CN104077779A - 高斯背景模型与均值漂移跟踪结合的运动目标统计方法 - Google Patents

Abstract

本发明公开了一种高斯背景模型与均值漂移跟踪结合的运动目标统计方法，首先采集1～T时刻的序列图像；建立空的跟踪队列；t由1取至T，对t时刻图像执行步骤1～41、采用改进的混合高斯背景模型从t时刻图像分离出背景像素和前景像素，获得二值化图像A；2、采用形态学开运算和闭运算去除A中独立前景像素，填充前景空洞，得到图像B；3、对于B进行连通域分析，获得前景轮廓；4、以前景轮廓的外接矩形作为当前目标窗口，若当前目标窗口与跟踪队列中的已有目标窗口没有重叠，则将当前目标窗口添加至跟踪队列作为已有目标窗口，统计加1；采用均值漂移跟踪的方法对跟踪队列中的已有目标窗口进行跟踪和更新。

Description

高斯背景模型与均值漂移跟踪结合的运动目标统计方法

技术领域

本发明属于运动目标检测统计技术领域，具体涉及一种高斯背景模型与均值漂移跟踪结合的运动目标统计方法。

背景技术

随着军事侦察、智能交通、智能监控等领域的发展，对图像处理及目标识别的智能性和可靠性的要求越来越高。在这些领域中，序列图像中运动目标的个数统计是一种重要的应用。

目前，在运动目标检测统计领域，多采用帧差法、均值背景法或虚拟检测线圈法。帧差法运算量小，但检测精度较低；均值背景法易受到光线变化或树叶摇摆等干扰的影响，鲁棒性较差；虚拟线圈法通过比较在人为设置的图像中区域内像素值的变化检测运动目标，适用于运动路径较固定的场合，如按车道行驶的车流量统计，应用局限性较大。此外，以上几种方法受阴影影响较大，当阴影覆盖其他目标时很容易发生目标粘连，导致丢失目标。

发明内容

有鉴于此，本发明提供了一种高斯背景模型与均值漂移跟踪结合的运动目标统计方法，该方法是一种抗噪能力强、前景分离准确、跟踪精度高、适合多种应用场合运动目标统计方法。

为了达到上述目的，本发明的技术方案为：该方法首先在1～T每一时刻采集一帧图像，组成序列图像，并建立跟踪队列，初始化跟踪队列为空；按照时间顺序从序列图像依次选取图像，并对于t时刻图像进行如下第一步～第四步的处理，1≤t≤T：

第一步、采用改进的混合高斯背景模型从t时刻图像分离出背景像素和前景像素，从而获得运动前景二值化图像；

改进的混合高斯背景模型中具有K个高斯模型，每个高斯模型由如下公式确定：命中公式、滑动均值公式、滑动方差公式、排序键值公式以及权值公式；其中每个公式均针对t时刻图像中每一个像素的像素值建立，采用t时刻图像中每个像素对应的Lab空间色彩分量建立矩阵P，以矩阵P替代上述每个公式中对应像素的像素值部分。

第二步、采用形态学开运算和形态学闭运算对运动前景的二值化图像中的独立前景像素进行去除，并对前景空洞进行填充，得到完整的前景二值图像。

第三步、对于完整的前景二值图像进行连通域分析，获得前景轮廓。

第四步、以前景轮廓的外接矩形作为当前目标窗口，判断当前目标窗口与跟踪队列中的已有目标窗口是否有重叠，若没有重叠，则将当前目标窗口添加至跟踪队列作为已有目标窗口，同时统计数据加1；

同时采用均值漂移跟踪的方法对跟踪队列中的已有目标窗口进行跟踪，以跟踪获得的搜索窗替换所跟踪的已有目标窗口。

较佳地，序列图像中包括400帧以上的图像。

较佳地，第一步采用改进的混合高斯背景模型从t时刻图像分离出背景像素和前景像素，其过程具体为：针对t时刻图像中的任一像素，区分其为背景像素或者前景像素，然后进行分离。其中对于当前像素，区分其为背景像素或者前景像素的过程包括如下步骤：

步骤101、对于t时刻图像中的当前像素：维护K个高斯模型；当t为1时，对该K个高斯模型进行初始化，初始化的参数包括：滑动均值、滑动方差、排序键值以及权值；其中滑动均值和滑动方差均为3×1的矩阵形式。

以当前像素在t时刻图像中的Lab空间的色彩分量分别为L、a、b分量，w_l、w_a、w_b分别为L、a、b分量的权值，w_l、w_a、w_b均取经验值，建立当前像素在t时刻图像中的Lab特性矩阵P_t＝[w_lL w_aa w_bb]，其中在t时刻图像中，L、a、b分量的滑动均值的矩阵形式为：U_t＝[μ₁ μ₂ μ₃]；方差的矩阵形式为： $V_t=\left[\begin{array}{ccc}{\mathrm{\σ}}_1^2& {\mathrm{\σ}}_2^2& {\mathrm{\σ}}_3^2\end{array}\right].$

步骤102、对当前像素进行命中试验，其中高斯模型命中公式为：

$\det =(P_t-U_{t-1})\·(P_t-U_{t-1})-T_v{v}_{t-1}^2$

其中以*为下脚标表示*时刻，则P_*表示当前像素在*时刻图像中的Lab特性矩阵，U_*为*时刻图像中该像素L、a、b分量的滑动均值，V_*为*时刻图像中该像素L、a、b分量的滑动方差，当t＝1时，U_t和V_t均为初始化值；T_v为标准高斯分布阈值；加权滑动方差数值 $v_{*}^2=V_{*}\·\left[\begin{array}{ccc}{w}_l& w_a& w_b\end{array}\right];$

在当前像素的命中试验中，如果det小于0，则t时刻的当前像素属于此高斯模型，即命中的高斯模型，更新命中的高斯模型的滑动均值公式，滑动方差公式、排序键值公式和权值公式依次为：

U_t＝U_t-1+α(P_t-U_t-1)

V_t＝(1-α)V_t-1+α(P_t-U_t-1)·(P_t-U_t-1)

$s_t=\frac{{\mathrm{\ω}}_{t-1}}{\sqrt{w_l{{\mathrm{\σ}}_1^2}_t+w_a{{\mathrm{\σ}}_2^2}_t+w_b{{\mathrm{\σ}}_3^2}_t}}$

ω_t＝ω_t-1+α(1-ω_t-1)

其中s_t为排序键值，ω_t为权值，α为学习率，然后对于K个高斯模型，按照排序键值从大到小的顺序排列，进入步骤103；

如果没有命中任何高斯模型，将K个高斯模型按照排序键值从大到小的顺序排列后，重新初始化一个新的高斯模型，新的高斯模型用于替换排列在最后的高斯模型，重复本步骤102；

步骤103、将当前像素所维护的K个高斯模型的排序键值和权值进行归一化处理，其中第k个高斯模型的排序键值为s^k、权值为ω^k，其归一化后的排序键值为权值为其中1≤k≤K：

${\hat{s}}^k=\frac{s^k}{{\mathrm{sum}}_s}$

${\widehat{\mathrm{\ω}}}^k=\frac{{\mathrm{\ω}}^k}{{\mathrm{sum}}_{\mathrm{\ω}}}$

其中sum_s为K个高斯模型排序键值的和；sum_ω为K个高斯模型权值的和；

步骤104、设定背景阈值T_b，找到k_F∈[1,K]，使得排序为1～k_F位的高斯模型归一化后的权值之和大于T_b；

命中的高斯模型在K个高斯模型排序中占第k_H位，则对于当前像素，当k_F＞k_H时，该像素为背景像素，否则为前景像素。

进一步地，L、a、b分量的权值w_l、w_a、w_b的取值均为经验值，其中w_l取值为1、w_a取值在区间[1,2]内，w_b取值在区间[0,1]内。

进一步地，第四步中，采用均值漂移跟踪的方法对跟踪队列中的已有目标窗口进行跟踪，以跟踪获得的搜索窗替换所跟踪的已有目标窗口，该过程具体包括如下步骤：

步骤401、获得t时刻图像在HSV色彩空间的色度图像I_H，以前景轮廓的外接矩形作为当前目标窗口R_O，对当前目标窗口内的色度图像进行直方图统计，得到直方图H_o，利用直方图H_o计算色度图I_H的反向投影P_o，即为当前目标窗口在色度图像I_H中的分布概率密度图像。

步骤402、跟踪队列中与当前目标窗口有重叠的已有目标窗口为W_O，以W_O作为搜索窗W_S。

步骤403、计算P_O在W_S内的零阶矩M₀₀：

如果M₀₀小于经验阈值T_M，则将W_S中心保持不变，长和宽均扩大2倍更新搜索窗W_S，并重新计算P_o在W_S内的零阶矩，如果该零阶距仍小于经验阈值则更新W_S为0，停止跟踪进入步骤404。

如果M₀₀大于或等于经验阈值T_M，则计算一阶矩M₁₀和M₀₁以及搜索窗的重心；若搜索窗的重心与其中心之间的距离小于经验距离ε，则停止跟踪进入步骤404；否则将搜索窗W_S的中心移动到搜索窗重心处更新搜索窗W_S，重复步骤403、当重复次数达到跟踪上限时，停止跟踪进入步骤404。

步骤404、以停止跟踪时的W_S更新跟踪队列中的W_O所存储的目标窗口，当停止跟踪时的W_S为0时将W_O从跟踪队列中删除。

有益效果：

1、本发明在混合高斯模型中，利用加权的LAB空间彩色特征去除图像中的阴影，防止当阴影覆盖其他目标时很容易发生目标粘连，导致丢失目标。

2、本方法采用混合高斯模型，其本身具有动态背景更新的功能，加上LAB空间的特征，因此受光线变化的影响较小，因此该方法可以在不同场合不同光线情况下进行应用。

3、本发明采用将混合高斯模型与均值漂移的方法结合，并对均值漂移跟踪方法进行搜索窗自调整的改进，通过对目标色彩概率密度的爬升运算，进行运动目标跟踪，可以实现对非确定性路径的目标进行跟踪，因此对于运动路径不固定的场合同样适用。

附图说明

图1为本发明方法的流程图；

图2为利用改进的混合高斯模型得到的运动前景二值化图像。

图3为本方法中对于目标进行跟踪的过程仿真示意图，其中由图(a)为检测到的目标2和3；图(b)～图(g)为对目标4进行跟踪的过程。

具体实施方式

下面结合附图并举实施例，对本发明进行详细描述。

实施例1、高斯背景模型与均值漂移跟踪结合的运动目标统计方法，该方法首先在1～T每一时刻采集一帧图像，组成序列图像，并建立跟踪队列，初始化跟踪队列为空；按照时间顺序从序列图像依次选取图像，并对于t时刻图像进行如下第一步～第四步的处理，1≤t≤T：

第一步、采用改进的混合高斯背景模型从t时刻图像分离出背景像素和前景像素，从而获得运动前景二值化图像，如图2所示。本实施例中的改进的混合高斯背景模型中具有K个高斯模型，其建立方式与现有的混合高斯模型一样，均是由如下公式确定的：命中公式、滑动均值公式、滑动方差公式、排序键值公式以及权值公式。

在现有的高斯模型中，上述每个公式均针对t时刻图像中每一个像素的像素值建立。由于像素值无法确切地表达阴影区域，因此本实施例采用当前图像各像素对应的Lab空间色彩分量建立矩阵P，以矩阵P替代上述每个公式中的像素值部分即为改进的混合高斯背景模型，并且为了适应该种替代，将替代后的公式中的滑动均值以及滑动方差表达为与P相同规模的矩阵，对于命中公式中标准高斯分布阈值与方差数值乘积部分，将方差数值以L、a、b分量的加权方差数值代替。

Lab色彩空间是一种对立色彩空间，具有感知均匀性。其L分量代表光亮度的变化，a分量代表红绿色度，b分量代表黄蓝色度。红绿通道对阴影具有最大的无关性，由于被蓝色的天空光照射，比起非阴影区域，其蓝色分量部分增加的更为明显，所以阴影区在黄蓝通道比红绿通道变化的更大。采用加权的LAB色彩空间特性对混合高斯模型进行改进。将图像像素值改进为矩阵P可以更好地表达图像中的阴影，因而能够针对性地去除阴影，防止当阴影覆盖其他目标时很容易发生目标粘连，导致丢失目标。

第二步、采用形态学开运算和形态学闭运算对运动前景的二值化图像中的独立前景像素进行去除，并对前景空洞进行填充，得到完整的前景二值图像。该步骤可以采用图像处理中常规的形态学开运算和比运算。

第三步、对于完整的前景二值图像进行连通域分析，获得前景轮廓；该步骤同样可以采用常规的连通域分析方法。

第四步、在第三步中，所获得前景轮廓即为运动目标，如图3(a)所示，即为图2中目标2和目标3；在检测出运动目标之后，应当分析该运动目标是否在之前时刻的图像上已经检测出来，若已经检测出来，则需要进行统计，若尚未检测出来，则为新的运动目标，如图3(b)中出现的目标4，这样才不至于重复计数。要实现该过程则需要对每一时刻所检测到的新的运动目标均进行跟踪，因此本步中采用了均值漂移跟踪的方法。

其主要流程为：以前景轮廓的外接矩形作为当前目标窗口，判断当前目标窗口与跟踪队列中的已有目标窗口是否有重叠，若没有重叠，则将当前目标窗口添加至跟踪队列作为已有目标窗口，同时统计数据加1；若有重叠，则采用均值漂移跟踪的方法对跟踪队列中的已有目标窗口进行跟踪，并对均值漂移跟踪方法进行搜索窗自调整的改进，通过对目标色彩概率密度的爬升运算，进行运动目标跟踪，以跟踪获得搜索窗替换所跟踪的已有目标窗口，如图(b)～图(g)为对目标4进行跟踪的过程。

以上搜索窗自调整的均值漂移算法，可以采用更大的搜索窗来有效避免由于目标运动过快导致的搜索窗停留于背景的问题。

该第一步～第四步为一次循环过程，实际的流程应当是，t的初始值为1，每进行一次循环过程之后，t自增1，然后再进行一次循环过程，直至t取至T，具体流程可参照图1进行。

在本实施例中，为了能够达到较好的统计效果，序列图像中包括400帧以上的图像。

实施例2、上述实施例1中所给出的方案为一种基本的方案，在该基本方案的基础上，本实施例依据混合高斯背景模型的特征，首先初始化如下高斯背景模型，初始化混合高斯模型参数：学习率α＝0.0025，T_v标准高斯分布阈值T_v＝2.5，背景阈值T_b＝0.7，高斯模型数K＝3，权值ω＝0.05，方差σ²＝900。

则实施例1中的第一步，具体为：

针对t时刻图像中的任一像素，区分其为背景像素或者前景像素，然后进行分离；其中对于当前像素，区分其为背景像素或者前景像素的过程包括如下步骤：

步骤101、对于t时刻图像中的当前像素：维护K个高斯模型；当t为1时，对该K个高斯模型进行初始化，初始化的参数包括：滑动均值、滑动方差、排序键值以及权值；其中滑动均值和滑动方差均为3×1的矩阵形式；

以当前像素在t时刻图像中的Lab空间的色彩分量分别为L、a、b分量，w_l、w_a、w_b分别为L、a、b分量的权值，w_l、w_a、w_b为经验值值，建立当前像素在t时刻图像中的Lab特性矩阵P_t＝[w_lL w_aa w_bb]，其中在t时刻图像中，L、a、b分量的滑动均值的矩阵形式为：U_t＝[μ₁ μ₂ μ₃]；方差的矩阵形式为： $V_t=\left[\begin{array}{ccc}{\mathrm{\σ}}_1^2& {\mathrm{\σ}}_2^2& {\mathrm{\σ}}_3^2\end{array}\right].$

步骤102、对当前像素进行命中试验，其中高斯模型命中公式为：

$\det =(P_t-U_{t-1})\·(P_t-U_{t-1})-T_v{v}_{t-1}^2---\left(1\right)$

其中以*为下脚标表示*时刻，则P_*表示当前像素在*时刻图像中的Lab特性矩阵，U_*为*时刻图像中该像素L、a、b分量的滑动均值，V_*为*时刻图像中该像素L、a、b分量的滑动方差，当t＝1时，U_t和V_t均为初始化值；T_v为标准高斯分布阈值，一般取2.5；加权滑动方差数值 $v_{*}^2=V_{*}\·\left[\begin{array}{ccc}{w}_l& w_a& w_b\end{array}\right].$

在当前像素的命中试验中，如果det小于0，则t时刻的当前像素属于此高斯模型，即命中的高斯模型，更新命中的高斯模型的滑动均值公式，滑动方差公式、排序键值公式和权值公式为：

U_t＝U_t-1+α(P_t-U_t-1)             (2)

V_t＝(1-α)V_t-1+α(P_t-U_t-1)·(P_t-U_t-1)         (3)

$s_t=\frac{{\mathrm{\ω}}_{t-1}}{\sqrt{w_l{{\mathrm{\σ}}_1^2}_t+w_a{{\mathrm{\σ}}_2^2}_t+w_b{{\mathrm{\σ}}_3^2}_t}}---\left(4\right)$

ω_t＝ω_t-1+α(1-ω_t-1)            (5)

其中s_t为排序键值，ω_t为权值，α为学习率，然后对于K个高斯模型，按照排序键值从大到小的顺序排列，进入步骤103。

如果没有命中任何高斯模型，将K个高斯模型按照排序键值从大到小的顺序排列后，根据应用环境和经验值重新初始化一个新的高斯模型，新的高斯模型用于替换排列在最后的高斯模型，重复本步骤102。

步骤103、将当前像素所维护的K个高斯模型的排序键值和权值进行归一化处理，其中第k个高斯模型的排序键值为s^k、权值为ω^k，其归一化后的排序键值为权值为其中1≤k≤K：

${\hat{s}}^k=\frac{s^k}{\mathrm{sum}}---\left(6\right)$

${\widehat{\mathrm{\ω}}}^k=\frac{{\mathrm{\ω}}^k}{\mathrm{sum}}---\left(7\right)$

其中sum为K个高斯模型权值的和。

步骤104、设定背景阈值T_b，找到k_F∈[1,K]，使得排序为1～k_F位的高斯模型归一化后的权值之和大于T_b；

命中的高斯模型在K个高斯模型排序中占第k_H位，则对于当前像素，当k_F＞k_H时，该像素为背景像素，否则为前景像素。

在本实施例中，L、a、b分量的权值w_l、w_a、w_b的取值均为经验值，其中w_l取值为1、w_a取值在区间[1,2]内，w_b取值在区间[0,1]内。

实施例3、在上述实施例1的方案中，其中第四步中，采用均值漂移跟踪的方法对跟踪队列中的已有目标窗口进行跟踪，并对均值漂移跟踪方法进行搜索窗自调整的改进，通过对目标色彩概率密度的爬升运算，进行运动目标跟踪，以跟踪获得搜索窗替换所跟踪的已有目标窗口；对于一次具体的跟踪过程，则包括如下步骤：

步骤401、获得t时刻图像在HSV色彩空间的色度图像I_H，以前景轮廓的外接矩形作为当前目标窗口R_O，对当前目标窗口内的色度图像进行直方图统计，得到直方图H_o，利用直方图H_o计算色度图I_H的反向投影P_o，即为当前目标窗口在色度图像I_H中的分布概率密度图像。

步骤402、跟踪队列中与当前目标窗口有重叠的已有目标窗口为W_O，以W_O作为搜索窗W_S。

步骤403、计算P_O在W_S内的零阶矩M₀₀，公式如下：

$M_{00}=\underset{x}{\mathrm{\Σ}}\underset{y}{\mathrm{\Σ}}I(x,y)---\left(8\right)$

其中I(x,y)为P_O在W_S内的坐标为(x,y)的像素的像素值。

如果M₀₀小于经验阈值T_M，则将W_S中心保持不变，长和宽均扩大2倍更新搜索窗W_S，并重新计算P_o在W_S内的零阶矩，如果该零阶距仍小于经验阈值则令W_S为0，停止跟踪进入步骤404。

如果M₀₀大于或者等于经验阈值T_M，则计算一阶矩M₁₀和M₀₁以及搜索窗的重心，公式如下：

$M_{10}=\underset{x}{\mathrm{\Σ}}\underset{y}{\mathrm{\Σ}}\mathrm{xI}(x,y)---\left(9\right)$

$M_{01}=\underset{x}{\mathrm{\Σ}}\underset{y}{\mathrm{\Σ}}\mathrm{yI}(x,y)---\left(10\right)$

计算搜索窗口的重心(x_c,y_c)：

$x_c=\frac{M_{10}}{M_{00}}---\left(11\right)$

$y_c=\frac{M_{01}}{M_{00}}---\left(12\right)$

若搜索窗的重心(x_c,y_c)与其中心之间的距离小于经验距离ε，则停止跟踪进入步骤404；否则则将搜索窗W_S的中心移动到搜索窗重心处更新搜索窗W_S，重复步骤403、当重复次数达到跟踪上限时，停止跟踪进入步骤404。

步骤404、以停止跟踪时的W_S更新跟踪队列中的W_O所存储的目标窗口，当停止跟踪时的W_S为0时将W_O从跟踪队列中删除。

综上，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.高斯背景模型与均值漂移跟踪结合的运动目标统计方法，其特征在于，该方法首先在1～T每一时刻采集一帧图像，组成序列图像，并建立跟踪队列，初始化跟踪队列为空；按照时间顺序从序列图像依次选取图像，并对于t时刻图像进行如下第一步～第四步的处理，1≤t≤T：

第一步、采用改进的混合高斯背景模型从t时刻图像分离出背景像素和前景像素，从而获得运动前景二值化图像；

所述改进的混合高斯背景模型中具有K个高斯模型，每个高斯模型由如下公式确定：命中公式、滑动均值公式、滑动方差公式、排序键值公式以及权值公式；其中每个公式均针对t时刻图像中每一个像素的像素值建立，采用t时刻图像中每个像素对应的Lab空间色彩分量建立矩阵P，以矩阵P替代上述每个公式中对应像素的像素值部分；

第二步、采用形态学开运算和形态学闭运算对所述运动前景的二值化图像中的独立前景像素进行去除，并对前景空洞进行填充，得到完整的前景二值图像；

第三步、对于完整的前景二值图像进行连通域分析，获得前景轮廓；

第四步、以所述前景轮廓的外接矩形作为当前目标窗口，判断当前目标窗口与跟踪队列中的已有目标窗口是否有重叠，若没有重叠，则将当前目标窗口添加至跟踪队列作为已有目标窗口，同时统计数据加1；

同时采用均值漂移跟踪的方法对跟踪队列中的已有目标窗口进行跟踪，以跟踪获得的搜索窗替换所跟踪的已有目标窗口。

2.如权利要求1所述的高斯背景模型与均值漂移跟踪结合的运动目标统计方法，其特征在于，所述序列图像中包括400帧以上的图像。

3.如权利要求1所述的高斯背景模型与均值漂移跟踪结合的运动目标统计方法，其特征在于，所述第一步采用改进的混合高斯背景模型从t时刻图像分离出背景像素和前景像素，其过程具体为：针对t时刻图像中的任一像素，区分其为背景像素或者前景像素，然后进行分离；

其中对于当前像素，所述区分其为背景像素或者前景像素的过程包括如下步骤：

步骤101、对于t时刻图像中的当前像素：维护K个高斯模型；当t为1时，对该K个高斯模型进行初始化，初始化的参数包括：滑动均值、滑动方差、排序键值以及权值；其中滑动均值和滑动方差均为3×1的矩阵形式；

以当前像素在t时刻图像中的Lab空间的色彩分量分别为L、a、b分量，w_l、w_a、w_b分别为L、a、b分量的权值，w_l、w_a、w_b均取经验值，建立当前像素在t时刻图像中的Lab特性矩阵P_t＝[w_lL w_aa w_bb]，其中在t时刻图像中，L、a、b分量的滑动均值的矩阵形式为：U_t＝[μ₁ μ₂ μ₃]；方差的矩阵形式为： $V_t=\left[\begin{array}{ccc}{\mathrm{\σ}}_1^2& {\mathrm{\σ}}_2^2& {\mathrm{\σ}}_3^2\end{array}\right];$

步骤102、对当前像素进行命中试验，其中高斯模型命中公式为：

$\det =(P_t-U_{t-1})\·(P_t-U_{t-1})-T_v{v}_{t-1}^2$

其中以*为下脚标表示*时刻，则P_*表示当前像素在*时刻图像中的Lab特性矩阵，U_*为*时刻图像中该像素L、a、b分量的滑动均值，V_*为*时刻图像中该像素L、a、b分量的滑动方差，当t＝1时，U_t和V_t均为初始化值；T_v为标准高斯分布阈值；加权滑动方差数值 $v_{*}^2=V_{*}\·\left[\begin{array}{ccc}{w}_l& w_a& w_b\end{array}\right];$

在当前像素的命中试验中，如果det小于0，则t时刻的当前像素属于此高斯模型，即命中的高斯模型，更新命中的高斯模型的滑动均值公式，滑动方差公式、排序键值公式和权值公式依次为：

U_t＝U_t-1+α(P_t-U_t-1)

V_t＝(1-α)V_t-1+α(P_t-U_t-1)·(P_t-U_t-1)

$s_t=\frac{{\mathrm{\ω}}_{t-1}}{\sqrt{w_l{{\mathrm{\σ}}_1^2}_t+w_a{{\mathrm{\σ}}_2^2}_t+w_b{{\mathrm{\σ}}_3^2}_t}}$

ω_t＝ω_t-1+α(1-ω_t-1)

其中s_t为排序键值，ω_t为权值，α为学习率，然后对于K个高斯模型，按照排序键值从大到小的顺序排列，进入步骤103；

如果没有命中任何高斯模型，将K个高斯模型按照排序键值从大到小的顺序排列后，重新初始化一个新的高斯模型，新的高斯模型用于替换排列在最后的高斯模型，重复本步骤102；

步骤103、将当前像素所维护的K个高斯模型的排序键值和权值进行归一化处理，其中第k个高斯模型的排序键值为s^k、权值为ω^k，其归一化后的排序键值为权值为其中1≤k≤K：

${\hat{s}}^k=\frac{s^k}{{\mathrm{sum}}_s}$

${\widehat{\mathrm{\ω}}}^k=\frac{{\mathrm{\ω}}^k}{{\mathrm{sum}}_{\mathrm{\ω}}}$

其中sum_s为所述K个高斯模型排序键值的和；sum_ω为所述K个高斯模型权值的和；

步骤104、设定背景阈值T_b，找到k_F∈[1,K]，使得排序为1～k_F位的高斯模型归一化后的权值之和大于T_b；

所述命中的高斯模型在K个高斯模型排序中占第k_H位，则对于当前像素，当k_F＞k_H时，该像素为背景像素，否则为前景像素。

4.如权利要求3所述的高斯背景模型与均值漂移跟踪结合的运动目标统计方法，其特征在于，所述L、a、b分量的权值w_l、w_a、w_b的取值均为经验值，其中w_l取值为1、w_a取值在区间[1,2]内，w_b取值在区间[0,1]内。

5.如权利要求1或3所述的高斯背景模型与均值漂移跟踪结合的运动目标统计方法，其特征在于，所述第四步中，采用均值漂移跟踪的方法对跟踪队列中的已有目标窗口进行跟踪，以跟踪获得的搜索窗替换所跟踪的已有目标窗口，该过程具体包括如下步骤：

步骤401、获得t时刻图像在HSV色彩空间的色度图像I_H，以所述前景轮廓的外接矩形作为当前目标窗口R_O，对当前目标窗口内的色度图像进行直方图统计，得到直方图H_o，利用直方图H_o计算色度图I_H的反向投影P_o，即为当前目标窗口在色度图像I_H中的分布概率密度图像；

步骤402、跟踪队列中与当前目标窗口有重叠的已有目标窗口为W_O，以W_O作为搜索窗W_S；

步骤403、计算P_O在W_S内的零阶矩M₀₀：

如果M₀₀小于经验阈值T_M，则将W_S中心保持不变，长和宽均扩大2倍更新搜索窗W_S，并重新计算P_o在W_S内的零阶矩，如果该零阶距仍小于所述经验阈值则更新W_S为0，停止跟踪进入步骤404；

如果M₀₀大于或等于经验阈值T_M，则计算一阶矩M₁₀和M₀₁以及搜索窗的重心；若搜索窗的重心与其中心之间的距离小于经验距离ε，则停止跟踪进入步骤404；否则将搜索窗W_S的中心移动到搜索窗重心处更新搜索窗W_S，重复步骤403、当重复次数达到跟踪上限时，停止跟踪进入步骤404；

步骤404、以停止跟踪时的W_S更新跟踪队列中的WO所存储的目标窗口，当停止跟踪时的W_S为0时将W_O从跟踪队列中删除。