应用改进混合高斯模型的运动目标检测

高斯混合模型（Gaussian Mixture Model，GMM）是一种概率模型，常用于聚类分析和密度估计。

GMM在模式识别和机器学习领域有着广泛的应用，其中3sigma准则是一种常用的判别方法，用于确定数据点是否属于某一特定的类别或组。

1、GMM的基本原理GMM是一种灵活的聚类算法，它假设数据是由若干个高斯分布组成的混合体。

具体来说，GMM假设数据点是由多个高斯分布生成的，每个高斯分布对应一个聚类中心。

GMM的目标是通过调整高斯分布的参数来最大化数据的似然函数，从而完成聚类分析或密度估计的任务。

2、GMM的参数估计GMM的参数估计通常使用期望最大化（Expectation-Maximization，EM）算法来实现。

EM算法是一种迭代的优化方法，它通过反复地执行两个步骤来估计GMM的参数：E步骤（Expectation step）和M步骤（Maximization step）。

在E步骤中，计算每个数据点属于每个高斯分布的后验概率；在M步骤中，基于E步骤的结果，更新高斯分布的参数。

3、GMM的应用GMM可以用于聚类分析、异常检测和密度估计等任务。

在聚类分析中，GMM可以有效地识别数据中的不同聚类中心，并将数据点分配到各个聚类中心；在异常检测中，GMM可以通过计算数据点的概率密度来判断数据点是否异常；在密度估计中，GMM可以用于估计数据的概率密度函数。

4、3sigma准则3sigma准则是一种常用的判别方法，用于确定数据点是否属于某一特定的类别或组。

具体来说，3sigma准则假设数据符合正态分布，并利用正态分布的性质来判断数据的异常情况。

根据3sigma准则，大约68的数据位于平均值加减一个标准差的范围内，大约95的数据位于平均值加减两个标准差的范围内，大约99.7的数据位于平均值加减三个标准差的范围内。

如果某个数据点的取值超出了平均值加减三个标准差的范围，就可以认为这个数据点是异常的。

5、GMM与3sigma准则的结合在实际应用中，GMM和3sigma准则常常会结合使用。

室 内 以 及 背 景 较 为 稳 定 的 室 外 环 境 下 ， 高 斯 模 型 法 可 单
技 术是 智能 视频监 控技 术 中的核 心部 分 ， 用 的运动 目 常
控 系 统 得 到 了 日益 广 泛 的研 究 与 应 用 ， 能 视 频 监 控 技 智
术 也 得 到 了 越 来 越 多 科 研 工 作 者 的 关 注 。 动 目 标 检 测 运
建 模 方 法 有 单 高 斯 模 型 法 ［和 混 合 高 斯 模 型 法 『。 与 混 ３ １ ４ １ 合 高 斯 模 型 法 相 比 ， 高 斯 模 型 法 的 时 间 效 率 更 高 。 在 单
ｍ ａ ｅ Ｐｒ ｅｓ ｎ ｄ ｇ ｏｃ ｓｉｇ ａｎ Ｍ ｕｔ ｅ ｉ ｃ ｎ ｏｇ ｌｍ ｄａ Ｔｅ ｈ ｏｌ ｙ ｉ
基于 改进 的单高斯模型 的运动 目标 检测方法
陈 超 ，杨 克 俭
（ 汉 理 工 大 学 计 算 机 科 学 与 技 术 学 院 ，湖 北 武 汉 ４ ０ ６ ） 武 ３０ ３
Ｍｏｉｇｏｊｃ ｄ ｔ ｔ ｎ ｂ ｓｄ ｏ ｍｐｏｅ ｉｇｅＧ ｕ ｓ ｎ ｍｏ ｅ ｖｎ ｂｅｔ ｅｅ ｉ ａｅ ｎ ｉ ｒｖｄ ｓ ｌ ａ ｓｉ ｄ ｌ ｃｏ ｎ ａ
ｃＨＥＮ Ｃ ａ ，ＹＡＮＧ Ｋｅ Ｊａ ｈｏ ｉｎ
ｆ ｏ ｅｅ ｏ ｏ ｐ ｔ ｃ ｎ ｅ＆ Ｔ ｃ ｎ ｌ ｙ，Ｗｕ ａ ｎｖ ｒ ｔ ｏ ｅ ｈ ｏｏｙ Ｃ ｌ ｇ ｆＣ ｍ ｕ ｒ Ｓ ｉ ｃ ｌ ｅ ｅ ｅ ｈ ｏｏ ｇ ｈ ｎ Ｕ ｉ ｓ ｙ ｆＴ ｃ ｎ ｌ ，Ｗｕ ａ ３ ０ ３ ｈｎ ） ｅ ｉ ｇ ｈ ｎ ４ ０ ６ ，Ｃ ｉａ
ｉ ｅｒｔ ｈｏ ａ ａｅｒｎ ｅ ｗｔ ｆｓ ｇａ ｉ ｔｉ ｏｍ ｔ ｎ ｗ ｓａ ｏｔｄ ｔ ｇｔｍ ｒ ｒｃ ｅ ｓａ ｅ ｏ ｖ ｇｏｊｃ．Ｅ ｐ ｒ ｅ ｔ ｉ ｎ ｇａ ｓｃ ｒｍ ｂｒ ｃ ｉ ｒｔ ｒｄｅ ｎ ｒ ａｉ ａ ｄ ｐｅ ｏ ｅ ｏｅ ｐｅｉ ｈｐ ｆｍｏｉ ｂｅｔ ｘ ｅ ｍ ｎｓ ｎ ｔ ｅ ａ ｈｉ ｎ ｆ ｏ ｓ ｎ ｉ — ｌ ｔ ｈｔ ｈ ｅ ｄ Ｂ ｓｄ ｏ ｍ ｒ ｄ Ｓｎｌ ａ ｓｉ ｄ ｌ ａ ｅ ｃ ｏｉｇ Ｏ ｊｃ ｅ ｎ ｎ ｏｒｏ ｔ ｌ ｏ ｔｏｒｅｖ ｏ — ｆ ｃ ｔａ ｔｅ ｍ ｔｏ ａｅ ｎ Ｉ ｐｏｅ ｉｇｅ Ｇ ｕｓ ｎ Ｍｏ ｅ ｃｎ ｄ ｔ ｔＭ ｖｎ ｂｅｔｗ ｌ ｉ ｉｄｏ ｒｓ ｂ ｕｄ ｏ ｎ ｉ ｎ ｅ ｈ ａ ｅ ｌ ａｅ ｒ

第 ２３卷 第 １期 ２０１６年 １月
电 光 与 控 制
Ｅｌｅｃｔｒｏｎｉｃｓ Ｏｐｔｉｃｓ＆ Ｃｏｎｔｒｏｌ
ｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．１６７１—６３７Ｘ．２０１６．０１．０２２
Ｖｏｌ＿２３ Ｎｏ．１ Ｊａｎ．２０１６
基 于 Ｓｉｇｍａ·Ｄｅｌｔａ改进 算 法 的 运 动 目标 检 测
邢运 龙 ， 李爱 华 ， 方 浩
（第 二炮 兵工程大学 ，西安 ７１００２５）
摘 要 ：Ｓｉｇｍａ—Ｄｅｌｔａ背景估计是一种有 效的运动 目标检测算法 ，能够用较 小的计算量达到较好的检测效果 ，但是 该算 法未进行模 型初 始化 ，无法清除初 始背景模型 中的 目标 图像 。针 对此 问题 ，采 用均值 法进 行背景模 型初始化 ，清 除 目 标 图像 ，得到“干净”的 背景模型 。为提 高适应能力 ，利 用视 觉背景提取 ＶｉＢｅ随机 更新的策略进 行 背景 更新。在前景 检测方 面，提 出基 于 ＲＧＢ颜 色空间的 Ｓｉｇｍａ—Ｄｅｈａ算 法，并通过阈值化处理减 少噪 点、提 高检测质 量。 实验 结果 表明 ， 改进算 法能够得 到“干净”的背景模型 ，适应环境能力强 ，检 测 图像 噪点 少、检测质 量较 高。 关键词 ：视 觉背景提 取算法 ；运动 目标检测 ；Ｓｉｇｍａ－Ｄｅｌｔａ背景估计 ；ＲＧＢ颜 色空间 中图分 类号 ：ＴＰ３９１ 文献标志码 ：Ａ 文章编号 ：１６７１—６３７Ｘ（２０１６）０１—００９７—０５
Ａｂｓｔｒａｃｔ：Ｓｉｇｍａ－Ｄｅｌｔａ ｂａｃｋｇｒｏｕｎｄ ｅｓｔｉｍａｔｅ ｉｓ ａｎ ｅｆｆｅｃｔｉｖｅ ｍｏｖｉｎｇ ｏｂｊｅｃｔ ｄｅｔｅｃｔｉｏｎ ａｌｇｏｒｉｔｈｍ，ｗｈｉｃｈ ｉｓ ａｂｌｅ
ｔｏ ａｃｈｉｅｖｅ ａ ｇｏｏｄ ｄｅｔｅｃｔｉｏｎ ｅｆｆｅｃｔ ｗｉｔｈ ａ ｓｍ ａｌｌｅｒ ａｍｏｕｎｔ ｏｆ ｃａｌｃｕｌａｔｉｏｎ．Ｈｏｗｅｖｅｒ，ｔｈｅ ａｌｇｏｒｉｔｈｍ ｃａｎ’ｔ ｃｌｅａｒ ｔｈｅ ｔａｒｇｅｔ ｉｍ ａｇｅ ｉｎ ｔｈｅ ｉｎｉｔｉａｌ ｂａｃｋｇｒｏｕｎｄ ｍ ｏｄｅｌ ｆｏｒ ｔｈｅ ｒｅａｓｏｎ ｔｈａｔ ｔｈｅｒｅ ｉｓ ｎｏ ｂａｃｋｇｒｏｕｎｄ ｍｏｄｅｌ ｉｎｉｔｉａｌ ｉｚａｔｉｏｎ． Ｔｏ ｓｏ］ｖｅ ｔｈｉｓ ｐｒｏｂｌｅｍ，ｉｔ ｉｓ ｐｒｏｐｏｓｅｄ ｔｏ ｉｎｉｔｉａｌｉｚｅ ｔｈｅ ｂａｃｋｇｒｏｕｎｄ ｍｏｄｅｌ ｂａｓｅｄ ｏｎ ｍｅｔｈｏｄ ｏｆ ｍｅａｎ ｖａ ｌｕｅ， ｗｈｉｃｈ ｃａｎ ｃｌｅａｒ ｔｈｅ ｔａｒｇｅｔ ｉｍ ａｇｅ ａｎｄ ｇｅｔ ａ ｃｌｅａｎ ｂａｃｋｇｒｏｕｎｄ ｍｏｄｅ１．Ｉｎ ｏｒｄｅｒ ｔｏ ｉｍｐｒｏｖｅ ｔｈｅ ａｄａｐｔａｂｉｌｉｔｙ，ｔｈｅ ａｌｇｏｒｉｔｈｍ ａｄｏｐｔｓ ａ ｗａｙ ｔｏ ｕｐｄａｔｅ ｔｈｅ ｂａｃｋｇｒｏｕｎｄ ｍｏｄｅｌ ｂａｓｅｄ ｏｎ ｔｈｅ ｉｄｅａ ｏｆ ｒａｎｄｏｍ ｕｐｄａｔｅ ｏｆ Ｖｉｓｕａｌ

能。文中对传统的高斯混合背景模 型进行 了改进 ， 针 ， 在背景 更新 中引入一个“ 前景支撑映射 ” Ｆｒｇｏ ｎ ｕ ｐ￣Ｍａ ，Ｆ Ｂ 较好地解决 了背景模型的提取 、 （ ｏｅｒｕｄＳ ｐｏ ｐ Ｓ ）， 更新 、 背景扰 动 、 界光照 外 变化 等问题 。实验结果证 明 ， 实验结果验证 了该方法 的有效性和在复杂背景变化下 的鲁棒性 。 关键词 ： 背景模型 ； 混合高斯模型 ； 背景更新 ； 目标检测
ＫＥ Ｗ ＯＲ Ｓ：ａｋｒｕｄｍ ｄｌＭ ｘ ｒ ｆ ａｓｉ ｓ Ｂ ｃｇｏｎ ｐ ａ ； ｂｅｔ ｅｅｔ ｎ Ｙ Ｄ Ｂ ｃｇｏｎ ｏｅ； ｉ ｕｅｏ ｕｓ ｎ ； ａｋ ｕ ｄｕ ｄｔ Ｏ ｊｃ ｄｔ ｉ ｔ ｇ ａ ｒ ｅ ｃｏ
１ 引 言
在智能视 觉监 控系统中 ， 常采用减背 景方法分割 出感兴 趣的运动 目标 。基于减 背景 的运动 目标 检测 方法 … “ 基 本思想是将当前帧图像 与事先 存储 或者实 时得 到的背 景 图 像相减 ， 若像素差值 大于某 一 阈值 ， 判此像 素属 于运 动 目 则 标上的一 个像 素 ， 阈值操作后得到的结果 直接给 出了 目标 的 位置 、 大小 、 形状等信息 。但通 常的减背景方法对光线 、 天气
ＣＨＥＮ ｅ Ｚｈ ｎ—ｈ ａ ， ， ｕ ＺＨＯＵ ｉ ｕ ， ａ ｇ—Ｗｅ ， Ｒｕ —ｒ ｉ ＬＩＧｕ ｎ ｌ ＢＩＤｕ—ｙ ｎ 。 ａ
（ ．Ｄｅ ａｔ ｎ ｆ ｉｎｃ ｎ ｉｅ ｒ ｇ ｎ ｔｕｅｏ ｇｎ ｅｉｇ，ＡＦ １ ｐｒ ｍｅ ｔｏ ｏ ｉｓＥ ｇｎ ｅ ｎ ，Ｉｓｉ ｔ ｆ Ａｖ ｉ ｔ Ｅｎ ｉｅｒｎ ＥＵ，Ｘｉｎ Ｓ ａ ｘ ７ ０ ３ Ｃｈｎ ｈ ｈ ｎ ｉ １ ０ ８， ｉａ；
ｇ ｏ ｎ ． Ｔｈ ｅ ｆｒ ａ ｅ ｏ ｒ ｕ ｄｓ ｅ ｐ ｒｏ ｍ ｎｃ ｆＧＭ Ｍ ａ ｅ ｇ ｅ ｔｙ ｉ ｃ ｎ ｂ ｒ ａｌ ｍｐｒｖ ｄ ｂ ａ ｋ ｉ ｅ ｅ ａ ｒ ｃ ｉａ ｓｕｅ ．Ｔｈｉ ａ ｅ ｖ ｌｐｓ ｏ ｅ ｙ ｔｃ ｌｎｇ ｓ ｖ ｒｌｐ ａ ｔｃ ｌｉｓ ｓ ｓ ｐ ｐ ｒｄｅ ｅｏ ａ ｍｏ ｆｃ ｔ ｅ ａ ｇ ｒｔｍ ｓｎ ｕ ｓａ ｉｔｒ ｏ ａ ｉｉｙ ｄｅ ｓｔ Ａ ｉｅ ｏ ｏ ｐａ ｅ ｉ ｓ ｄ ｔ ｔｃ ｎ ｕ ｄｉ ａｉ ｌｏ ｈ ｕ ｉｇ Ｇａ ｓ ｉｎ ｍ ｘｕ ｅ ｐｒ ｂ ｂｌｔ ｎ ｉｙ． ｉ ｖ ｉ ｍ ｘ ｄ ｃ ｌ ｒｓ ｃ ｓ ｕ ｅ ｏ ｄｅｅ ｔａ ｄ ｓ ｐ－ ｐ ｅ ｓｍｏ ｉ ａ ｔｓ ａ ｏ ｒ ｓ ｖｎｇｃ ｓ ｈ ｄ ｗ． Ａ ｅ ｆｃ ｕ ｅ ａ ｌｄ ｔ ｅ “Ｆｏ ｅ ｒ ｕｎ ｕｐ ｒ ａ ｓ ｔｏ ｏ ｎｔｒｃ ｌｅ ｈ ｒ ｇｏ ｄ Ｓ ｐｏｔＭ ｐ” ｉ ｘ ｌ ｉｅ ． Ｔｈ ｄｉ ｃ ｔｖ ｇ — ｓｅ ｐ ｏｔ ｄ ｅ ｍｏ ｆ ａｉｅ ａ ｏ ｉ ｌ

高斯模型介绍高斯模型就是用高斯概率密度函数（正态分布曲线）精确地量化事物，将一个事物分解为若干的基于高斯概率密度函数（正态分布曲线）形成的模型。

对图像背景建立高斯模型的原理及过程：图像灰度直方图反映的是图像中某个灰度值出现的频次，也可以以为是图像灰度概率密度的估计。

如果图像所包含的目标区域和背景区域相差比较大，且背景区域和目标区域在灰度上有一定的差异，那么该图像的灰度直方图呈现双峰-谷形状，其中一个峰对应于目标，另一个峰对应于背景的中心灰度。

对于复杂的图像，尤其是医学图像，一般是多峰的。

通过将直方图的多峰特性看作是多个高斯分布的叠加，可以解决图像的分割问题。

在智能监控系统中，对于运动目标的检测是中心内容，而在运动目标检测提取中，背景目标对于目标的识别和跟踪至关重要。

而建模正是背景目标提取的一个重要环节。

我们首先要提起背景和前景的概念，前景是指在假设背景为静止的情况下，任何有意义的运动物体即为前景。

建模的基本思想是从当前帧中提取前景，其目的是使背景更接近当前视频帧的背景。

即利用当前帧和视频序列中的当前背景帧进行加权平均来更新背景,但是由于光照突变以及其他外界环境的影响，一般的建模后的背景并非十分干净清晰，而高斯混合模型(GMM)是建模最为成功的方法之一。

英文翻译及缩写：Gaussian mixture model (GMM) 混合高斯模型使用K （基本为3到5个）个高斯模型来表征图像中各个像素点的特征,在新一帧图像获得后更新混合高斯模型,用当前图像中的每个像素点与混合高斯模型匹配,如果成功则判定该点为背景点, 否则为前景点。

通观整个高斯模型，他主要是有方差和均值两个参数决定，,对均值和方差的学习,采取不同的学习机制,将直接影响到模型的稳定性、精确性和收敛性。

由于我们是对运动目标的背景提取建模，因此需要对高斯模型中方差和均值两个参数实时更新。

为提高模型的学习能力,改进方法对均值和方差的更新采用不同的学习率;为提高在繁忙的场景下,大而慢的运动目标的检测效果,引入权值均值的概念,建立背景图像并实时更新,然后结合权值、权值均值和背景图像对像素点进行前景和背景的分类。

5.学位论文王世平基于DSP的运动目标检测与跟踪2007
在人所感知到的环境信息中,视觉信息占了非常大的比重,其中动态视觉信息更是其主要组成部分.感知环境中的这些动态视觉信息已成为计算机视觉的一个重要的研究方向.运动目标检测与跟踪是应用视觉和运动图像编码研究领域的一个重要课题,在许多领域有着广泛的应用. 本文主要研究了基于DSP的运动目标检测与跟踪问题,包括硬件平台的构建和运动检测跟踪算法软件设计与实现. 在运动目标检测部分,介绍了现有的几种常用的检测算法,针对传统帧差算法,检测出的运动目标不够完整的缺点,进行了改进;针对传统的背景重建算法运算量大,耗时的缺点,提出基于块的背景重建,均通过实验验证了方法的有效性. 在运动目标跟踪部分,首先介绍了Kalman滤波的基本原理,在此基础上提出了基于Kalman滤波的跟踪算法;然后详细分析了本文目标跟踪系统所采用的波门算法,为后面系统的实现打下了理论基础. 详细介绍了基于DAM6416P图像处理平台的跟踪系统的实现, 整个系统工作过程为DSP先对采集到的图像进行预处理,然后采用帧差法检测运动目标,接着采用基于双波门算法根据目标的质心位置来判断是否移动云台以及云台移动方向,从而实现对运动目标的实时跟踪. 从实验数据与结果看,本文研究的跟踪系统在一定条件下能够准确、及时地检测跟踪目标,达到了预期效果.
2.学位论文何西华视频运动目标检测与跟踪算法研究2008
视频环境的运动目标检测与跟踪是当前计算机视觉研究中一个非常活跃的领域。计算机视觉研究的目标是使计算机具有通过一幅或多幅图像认知周围环境信息的能力。运动图像序列中包含了比静态图像更多的有用信息。运动对象的检测与提取,是将视频图像序列划分成若干的运动对象,并在时间轴上对这些运动对象进行跟踪,为以后的研究工作奠定基础,如基于对象的编码技术以及基于内容的视频检索等。目标跟踪则是随着数字视频技术的发展及应用而产生的一个新的研究课题,其在军事以及民用等诸多领域中有着广泛的应用。 本文主要研究了基于视频序列运动目标检测与跟踪的基本理论和关键技术。重点研究背景模型下运动目标的检测和提取,运动目标阴影的处理,以及运动目标跟踪等方面的内容。 论文首先对的相关背景知识作了介绍。其中包括目标检测与跟踪系统中采用的运动约束假设和外部环境约束假设;目标检测技术采用的主要算法,包括静态图像中的目标检测和运动目标检测;目标跟踪基础知识,包括跟踪的基本概念,目标的常用的四种表示方法等。 在运动目标检测研究方面,首先介绍了当前主要目标检测和提取算法的原理,通过试验对帧间差分法和自适应背景相减法进行分析。在此基础上提出将背景减除与帧间差分方法结合的目标检测算法。实验表明,该方法能够在较大程度上满足系统的要求,提高检测结果精度。针对阴影对目标检测造成的不利影响,最后本论文还总结了目标抑制阴影的几种算法。 在运动目标跟踪研究方面,首先归纳了在目标跟踪中常被采用的视觉特征、统计特征、变换系数特征和代数特征;分析了目标的三种线性运动模型;阐述了目标特征搜索匹配的主要算法,并重点研究了基于目标颜色直方图特征的均值偏移目标跟踪算法(Mean-ShiftAlgorithm),在此基础上提出了一种联合目标位置预测的改进的跟踪算法,通过对均值偏移算法和改进的跟踪算法通过的分析和实验比较,表明本论文的改进跟踪算法较均值偏移跟踪算法由于利用了目标的空间位置信息,提高了目标跟踪的可靠性和有效性。

ｓ ａ ｗ ｅ ｖ １ Ｅｘ ｒｍｅ ｔ ｌｒ ｓ ｌｓ ｉ ｄ ｃ ｔ ｈ ｔｔ ｉ ｌｏ ｔ ｍ ｅ ｔｖ ｌ ｍｐ ｏ ｅ ｔ ｍｏ ｐｈ ｌ ｇ ｔｒ ｎ ｈ ｄｏ ｒ ｍｏ ａ ． ｈ ｉ ｉ ｐｅ ｉ ｎ ａ ｅ ｕ ｔ ｎ ｉａ ｅ ｔ ａ ｈｓ ａ ｇ ｒ ｈ ｉ
改进 的 混合 高斯 模 型 的运 动 对 象 分 割算 法
张 宗彬
（ 尔滨 工程 大学 信 息与通信 工程 学院 ， 哈 黑龙江 哈 尔滨 １００ ） ５０ １ 摘 要： 针对视频序列 中运动对象分割 问题 ， 提出一种改进 的混合 高斯模 型分割算 法． 该算 法首 先 由混合 高斯
模 型 得 到 前 景 ， 后 用 当前 帧 的前 景 区域 与上 一 帧 对 应 位 置做 差 ， 分 出 实 际 变 化 区 域 及 误 检 区 域 并 为 误 检 区 之 区 域 赋 予 较 大 的 更 新 速 率 ， 而 有 效 地 改 善 了长 时 间 静 止 物 体 转 为 运 动 后 留下 的 “ 影 ” 光 线 突 变 导 致 的大 面 从 鬼 及 积 误 检 情 况 ． 用 阴影 抑 制 和形 态 学 滤 波 使 得 前 景 目标 分 割 的性 能得 到 有 效 的 提 高 ． 验 表 明 ， 算 法 能 够 迅 采 实 本 速 响 应 实 际 场 景 的 变 化 ， 确 分 割 出运 动 对 象 ． 准
ａｄｓｄ ｅ ｌ ｍｉａ ｏ ｈ ｎ ｅｐｏ ｌ ｕ ｕ ｄ ｎｍｏｉｇｏ ａｍｏ ｏｌｓ ｏｊｃ．Ｔ ｅ ｅ ｏｍ ｎ ｅｃｎｂ ｆ ｎ ｕ ｄ ｎｉｕ ｎ ｔ ｎｃ ａｇ ｒｂｅ ｄ ｅｔ ｓｄ ｅ ｖｎ ｆ ｔ ｎｅｓ ｂｅｔ ｈ ｒ ｒ ａ ｃ ａ ｅｅ ｌ ｉ ｍｓ ｏ ｉ ｐ ｆ －
第 ３ 第 ５期 ７卷 ２１ ００年 ５月

I1 I2 I3 It
帧序列的同一像素
I(x,y,1)
I(x,y,2)
I(x,y,3)
I(x,பைடு நூலகம்,t)
满足混合高斯模型
6/33
基于混合高斯的运动目标检测
是否存在一个更好的模型？ 在标准测试集I2R上设计实验，分析动态像素分布规律
场景分布具有代表 性
动态特性具有代表性 包含室内室外两种环境，涵盖校园、餐厅、 商场、机场、喷泉、湖面、教室、办公大厅 等，每个场景都具有代表性； 既有背景变动强烈的场景如电梯、校园、喷 泉和湖面，又有背景变动较为温和的场景如 机场、商店等，场景的动态性分布比较全面 包含光照剧烈变化的场景和多个光照对比明 显的场景，对光照条件的考察比较到位
由贝叶斯公式
后验概率
31
国家精品课程网上资源的可用性研究/***
求解混合高斯模型
公式继续推：
最终目标函数：
32
国家精品课程网上资源的可用性研究/***
求解混合高斯模型
33
国家精品课程网上资源的可用性研究/***
求解混合高斯模型
EM求解GMM流程
EXPECTATION! MAXMIZATION!
求解混合高斯模型
简化问题的参数表达式：
其中：
29
国家精品课程网上资源的可用性研究/***
求解混合高斯模型
问题并未结束！znk在实际情况中往往是不知道的！ 问题的解决：利用znk的期望E[znk] 去估计znk！
30
国家精品课程网上资源的可用性研究/***
求解混合高斯模型
求期望 公式推推推
I ( x , y , l , f ) k ( x, y , l , f

帧差法[2]使用帧间的灰度或梯度等信息进行对比，这种方法对于动态的场景具有较强的 适应性，时间较快，但是在运动较慢或者存在相邻帧重叠的情况下，一般不能提取出完整的 运动前景；光流法[3]结合了运动目标的时间和空间信息，检测的准确性较高，即使在摄像头
一基金项目：国家自然科学基金资助：60975015；重庆市科技攻关项目资助：CSTC2009AB2230 作者简介：赵红(1986-) 男，重庆人，研究生，研究方向：图像处理，计算机视觉，软件工程等。张小洪(1973-)， 男，四川人，副教授，主要研究方向：数字图像处理、模式识别、人工智能、科学与工程计算、软件工程 及应用等。
图 2 像素点在空间和时间邻域系统中的联系 Fig2 The relation between pixels in the spatial and temporal neighborhoodthe relationPixel neighborhood in
space and time, the link system system
u = I (x, y, t) = {(1−ρ )ut−1+ρ Xt if ( Mi,t =1)
t
ut−1 else
σ = { 2
(1−
ρ
)σ
2 t −1
+
ρ
(
X
t
−ut
)Τ
(
X
t
−ut
)
if ( M i,t =1)
t
σ
2 t −1
else
（6） （7）
ρ = αη (xt | uk ,σ k )
（8）
对于前后两帧检测出来的运动物体，由于忽视了空间像素之间的联系，常常会有很多孤 立的噪声点被当成了运动前景，或者说部分前景点被当成了背景，为了修正这样的错误，防 止其错误的累积，本文采用空间的像素信息进行修正。在高斯混合建模过程中，若某一像素 点和任何一个分布均不匹配，那么本文就把它当成一个前景点，而匹配的就称为背景点，并

户外环境下抗遮挡的运动目标跟踪方法冯柯;陈临强【期刊名称】《计算机工程与应用》【年(卷),期】2011(047)011【摘要】针对户外环境光线和气候条件多变以及目标间相互遮挡对目标检测和跟踪的影响,提出了一种基于改进的高斯混合模型方法采检测运动目标,并消除噪声和阴影;同时采用基于Kalman滤波器的预测模型和最大后验概率目标匹配相结合的方法来实现目标的连续跟踪.实验表明,该方法能实现目标的稳定跟踪,且能够处理目标相互遮挡的情况,计算复杂度较低,基本满足实时应用的需求.%In order to overcome the adverse effect,which caused by the inconstant light and climate and occlusion between objects,on object detecting and tracking,a method based on the improved mixture Gaussian model is proposed to detect the moving object, then shadow and noise is removed. While using the method of predict model based on Kalman filter combines with maximum posterior probability for object matching it realizes the moving objects tracking. The experimental resuits indicate that the method can construct a robust real-time object tracking system which can easily handle the occlusion.【总页数】4页(P187-189,200)【作者】冯柯;陈临强【作者单位】杭州电子科技大学图形图像研究所,杭州,310018;杭州电子科技大学图形图像研究所,杭州,310018【正文语种】中文【中图分类】TP391【相关文献】1.遮挡情况下的运动目标跟踪方法研究 [J], 刘亭;杨丰瑞;刘雄风2.抗遮挡的自适应运动目标跟踪方法 [J], 路红;李宏胜;费树岷;郭婧;李文成3.复杂背景下抗遮挡的运动目标跟踪算法 [J], 刘扬;张云峰;董月芳4.基于深度特征与抗遮挡策略的运动目标跟踪 [J], 火元莲;李明;曹鹏飞;石明5.增强现实中视觉图像抗遮挡运动目标跟踪算法研究 [J], 付辉;邵开丽;代文征因版权原因，仅展示原文概要，查看原文内容请购买。

时长 时 间 留下前 景 运 动 物体 和 降 低 对光 照 变 化 的适应
能 力
收 稿 日期 ：０ ９ ２ ０ 修 稿 日期 ：０ ９ １ － ６ ２ ０ —１ — ９ ２０ － ２ ２
作 者 简介 ： 永福 （ ９ １ ， ， 东省 肇庆 人 ， 士研 究 生 ， 究方向 为机 器视 觉与模 式识 别 刘 １ ８ 一） 男 广 硕 研
（） １
｝ ． （ ｌ （１ ｆ １主 】
。 （ ２）
Ｔ（ ｔ∑ ） １× ・
ｅ‘
式 中 ，１’ 示 ｔ 的值 （ ， ２ … ， 中 落 入 第 ｉ ‘Ｉ表 ）ｌ 帧 Ｘ。 ， Ｘ ） Ｘ
个 高 斯 分布 的 比率 ， 和 ∑－分别 表 示 高 斯分 布 的期 ＇ １
，
分量 都置 为 ２ ５ 方法不 但填 补 了 目标体 内大量 的裂 ５ 本
背景和 引人 大量 噪声 ： 新率 低则 在停 滞物 体 逃离 背 景 更
１ 混合 高斯模 型 更新 和 背景 生成 ． ２
对某 像 素 点 的每 个新 样 本 点 Ｘ 判 断 其 与 已存 在 的 Ｋ个 高斯 分 布进 行 匹 配 ，若满 足 条件 Ｉ¨ １２ ｔ， Ｘ 一 ＜ ． ｒ ５ｉ 则 Ｘ 与该 分 布 匹配 。如果 Ｘ＋都 不 匹配 ， 。 则增 加 新 高 斯 分布 或者 用新 高斯 分 布代 替 入 最小 的分 布 新 的高
望值 和方 差 ， ． 。（ ∑ｉ １ Ｉ假设 像 素 点 的 Ｒ Ｂ个 分 量互 相 ＝ Ｇ
独立 ， 且有 相 同 的方 差 ， 为单 位 矩 阵 ）Ｋ个 高斯 分布 总 Ｉ 。 是 按 照优 先级 ‘Ｉ ｃ 。ｉ １２ … ， 从 高到 低 的次 １＇ ｒ （ ， ， Ｋ） ）ｌ ＝ ／

混合高斯的跟踪原理混合高斯模型是一种经典的目标跟踪方法，它通过对目标和背景模型的高斯混合进行建模，实现目标的准确跟踪。

本文主要介绍混合高斯跟踪的原理及其实现流程。

一、混合高斯模型简介混合高斯模型（Mixture of Gaussian Model）是一种概率分布模型，其中各个混合成分均为高斯分布。

它在计算机视觉领域中被广泛应用于目标跟踪、背景减除、运动检测等领域。

在目标跟踪中，混合高斯模型将图像中的像素分为目标和背景两部分。

对于背景部分，混合高斯模型建立一个高斯混合模型，描述像素在背景中的分布情况。

而对于目标部分，则建立一个单一高斯模型，描述像素在目标中的分布情况。

混合高斯跟踪的基本原理是通过维护一个背景模型，来实现对目标的跟踪。

假设视频帧已经被划分成像素块，用$\xi_i$表示第i个像素块的像素分布概率密度函数（pdf），用$w_{i,j}$表示第i个像素块第j个混合成分的权值，用$\mu_{i,j}$和$\sigma^2_{i,j}$分别表示第i个像素块第j个混合成分的均值和方差。

模型初始化时将所有像素块视为背景，均以固定的概率进行混合。

当某个像素块出现目标时，慢慢地将其划分到目标模型中。

下面将详细阐述混合高斯跟踪的实现流程：1. 背景模型初始化混合高斯模型背景模型初始化是跟踪的重要一步，其主要目的是建立像素的高斯混合模型。

对于每个像素块$\xi_i$，首先建立一个混合成分，均值设为均值灰度值，方差设为初始方差。

混合成分的权值设为$\frac{1}{M}$，其中M为混合成分的数量。

2. 像素块分类3. 跟踪目标4. 高斯混合模型的更新在混合高斯模型中，当一个新的像素块被归为背景时，需要将该像素块加入到背景模型中。

以混合高斯模型背景模型的第i个像素块为例，其新的高斯混合模型可以表示为：$P_{i,j}(x_t)=w_{i,j}(x_{t})N(x_t|\mu_{i,j}(t),\sigma^2_{i,j}(t))+(1-w_{i,j}(x_t))P_{i,j}(x_t)$其中，$x_t$表示第t帧图像中像素块的值，$w_{i,j}(x_t)$表示第i个像素块第j个混合成分的权值，$\mu_{i,j}(t)$和$\sigma^2_{i,j}(t)$分别表示第i个像素块第j个混合成分的均值和方差。

⾼斯混合模型（GMM）-混合⾼斯回归（GMR） ⾼斯模型就是⽤⾼斯概率密度函数（正态分布曲线）精确地量化事物，将⼀个事物分解为若⼲的基于⾼斯概率密度函数（正态分布曲线）形成的模型。

对图像背景建⽴⾼斯模型的原理及过程：图像灰度直⽅图反映的是图像中某个灰度值出现的频次，也可以以为是图像灰度概率密度的估计。

如果图像所包含的⽬标区域和背景区域相差⽐较⼤，且背景区域和⽬标区域在灰度上有⼀定的差异，那么该图像的灰度直⽅图呈现双峰-⾕形状，其中⼀个峰对应于⽬标，另⼀个峰对应于背景的中⼼灰度。

对于复杂的图像，尤其是医学图像，⼀般是多峰的。

通过将直⽅图的多峰特性看作是多个⾼斯分布的叠加，可以解决图像的分割问题。

在智能监控系统中，对于运动⽬标的检测是中⼼内容，⽽在运动⽬标检测提取中，背景⽬标对于⽬标的识别和跟踪⾄关重要。

⽽建模正是背景⽬标提取的⼀个重要环节。

我们⾸先要提起背景和前景的概念，前景是指在假设背景为静⽌的情况下，任何有意义的运动物体即为前景。

建模的基本思想是从当前帧中提取前景，其⽬的是使背景更接近当前视频帧的背景。

即利⽤当前帧和视频序列中的当前背景帧进⾏加权平均来更新背景,但是由于光照突变以及其他外界环境的影响，⼀般的建模后的背景并⾮⼗分⼲净清晰，⽽⾼斯混合模型(GMM，Gaussian mixture model)是建模最为成功的⽅法之⼀，同时GMM可以⽤在监控视频索引与检索。

混合⾼斯模型使⽤K（基本为3到5个）个⾼斯模型来表征图像中各个像素点的特征,在新⼀帧图像获得后更新混合⾼斯模型,⽤当前图像中的每个像素点与混合⾼斯模型匹配,如果成功则判定该点为背景点, 否则为前景点。

通观整个⾼斯模型，他主要是有⽅差和均值两个参数决定，,对均值和⽅差的学习,采取不同的学习机制,将直接影响到模型的稳定性、精确性和收敛性。

由于我们是对运动⽬标的背景提取建模，因此需要对⾼斯模型中⽅差和均值两个参数实时更新。

为提⾼模型的学习能⼒,改进⽅法对均值和⽅差的更新采⽤不同的学习率;为提⾼在繁忙的场景下,⼤⽽慢的运动⽬标的检测效果,引⼊权值均值的概念,建⽴背景图像并实时更新,然后结合权值、权值均值和背景图像对像素点进⾏前景和背景的分类。

而且 不能 自动 跟 踪 。针 对 这 两 个缺 点 ，本 文 结 合 混 合 高斯 模 型 来对 这 一跟 踪 算 法进 行 改 进 ， 通 过 混 合 高斯模 型 来 实 现 对运 动
目标 的检测得到 目标的轮廓 ， 将 图像处理 中的形态学变换应用到 目标轮 廓检测过程 中， 可 以得到更好 的检测结 果和 目标轮廓。 对 检测 的 目标再利用 Ｃ ａ ｍＳ ｈ ｉ ｉ 算法进行跟踪 ， ｆ 在程序 中引入 Ｋ ａ ｌ ｍａ ｎ预测算法 ， 对 目标的位 置进行估计 ， 提 高跟踪 的准确性 ，
Ｍｉ ｃ ｒ ｏ ｃ ｏ ｍｐ ｕ ｔ ｅ ｒ Ａｐ ｐ ｌ ｉ ｃ ａ ｔ ｉ ｏ ｎ ｓ Ｖ ｏ １ ． ２ ９ ， Ｎ ｏ ． ２ ， ２ ０ １ ３
文章编号：１ ０ ０ ７ ． ７ ５ ７ Ｘ（ ２ ０ １ ３ ） ２ ． ０ ０ ０ １ ０ － ０ ３
研 究与 设计
微 Ｗａ ｎ ｇ Ｃ ｈ ａ ｏ ｌ ｉ ， Ｚｈ ａ ｎ ｇ Ｘｕ ｆ ｅ ｉ
（ Ｓ ｃ ｈ ｏ ｏ ｌ ｏ ｆ Ｏｐ ｔ ｉ ｃ ａ ｌ － Ｅ ｌ ｅ ｃ ｔ ｒ ｉ ｃ ａ ｌ ａ ｎ ｄ Ｃ ｏ ｍｐ ｕ ｔ ｅ ｒ Ｅ ｎ ｇ ｉ ｎ ｅ ｅ ｒ ｉ ｎ ｇ ， Ｕｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ ｏ ｆ Ｓ ｈ ａ ｎ ｇ ｈ ａ ｉ ｆ ｏ ｒ Ｓ ｃ ｉ ｅ ｎ ｃ ｅ ａ ｎ ｄ Ｔ ｅ ｃ ｈ ｎ ｏ ｌ ｏ ｇ ｙ ， Ｓ ｈ ａ ｎ ｇ ｈ ａ ｉ ２ ０ ０ ０ ９ ３ ，
Ｃｈ ｉ ｎ ａ ）
Ａｂ ｓ ｔ ｒ ａ ｃ ｔ ：Ｔ ｒ ａ ｄ ｉ ｔ ｉ ｏ ｎ ａ ｌ Ｃａ ｍＳ ｈ ｉ ｉ ｆ ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ ｉ ｓ ａ ｎ ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ ｂ ａ ｓ ｅ ｄ ｏ ｎ ｃ ｏ ｌ ｏ ｒ ｉ ｎ ｆ ｏ ｒ ｍａ ｔ ｉ ｏ ｎ ，ｉ ｔ ｗｉ ｌ ｌ ａ ｐ ｐ ｅ ａ ｒ ｔ ｏ ｉ ｎ ａ ｃ ｃ ｕ ｒ ａ ｔ ｅ ｔ ｒ ａ ｃ ｋ ｉ ｎ ｇ ｉ ｎ ｔ ｈ ｅ ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ ｉ ｆ ｔ ｈ ｅ ｂ ａ ｃ ｋ ｇ ｒ ｏ ｕ ｎ ｄ ａ ｎ ｄ ｔ ｈ ｅ ｔ ａ ｒ ｇ ｅ ｔ ｈ ａ ｖ ｅ ｓ ｉ ｍｉ ｌ ａ ｒ ｃ ｏ ｌ ｏ ｒ ，ａ ｎ ｄ ｔ ｈ ｅ ａ ｕ ｔ ｏ ｍａ ｔ ｉ ｃ ｔ ｒ ａ ｃ ｋ ｉ ｎ ｇ ａ ｌ ｓ ｏ ｃ ａ ｎ ’ ｔ ｂ ｅ ａ ｃ ｈ ｉ ｅ ｖ ｅ ｄ ． Ｔ ｏ ｂ ｅ ａ ｉ ｍｅ ｄ ａ ｔ ｔ ｈ ｅ ｔ ｗｏ ｓ ｈ ｏ ｒ ｔ ｃ ｏ ｍｉ ｎ ｇ ｓ ， ｉ ｎ ｔ ｈ ｉ ｓ ｐ ａ ｐ ｅ ｒ ， ｔ ｈ ｅ ｔ ｒ ａ ｃ ｋ ｉ ｎ ｇ ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ ｉ ｓ ｉ ｍｐ ｒ ｏ ｖ ｅ ｄ ｂ ｙ ｕ ｓ ｉ ｎ ｇ Ｇａ ｕ ｓ ｓ ｉ ｎ ａ ｍｉ ｘ ｔ ｕ ｒ ｅ ｍｏ ｄ ｅ ｌ ｗｈ ｉ ｃ ｈ ｉ ｓ ｕ ｓ ｅ ｄ ｔ ｏ ｄ ｅ ｔ ｅ ｃ ｔ ｍｏ ｖ ｉ ｎ ｇ ｔ ａ ｒ ｇ ｅ ｔ ｓ ａ ｎ ｄ ｉｎ ｆ ｄ ｔ ｈ ｅ ｃ ｏ ｎ ｔ ｏ ｕ ｒ ｓ ． Ｔｈ ｅ ｎ ｍｕ ｃ ｈ ｂ ｅ ｔ ｔ ｅ ｒ ｒ ｅ ｓ ｕ ｌ ｔ ｓ ｎｄ ａ ｃ ｏ ｎ ｔ ｏ ｕ ｒ ｓ ｗｉ ｔ ｈ ｍｏ ｒ ｐ ｈ ｏ ｌ ｏ ｇ ｉ ｃ ａ ｌ ｔ ｒ ａ ｎ ｓ ｆ ｏ ｒ ｍａ ｔ ｉ ｏ ｎ ｉ ｎ ｉ ｍａ ｇ ｅ ｐ ｒ ｏ ｃ ｅ ｓ ｓ ｉ ｎ ｇ ａ ｒ ｅ ｏ ｂ — ｔ ａ ｉ ｎ ｅ ｄ ． Ａｆ ｔｅ ｒ ｔ ｈ ａ ｔ ， Ｃａ ｍＳ ｈ ｉ ｆ ｔ ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ ｉ ｓ ｕ ｓ ｅ ｄ ｔ ｏ ｔ ｒ ａ ｃ ｋ ｔ ｈ ｅ ｄ ｅ ｔ ｅ ｃ ｔ ｅ ｄ ｔ ａ ｒ ｇ ｅ ｔ ｓ ， ｗｈ ａ ｔ ｍｏ ｒ ｅ ， ｔ ｈ ｉ ｓ ｐ ａ ｐ ｅ ｒ ｕ ｓ ｅ ｓ Ｋａ ｌ ｍａ ｎ ｐ ｒ ｅ ｄ ｉ ｃ ｔ ｉ ｏ ｎ ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ ｉ ｎ ｔ ｈ ｅ ｐ ｒ ｏ ｇ ｒ ａ ｍ Ｓ Ｏ ｔ ｈ ａ ｔ ｔ ｈ ｅ ｐ ｏ ｓ ｉ ｔ ｉ ｏ ｎ ｏ ｆ ｔ ｈ ｅ ｔ ａ ｒ ｇ ｅ ｔ ｓ Ｃ ｎ ａ ｂ ｅ ｅ ｓ ｔ ｉ ｍａ ｔ ｅ ｄ ａ ｎ ｄ ｔ ｒ ａ ｃ ｋ ｉ ｎ ｇ ａ ｃ ｃ ｕ ｒ ａ ｃ ｙ ｉ ｓ ｉ ｍｐ ｒ ｏ ｖ ｅ ｄ ． Ｔｈ ｅ ｅ ｘ ｐ ｅ ｒ ｉ ｍｅ ｎ ｔ ａ ｌ ｒ ｅ ｓ ｕ ｌ ｔ ｓ ｐ ｒ ｏ ｖ ｅ ｔ ｈ ａ ｔ ｔ ｈ ｅ ｍｅ ｔ ｈ ｏ ｄ ｉ ｓ ｅ ｆｅ ｃ ｔ ｉ ｖ ｅ ｎｄ ａ ａ ｃ ｃ ｅ ｓ ｓ ｅ ｓ ｔ ｏ ａ ｕ ｔ ｏ ｍａ ｔ ｉ ｃ ｔ ｒ ａ ｃ ｋ ｉ ｎ ｇ ｏ ｆ ｔ ｈ ｅ ｍｕ ｌ ｔ ｉ － ｔ ａ ｒ ｇ ｅ ｔ ｓ ． Ｋｅ ｙ ｗｏ ｒ ｄ ｓ ： Ｇａ ｕ ｓ ｓ ｉ ａ ｎ Ｍｉ ｘ ｔ ｕ ｒ ｅ Ｍｏ ｄ ｅ ｌ ； Ｃａ ｍＳ ｈ ｉ ｆ ｔ Ａｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ； Ｃｏ ｎ ｔ ｏ ｕ ｒ Ｄｅ ｔ ｅ ｃ ｔ ｉ ｏ ｎ ； Ｍｕ ｌ ｔ ｉ — ｔ ａ ｒ ｇ ｅ ｔ Ｔ ｒ ａ ｃ ｋ ｉ ｎ ｇ

高斯混合模型详解聚类的方法有很多种，k-means要数最简单的一种聚类方法了，其大致思想就是把数据分为多个堆，每个堆就是一类。

每个堆都有一个聚类中心（学习的结果就是获得这k个聚类中心），这个中心就是这个类中所有数据的均值，而这个堆中所有的点到该类的聚类中心都小于到其他类的聚类中心（分类的过程就是将未知数据对这k个聚类中心进行比较的过程，离谁近就是谁）。

其实k-means算的上最直观、最方便理解的一种聚类方式了，原则就是把最像的数据分在一起，而“像”这个定义由我们来完成，比如说欧式距离的最小，等等。

想对k-means的具体算法过程了解的话，请看这里。

而在这篇博文里，我要介绍的是另外一种比较流行的聚类方法----GMM（Gaussian Mixture Model）。

GMM和k-means其实是十分相似的，区别仅仅在于对GMM来说，我们引入了概率。

说到这里，我想先补充一点东西。

统计学习的模型有两种，一种是概率模型，一种是非概率模型。

所谓概率模型，就是指我们要学习的模型的形式是P(Y|X)，这样在分类的过程中，我们通过未知数据X可以获得Y取值的一个概率分布，也就是训练后模型得到的输出不是一个具体的值，而是一系列值的概率（对应于分类问题来说，就是对应于各个不同的类的概率），然后我们可以选取概率最大的那个类作为判决对象（算软分类soft assignment）。

而非概率模型，就是指我们学习的模型是一个决策函数Y=f(X)，输入数据X是多少就可以投影得到唯一的一个Y，就是判决结果（算硬分类hard assignment）。

回到GMM，学习的过程就是训练出几个概率分布，所谓混合高斯模型就是指对样本的概率密度分布进行估计，而估计的模型是几个高斯模型加权之和（具体是几个要在模型训练前建立好）。

每个高斯模型就代表了一个类（一个Cluster）。

对样本中的数据分别在几个高斯模型上投影，就会分别得到在各个类上的概率。

然后我们可以选取概率最大的类所为判决结果。

基于自适应混合高斯模型的前景目标检测孟晓燕;董增寿;武霞【摘要】在计算机视觉研究中，从视频序列中提取出前景目标是关键步骤之一。

而混合高斯背景模型是前景目标检测的一种常用算法。

针对传统混合高斯建模过程中分别对每个像素建立固定个数的高斯模型和相同的学习率这一缺陷，本文先对视频帧进行了分块处理，然后自适应的对每个像素块采取不同的高斯分布个数和学习率，并且在建模过程的不同时间段采用不同的学习率，最后对检测结果在空域上进行数学形态学的处理。

实验结果表明，与传统检测方法相比，该方法能够更加准确和快速地检测出前景目标。

%The extraction of foreground object from a video sequence is one of the key steps in computer vision re-search. Gaussian mixture model is a kind of commonly-used foreground object detection algorithm. In view of the traditional Gaussian background model process to establish a fixed number of Gaussian model and the same learn-ing rate separately for each pixel,the video frame is divided into blocks firstly,then an adaptive different number of Gaussian distribution and different learning rate for each pixel block is taken at different times by using different modeling learning rate,finally the mathematical morphology for image post-processing in the space domain was ap-plied. The experimental results show that,compared with the traditional detection method,this method has the char-acteristics of quickness and accuracy,thus obtaining better prospects target detection results.【期刊名称】《太原科技大学学报》【年(卷),期】2014(000)006【总页数】6页(P413-418)【关键词】混合高斯背景模型;前景检测;自适应学习率【作者】孟晓燕;董增寿;武霞【作者单位】太原科技大大学电子信息工程学院，太原030024;太原科技大大学电子信息工程学院，太原030024;太原科技大大学电子信息工程学院，太原030024【正文语种】中文【中图分类】TP391前景目标的检测是指从视频序列中将发生变化的区域从相对静止的背景图像提取出来的过程。

２ 单 高斯背 景模型 法 的改进 与实现
被判 断为前 景点
（） ７
单 高斯 背 景模 型属 于单 模 背 景模 型 ， 合 于 背 适 景 灰度 或颜色 分布 比较 集 中且背景 中扰 动较少 的场 景 。假设 图像 中每个 像 素 点均 服 从 均 值 为 和协 方 差为 ∑ 的高斯 概率 分布 ， 那么 可 以把 每个像 素 点 的颜 色 分布用 高斯 函数 式 （ ） １ 表示 ：
ｌ ｏｉ ａ ｇ ｒｔｍ ｓ ｓ ｆｕ ａ ｉ ｅｅ ｃ ｔ ｏ ｏ ｄ ｔｒ ｎ ｈ ｖ ｍｅ ｔｔｒ ｅ ｅ ｔｆ ｔ ａ ｄ ｂ ｃ ｇ ｏ ｎ ｄ ｌｉ ｈ ｕ ｅ ｏ ｒｆ ｍｅ ｄ ｆ ｒｎ ｅ ｍｅｈ ｄ ｔ ｅ ｅｍｉｅ ｔｅ ｍｏ ｅ ｎ ａｇ ｔａ ａ ａ ｒ ， ｎ ａ ｋ ｒ ｕ ｄ ｍｏ ｅ ｓ ｒ ｒ ｉ ｓ
ａ ｌｃ ｔｏ ｐｐｉ ａｉｎ．
Ｋ ｙｗ ｒｓｓ ｇｅＧ ｕｓ ｎｍｏｅ； ｏｉｇｏｊｃ ｄｔ ｔ ｎ ｆ ｒ ａ ｅｄｆ ｒ ｃ ； ａｏ Ｕ－ｅｓ ｎ ｅ ｏｄ ：ｉ ｌ ａ ｓｉ ｄ ｌｍ ｖ ｂ ｔ ｅ ｃ ｏ ； ｕ・ｍ ，ｉｅｅ ｅｓ ｄｗ Ｓｌ ｒｓｉ ｎ ａ ｎ ｅ ｅｉ ｏ ｆ ｒ ｎ ｈ ０ ｐ ｏ
型 的更 新两 步来 完成 。 ２ １ 单高 斯背 景模 型 的建立 ．
情 况 。当运动 目标 停止后 ， 转化 为新 的背 景 ； 便 目标 开 始运动 后 ， 背景 中 的部 分 像 素 又 变 为新 的运 动 目 标 。 当用 式 （ ） 背 景 模 型 进 行 更 新 时 ， 对 判 断 ９对 只 为 背景 的像 素点进 行 更 新 ， 被 判 断 为前 景 点 的像 而 素则不参 与更 新 ， 目标 由运 动 变 为 静止 或 由静 止 即