CN111383250A - 基于改进混合高斯模型的运动目标检测方法及装置 - Google Patents

Abstract

本发明公开了一种基于改进混合高斯模型的运动目标检测方法及装置，该基于改进混合高斯模型的运动目标检测方法包括：获取视频序列图像，对视频序列图像中的每帧图像进行分块处理，得到多个像素块；根据每帧图像中每个像素块的像素值构建混合高斯模型；将当前帧图像中每个像素块的像素值分别与混合高斯模型进行匹配；根据匹配结果更新混合高斯模型；将当前帧图像中每个像素块的像素值分别与更新后的混合高斯模型进行匹配，以检测运动物体。本发明通过对视频图像进行分块处理，并将像素块的像素值与混合高斯模型进行匹配，减少了模型匹配的运算量，提高了运动物体检测效率；且背景模型的更新速率能够根据当前视频流过的帧数自适应取值。

Description

基于改进混合高斯模型的运动目标检测方法及装置

技术领域

本发明涉及计算机视觉技术领域，尤其涉及一种基于改进混合高斯模型的运动目标检测方法及装置。

背景技术

近年来，随着计算机互联网技术的蓬勃发展，人们的日常生活越来越离不开各种智能设备。例如，采用计算机视觉代替人眼去识别视频中的目标，不仅能大大提高工作效率，同时还能解决很多人眼难以解决的问题，因此，视频中运动目标检测算法变得越来越重要，现有运动目标检测算法主要有帧间差分法、背景差分法、背景建模法。其中，背景建模法是使用最广泛的方法，它通过对图像的背景进行建模，并将当前的图像与背景模型比较，根据比较结果确定运动目标。

混合高斯模型作为出色的多模态背景模型之一，通过对视频序列图像中每一个像素点设置多个相互独立的高斯分布与之匹配，使其能够在背景变换复杂、光照不稳定的情形下，成功检测出运动目标，具有准确性、多模性、实时性等优点。但是，混合高斯模型中，视频图像中每一个像素点都需要与多个高斯分布进行匹配，使得计算量大大增加。特别是，在现实生活中，存在一些情况，比如墙面、人们穿的纯色衣服上，在这些位置，会出现一定区域内的像素点都是一样的，如果还将每个像素点都一一与多个高斯模型进行匹配，那么，无形中便增加了更多的运算量。

另外，混合高斯模型的更新速率直接影响着背景更新的速度，反映了该背景模型对当前视频环境的适应程度。如果更新速率的取值过小，则与当前视频中该像素能够相匹配的高斯分布所占比重过小，该参数下的高斯模型便不能很好的起到作用，便会降低背景更新的速度，延长新的背景建模的时间；相反，如果更新速率的取值过大的话，背景模型更新速度过快，则当前视频中的像素点总是能与高斯模型匹配成功，那么将无法继续进行运动物体检测，会出现许多噪声。然而，现有混合高斯模型中，更新速率的取值一般是一个固定不变的值，不能满足实际情况的需要。

发明内容

鉴于现有技术中存在的上述技术问题，本发明实施例所要解决的技术问题是提供一种基于改进混合高斯模型的运动目标检测方法及装置，其能够大大降低混合高斯模型匹配算法的运算量，同时，模型的更新速率能够根据当前视频流过的帧数自适应取值，能够在视频开始之初，迅速完成背景建模，之后为了更好的抑制噪声，逐渐减小更新速率的取值，以解决现有混合高斯模型背景建模法计算量过于庞大、且更新速率取值固定不变的问题。

为了解决上述技术问题，本发明实施例采用了如下技术方案：

一种基于改进混合高斯模型的运动目标检测方法，包括如下步骤：

获取视频序列图像，对视频序列图像中的每帧图像进行分块处理，得到多个像素块；

根据每帧图像中每个像素块的像素值构建混合高斯模型；

将当前帧图像中每个像素块的像素值分别与混合高斯模型进行匹配；

根据匹配结果更新混合高斯模型；

将当前帧图像中每个像素块的像素值分别与更新后的混合高斯模型进行匹配，以检测运动物体。

可选地，所述对视频序列图像中的每帧图像进行分块处理，得到像素块，包括：

将所述每帧图像划分为

个像素块，其中，L表示每帧图像的长度包括L个像素点，W表示每帧图像的宽度包括W个像素点，每个像素块包括l×w个像素点；

分别求取每个像素块的像素值。

可选地，所述分别求取每个像素块的像素值包括：

求取每个像素块的中心点的像素值，将其作为所述像素块的像素值，所述像素块的中心点的像素值为所述像素块中除所述中心点外其余像素点的像素值的均值。

所述像素块的像素值为所述像素块的中心点的像素值，所述像素块的中心点的像素值为所述像素块中其余像素点的均值。

可选地，所述根据每帧图像中每个像素块的像素值构建混合高斯模型包括：

基于K个相互独立的高斯分布对视频序列图像中每个像素块进行建模，得到混合高斯模型；

对所述混合高斯模型的参数进行初始化。

可选地，所述根据匹配结果更新混合高斯模型包括：

若所述像素块的像素值与对应的高斯分布匹配成功，分别对匹配的高斯分布的权值、均值、方差以及更新速率进行更新，所述权值、均值、方差以及更新速率的更新公式如下：

ω_i,t＝(1-α)ω_i,t-1+α；

μ_i,t＝(1-ρ)μ_i,t-1+ρX_t；

其中，ω_i,t为权值，μ_i,t为均值，

为方差，α为学习速率，ρ为高斯模型的更新速率；

若所述像素块的像素值与对应的高斯分布匹配不成功，未匹配的高斯分布的均值和方差不变，更新所述未匹配的高斯分布权值和e，所述权值和e的更新公式入下：

ω_i,t＝(1-α)ω_i,t-1；

可选地，所述混合高斯模型的更新速率公式为：

其中，λ₁>λ₂,λ为混合高斯模型的更新速率，n为当前视频中流过的视频图像帧数，N为视频的帧数的阈值。

本发明实施例还提供了一种基于改进混合高斯模型的运动目标检测装置，包括：

获取模块，其配置为获取视频序列图像，对视频序列图像中的每帧图像进行分块处理，得到多个像素块；

构建模块，其配置为根据每帧图像中每个像素块的像素值构建混合高斯模型；

匹配模块，其配置为将当前帧图像中每个像素块的像素值分别与混合高斯模型进行匹配；

更新模块，其配置为根据匹配结果更新混合高斯模型；

检测模块，其配置为将当前帧图像中每个像素块的像素值分别与更新后的混合高斯模型进行匹配，以检测运动物体。

可选地，所述获取模块包括：

分块单元，其配置为将所述每帧图像划分为

个像素块，其中，L表示每帧图像的长度包括L个像素点，W表示每帧图像的宽度包括W个像素点，每个像素块包括l×w个像素点；

求取单元，其配置为分别求取每个像素块的像素值。

可选地，所述分别求取每个像素块的像素值包括：

求取每个像素块的中心点的像素值，将其作为所述像素块的像素值，所述像素块的中心点的像素值为所述像素块中除所述中心点外其余像素点的像素值的均值。

本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机可执行指令，所述计算机可执行指令由处理器执行时，实现上述的基于改进混合高斯模型的运动目标检测方法的步骤。

与现有技术相比，本发明实施例的有益效果在于：

(1)本发明通过对视频图像进行分块处理，并将像素块的中心点的像素值与混合高斯模型进行匹配，减少了与背景模型的匹配运算次数，大大减少了运算量，提高了运动物体检测效率；同时，在每一像素块区域内，通过求取像素块的中心点周围的像素值的均值，将其作为像素块的中心点的像素值，与混合高斯模型进行匹配，可以使用于模型匹配的像素值更加准确。

(2)混合高斯模型更新过程中，混合高斯模型的更新速率能够根据当前视频流过的帧数自适应取值，能够在视频刚开始之初，就迅速完成背景建模，之后为了更好的抑制噪声，再逐渐减小更新速率的取值，可以准确检测出视频图像中的运动物体。

附图说明

图1为本发明实施例的基于改进混合高斯模型的运动目标检测方法的流程图；

图2为本发明实施例的基于改进混合高斯模型的运动目标检测装置的结构示意图。

具体实施方式

为使本领域技术人员更好的理解本发明的技术方案，下面结合附图和具体实施方式对本发明作详细说明。

应理解的是，可以对此处公开的实施例做出各种修改。因此，上述说明书不应该视为限制，而仅是作为实施例的范例。本领域的技术人员将想到在本申请的范围和精神内的其他修改。

包含在说明书中并构成说明书的一部分的附图示出了本申请的实施例，并且与上面给出的对本申请的大致描述以及下面给出的对实施例的详细描述一起用于解释本申请的原理。

通过下面参照附图对给定为非限制性实例的实施例的优选形式的描述，本申请的这些和其它特性将会变得显而易见。

还应当理解，尽管已经参照一些具体实例对本申请进行了描述，但本领域技术人员能够确定地实现本申请的很多其它等效形式，它们具有如权利要求所述的特征并因此都位于借此所限定的保护范围内。

当结合附图时，鉴于以下详细说明，本申请的上述和其他方面、特征和优势将变得更为显而易见。

此后参照附图描述本申请的具体实施例；然而，应当理解，所公开的实施例仅仅是本申请的实例，其可采用多种方式实施。熟知和/或重复的功能和结构并未详细描述以避免不必要或多余的细节使得本申请模糊不清。因此，本文所公开的具体的结构性和功能性细节并非意在限定，而是仅仅作为权利要求的基础和代表性基础用于教导本领域技术人员以实质上任意合适的详细结构多样地使用本申请。

图1为本发明实施例的基于改进混合高斯模型的运动目标检测方法的流程图。如图1所示，本发明实施例提供的基于改进混合高斯模型的运动目标检测方法包括步骤S1至S5。

步骤S1：获取视频序列图像，对视频序列图像中的每帧图像进行分块处理，得到多个像素块。

具体地，可以通过摄像头采集连续的N帧视频图像，其中，N为大于等于2的正整数，对于每帧图像中可能出现的连续区域或者大面积背景具有相同像素的情况，将视频图像分块。在t时刻(某一帧图像)，视频中像素点(x，y)处的像素值为I_t(x,y)，对像素点(x，y)所在的视频图像进行分块划分得到多个像素块，每个像素块包含至少2个像素点。

对视频序列图像中的每帧图像进行分块处理，得到多个像素块，包括如下步骤：

步骤S11：将每帧图像划分为

个像素块，其中，L表示每帧图像的长度包括L个像素点，W表示每帧图像的宽度包括W个像素点，每个像素块包括l×w个像素点。

具体地，可以将单帧视频图像中每l×w个像素点看作一个整体，假设该视频图像的长由L个像素点组成，宽由l个像素点组成，那么该视频图像便可以被划分成

个像素块。

以3×3个像素点组成一个像素块为例进行说明，该视频图像将被划分成

个像素块，每个像素块都由一个3×3矩阵的像素点构成，该像素块可以以矩阵的形式表示为：

步骤S12：分别求取每个像素块的像素值。

具体地，在将每帧图像进行分块处理后，求取每个像素块的中心点的像素值，将其作为该像素块的像素值。像素块的中心点是指像素块的中心处的像素点。所述像素块的中心点的像素值为所述像素块中除所述中心点外其余像素点的像素值的均值。

仍以3×3像素块为例进行说明，3×3像素块中包含9个像素点，以像素点a₂₂为中心，以除a₂₂外的其余八个像素点的像素平均值表示3×3像素块中9个像素点的像素值，并赋值给a₂₂。如此，9个像素点的像素值都相同，与混合高斯模型匹配时，只需将中心点a₂₂与混合高斯模型进行匹配判断即可，其匹配结果即代表该3×3像素块矩阵内九个像素点的匹配结果。即本实施例中，可以以像素块的中心点的匹配结果代表该像素块区域的匹配结果。如此，可以保证用于匹配的像素的准确性，提高匹配精度。

步骤S2：根据每帧图像中每个像素块的像素值构建混合高斯模型。

具体地，将多个含有不同参数的高斯分布按照一定的权值混合构建混合高斯模型，步骤S2具体包括如下步骤：

步骤S21：基于K个相互独立的高斯分布对视频序列图像中的每个像素块进行建模，得到混合高斯模型。

K个相互独立的高斯分布(高斯模型)共同决定视频图像中某一像素块的像素值特征，其中，K表示相互独立的高斯分布的个数，一般由背景复杂度、存储器容量、芯片计算能力等综合决定，K一般取值为3～5。

本发明实施例中，某一像素块的像素值为该像素块的中心点(x,y)的像素值，在t时刻，视频序列图像中像素块的像素值的取值集合为{I_i(x,y)|1≤i≤N}＝{X₁,X₂.....X_n}，其中，i表示第i帧视频图像。

假设某一帧视频图像中，某一像素块在t时刻的像素值为X_t，那么该像素块的概率密度函数用K个高斯分布表示为：

其中，ω_i,t表示混合高斯模型中，t时刻第i个高斯分布的权值，也就是当前高斯分布在所有背景模型中所占的比重，0≤ω≤1；μ_i,t表示混合高斯模型中，t时刻第i个高斯分布的均值；∑_i,t表示混合高斯模型中，t时刻第i个高斯分布的协方差矩阵；η(X_i,μ_i,t,∑_i,t)表示混合高斯模型中，t时刻第i个高斯分布的概率密度函数。

步骤S22：对混合高斯模型的参数进行初始化。

具体地，在t时间内连续N(N≥1)帧视频序列图像中，采用像素块在t时刻的像素值X_t对混合高斯背景模型中的每个高斯分布的均值μ₀和平方差

进行初始化。

均值μ₀的公式为，

平方差

的公式为，

其中，X_t表示某一像素块在t时刻的像素值，N表示视频图像的帧数。

步骤S3：将当前帧图像中每个像素块的像素值分别与混合高斯模型进行匹配。

具体地，将t时刻当前帧图像中每一像素块的像素值依次与前一帧图像对应像素块处的每个高斯分布进行匹配，匹配公式如下，

|X_t-μ_i,t-1|≤Mσ_i,t-1 (2)

其中，M为常数，由正态分布特点获得，M一般取值为2.5～3；X_t为像素块在t时刻的像素值,μ_i,t-1和σ_i,t-1表示混合高斯模型中，t-1时刻第i个高斯分布的均值和标准差，t-1表示与当前帧图像相邻的前一帧图像。

在混合高斯模型中，共设置了K个相互独立的高斯分布来模拟背景模型，然而，这K个高斯分布，并不全都用来描述背景场景，也有可能用来描述前景运动物体。因此，需要估计出用于匹配的高斯分布，由于前景运动物体在视频中的留存时间小于背景场景的时间，因此，可以使用权值较高的高斯分布来表示背景。

具体地，在进行模型匹配之前，将K个高斯分布按照

的值由高到低排序，排名越靠前，ω_i,t越大，σ_i,t越小，表示该参数的高斯分布权重越大，分布更加集中，更有可能为背景。在匹配过程中，按照e值，从大到小依次进行匹配，如若满足匹配公式，则为背景，反之，则为前景。

如此，在匹配过程中，依据高斯分布的e值排序，选择混合高斯模型中前B个高斯分布依次进行匹配即可，B的公式如下：

其中，T表示选择的前B个高斯分布的阈值，argmin为B的取值，表示能够保证加权求和的结果大于T的最小值。

步骤S4：根据匹配结果更新混合高斯模型。

具体地，在将t时刻该帧图像中每一像素块的像素值均与按照e值从大到小排列之后的前B个高斯分布相匹配之后，会得到匹配结果。

若像素块的像素值与对应的高斯分布匹配成功，则将该像素块作为背景划入背景模型中，并按照公式(4)至(7)对混合高斯模型进行更新：

ω_i,t＝(1-α)ω_i,t-1+α (4)

μ_i,t＝(1-ρ)μ_i,t-1+ρX_t (5)

其中，ω_i,t为权值，μ_i,t为均值，

为方差，α为学习速率，ρ为模型的更新速率，取值为(0,1)之间的经验值。即分别对匹配的高斯分布的权值、均值、方差以及更新速率进行更新。

由上式可知，α越大，背景更新的速率就越大，ρ就越大，参数调整得越快，背景对环境的适应能力就越强，但是对噪声的抑制能力便会减弱；反之，α变小，则背景更新速度降低，对环境的适应能力也就降低。

若匹配不成功，即不满足公式(2)的高斯分布，对于没有参与匹配的高斯分布，其均值μ_i,t和方差

不变，对其权值ω_i,t和e进行更新，权值和e的更新公式如下：

ω_i,t＝(1-α)ω_i,t-1 (8)

进一步地，如果在K个高斯分布中，t时刻该帧图像的每一像素块的像素值都未能找到与之相匹配的高斯分布，此时，便将优先级最低的一个高斯分布舍弃掉，采用一个新的高斯分布代替优先级最低的高斯分布，新的高斯分布取当前帧图像的像素块的像素值作为均值，然后再选取一个较大的方差和较小的权值对混合高斯模型进行初始化。

步骤S5：将当前帧图像中每个像素块的像素值分别与更新后的混合高斯模型进行匹配，以检测运动物体。

具体地，将t时刻视频图像中每个像素块的像素值与其得到的前B个高斯分布依次进行匹配，如果该像素块的像素值与前B个高斯分布之一匹配，则该像素块为背景，否则，该像素块被分为前景，即运动物体，如此，便可将运动物体从背景中检测出。

重复步骤S3至S5，对每一帧视频图像进行匹配并更新每一帧视频图像中每个像素的混合高斯模型的参数，直到最后一帧视频图像完成匹配，从而完成运动物体检测。

具体地，在将当前帧图像中的运动物体从背景中检测出后，可以将下一帧图像中每个像素块的像素值分别与该更新后的混合高斯模型进行匹配，以进行混合高斯模型的再次更新和下一帧图像中运动物体的检测识别。如此，不断地循环更新混合高斯模型，可以从视频图像序列中实时、准确检测识别出运动物体。

本发明实施例提供的技术方案中，通过对视频图像进行分块处理，并将像素块的中心点的像素值与混合高斯模型进行匹配，减少了与背景模型的匹配运算次数，大大减少了运算量，提高了运动物体检测效率；同时，在每一像素块区域内，通过求取像素块的中心点周围的像素值的均值，将其作为像素块的中心点的像素值，与混合高斯模型进行匹配，可以使用于模型匹配的像素值更加准确。

视频图像中，每一像素块中像素点的数量较多，即像素块较大时，虽然会降低运算量，但是运动物体检测的精确度可能会变差，因此，为保证运动物体检测的精确度，视频图像划分时，每一像素块的大小不宜过大。另外，如果恰好在像素块的中心点，例如3×3像素块的像素点a₂₂附近产生了像素值剧烈波动的情况，或者由于硬件、信号传输等问题，在此周围产生了噪点，那么正好可以通过分块的方式平衡该像素点周围的像素值，防止将噪声当做前景检测出来。

可选地，在步骤S4混合高斯模型更新过程中，对视频的帧数设置一个阈值N，在N帧之前，可以认为是初始背景建模阶段，先设置一个较大的恒定更新速率λ₁，但随着视频帧的流动，每一个与当前帧图像相匹配的高斯分布所占的比重应该越来越小，因此要再给λ设置一个单调递减的变化的函数，以此来达到背景建模完成之前的过渡；N帧之后，完成初始建模，为了更好的抑制噪声，再设置一个较小的恒定更新速率λ₂以便于检测识别运动物体。

具体地，更新速率λ按照如下公式取值：

其中，λ₁>λ₂，λ为混合高斯模型的更新速率，n为当前视频中流过的视频图像帧数，N为预设的视频图像帧数的阈值，作为判断是否完成初建模的一个分界点。

由公式(10)可知，对于匹配成功的高斯分布，其权重α的更新速率和模型参数的更新速率ρ均随帧数的增加而减小，对匹配不成功的高斯分布，参数保持不变。

N的取值根据实际情况确定，如果N的取值过小，那么统计量过小，还尚未达到稳定的高斯分布状态，无法完成初始背景建模；由于N的作用只是为了迅速完成背景建模，因此，N的取值也不宜过大。

本发明实施例的混合高斯模型更新过程中，混合高斯模型的更新速率能够根据当前视频流过的帧数自适应取值，能够在视频刚开始之初，就迅速完成背景建模，之后为了更好的抑制噪声，再逐渐减小更新速率的取值，可以准确检测出视频图像中的运动物体。

图2为本发明实施例提供的一种基于改进混合高斯模型的运动目标检测装置结构示意图，如图2所示，该装置包括：

获取模块10，其配置为获取视频序列图像，对视频序列图像中的每帧图像进行分块处理，得到多个像素块；

构建模块20，其配置为根据每帧图像中每个像素块的像素值构建混合高斯模型；

匹配模块30，其配置为将当前帧图像中每个像素块的像素值分别与混合高斯模型进行匹配；

更新模块40，其配置为根据匹配结果更新混合高斯模型；

检测模块50，其配置为将当前帧图像中每个像素块的像素值分别与更新后的混合高斯模型进行匹配，以检测运动物体。

在一些实施例中，获取模块包括：

分块单元，其配置为将所述每帧图像划分为

个像素块，其中，L表示每帧图像的长度包括L个像素点，W表示每帧图像的宽度包括W个像素点，每个像素块包括l×w个像素点；

求取单元，其配置为分别求取每个像素块的像素值。

进一步地，所述分别求取每个像素块的像素值包括：

求取每个像素块的中心点的像素值，将其作为所述像素块的像素值，所述像素块的中心点的像素值为所述像素块中除所述中心点外其余像素点的像素值的均值。

在一些实施例中，检测模块包括：

匹配单元，其配置为将当前帧图像中每个像素块的像素值分别与更新后的混合高斯模型进行匹配；

判断单元，其配置为根据匹配结果，判断每个所述像素块为前景或背景。

本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机可执行指令，所述计算机可执行指令由处理器执行时，实现上述根据本发明的实施例中的基于改进混合高斯模型的运动目标检测方法。

上述的存储介质可以为存储器，诸如只读存储器(ROM)、随机存取存储器(RAM)、相变随机存取存储器(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、电可擦除可编程只读存储器(EEPROM)、其他类型的随机存取存储器(RAM)、闪存盘或其他形式的闪存、缓存、寄存器、静态存储器、光盘只读存储器(CD-ROM)、数字通用光盘(DVD)或其他光学存储器、盒式磁带或其他磁存储设备，或被用于储存能够被计算机设备访问的信息或指令的任何其他可能的非暂时性的介质等。

以上实施例仅为本发明的示例性实施例，不用于限制本发明，本发明的保护范围由权利要求书限定。本领域技术人员可以在本发明的实质和保护范围内，对本发明做出各种修改或等同替换，这种修改或等同替换也应视为落在本发明的保护范围内。

Claims (10)

1.一种基于改进混合高斯模型的运动目标检测方法，其特征在于，包括如下步骤：

获取视频序列图像，对视频序列图像中的每帧图像进行分块处理，得到多个像素块；

根据每帧图像中每个像素块的像素值构建混合高斯模型；

将当前帧图像中每个像素块的像素值分别与混合高斯模型进行匹配；

根据匹配结果更新混合高斯模型；

将当前帧图像中每个像素块的像素值分别与更新后的混合高斯模型进行匹配，以检测运动物体。

2.根据权利要求1所述的基于改进混合高斯模型的运动目标检测方法，其特征在于，所述对视频序列图像中的每帧图像进行分块处理，得到像素块，包括：

将所述每帧图像划分为

个像素块，其中，L表示每帧图像的长度包括L个像素点，W表示每帧图像的宽度包括W个像素点，每个像素块包括l×w个像素点；

分别求取每个像素块的像素值。

3.根据权利要求2所述的基于改进混合高斯模型的运动目标检测方法，其特征在于，所述分别求取每个像素块的像素值包括：

求取每个像素块的中心点的像素值，将其作为所述像素块的像素值，所述像素块的中心点的像素值为所述像素块中除所述中心点外其余像素点的像素值的均值。

4.根据权利要求1所述的基于改进混合高斯模型的运动目标检测方法，其特征在于，所述根据每帧图像中每个像素块的像素值构建混合高斯模型包括：

基于K个相互独立的高斯分布对视频序列图像中每个像素块进行建模，得到混合高斯模型；

对所述混合高斯模型的参数进行初始化。

5.根据权利要求1所述的基于改进混合高斯模型的运动目标检测方法，其特征在于，所述根据匹配结果更新混合高斯模型包括：

若所述像素块的像素值与对应的高斯分布匹配成功，分别对匹配的高斯分布的权值、均值、方差以及更新速率进行更新，所述权值、均值、方差以及更新速率的更新公式如下：

ω_i,t＝(1-α)ω_i,t-1+α；

μ_i,t＝(1-ρ)μ_i,t-1+ρX_t；

其中，ω_i,t为权值，μ_i,t为均值，

为方差，α为学习速率，ρ为高斯模型的更新速率；

若所述像素块的像素值与对应的高斯分布匹配不成功，未匹配的高斯分布的均值和方差不变，更新所述未匹配的高斯分布权值和e，所述权值和e的更新公式入下：

ω_i,t＝(1-α)ω_i,t-1；

6.根据权利要求5所述的基于改进混合高斯模型的运动目标检测方法，其特征在于,所述混合高斯模型的更新速率公式为：

其中，λ₁>λ₂,λ为混合高斯模型的更新速率，n为当前视频中流过的视频图像帧数，N为视频的帧数的阈值。

7.一种基于改进混合高斯模型的运动目标检测装置，其特征在于，包括：

获取模块，其配置为获取视频序列图像，对视频序列图像中的每帧图像进行分块处理，得到多个像素块；

构建模块，其配置为根据每帧图像中每个像素块的像素值构建混合高斯模型；

匹配模块，其配置为将当前帧图像中每个像素块的像素值分别与混合高斯模型进行匹配；

更新模块，其配置为根据匹配结果更新混合高斯模型；

检测模块，其配置为将当前帧图像中每个像素块的像素值分别与更新后的混合高斯模型进行匹配，以检测运动物体。

8.根据权利要求7所述的基于改进混合高斯模型的运动目标检测装置，其特征在于，所述获取模块包括：

分块单元，其配置为将所述每帧图像划分为

个像素块，其中，L表示每帧图像的长度包括L个像素点，W表示每帧图像的宽度包括W个像素点，每个像素块包括l×w个像素点；

求取单元，其配置为分别求取每个像素块的像素值。

9.根据权利要求8所述的基于改进混合高斯模型的运动目标检测装置，其特征在于，所述分别求取每个像素块的像素值包括：

求取每个像素块的中心点的像素值，将其作为所述像素块的像素值，所述像素块的中心点的像素值为所述像素块中除所述中心点外其余像素点的像素值的均值。

10.一种计算机可读存储介质，其特征在于，其上存储有计算机可执行指令，所述计算机可执行指令由处理器执行时，实现根据权利要求1-6中任一项所述的基于改进混合高斯模型的运动目标检测方法。

Images