计系统,实验结果表明本文设计的系统能够对车辆目标进行准确检测与统计。

高斯混合模型详解摘要：一、高斯混合模型简介1.模型背景2.模型结构二、高斯混合模型原理1.硬聚类与软聚类2.概率模型3.参数估计三、高斯混合模型的应用1.数据降维2.异常检测3.密度估计四、高斯混合模型在实际场景中的应用案例1.图像分割2.文本分类3.生物信息学五、高斯混合模型的优缺点及改进方法1.优点2.缺点3.改进方法六、总结与展望1.模型发展历程2.当前研究热点3.未来发展方向正文：一、高斯混合模型简介1.模型背景高斯混合模型（Gaussian Mixture Model，简称GMM）起源于20世纪60年代，是一种用于聚类和密度估计的统计模型。

它通过对数据进行软聚类，将不同类别的数据分布用高斯分布进行建模，从而实现对数据特征的描述和分类。

2.模型结构高斯混合模型由多个高斯分布组成，每个高斯分布表示数据集中的一个子集。

各个高斯分布的参数（均值、协方差矩阵和权重）决定了其在混合模型中的贡献程度。

通过优化这些参数，我们可以得到一个最佳的高斯混合模型。

二、高斯混合模型原理1.硬聚类与软聚类高斯混合模型属于软聚类方法，与硬聚类方法（如K-means）相比，软聚类方法允许每个数据点以不同的概率属于多个类别。

这使得高斯混合模型在处理复杂数据分布时具有优势。

2.概率模型高斯混合模型是一种概率模型，它描述了数据分布的概率密度函数。

给定数据集X，高斯混合模型可以表示为：p(x) = ∑[w_i * N(x; μ_i, Σ_i)]，其中w_i为第i个高斯分布的权重，N(x; μ_i, Σ_i)表示均值为μ_i、协方差矩阵为Σ_i的高斯分布。

3.参数估计高斯混合模型的参数估计采用最大似然估计（MLE）方法。

通过对数据进行建模，并使观测到的数据概率最大，我们可以得到模型参数的估计值。

三、高斯混合模型的应用1.数据降维高斯混合模型可以用于对高维数据进行降维，通过软聚类将数据划分为几个子集，再对每个子集进行降维处理，从而提取出关键特征。

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。

opencv用于背景和前景分离的方法1. 背景和前景分离的概述背景和前景分离是计算机视觉中常见的任务之一，它可以将图像或视频中的前景对象从背景中提取出来。

这对于许多应用来说非常有用，比如视频监控、运动检测、人脸识别等。

OpenCV是一个强大的计算机视觉库，提供了多种方法来实现背景和前景分离。

2. 基于帧差法的背景和前景分离帧差法是最简单且最常用的背景和前景分离方法之一。

它基于两个连续帧之间的像素差异来进行分割。

具体步骤如下：•首先，读取连续帧序列。

•然后，将连续帧转换为灰度图像。

•接下来，计算当前帧与上一帧之间的差异图像，可以使用OpenCV中的absdiff函数实现。

•对差异图像进行阈值处理，将不同区域标记为白色（前景）或黑色（背景）。

•最后，可以通过形态学操作对结果进行进一步处理，比如去除噪声或填充空洞。

帧差法的优点是简单易用，但它对光照变化和摄像机移动比较敏感，可能会产生误差。

3. 基于混合高斯模型的背景和前景分离混合高斯模型（Gaussian Mixture Model，GMM）是一种更复杂的背景和前景分离方法，它可以更好地适应不同场景下的变化。

GMM假设每个像素的灰度值是由多个高斯分布组成的，其中背景像素通常只有一个高斯分布，而前景像素可能有多个高斯分布。

具体步骤如下：•首先，读取连续帧序列。

•然后，将连续帧转换为灰度图像。

•接下来，使用OpenCV中的createBackgroundSubtractorMOG2函数创建一个背景减除器对象。

•使用背景减除器对象对每一帧进行处理，并得到前景掩码图像。

•最后，可以通过形态学操作对结果进行进一步处理。

相比于帧差法，基于混合高斯模型的方法能够更好地适应光照变化和摄像机移动等因素。

但它也需要更多的计算资源，并且在复杂场景下可能会出现误差。

4. 基于自适应混合高斯背景建模的背景和前景分离自适应混合高斯背景建模（Adaptive Mixture of Gaussians，AMoG）是一种改进的混合高斯模型方法。

基于改进混合高斯模型的运动目标检测作者：黄会敏杨松林陈燚玲来源：《数字化用户》2013年第20期【摘要】背景建模是运动目标图像检测算法中的一项技术，本文对背景建模中的经典混合高斯算法进行了学习研究，针对混合高斯模型在复杂场景中的适应性问题，本文提出了一种改进的混合高斯背景模型。

该模型通过建立一种自适应的参数更新方法，使得混合高斯的参数更新能够随着环境的变化自适应调整，从而提高算法的适应能力。

最后，通过编程仿真，验证了算法的有效性。

【关键词】背景建模混合高斯模型更新方程【Abstract】Background modeling is a technology of the moving target image detecting algorithm，and in this paper，the authors made research to the Classical Gaussian Mixture algorithm in Background modeling. As for the adaptability of Gaussian Mixture Model in complex scene， an improved Gaussian Mixture Model is put forward in this paper. The new model makes the parameters of the Gaussian Mixture updated with change of the environment adaptively by establishing an adaptive parameter updating method， thus， improving the adaptability of the algorithm. Finally，verif the effectiveness of the algorithm through the programming simulation.【Keywords】Background Modeling； Gaussian Mixture Model； Update Equation一、引言随着科技的进步智能视频监控被越来越多的被应用到交通、高危险区域工作区、敏感水域、军事区域、工厂重点保护区和金融等领域，其中运动目标检测技术是其中一个重要研究方向。

基于改进的混合高斯模型背景减除算法王占凤;郭星;徐秋月【摘要】背景减除法常采用混合高斯模型作为背景模型来进行目标检测,它可以自适应学习并表示分布复杂的背景.混合高斯模型在光线变化缓慢的情况下表现很好,但是在光线快速变化的情况下,由于高斯背景无快速更新机制,无法应对光线迅速变化的情况.通过对混合高斯模型进行优化,提出了一种改进的混合高斯模型检测算法,并通过实验证明了新算法明显提高了运动目标检测的准确度.【期刊名称】《河南工程学院学报（自然科学版）》【年(卷),期】2013(025)003【总页数】4页(P65-68)【关键词】混合高斯模型;背景减除法;运动目标检测【作者】王占凤;郭星;徐秋月【作者单位】巢湖学院计算机与信息工程学院,安徽巢湖238000;安徽大学计算机科学与技术学院,安徽合肥230031;巢湖学院计算机与信息工程学院,安徽巢湖238000【正文语种】中文【中图分类】TP39目前，国内外学者对图像中运动目标检测的研究很多，常用的方法有背景减除法[1]、帧间差分法[2]和光流法[3]等.前两种方法均采用当前图像与参考的差分图像进行差分运算来进行运动物体的检测，区别在于背景减除法中所采用的参考图像为视场中的背景图像，而帧间差分法所采用的参考图像通常为前几帧图像的平均值，这两种方法简单且实时性强.光流法需要进行若干次的迭代运算，所以时间复杂度比较高、耗时长.因此，人机交互这种实时性比较高的系统通常采用前两种方法.在背景较复杂的情况下，获取背景图像比较困难，在更新背景的自适应模型中Friedman与Russell[4]利用扩展的EM[5]算法，对图像中每个像素建立对应的混合高斯模型，该模型可以根据背景图像的变化自动更新，自适应地判别每个像素是背景还是前景.即使在目标运动速度比较缓慢的情况下，也能将运动目标从图像中提取出来，并且可以有效地消除阴影带来的影响.另外，Stringa[6]也提出了一种基于数学形态学的场景变化检测算法，在复杂的环境中取得了比较好的目标分割效果.1 混合高斯模型1.1 背景减除法背景减除法是物体检测中使用最为普遍的一类方法.一副图像信息可以分为前景信息和后景信息，前景信息就是需要识别检测的物体信息，这里指人体信息；背景信息就是除去前景信息后留下来的无关信息.背景减除法就是通过建立的背景模型来为每幅图像进行背景定位，然后使用差分法将前景图像从图像信息中提取出来的过程.这种方法的核心在于背景模型的选取，其速度快，能够提取较为完整的物体信息，但是对外来的噪声比较敏感[7].用背景减除法检测运动目标非常有效，基本上能够将运动目标的大小、位置和形状等信息提取出来，并且算法简单、复杂度低.但是，该方法对环境变化特别敏感，光线变化、灯照不稳定以及复杂的背景动态变化和运动目标自身由于光照产生的影子等都会造成错误背景的产生，导致检测目标不准确，所以建立有效、可靠的背景模型成为该方法的主要研究工作.1.2 高斯分布背景模型背景减除法中经常使用混合高斯模型作为背景模型进行目标检测，它可以自适应学习和表示分布复杂的背景.基于混合高斯模型的目标检测核心在于高斯模型参数的确定.(1)单高斯分布背景模型单高斯分布背景就是为背景图像中每个像素点建立一个高斯分布表示的模型η(x,μt,∑t)，其中t表示时间.设像素点的当前灰度值为Xt，若η(xt,μt,∑t)≤Tp，则该点被判定为前景点，否则为背景点，这里的Tp为概率阈值.但随着时间的推移，高斯分布模型需要根据当前帧对背景进行更新.假设更新率为α，则该像素点更新可表示为μt+1=(1-α)·μt+α·Xt，(1)(2)如果更新率为1，则背景模型方法退化为帧间差分方法.(2)多高斯分布背景模型高斯模型就是以时间域为标线，对每个元素都使用k个高斯分布模型去描述它某段时间内的k个历史取值.如果k=1，那么就是单一高斯模型，而k>1就是混合高斯模型.可以这样去描述它——对于某个像素P(x0，y0)，它在某时间段t内的取值集合为{X1，X2，…，Xt}，从中选取k个历史值使用高斯分布模型描述并记录下来，这样就可以得到当前像素值的概率(3)其中，Wk，j表示k个历史值所占的比重，并且有权值之和表示该时刻第j个高斯模型分布的均值，而∑k，j是该高斯模型分布的协方差.这里的高斯分布模型的数量也就是k的值不是固定的，一般视情况在3～5中选取.η是高斯概率密度函数，(4)这里，n表示元素值Xt的维度数.因为对每个元素都建立了k个高斯分布模型用作背景模型，在实际使用中，会选择一些包含背景信息较多的b个高斯分布模型作为背景模型.通常将k个高斯分布模型的权值与方差的比值w/σ按照降序进行排序，选前b个分布作为背景模型，并且满足公式(5)其中，T为阈值，表示B背景模型在k个高斯分布模型中所占的比例大小.如果T 取值较大，那么背景模型个数较多，选取的背景模型则比较全面；如果T取值较小，那么背景模型个数较少，选取的背景模型则比较片面.多高斯分布背景模型的更新需要更新自身参数，还要更新各分布模型的权值.若当前没有匹配的高斯分布，则将权值最小的删除，根据当前的像素点建立一个新的高斯分布，然后将所有的高斯分布重新分配权值，归一化处理.若第m个高斯分布与Xt匹配，则对第i个高斯分布的权值更新如下：其中，β是更新率.更新完毕后，再重新将k个高斯分布进行权值计算、排序，选择b个分布作为背景模型.2 改进的混合高斯模型检测算法混合高斯模型在光线变化缓慢的情况下表现很好，但是在光线快速变化的情况下，由于高斯背景更新率较低，则没有一个快速更新机制以应对光线迅速变换的情况，故本研究设计了一个快速背景更新机制以适应光线突变的情况，具体算法如下：(1)依照传统的高斯背景为每个像素建立高斯背景模型.(2)进行前景提取，并同时统计前景像素个数Spre，计算前景像素个数占总像素个数的比例r=Spre/Sall.(3)若r大于设置的阈值，则表示光线变化很大，应及时更新背景模型并以帧间差分方法进行前景检测.与此同时，进行新的高斯背景建模，建立完毕，就以高斯背景建模的方法进行前景检测.3 实验结果与分析本实验主要验证高斯背景物体检测方法的有效性和改进的高斯背景方法对光线突变情况下的有效性以及阴影去除的结果.本实验使用的检测平台是Windows 7，其实验环境是Visual 2010，实验结果见图1、图2和图3.由图1可以看出，高斯背景的物体检测基本可以满足要求，但是人体旁边的阴影也同样被检测出来了，从原图可以看出阴影部分.图2是在门突然打开的情况下的检测结果，可以看出门的地方长期处于检测状态下，而实际上该部分并不是运动物体，从而造成误识别.图3采用改进的方法进行检测，可以看出，有效地去除了门打开后由于光线变化造成的固定背景改变而误检测出的物体，可以看出快速更新时候检测上帧与当前重合部分没有检测出来.通过实验证明，经过改进的混合高斯模型检测算法可以更加有效地进行运动物体的检测.图1 正常的高斯背景物体检测结果Fig.1 Detection result of Gaussian background object on the normal condition图2 光线突然变化情况下高斯背景检测结果Fig.2 Detection result of Gaussian background object on the condition of abrupt light change图3 光线突然变化情况下改进的算法检测结果Fig.3 Detection result of improvedalgorithmin this paper on the condition of abrupt light change 4 总结根据运动目标检测的背景减除法以及算法中的混合高斯模型，提出了基于改进的混合高斯模型检测算法，并通过实验证明了改进的算法在光线突然变化的情况下能提高对运动目标检测的准确度.【相关文献】[1] Mittal A,Paragios N.Motion-based background subtraction using adaptive kernel density estimation[C]∥Proceedings of IEEE Computer Society Conference on Computer Vision and Pattern Recognition.Colorado:Springs,2004:1335-1339.[2] Foresti G.Object recognition and tracking for remote video surveillance [J].IEEE Transactions on Circuits and Systems for Video Technology,1999,9(7):1045-1062.[3] Verri A,Uras S,DeMicheli E.Motion Segmentation from optical flow [C]∥Proceedings of the 5th Alvey Vision Conference.Brighton:Brighton University Press,1989:345-359.[4] Friedman N,Russell S.Image segmentation in video sequences: a probabilistic approach[C]∥Proceedings of the Thirteenth Conference on Uncertainty in Artificial Intelligence.Providence:Brown University,1997:264-269.[5] McLachlan G,Krishnan T.The EM algorithm and extensions [M].New York:Wiley,1997.[6] Stringa E.Morphological change detection algorithms for surveillance applications[C]∥Proceedings of British Machine Vision C onference.Brighton:Brighton University Press,2000:536-552.[7] Harville M,Gordon G,Woodfill J.Foreground segmentation using adaptive mixture models in color and depth[C]∥Proceedings of IEEE EventsWorkshop.Vancouver:Janeiro,2001:436-441.。