一种改进的自适应混合高斯前景检测方法技术

本发明专利技术提供一种改进的自适应混合高斯前景检测方法，它首先利用混合高斯模型进行学习，形成初始化混合高斯背景模型；然后，对新输入的视频序列，以每隔N帧进行采样，利用加权时域均值滤波获取一幅图像帧，将其作为混合高斯建模的输入，进行背景模型更新；利用泊松分布自动判断当前帧是否存在背景突变，若不存在，保持正常的采样间隔和学习速率，否则，缩小间隔帧数和加快学习速率，更新背景模型，提取当前的背景帧；最后，利用当前帧与当前背景帧进行差分，通过最大熵方法获取自适应阈值，对获取的阈值进行加权平均，进行前景检测。该方法有效地克服了视频场景中树叶抖动、水波纹等运动干扰，通过周期性的采样减少了帧的运算量，提高了实时性。

【技术实现步骤摘要】

本专利技术涉及计算机视觉
，更具体地，涉及一种改进的自适应混合高斯前 景检测方法。
技术介绍
随着公共安全建设的加强以及人们安全意识的提高，智能视频监控开始受到人们 的关注与青睐。这对安全防范系统、视频监控系统提出了更高的要求。 智能视频监控系统是通过对摄像机拍录的视频进行自动分析来对动态场景中的 目标进行检测、跟踪、识别，并在此基础上分析和判断目标的行为。做到即完成日常的监 控又能在异常情况发生时及时做出反应，解决传统监控工作量大、效率低、反应速度慢等问 题。 运动目标检测作为智能视频监控系统中的关键步骤，其检测的精确度对后续的目 标跟踪与识别、行为分析等产生直接影响。目前，应用比较广泛的运动目标检测方法是帧差 法和背景差分法。背景差分法是通过对当前图像和背景图像做差来获取前景目标。在理想 或者干扰较小的情况下，常用算法都可以获取很好的检测效果。但在实际应用场景中，存在 轻微的树叶晃动、水波纹等情况。会影响前景目标的检测。因此，如何获取精确的背景模型， 直接影响前景目标的准确定位。 目前，较为常用的背景差分方法为混合高斯背景差分法。该方法是通过对图像中 每个像素建立多个高斯模型来模拟现实的复杂背景，能有效的消除水波纹、相机微抖等带 来的影响，但该方法存在计算量大、对大而运动缓慢的物体检测出现错误等问题。此外，国 外学者提出的可自适应的确定每个像素建模所需要的高斯个数，该方法相比传统的混合高 斯背景建模，运行速度有所提高，但是不能很好的消除水波纹的影响。因此，本专利技术提出一 种改进的自适应混合高斯前景检测方法。
技术实现思路
本专利技术提供，通过对图像中每个像素建 立多个高斯模型来模拟现实的复杂背景，并提高运算速度。 为解决上述技术问题，本专利技术的技术方案如下： -种改进的自适应混合高斯前景检测方法，包括以下步骤： S1 :取视频序列前75帧，利用混合高斯初始化背景模型，对输入的视频序列以采 样间隔为N的方式进行采样，取当前帧与前N-1帧图像序列进行加权ω ^寸域均值滤波获 取一幅新的图像帧F ; S2:判断采样得到的视频序列中的场景是否发生突变，若没有发生突变，保持正 常的采样间隔Ν = 5和学习率α =0.02;否则更新采样间隔帧数Ν = 3和学习率α = λ *0. 02,重新进行视频序列周期采样； S3 :将滤波后的图像帧F作为当前帧，学习率为α = λ*〇. 02,采用自适应混合高 斯方法更新背景模型； S4 :将当前背景帧与当前帧及其后N-1帧图像序列进行最大熵求取自适应阈值， 然后通过在线加权平均获取一个新的阈值Th，进行实时的前景检测。 进一步地，步骤S1中取当前帧与前N-1帧图像序列进行时域均值滤波获取一幅新 的图像帧F的过程如下： 其中，t为第i帧图像，ω i为权值，且Σ 1。 进一步地，步骤S2中判断输入的视频序列中的视频序列场景是否发生突变的过 程如下： 利用时刻t时输入的视频序列的当前帧及其背景帧的分量差值建立噪声模型泊 松分布，并统计该噪声模型泊松分布的直方图，计算得到的直方图的相关方差；对所得的相 关方差进行排序，找出最大值即变异系数，当变异系数大于1时，就判定时刻t时输入视频 序列的场景发生突变。 进一步地，步骤S3中对采样得到的视频序列采用自适应混合高斯模型进行背景 模型更新的过程如下： S31 :对采样得到的视频序列中时刻t的视频序列的第j个像素点用变量1,表 示，第j个像素点xjit的概率密度函数可用如下K个高斯分布函数表示： 其中，ω。t为第i个高斯分布函数在t时刻的权值，是t时刻的第i个高斯分布函数，μ lit和Ψ lit分别代表t时刻的第i个高斯分布的均值和 协方差，n (xjit，ylit，Φμ)的表达式为： 其中，i = 1，2, 3, · · · Κ，η表示xjit的维数，自适应混合高斯模型中假设R，G，Β 三个通道互相独立，并具有相同的方差，则Ψ"= σ /1，其中〇12表示X ] t的方差，I表示 单位矩阵； S32 :将每个像素点与其K个高斯分布函数进行匹配，若K个高斯分布函数中有一 个高斯分布函数与该像素点的匹配程度满足|Xjit-yiit| <M*0 i，则该像素点与该高斯分 布函数匹配，该像素点为背景点，若每一像素点与其K个高斯分布都不匹配，则认为该像素 点为前景点； S33 :对与K个高斯分布函数中有一个匹配的像素点按照下面公式进行更新： 其中，Ρ是更新率，α是学习率，λ为变异系数，Mkit的取值依匹配情况而定，对 与像素当前值匹配的模型取1，其余取〇， S34 :当像素点像素值与所有高斯分布没有一个能匹配上时，则创建一个新的高斯 分布函数取代现有K个高斯分布中ω ^ t/〇 11值最小的模型，在权值ω 11更新完后，对同一 混合高斯模型中的各高斯分布函数的权值按下式进行归一化处理： 对K个高斯分布按coi t/〇 i t的比值降序排列，然后取满足下式的前b个分布组成 时刻t时的视频序列的背景模型： 其中，T为背景选取的阈值，T调整描述背景的高斯分布的个数，如果T越大，则对 背景描述的高斯分布函数则越多。 进一步地，步骤S4中取当前背景帧与当前帧及后N-1帧图像序列进行最大熵求取 自适应阈值，然后通过在线加权平均获取一个新的阈值Th的过程如下： S41 :取当前背景帧与当前帧及后N-1帧进行自适应差分，通过最大熵方法求取每 帧差分图像对应的自适应阈值T1: 其中，Pj为与T i对应的差分图像中灰度值为j的概率，Ρ Α为与Τ，寸应差分图像中 灰度值为〇~k的像素点构成的区域Α的概率分布，ΡΒ为与T i对应差分图像中不属于区域 A的概率分布，私为与T i对应差分图像的熵； S42 :取当前帧及后N-1帧对应的阈值进行加权递减均值滤波获取一个新的阈值： 其中，ω;为权值，且Σ 1。 与现有技术相比，本专利技术技术方案的有益效果是： 本专利技术对新输入的视频序列，以每隔N帧进行采样，并判断当前帧是否存在由光 照突变、摄像机抖动等干扰造成的背景突变，若存在突变，更新间隔帧数和学习速率，并取 当前帧与前N-1帧图像序列进行时域均值滤波获取一幅新的图像帧F，然后，利用滤波后的 图像帧F作为混合高斯建模的输入，进行背景模型更新，最后，利用当前帧与背景帧差分， 通过最大熵方法自动获取当前帧与前N+1帧的阈值进行平均，然后利用自适应二值化方法 获取前景目标。该方法有效的解决了视频场景中存在树叶抖动、水波纹等周期性高频运动 干扰的影响，同时利用周期性的采样减少了帧的运算量，提高算法的实时性。【附图说明】 图1为本专利技术的流程图，其中nFrame为当前帧数，N为间隔帧数，N1为变化不大 时的采样周期（N1 = 5)，N2为变化较大时的采样周期（N2 = 3)，α为GMM的学习速率，λ 为变异系数； 图2为本专利技术算法与自适应混合高斯、多模态两种算法的对比实验结果对比表。【具体实施方式】 附图仅用于示例性说明，不能理解为对本专利的限制； 为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品 的尺寸； 对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解 的。 下面结合附图和实施例对本专利技术的技术方案做进一步的说本文档来自技高网...

【技术保护点】
一种改进的自适应混合高斯前景检测方法，其特征在于，包括以下步骤：S1：取视频序列前75帧，利用混合高斯初始化背景模型，对输入的视频序列以采样间隔为N的方式进行采样，取当前帧与前N‑1帧图像序列进行加权ωi时域均值滤波获取一幅新的图像帧F；S2：判断采样得到的视频序列中的场景是否发生突变，若没有发生突变，保持正常的采样间隔N＝5和学习率α＝0.02；否则更新采样间隔帧数N＝3和学习率α＝λ*0.02，重新进行视频序列周期采样；S3：将滤波后的图像帧F作为当前帧，学习率为α＝λ*0.02，采用自适应混合高斯方法更新其背景模型；S4：将当前背景帧与当前帧及其后N‑1帧图像序列进行最大熵求取自适应阈值，然后通过在线加权平均获取一个新的阈值Th，进行实时的前景检测。

【技术特征摘要】

【专利技术属性】
技术研发人员：薛月菊，毛亮，林焕凯，朱婷婷，
申请(专利权)人：华南农业大学，
类型：发明
国别省市：广东;44