一种基于混合高斯及阴影检测模型的目标检测与提取方法
【技术领域】
[0001] 本发明主要涉及目标检测技术，特别涉及一种基于混合高斯及阴影检测模型的目 标检测与提取方法，该方法在智能视频监控、目标跟踪及目标识别等领域中有着广泛的应 用前景。
【背景技术】
[0002] 前处于信息时代，信息的获得、加工、处理等都有了飞速的发展。随之智能监控系 统也得到了迅猛的发展。运动目标检测是计算机视觉和数学图像处理的一个热门方向，广 泛的应用与智能视频监控、工业检测等等诸多领域。因此，运动目标检测是智能监控系统的 核心部分。它的目的就是如何快速的并准确的提取出视频监控中的运动目标。将运动目标 从视频序列图像中分离出来比较常见的方法有下面三种： (1)第一类是光流法（XIONG Jing-Yi, LUO Yu-Pin, TANG Guang-Rong. An Improved Optical method for Image Registration with Large-seal movement. July 2008, 34 (7). ) (F. Ranchin and F. Dibos, "Moving objects segmentation using optical flow estimation"， in Proc. Workshop on Mathematic and Image Analysis, Paris, September 2004.)。光流法就是假设图像灰度分布的变化完全是由目标或者背景的运动引 起，Horn 和 Schunch ( Horn B, Schunch B. Determining optical flow[J]. Artificial Intelligence，1981，17: 185-203.)提出了光流检测法。光流法利用目标和背景之间 的不同速度来检测运动信息，它能够提高检测的精度，但是却降低了检测的速度，在没有特 殊硬件支持的情况下无法在实时性要求较高的场合使用，而且一旦它所依赖的假设不成立 时，得到的结果误差会比较大。
[0003] (2)第二类是帧间差分法（杨学超，刘文萍.视频图像序列中的运动目标检测 技术[J].计算机应用与软件，2008,25(1):215-218.) (C Stauffer and W Grimson. Adaptive background mixture models for real-time tracking. Computer Vision and Pattern Recognition, 1999，vol. 2，pp. 246-252.)。帧间差分法就是通过对多帧 图像进行相减来获取运动信息，该方法能够适应多变的环境且算法实现相对简单。Alan J. Lipton (Lipton A, Fujiyoshi H, Patil R. Moving Target Classification and Tracking from Real-time Video[J]. IEEE Workshop on Applications of Computer Vision，1998: 8-14.)将模板匹配与帧间差分相结合的方法来检测平台移动状态下拍摄 的车辆和人。(Vieren C, Cabestaing F, Postaire J. Catching moving objects with snakes for motion tracking[J]. Patern Recognition, Letersl6, 1995, 679-685. )Vieren C提出了基于三帧差分的检测方法，该方法提高了检测的精度。贺贵明 等(贺贵明，李凌娟，贾振堂等.一种快速的基于对称差分的视频分割算法[J].小型微型 计算机系统，2003, 24(6) :966-968 )对连续的三帧图像进行差分运算，采用该方法来获取 运动信息。
[0004] (3)第三类是背景减除法"（彭可，陈燕红，唐宜清.一种室内环境运动目标 检测混合算法[J].计算机工程与应用）（代科学，李国辉，涂丹，等.监控视频运动目 标检测减【背景技术】的研究现状和展望[J].中国图象图形学报，2006, 11(7) :919-917)。 背景差分法就是利用当前帧图像与建立的背景图像或模型进行做差来获取运动信息，该 方法能够准确地检测出运动目标的位置，且获得较完整的运动目标。但是背景对光照变 化比较敏感，因此容易受到阴影的影响，还有就是背景中物体的周期性运动(例如树叶摆 动）等的影响，对于背景差分法的关键就是要构造一个适应性比较强的背景模型。周箴 毅等(周箴毅，胡福乔.基于背景建模的动态场景目标检测[J]. 计算机工程，2008,34 (24):203-205.)提出了基于非参数估计的前景背景对比模型， 该模型主要是针对动态背景，明英等人（明英，蒋晶珏.基于柯西分布的视频图像序列背 景建模和运动目标检测[J].光学学报，2008, 28(3) :587-590.)提出一种光照不变变化 检测方法，甘新胜(甘新胜.基于码书的运动目标检测方法[J].中国图象图形学 报，2008, 13(2) :365-370.)提出一种基于码书的背景构造方法，该方法的背景模型通过使 用长时间的图像序列来进行估计，且该方法对存储空间的要求不高，文志强和蔡自兴(文 志强，蔡自兴.一种最大后验概率条件下的运动目标检测方法[J].小型微型计算机系 统，2008, 29(5) :936-939.)提出了一种在根据条件随机场模型和马尔可夫随机场模型建立 的最大后验概率框架下的运动目标检测方法。这三种方法均存在一些缺陷，光流法的计算 复杂度相对较高，计算时间长，不能满足视频监控的实时性；帧间差分法的精度不够，分割 的运动目标不准确；背景减除法对于动态的背景适用性不强，主要是对静止的背景进行建 模。
[0005] 本发明就是采用的背景减除法中的自适应混合高斯背景模型来分离运动目标。混 合高斯背景建模是基于像素样本统计信息的背景表示方法，利用像素在较长时间内大量样 本值的概率密度等统计信息（如模式数量、每个模式的均值和标准差）表示背景，然后使 用统计差分进行目标像素判断，可以对复杂动态背景进行建模，计算量较大。Stauffer 等人（Steuffer C, ff Grimsonw. Adaptive background mixture models for real-time tracking[C]. Proceeding of IEEE International conference Computer Vision and Patter Recognition. Fort Collins, CO, USA: IEEE Press, 1999: 246-252.)将高斯 混合模型（Gaussian Mixture Model, GMM)用于视频背景建模和运动分割，提出了自适 应高斯混合背景模型的计算框架，因其良好的动态背景表达能力和适应性机制而得到广 泛关注。林燕等人(林燕，陈建华.自适应高斯混合背景建模算法的改进[J].福建 电脑，2008, 11)对均值和方差的学习机制进行了改进，提高了学习的准确度，使其更加 适应多变的环境。但是其选取的均值学习率是一个固定值，不能够适应更加多变的环境。 Friedman N等人（Friedman N，Russell S. Image segmentation in video sequences: A probabilistic approach[A]. In Proceedings of the 13 Conference on Uncertainly in Artificial Intelligence[C], Rhode Island, USA, 1997:175-181.)利用自适应混合 高斯模型来出来光照变化和树叶抖动等等所带来的影响，但是由于该方法采用的是一个固 定的学习权重，不能够是要多变的环境。崔文频等(崔文频，沈继忠.基于改进高斯混合模 型的运动物体的图像检测[J].光电工程，2010,37(4):118-124.)对混合高斯模型进行了 改进，消除了缓慢运动目标对对背景模型的影响，但混合高斯模型对于动态背景的适应能 力还是不能尽如人意。
[0006]由于自适应混合高斯模型受到光照变化的影响，因此要检测出存在阴影的目标就 变得很困难。所以需要对阴影进行消除，常见的阴影消除和抑制方法有以下两种： 1) 基于属性的阴影抑制方法； 2) 基于模型的阴影抑制方法； 基于属性的阴影抑制方法就是通过阴影几何信息或者是光学特性来进行识别和检测。 目前，基于阴影光学特性的阴影抑制算法相对较多。该类型的方法在各种场景环境和光照 中都具有较好的鲁棒性。
[0007]基于模型的阴影抑制方法是主要是通过场景、被检测目标、光照强度等先验信息 来建立一个阴影模型，然后对运动目标的三维立体信息如棱、角、线及高度等进行匹配来实 现阴影的检测和抑制。这种方法一般只有在特殊的场景（例如航空图像的理解）中使用。
[0008]目前，基于于属性的阴影抑制方法在现实生活中