改进的自适应高斯混合模型运动目标检测方法
【专利摘要】本发明提供一种改进的自适应高斯混合模型运动目标检测方法，初始化高斯分布和参数，对k个高斯分布按照权值ωi,t的大小进行排序，其中i∈[1,K]；更新分布，依据是否与现有高斯分布匹配，进行更新，包括更新高权重分布、合并权重接近分布、删除低权重分布、增添新分布；该种改进的自适应高斯混合模型运动目标检测方法，学习率和模型分布数的取值进行更新，解决数据冗余的问题；同时，对参数取值进行更新，能够更好的适应环境变化。该方法为基于计算机视频图像处理技术的运动目标检测算法，能够应用于实时视频处理系统，为车辆检测或火灾监测奠定关键性的理论与应用基础，具有非常好的应用前景。
【专利说明】
改进的自适应高斯混合模型运动目标检测方法
技术领域
[0001 ]本发明设及一种改进的自适应高斯混合模型运动目标检测方法。
【背景技术】
[0002] 目前，光流法、帖差法、背景减除法是运动目标检测的常用算法。其中，光流法计算 复杂，需要专口的硬件支持，实时性和实用性都比较差。帖差法虽然能有效的去除静止的背 景，但往往提取的目标比较粗糖，比实际的运动目标轮廓要大，并且目标中会出现空桐和 "双影"现象。背景减除法可W在环境变化的情况下进行运动物体检测，但需要对背景图像 进行实时更新。
[0003] 从实际应用角度来看，背景减除法是使用最广泛的一种运动物体检测方法。其中， 最常用的背景模型为高斯混合模型。但传统的高斯混合模型，由于其学习率和模型分布数 的取值相对固定，容易造成数据冗余；同时，相对固定的参数取值还存在不能更好的适应环 境变化等问题。
[0004] 上述问题是在运动目标检测过程中应当予W考虑并解决的问题。
【发明内容】
[0005] 本发明的目的是提供一种改进的自适应高斯混合模型运动目标检测方法解决现 有技术中存在的由于其学习率和模型分布数的取值相对固定，容易造成数据冗余；同时，相 对固定的参数取值还存在不能更好的适应环境变化等问题。
[0006] 本发明的技术解决方案是：
[0007] -种改进的自适应高斯混合模型运动目标检测方法，包括：
[000引Sl、初始化高斯分布和参数，对k个高斯分布按照权值CO i,t的大小进行排序，其中i G[1，K];
[0009] S2、更新分布，依据是否与现有高斯分布匹配，进行更新，包括更新高权重分布、合 并权重接近分布、删除低权重分布、增添新分布，具体为：
[0010] S21、如果像素值与已有分布都不匹配，若分布数K值未达到最大值，则新增一个高 斯分布;若分布数K值已经达到最大值，则删除权值最小的高斯分布，再新增一个高斯分布；
[0011] 如果存在高斯分布满足公式（10)，即均值相近，则进行分布合并，将权值较大的分 布进行更新处理，权值较小的分布则删除；
[0012] I山-的 I《IV (10)
[0013] 其中，IV为均值最小间隔的阔值山表示两个不同分布的均值；
[0014] S22、对分布数与均值进行处理后，再进行权重的判断；如果权值低于阔值，则将不 满足当前要求的高斯分布舍去。
[0015] 进一步地，步骤Sl中，参数均值y〇的初始化具体为：
[0016] (1)
[001 引
[0017]参数方差C,?的初始化具体为：
C2)
[0019]式（1)、（2)中，N为视频图像数目；Xt为t时刻像素的取值。
[0020] 进一步地，步骤Sl中，分布数Ko的初始化具体为：
[0021] (3)
[0022] 其中，Kl、Km、K汾别为立种级别的高斯分布数，Tki、Tk2为分配初始分布数所需的阔 值;Ko值的取值为1~5。
[0023] 进一步地，步骤S21中，权值更新计算公式如下：
[0024]
巧）
[0025] 其中，COk,t为t时刻第k个高斯混合模型的权值，Qk,t为t时刻第k个高斯混合模型的 学习率，Mk, t为匹配因子，对于匹配的模型Mk, t = l;否则，Mk, t = 0。
[0026] 进一步地，步骤S21中，对于未匹配的模型，其均值ii与方差O2不变;对于匹配的模 型，其参数更新公式如下：
[0027]
[002引
[00 例 (8)
[0030] 其中，Pk,t为t时刻第k个高斯混合模型的参数更新因子;ri(Xt，叱t，〇k,t)为t时刻高 斯混合横巧，其计算公式如下： (9)
[0031]
[0032] 其中，
5i,t为方差，I为二维单位矩阵，Xt为t时刻该点的像素值，化,t为t时 刻第i个高斯混合模型的均值。
[0033] 进一步地，学习率Qk, t更新具体为：
[0034]
(4)
[0035] 其中，Qk,t刃t时刻巧k个学习率的取值;a〇为初始学习率，取值为0.01~0.1，fk,t为 单位时间内高斯分布数更改的次数，即更新频率;Tf为对更新频率进行判断的阔值。
[0036] 本发明的有益效果是:该种改进的自适应高斯混合模型运动目标检测方法，学习 率和模型分布数的取值进行更新，解决数据冗余的问题；同时，对参数取值进行更新，能够 更好的适应环境变化。该方法为基于计算机视频图像处理技术的运动目标检测算法，能够 应用于实时视频处理系统，为车辆检测或火灾监测奠定关键性的理论与应用基础，具有非 常好的应用前景。
【附图说明】
[0037] 图1是实施例改进的自适应高斯混合模型运动目标检测方法的流程示意图。
[0038] 图2是实施例改进的自适应高斯混合模型运动目标检测方法中分布更新的流程示 意图。
[0039] 图3是实施例中采集的源图像。
[0040] 图4是传统高斯混合模型检测结果图像。
[0041] 图5是实施例方法检测结果图像。
【具体实施方式】
[0042 ]下面结合附图详细说明本发明的优选实施例。
[0043] 实施例
[0044] 实施例综合使用了多种视频图像处理方法，通过对传统的高斯混合模型进行详细 分析，设计了一种改进的自适应高斯混合模型运动目标检测方法。
[0045] 运动物体在视频图像中的特征包括如下:运动物体具有较为明显的区别与背景事 物的颜色;运动物体的移动速度或频率在肉眼可观测范围内；视频中光照等外界条件变化 相对平缓。实施例所提出的改进的自适应高斯混合模型运动目标检测方法依据上述运动物 体在视频图像中的特征来开发。其中的详细内容如下：
[0046] 均值和方差的初始化
[0047] 初始均值y〇的计算公式如下：
[004引 Cl)
[0049] 初始方差请的计算公式如下：
[(K)加] 贷）
[0051] 其中，N为视频图像数目；Xt为t时刻像素的取值。
[0052] 分布数初始化
[0化3] 4V麻撕Kn的A管/A井力n下.
[0化4] (3)
[00对其中，Kl、Km、K汾别为立种级别的高斯分布数，Tki、Tk2为分配初始分布数所需的阔 值;Ko值的取值一般为1~5。
[0056] 学习率更新
[0057] 学习率Qk,通新具体为：
[0化引
（4)
[0059] 其中，Qk,t为t时刻第k个学习率的取值;a〇为初始学习率，取值为0.01~〇.l，fk,t为 单位时间内高斯分布数更改的次数，即更新频率;Tf为对更新频率进行判断的阔值。
[0060] 其中，Qi,t为t时刻第i个学习率的取值;a〇为初始学习率，取值一般为0.01~0.1，f 为单位时间内高斯分布数更改的次数，即更新频率;Tf为对更新频率进行判断的阔值。
[0061] 权值、均值、方差更新
[0062] 权值更新计算公式如下：
[006；3] 〇k't=(l-ak't)*?k't-i+ak't*Mk't (5)
[0064] 其中，为t时刻第k个高斯混合模型的权值。Mk,t为匹配因子，对于匹配的模型 Mk,t = l;否贝lJ，Mk,t = 0。
[0065] 对于未匹配的模型，其均值ii与方差O2不变。
[0066] 对于匹配的模型，其参数更新公式如下：
[0067]
[006引
[0069] (8).
[0070] 其中，Pk,tP为参数更新因子;rl(Xt，?,t，Ok,t)为t时刻高斯混合模型，其计算公式如 下：
[0071] 巧）
[0072] 其中：
，Si,t为方差，I为二维单位矩阵。
[0073] 高斯模型更新
[0074] 改进的高斯混合模型建立过程如下图1所示，对k个高斯分布按照权值CO i,t的大小 进行排序，其中ie[l，K]。依据是否与现有高斯分布匹配，按图2进行更新如果像素值与现 有分布都不匹配，若分布数K值未达到最大值，则新增一个高斯分布;若分布数K值已经达到 最大值，则删除权值最小的高斯分布，再新增一个高斯分布。
[0075] 如果存在高斯分布满足公式（10)，即均值相近，则进行分布合并，将权重较大的分 布进行更新处理，较小的则删除。
[0076] I 山-山 I《IV (10)
[0077] 其中，IV为均值最小间隔的阔值。
[0078] 对分布数与均值进行处理后，再进行权重的判断。如果权值低于阔值，则将不满足 当前要求的高斯分布舍去。
[0079] 实验验证
[0080] 实施例方法基于Microsoft Visual Sl:udio 2010平台，利用Opencv计算机视觉库 进行开发，将原始视频图像图3导入，通过化encv自带的高斯混合模型，对图3进行运动物体 检测得到图4,利用实施例方法对图3进行运动物体检测得到图5,可W看出图5对比图4具有 明显的边缘细节信息。
【主权项】
1. 一种改进的自适应高斯混合模型运动目标检测方法，其特征在于，包括： 51、 初始化高斯分布和参数，对k个高斯分布按照权值ω i, t的大小进行排序，其中i e [1,K]; 52、 更新分布，依据是否与现有高斯分布匹配，进行更新，包括更新高权重分布、合并权 重接近分布、删除低权重分布、增添新分布，具体为： 521、 如果像素值与已有分布都不匹配，若分布数K值未达到最大值，则新增一个高斯分 布;若分布数K值已经达到最大值，则删除权值最小的高斯分布，再新增一个高斯分布； 如果存在高斯分布满足公式（10)，即均值相近，则进行分布合并，将权值较大的分布进 行更新处理，权值较小的分布则删除； Ux-Uy I <Τμ (10) 其中，IV为均值最小间隔的阈值，μχ、表示两个不同分布的均值； 522、 对分布数与均值进行处理后，再进行权重的判断；如果权值低于阈值，则将不满足 当前要求的高斯分布舍去。2. 如权利要求1所述的改进的自适应高斯混合模型运动目标检测方法，其特征在于，步 骤Sl中，参数均值μ〇的初始化具体为：(1) (2) 式(1 )、（ 2)中，N为视频图像数目；Xt为t时刻像素的取值。3. 如权利要求1所述的改进的自适应高斯混合模型运动目标检测方法，其特征在于，步(3) 其中，Kl、Km、Ks分别为三种级别的高斯分布数，Tk1、Tk2为分配初始分布数所需的阈值;K 0 值的取值为1~5。4. 如权利要求1-3任一项所述的改进的自适应高斯混合模型运动目标检测方法，其特 征在于，步骤S21中，权值更新计算公式如下： ?k，t= (1-cik，t)* Wk, t-i+ak，t*Mk，t (5) 其中，《k,t为t时刻第k个高斯混合模型的权值，ak,t*t时刻第k个高斯混合模型的学习 率，Mk,t为匹配因子，对于匹配的模型Mk,t = l;否则，Mk,t = 0。5. 如权利要求1-3任一项所述的改进的自适应高斯混合模型运动目标检测方法，其特 征在于，步骤S21中，对于未匹配的模型，其均值μ与方差 〇2不变;对于匹配的模型，其参数更 新公式如下：(8) 其中，Pk,t为t时刻第k个高斯混合模型的参数更新因子;!!(^^!^，(^。为切寸刻高斯混 合模型，其计算公式如下：其中=被/ ^"为方差，I为二维单位矩阵，XtSt时刻该点的像素值，μ1;?为t时刻第 i个高斯混合模型的均值。6.如权利要求5所述的改进的自适应高斯混合模型运动目标检测方法，其特征在于，学 习率ak,t更新具体为：(4) 其中，ak,t为t时刻第k个学习率的取值;a〇为初始学习率，取值为〇.〇1~〇.l，f k,t为单位 时间内高斯分布数更改的次数，即更新频率;Tf为对更新频率进行判断的阈值。
【文档编号】G06T7/20GK106023258SQ201610357287
【公开日】2016年10月12日
【申请日】2016年5月26日
【发明人】黄颖, 黄淮, 杨成顺, 黄宵宁
【申请人】南京工程学院