基于改进混合高斯模型的运动目标检测方法技术

本发明专利技术公开了一种基于改进混合高斯模型的运动目标检测方法，主要解决现有技术计算复杂度高和检测准确度低的问题。其实现步骤是：首先,采用高斯函数对输入视频集进行预处理，去除图像中的噪声；其次，使用图像的空间信息初始化高斯混合模型，自适应确定高斯模型的个数；然后，采用lambert光照模型检测全局光照变化，并对模型的权值进行分层次更新；最后，根据模型的权值和彩色图像与高斯混合模型的距离检测出运动目标图像，再对该目标图像进行后处理。本发明专利技术收敛速度快，计算复杂度低，对复杂场景适应性强，检测准确度高，可用于智能监控、智能交通、人机交互、视觉导航、虚拟现实、医学诊断和可视化手术。

Moving object detection method based on improved hybrid Gauss model

The invention discloses a moving object detection method based on an improved hybrid Gauss model, which mainly solves the problems of high computational complexity and low detection accuracy of the existing technology. It comprises following steps: firstly, the Gauss function of the input video set is preprocessed to remove noise in the image; secondly, the initialization of Gauss mixture model using image spatial information, determining the number of adaptive Gauss model; then, using the Lambert illumination model measuring global illumination changes, and the model weights hierarchical update; finally, according to the model of the weight and color image and Gauss mixture model to detect the moving distance of the target image, the target image postprocessing. The present invention has fast convergence speed and low computational complexity, strong adaptability to complex scenes, high detection precision, can be used in intelligent monitoring, intelligent transportation, human-computer interaction, visual navigation, virtual reality, medical diagnosis and surgical visualization.

【技术实现步骤摘要】
基于改进混合高斯模型的运动目标检测方法
本专利技术属于计算机视觉领域，具体地说是一种运动目标检测方法，可用于智能监控、智能交通、人机交互、视觉导航、虚拟现实、医学诊断与可视化手术。
技术介绍
随着社会的发展和科技的进步，城市视频监控网络的发展越来越迅速，覆盖到了人类活动的各种场所。视频监控在很大程度上保障着城市的人员财产安全，极大地减少违法犯罪行为。视频监控主要关注的技术是对监控视频中的运动物体进行检测、跟踪、识别和分析等操作。利用这些技术，人们可以快速获得感兴趣目标的位置、轨迹以及行为等有效信息。运动目标检测是运动目标跟踪、行为识别和场景描述等技术的基础，检测的结果直接影响后续算法的准确性。因此，如何提高目标检测的准确性和鲁棒性，成为计算机视觉领域的主要研究方向之一。目前，运动目标检测方法主要有：帧间差分法、背景减除法和光流法。其中，背景减除法是使用最广泛的方法，它通过比较当前帧和背景模型得到运动目标。因此，算法的性能高度取决于背景建模方法。高斯混合模型GMM因其简单性，多模性，实时性成为最受欢迎的背景减除算法。该算法可以较好地抑制动态背景干扰，但该方法对突然的光照变化和运动目标的阴影敏感，且初始化困难，收敛过程比较耗时。在过去的20年里，大量文献致力于混合高斯模型的研究，主要包括模型初始化方法、模型更新方法和高斯模型个数估计等。在模型的初始化方法中，大部分的方法是基于Stauffer和Grimson提出的方法，该方法将每个像素的所有的高斯分量初始化为相同的分布，即均值设置为第一帧的相应像素的像素值，方差初始化为一个较大的值，初始权重为1。模型初始化方法也仅仅涉及到模型初始方差的计算，模型的初始均值和高斯模型权值仍然采用上述方法得到，使得模型需要较长时间才能达到稳定。模型更新方法只讨论了单个高斯模型的学习率，未考虑各高斯模型之间的关系。同时，大部分算法只能检测局部光照变化，而不能检测全局光照变化。在高斯模型个数估计上，一般采用分裂和合并的方式自适应调整高斯模型的个数，但这些算法收敛速度慢。
技术实现思路
针对现有混合高斯模型的不足，本专利技术提出了一种基于改进混合高斯模型的运动目标检测方法，以提高复杂场景中模型的收敛速度，减少计算复杂度，提高运动目标的检测精度。实现本专利技术的关键技术是：使用图像的空间信息来初始化混合高斯模型，以加快模型的收敛速度，自适应确定高斯模型的个数；对模型的权值进行分层次更新，以减缓暂时静止的物体融入背景；采用lambert光照模型检测全局光照变化，使得背景模型能快速从光照变化中恢复出来。其实现步骤包括如下：(1)读入前两帧彩色图像I1和I2，利用高斯函数分别对两幅图像的R、G、B三个通道进行平滑，得到平滑后的彩色图像为L1和L2；(2)初始化的混合高斯模型:(2a)初始化方差：根据平滑后彩色图像L1和图像L2差分的绝对值矩阵得到初始模型的全局方差，将像素点(x,y)与其邻域像素绝对差分的最大值作为初始模型局部方差，对初始全局方差和初始局部方差进行加权平均，得到像素点(x,y)处各高斯模型的初始方差σ1(x,y)；(2b)初始化均值和高斯模型数目：根据像素(x,y)的邻域像素的分布情况确定像素(x,y)处高斯模型数目N1(x,y)和各高斯模型的均值μk,1(x,y)；(2c)分层次初始化像素(x,y)处高斯模型的权值ωk,1(x,y)，将第一个高斯模型的权值ω1,1设置为w1,1＝(1/N1(x,y))+0.1，其余高斯模型的权值设置为(1-w1,1)/(N1(x,y)-1)；(2d)根据高斯模型的初始均值、方差、权重和高斯模型数目，初始化高斯混合模型；(3)读入第t帧彩色图像It，利用高斯函数对It进行平滑，得到平滑后的第t帧彩色图像Lt；(4)模型更新：(4a)根据Lambert光照模型，得到第t帧彩色图像Lt的全局光照变化因子，根据全局光照变化因子改变第t-1帧构建的高斯混合模型的均值μk,t-1(x,y)和方差σk,t-1(x,y)；(4b)根据第t帧彩色图像Lt与高斯混合模型的匹配情况，更新高斯模型的数目Nt(x,y)、均值μk,t(x,y)和方差σk,t(x,y)，分层次更新权重ωk,t(x,y)，得到更新后的混合高斯模型；(5)背景估计和前景检测：在像素(x,y)处，若存在高斯模型的权值ωk,t(x,y)大于门限Thω，且|Lt(x,y)-μk,t(x,y)|≤Dσk,t(x,y)，则像素(x,y)为背景，即fgt(x,y)＝0；否则，像素(x,y)为运动目标，即fgt(x,y)＝1，得到第t帧彩色图像的前景图像fgt；(6)利用奇异值分解、中值滤波和形态学方法对上述得到的前景图像fgt进行后处理，输出处理后的前景图像fgt，即运动目标图像；(7)重复(3-6)，直到视频结束。本专利技术具有如下优点：本专利技术由于引入空间信息对混合高斯模型进行初始化，加快了模型的收敛速度，减少了高斯模型的数目，提高了运动目标检测的精度；同时由于本专利技术在混合高斯模型的更新阶段，采用分层次更新的方法更新高斯模型的权值，延缓了暂时静止的物体融入背景的速度；此外由于本专利技术对全局和局部光照变化情况进行判断，根据光照变化情况，改变高斯模型的均值和方差，有效降低了运动目标误检率。附图说明图1本专利技术的实现流程图；图2用本专利技术与Stauffer和Grimson提出的方法在“WavingTrees”视频序列的前三帧彩色图像上进行运动目标检测的结果图；图3为用本专利技术在“WavingTrees”视频序列上得到的混合高斯模型的初始高斯模型数目结果图；图4为用本专利技术与GMM|RECTGAUSS-Tex算法对“Wallflowerdataset”视频集的运动目标检测结果图。具体实施方式以下结合附图对本专利技术的技术方案和效果进行进一步说明：参照图1，本专利技术的实现步骤如下：步骤1，对输入的彩色图像进行平滑处理。现有的图像平滑方法有：均值滤波，高斯滤波，中值滤波；本专利技术使用高斯滤波对输入的彩色图像进行平滑处理，具体步骤如下：读入前两帧彩色图像I1和I2，利用高斯函数分别对两幅图像的R、G、B三个通道进行平滑，得到平滑后的彩色图像为L1和L2。所述二维高斯函数G为：其中，σ为标准差，取值为0.5；用高斯函数G与图像It进行卷积，得到平滑后的彩色图像Lt：Lt＝G*It,t＝1,2。其中，符号*为卷积操作。步骤2，初始化混合高斯模型。2.1)初始化方差：现有的初始化方差的方法有:Stauffer和Grimson提出的方法,Evangelio和Patzold提出的方法。其中Stauffer和Grimson提出的方法，是将每个像素的所有的高斯模型初始化为相同的分布，方差初始化为一个较大的值；Evangelio和Patzold提出的方法，是根据第一帧和第二帧的绝对差分的中值作为初始方差；本专利技术根据平滑后彩色图像L1和图像L2差分的绝对值矩阵得到初始模型的全局方差，将像素点(x,y)与其邻域像素绝对差分的最大值作为初始模型局部方差，对初始全局方差和初始局部方差进行加权平均，得到像素点(x,y)处各高斯模型的初始方差σ1(x,y)，具体步骤如下：2.1.1)计算高斯模型的全局方差(2.1.1.1)计算平滑后第一帧彩色图像L1和平滑后第二本文档来自技高网...

【技术保护点】
一种基于改进混合高斯模型的运动目标检测方法，包括：(1)读入前两帧彩色图像I1和I2，利用高斯函数分别对两幅图像的R、G、B三个通道进行平滑，得到平滑后的彩色图像为L1和L2；(2)初始化的混合高斯模型:(2a)初始化方差：根据平滑后彩色图像L1和图像L2差分的绝对值矩阵得到初始模型的全局方差，将像素点(x,y)与其邻域像素绝对差分的最大值作为初始模型局部方差，对初始全局方差和初始局部方差进行加权平均，得到像素点(x,y)处各高斯模型的初始方差σ1(x,y)；(2b)初始化均值和高斯模型数目：根据像素(x,y)的邻域像素的分布情况确定像素(x,y)处高斯模型数目N1(x,y)和各高斯模型的均值μk,1(x,y)；(2c)分层次初始化像素(x,y)处高斯模型的权值ωk,1(x,y)，将第一个高斯模型的权值ω1,1设置为w1,1＝(1/N1(x,y))+0.1，其余高斯模型的权值设置为(1‑w1,1)/(N1(x,y)‑1)；(2d)根据高斯模型的初始均值、方差、权重和高斯模型数目，初始化高斯混合模型；(3)读入第t帧彩色图像It，利用高斯函数对It进行平滑，得到平滑后的第t帧彩色图像Lt；(4)模型更新：(4a)根据Lambert光照模型，得到第t帧彩色图像Lt的全局光照变化因子，根据全局光照变化因子改变第t‑1帧构建的高斯混合模型的均值μk,t‑1(x,y)和方差σk,t‑1(x,y)；(4b)根据第t帧彩色图像Lt与高斯混合模型的匹配情况，更新高斯模型的数目Nt(x,y),均值μk,t(x,y)和方差σk,t(x,y)，分层次更新权重ωk,t(x,y)，得到更新后的混合高斯模型；(5)背景估计和前景检测：在像素(x,y)处，若存在高斯模型的权值ωk,t(x,y)大于门限Thω，且|Lt(x,y)‑μk,t(x,y)|≤Dσk,t(x,y)，则像素(x,y)为背景，即fgt(x,y)＝0；否则，像素(x,y)为运动目标，即fgt(x,y)＝1，得到第t帧彩色图像的前景图像fgt；(6)利用奇异值分解、中值滤波和形态学方法对上述得到的前景图像fgt进行后处理，输出处理后的前景图像fgt，即运动目标图像；(7)重复(3‑6)，直到视频结束。...

【技术特征摘要】
1.一种基于改进混合高斯模型的运动目标检测方法，包括：(1)读入前两帧彩色图像I1和I2，利用高斯函数分别对两幅图像的R、G、B三个通道进行平滑，得到平滑后的彩色图像为L1和L2；(2)初始化的混合高斯模型:(2a)初始化方差：根据平滑后彩色图像L1和图像L2差分的绝对值矩阵得到初始模型的全局方差，将像素点(x,y)与其邻域像素绝对差分的最大值作为初始模型局部方差，对初始全局方差和初始局部方差进行加权平均，得到像素点(x,y)处各高斯模型的初始方差σ1(x,y)；(2b)初始化均值和高斯模型数目：根据像素(x,y)的邻域像素的分布情况确定像素(x,y)处高斯模型数目N1(x,y)和各高斯模型的均值μk,1(x,y)；(2c)分层次初始化像素(x,y)处高斯模型的权值ωk,1(x,y)，将第一个高斯模型的权值ω1,1设置为w1,1＝(1/N1(x,y))+0.1，其余高斯模型的权值设置为(1-w1,1)/(N1(x,y)-1)；(2d)根据高斯模型的初始均值、方差、权重和高斯模型数目，初始化高斯混合模型；(3)读入第t帧彩色图像It，利用高斯函数对It进行平滑，得到平滑后的第t帧彩色图像Lt；(4)模型更新：(4a)根据Lambert光照模型，得到第t帧彩色图像Lt的全局光照变化因子，根据全局光照变化因子改变第t-1帧构建的高斯混合模型的均值μk,t-1(x,y)和方差σk,t-1(x,y)；(4b)根据第t帧彩色图像Lt与高斯混合模型的匹配情况，更新高斯模型的数目Nt(x,y),均值μk,t(x,y)和方差σk,t(x,y)，分层次更新权重ωk,t(x,y)，得到更新后的混合高斯模型；(5)背景估计和前景检测：在像素(x,y)处，若存在高斯模型的权值ωk,t(x,y)大于门限Thω，且|Lt(x,y)-μk,t(x,y)|≤Dσk,t(x,y)，则像素(x,y)为背景，即fgt(x,y)＝0；否则，像素(x,y)为运动目标，即fgt(x,y)＝1，得到第t帧彩色图像的前景图像fgt；(6)利用奇异值分解、中值滤波和形态学方法对上述得到的前景图像fgt进行后处理，输出处理后的前景图像fgt，即运动目标图像；(7)重复(3-6)，直到视频结束。2.根据权利要求1所述的方法，其中步骤(2a)中根据平滑后彩色图像L1和图像L2差分的绝对值矩阵得到初始模型的全局方差，按如下步骤进行：(2a1)计算第一帧彩色图像L1和第二帧彩色图像L2的差分的绝对值矩阵diff：diff＝|L2-L1|；(2a2)将绝对值矩阵diff分别在R、G、B三个通道上等间隔量化为P个等级，得到量化后的彩色图像Q：其中，P＝64，表示向上取整；(2a3)分别计算彩色图像Q在R、G、B三个通道上的统计直方图分量:其中，c＝{R,G,B}，Qc分别为彩色图像Q的R、G、B三个通道的量化图像，Hc(i)为Qc在第i个量化等级上的直方图分量，P为最大量化等级，P个直方图分量构成Qc的直方图Hc，m,n表示彩色图像L1的行数和列数，δ(·)表示单位脉冲函数；(2a4)对直方图Hc的前a个直方图分量Hc(i)求和，使其和值超过设定的阈值T，得到背景变化均值ac：其中，T＝0.5；(2a5)根据背景变化均值ac，得到高斯模型在通道c上的全局方差则初始高斯模型的全局方差为：3.根据权利要求1所述的方法，其中步骤(2b)中根据像素(x,y)的邻域像素的分布情况确定高斯模型数目N1(x,y)和各高斯模型的均值μk,1(x,y)，按如下步骤进行：(2b1)初始化像素(x,y)处的高斯模型的个数N1(x,y)＝1，将像素(x,y)对应彩色图像L1(x,y)的像素值作为第一个高斯模型的均值μ1,1(x,y)，该高斯模型的匹配次数η...

【专利技术属性】
技术研发人员：姬红兵，徐艺萍，张文博，黄国鹏，朱志刚，
申请(专利权)人：西安电子科技大学昆山创新研究院，西安电子科技大学，
类型：发明
国别省市：江苏,32