CN106504273A - 一种基于gmm运动目标检测的改进算法 - Google Patents

Abstract

本发明公开了一种基于GMM运动目标检测的改进算法，包括步骤：步骤(1)、在运动目标检测中，加入运动检测反馈机制：当判定运动目标移动非常缓慢或者静止的时候，在目标区域不更新GMM背景模型，在目标区域以外按照GMM背景模型更新规则进行更新GMM背景模型；步骤(2)、利用最新的视频帧和GMM背景建模生成的背景图像做差，得到前景图a；利用改进GMM得到的前景图b，把图像a和图像b在空间域上进行融合，得到移动目标的检测的前景图像。可以正确的检测出大而缓慢的运动目标，对于运动目标的突然静止并停留一段时间，不会把目标判定为背景，仍然可以检测出目标。

Description

一种基于GMM运动目标检测的改进算法

技术领域

本发明涉及视频监控领域，特别是涉及一种基于GMM运动目标检测的改进算法。

背景技术

随着计算机技术的发展，视频监控越来越智能化，智能视频监控系统的一个主要任务是对视频图像中的目标或者感兴趣的部分进行检测、识别、跟踪等。目标的正确检测是视频监控的前提，目标的检测效果会影响后续的目标的识别和跟踪的准确性和稳健性。在真实的应用场景中，由于环境中光照的变化，背景中树叶的扰动和相机自身的抖动等不可改变的因素会对运动目标检测的效果产生影响。

目标检测的方法有很多种，常用的检测算法有帧间差分法、背景差分法，光流法分，帧间差分法是激将固定间隔的视频帧进行比较，适合动态变化的环境，但是由于会产生大面积的空洞，提取目标的完整性较差；光流法因其计算复杂、很难满足运动检测的实时性；背景差分法通过当前视频帧和背景帧进行差分运算实现对运动目标检测，该方法可以较好完整的提取目标，受光照和背景的变化影响较大。

GMM背景建模作为相关技术，可以不断的对背景模型进行更新，在光照的变化和树叶的扰动中也可以准确的检测运动目标，提高了运动检测的质量，但是对形状较大运动较慢的物体检测效果不是很好。

发明内容

基于现有技术，本发明提出了一种基于约束条件的随机森林推荐算法，特别是涉及在光照的变化和背景的扰动的复杂的背景环境中的运动目标的检测，通过建立GMM背景模型，并不断对模型进行更新，可以得到一个较好的背景，从而有效的对运动目标进行检测。

本发明提出了一种基于GMM运动目标检测的改进算法，该方法包括以下步骤：

步骤1、建立加入反馈机制的GMM背景模型；

步骤2、当判定运动目标移动非常缓慢或者静止的时候，在目标区域不更新GMM背景模型，在目标区域以外按照GMM背景模型更新规则进行更新GMM背景模型；

步骤3、利用最新的视频帧和GMM背景建模生成的背景图像做差分处理，得到前景图a；利用GMM背景模型得到的前景图b，把前景图a和前景图b在空间域上进行融合，得到移动目标的检测的前景图像。

所述步骤2中的GMM背景模型，其建立流程具体包括以下步骤：

步骤201、对要建立的背景模型中的每一个像素点都初始化一个高斯分布；

步骤202、提取当前输入图像的视频帧；

步骤203、通过下面的公式判断是否与已有的分布匹配：

|X_t-μ_i，t-1|≤2.5σ_i，t-1

其中，X_t是每一个像素点的灰度值，μ_i，t-1是t-1时刻混合高斯模型中第i个高斯分布的均值矢量，σ_i，t-1为第i个高斯分布的标准差；对当前视频帧的每一个像素点进行已有的高斯分布的模型进行匹配运算，如果匹配，进行步骤209；如果不匹配，进行步骤211：

步骤204、将经过运动目标检测的前景图像信息，作为反馈信息；

步骤205、通过反馈信息的前景图像得到目标静止的时候的反馈参数控制信息；

步骤206、判定前景二值图像的像素点的像素值是否为1；如果为1，执行步骤208；如果不为1，执行步骤207；

步骤207：当前的像素点不为1，该点的背景模型的更新率设定为α₁，加速背景的形成；

步骤208：当前的像素点为1，该点的背景模型的更新率设定为α₂，减缓由于目标

移动缓慢的目标前景变成背景；

步骤209、更新相应的高斯分布参数、权重、均值和标准差：

ω_i，t＝(1-α)×ω_i，t-1+α×M_i，t

μ_t＝(1-α)×μ_t-1+α×X_t

σ_t ²＝(1-α)×σ_t-1 ²+α×(X_t-μ_t)^T(X_t-μ_t)

其中，α是学习速率，对于匹配的模式M_k，t＝1，否则M_k，t＝0。对于运动目标静止的时候，目标区域的背景模型不更新，也就是α＝0，非目标区域的按照上面规则进行更新。对于移动的目标，当前的前景图像为1的点的背景模型更新率α＝α₂，当前的前景图像不为1的点的背景模型更新率α＝α₁；

步骤210：经过权值的更新，和当前象素匹配的分布，其权重将加大，否则其分布的权重将减小，改变后的权重值要进行归一化操作；

步骤211、判定当前的已经分布的高斯模型是否等于n，如果当前的高斯模型个数等于n，进行步骤213；如果当前的高斯模型个数不等于n，进行步骤212；

步骤212、若当前的高斯模型的个数还没有达到上限，就添加一个新的高斯模型；

步骤213：若当前的高斯模型个数等于n，没法再添加一个高斯模型，就去掉模型中权重最小的高斯分布，并用当前点的灰度值建立一个新的高斯分布；

步骤214：对模型的权重进行排序，得到背景模型。

所述步骤3的把图像a和图像b在空间域上进行融合，其流程具体包括以下处理：

步骤301、通过GMM背景建模得到的背景模型图；

步骤302、通过硬件平台提取到的最新视频帧；

步骤303、通过当前视频帧和背景模型图进行差分处理，得到运动目标的前景图；

步骤304、GMM的到的前景图，通过混合高斯模型的匹配策略，可以得到运动目标的前景图；

步骤305、图像融合得到稳定的前景图，在空间域上，对步骤303和步骤304的到的图像进行融合，得到较完整的稳定的前景图。

与现有的技术相比，本发明把反馈机制加入算法中，并对学习速率根据α根据前景点和背景点区分，在空间域进行图像检测的前景的融合，可以正确的检测出大而缓慢的运动目标，对于运动目标的突然静止并停留一段时间，不会把目标判定为背景，仍然可以检测出目标。

附图说明

图1为一般的GMM背景建模流程图；

图2为本发明的改进的GMM背景建模的流程图；

图3为图像融合得到目标检测的前景图的流程图；

图4为本发明的一种基于GMM运动目标检测的改进算法整体图。

具体实施方式

下面结合附图对本发明作进一步详细描述：

如图1所示，为一般GMM背景建模的流程图。包括以下步骤：

步骤101：初始化一个高斯分布，对要建立的背景模型每一个像素点都初始化一个人为设定的高斯分布，这个初始化的高斯分布有较大的方差和较小的权重值；

步骤102：当前输入图像，提取当前的视频帧，用于目标检测和GMM背景模型参数的更新；

步骤103：判断是否与已有的分布匹配，通过下面的公式计算：

|X_t-μ_i，t-1|≤2.5σ_i，t-1

其中X_t是每一个像素点的灰度值，μ_i，t-1是t-1时刻混合高斯模型中第i个高斯分布的均值矢量，σ_i，t-1为第i个高斯分布的标准差。对当前视频帧的每一个像素点进行已有的高斯分布的模型进行匹配运算。如果匹配，进行步骤104；如果不匹配，进行步骤106。

步骤104：更新相应的高斯分布参数、权重、均值和标准差：

ω_i，t＝(1-α)×ω_i，t-1+α×M_i，t

μ_t＝(1-α)×μ_t-1+α×X_t

σ_t ²＝(1-α)×σ_t-1 ²+α×(X_t-μ_t)^T(X_t-μ_t)

其中α是学习速率，对于匹配的模式M_k，t＝1，否则M_k，t＝0；

步骤105：对所有高斯模型参数的权重归一化，经过权值的更新，和当前象素匹配的分布，其权重将加大，否则其分布的权重将减小，改变后的权重值要进行归一化操作；

步骤106：判定当前的已经分布的高斯模型是否等于n，如果当前的高斯模型个数等于n，执行步骤108；如果当前的高斯模型个数不等于n，执行步骤107；

步骤107：添加一个新的高斯模型，当前的高斯模型个数不等于n，高斯模型的个数还没有达到上限，就添加一个新的高斯模型；

步骤108：去掉模型中权重最小的分布，并用得到的观测值建立一个新的分布，当前的高斯模型个数等于n，没法再添加一个高斯模型，就去掉模型中权重最小的高斯分布，并用当前点的灰度值建立一个新的高斯分布；

步骤109：对模型的权重进行排序，得到背景模型。

如图2所示，为本发明的改进的GMM背景建模的流程图，包括以下步骤：

步骤201：初始化一个高斯分布，对要建立的背景模型每一个像素点都初始化一个人为设定的高斯分布，这个初始化的高斯分布有较大的方差和较小的权重值；

步骤202：当前输入图像，提取当前的视频帧，用于目标检测和GMM背景模型参数的更新；

步骤203：判断是否与已有的分布匹配，通过下面的公式计算：

|X_t-μ_i，t-1|≤2.5σ_i，t-1

其中X_t是每一个像素点的灰度值，μ_i，t-1是t-1时刻混合高斯模型中第i个高斯分布的均值矢量，σ_i，t-1为第i个高斯分布的标准差。对当前视频帧的每一个像素点进行已有的高斯分布的模型进行匹配运算。如果匹配，进行步骤209；如果不匹配，进行步骤211。

步骤204：当前前景图像信息，经过后面运动目标检测的前景图像信息，是反馈信息：

步骤205：判定目标静止时候的反馈参数控制信息，通过反馈信息的前景图像得到目标静止的时候的反馈参数控制信息；

步骤206：判定前景二值图像的像素点的像素值是否为1。如果为1，执行步骤208；如果不为1，执行步骤207；

步骤207：当前的像素点不为1，该点的背景模型的更新率设定为α₁；

步骤208：当前的像素点为1，该点的背景模型的更新率设定为α₂；

步骤209：更新相应的高斯分布参数，权重，均值和标准差：

ω_i，t＝(1-α)×ω_i，t-1+α×M_i，t

μ_t＝(1-α)×μ_t-1+α×X_t

σ_t ²＝(1-α)×σ_t-1 ²+α×(X_t-μ_t)^T(X_t-μ_t)

其中α是学习速率，对于匹配的模式M_k，t＝1，否则M_k，t＝0。对于运动目标静止的时候，目标区域的背景模型不更新，也就是α＝0，非目标区域的按照上面规则进行更新。对于移动的目标，当前的前景图像为1的点的背景模型更新率α＝α₂，当前的前景图像不为1的点的背景模型更新率α＝α₁；α₁的值相对大一些，可以加速背景的形成，α₂的值相对小一些，可以减缓由于目标移动缓慢的目标前景变成背景。

步骤210：对所有高斯模型参数的权重归一化，经过权值的更新，和当前象素匹配的分布，其权重将加大，否则其分布的权重将减小，，改变后的权重值要进行归一化操作；

步骤211：判定当前的已经分布的高斯模型是否等于n，如果当前的高斯模型个数等于n，进行步骤213；如果当前的高斯模型个数不等于n，进行步骤212；

步骤212：添加一个新的高斯模型，当前的高斯模型个数不等于n，高斯模型的个数还没有达到上限，就添加一个新的高斯模型；

步骤213：去掉模型中权重最小的分布，并用得到的观测值建立一个新的分布，当前的高斯模型个数等于n，没法再添加一个高斯模型，就去掉模型中权重最小的高斯分布，并用当前点的灰度值建立一个新的高斯分布

步骤214：对模型的权重进行排序，得到背景模型。

如图3所示，为图像融合得到目标检测的前景图的流程图，包括以下步骤：

步骤301：背景模型图，通过GMM背景建模得到的背景模型图；

步骤302：当前视频帧，通过硬件平台提取到的最新视频帧；

步骤303：差分得到前景图，通过当前视频帧和背景模型图进行差分处理，得到运动目标的前景图；

步骤304：GMM的到的前景图，通过混合高斯模型的匹配策略，可以得到运动目标的前景图；

步骤305：图像融合得到稳定的前景图，在空间域上，对步骤303和步骤304的到的图像进行融合，得到较完整的稳定的前景图。

Claims (3)

1.一种基于GMM运动目标检测的改进算法，其特征在于，该方法包括以下步骤：

步骤(1)、建立加入反馈机制的GMM背景模型；

步骤(2)、当判定运动目标移动非常缓慢或者静止的时候，在目标区域不更新GMM背景模型，在目标区域以外按照GMM背景模型更新规则进行更新GMM背景模型；

步骤(3)、利用最新的视频帧和GMM背景建模生成的背景图像做差分处理，得到前景图a；利用GMM背景模型得到的前景图b，把前景图a和前景图b在空间域上进行融合，得到移动目标的检测的前景图像。

2.如权利要求1所述的基于GMM运动目标检测的改进算法，其特征在于，所述步骤(2)中的GMM背景模型，其建立流程具体包括以下步骤：

步骤(201)、对要建立的背景模型中的每一个像素点都初始化一个高斯分布；

步骤(202)、提取当前输入图像的视频帧；

步骤(203)、通过下面的公式判断是否与已有的分布匹配：

$|X_t-{\mathrm{\μ}}_{i,t-1}|\≤2.5{\mathrm{\σ}}_{i,t-1}$

其中，X_t是每一个像素点的灰度值，μ_i，t-1是t-1时刻混合高斯模型中第i个高斯分布的均值矢量，σ_i，t-1为第i个高斯分布的标准差；对当前视频帧的每一个像素点进行已有的高斯分布的模型进行匹配运算，如果匹配，进行步骤(209)；如果不匹配，进行步骤(211)；

步骤(204)、将经过运动目标检测的前景图像信息，作为反馈信息；

步骤(205)、通过反馈信息的前景图像得到目标静止的时候的反馈参数控制信息；

步骤(206)、判定前景二值图像的像素点的像素值是否为1；如果为1，执行步骤(208)；如果不为1，执行步骤(207)；

步骤(207)、当前的像素点不为1，该点的背景模型的更新率设定为α₁，加速背景的形成；

步骤(208)、当前的像素点为1，该点的背景模型的更新率设定为α₂，减缓由于目标移动缓慢的目标前景变成背景；

步骤(209)、更新相应的高斯分布参数、权重、均值和标准差：

ω_i，t＝(1-α)×ω_i，t-1+α×M_i，t

μ_t＝(1-α)×μ_t-1+α×X_t

σ_t ²＝(1-α)×σ_t-1 ²+α×(X_t-μ_t)^T(X_t-μ_t)

其中，α为学习速率，对于匹配的模式M_k，t＝1，否则M_k，t＝0；对于运动目标静止的时候，目标区域的背景模型不更新，也就是α＝0，非目标区域的按照上面规则进行更新；对于移动的目标，当前的前景图像为1的点的背景模型更新率α＝α₂，当前的前景图像不为1的点的背景模型更新率α＝α₁；

步骤(210)、经过权值的更新，和当前象素匹配的分布，其权重将加大，否则其分布的权重将减小，改变后的权重值要进行归一化操作；

步骤(211)、判定当前的已经分布的高斯模型是否等于n，如果当前的高斯模型个数等于n，进行步骤(213)；如果当前的高斯模型个数不等于n，进行步骤(212)；

步骤(212)、若当前的高斯模型的个数还没有达到上限，就添加一个新的高斯模型；

步骤(213)、若当前的高斯模型个数等于n，没法再添加一个高斯模型，就去掉模型中权重最小的高斯分布，并用当前点的灰度值建立一个新的高斯分布；

步骤(214)、对模型的权重进行排序，得到背景模型。

3.如权利要求1所述的基于GMM运动目标检测的改进算法，其特征在于，所述步骤3的把图像a和图像b在空间域上进行融合，其流程具体包括以下处理：

步骤(301)、通过GMM背景建模得到的背景模型图；

步骤(302)、通过硬件平台提取到的最新视频帧；

步骤(303)、通过当前视频帧和背景模型图进行差分处理，得到运动目标的前景图；

步骤(304)、GMM的到的前景图，通过混合高斯模型的匹配策略，可以得到运动目标的前景图；

步骤(305)、图像融合得到稳定的前景图，在空间域上，对步骤(303)和步骤(304)的到的图像进行融合，得到较完整的稳定的前景图。