專利名稱：一種基于混合高斯模型的運(yùn)動(dòng)目標(biāo)檢測(cè)方法
技術(shù)領(lǐng)域：
本發(fā)明屬于數(shù)字圖像處理技術(shù)領(lǐng)域，具體涉及一種改進(jìn)的基于混合高斯模型的運(yùn)動(dòng)目標(biāo)檢測(cè)方法。
背景技術(shù)：
運(yùn)動(dòng)目標(biāo)檢測(cè)是指從圖像序列中將變化區(qū)域從背景中分割出來(lái)。傳統(tǒng)的運(yùn)動(dòng)目標(biāo)檢測(cè)主要有光流法、相鄰幀差法、背景減法等。其中，背景減法是目前研究最多的一種運(yùn)動(dòng)目標(biāo)檢測(cè)和分割方法，也是一種被廣泛運(yùn)用于智能視頻監(jiān)控技術(shù)的方法。背景減法主要包括背景模型建立、背景模型更新、背景差分和后處理等步驟，其具有方法簡(jiǎn)單、易于實(shí)現(xiàn)、 能提供比較完整的運(yùn)動(dòng)目標(biāo)的特征數(shù)據(jù)、具有較好的檢測(cè)效果等優(yōu)點(diǎn)。但是，背景減法是基于固定、靜態(tài)的背景，然而實(shí)際環(huán)境總是復(fù)雜多變的，動(dòng)態(tài)背景(光照變化、背景擾動(dòng)以及攝像頭的輕微抖動(dòng)等)會(huì)影響運(yùn)動(dòng)目標(biāo)檢測(cè)的靈敏度和正確率。背景減法的關(guān)鍵是背景模型的建立，混合高斯背景模型算法復(fù)雜度低、步驟簡(jiǎn)單，能夠滿足動(dòng)態(tài)實(shí)時(shí)背景的要求。提取初始背景幀是背景建模中的關(guān)鍵一環(huán)，背景幀提取的好壞直接影響到運(yùn)動(dòng)目標(biāo)檢測(cè)的準(zhǔn)確度，關(guān)系到進(jìn)一步分析視頻圖像信息的可靠性。另外，在進(jìn)行運(yùn)動(dòng)目標(biāo)檢測(cè)時(shí)，由于運(yùn)動(dòng)目標(biāo)的陰影特性與背景截然不同，而陰影與運(yùn)動(dòng)目標(biāo)卻有相同的運(yùn)動(dòng)特征，導(dǎo)致運(yùn)動(dòng)目標(biāo)檢測(cè)時(shí)常常將陰影錯(cuò)誤地理解為運(yùn)動(dòng)目標(biāo)，陰影的存在使得物體的分割以及物體的形狀和顏色都受到了很大的影響。

發(fā)明內(nèi)容
本發(fā)明的目的是提供一種改進(jìn)的基于混合高斯模型的運(yùn)動(dòng)目標(biāo)檢測(cè)方法，該方法以混合高斯背景模型為基礎(chǔ)，采用結(jié)合中值法和眾數(shù)法的改進(jìn)方法(ΜΕΑΜ0方法)對(duì)其在初始背景幀提取時(shí)存在的不足進(jìn)行改進(jìn)；同時(shí)結(jié)合混合高斯陰影模型進(jìn)行陰影檢測(cè)和去除；該方法能夠適應(yīng)動(dòng)態(tài)背景擾動(dòng)和光照變化影響的，能實(shí)時(shí)進(jìn)行更新，有效去除陰影，同時(shí)具有很好的魯棒性。本發(fā)明的技術(shù)方案是一種基于混合高斯模型的運(yùn)動(dòng)目標(biāo)檢測(cè)方法，其步驟包括S1 采集視頻幀；S2 提取初始背景幀，進(jìn)行背景模型的初始化，建立HSV分量模型； S3 當(dāng)前幀跟背景幀相差分，得前景幀；S4 對(duì)所得到的前景幀進(jìn)行二值化處理；S5 根據(jù)所述步驟S3的前景幀，引入更新因子更新混合高斯背景模型的權(quán)值、均值和方差；S6 利用 Jeffrey值判斷是否為運(yùn)動(dòng)目標(biāo)前景；S7 利用混合高斯陰影模型去除所述運(yùn)動(dòng)目標(biāo)前景的陰影。所述步驟S2的具體步驟為
5201采用MEMAO方法提取初始背景幀；
5202對(duì)每一個(gè)像素建立其一段時(shí)間內(nèi)采樣直方圖，并對(duì)直方圖進(jìn)行濾波處理；
5203獲取濾波后的直方圖的尖峰所在位置；
5204對(duì)步驟S203中每個(gè)尖峰所對(duì)應(yīng)的高斯分布的參數(shù)進(jìn)行初始化；
5205建立HSV模型。
所述步驟S203的具體步驟為
通過(guò)直方圖的一階差分獲取直方圖中所有波峰波谷的位置，對(duì)所得的波峰進(jìn)行篩選， 若-Ι)+_^^η_/Τρ+Ι)>Γ，則該波峰ρ所在的位置為尖峰的位置，其中f是常數(shù)。本發(fā)明的有益效果是采用結(jié)合中值法和眾數(shù)法的改進(jìn)方法(ΜΕΑΜ0方法)對(duì)其在初始背景幀提取時(shí)存在的不足進(jìn)行改進(jìn)；同時(shí)結(jié)合混合高斯陰影模型進(jìn)行陰影檢測(cè)和去除；實(shí)現(xiàn)了一個(gè)能夠適應(yīng)背景場(chǎng)景輕微擾動(dòng)和環(huán)境光照影響、實(shí)時(shí)更新的、陰影去除的、魯棒的目標(biāo)檢測(cè)算法。采用這種方法可以克服把混合高斯模型運(yùn)用到交通智能視頻監(jiān)控時(shí)存在的不足之處，有效提高了運(yùn)動(dòng)目標(biāo)檢測(cè)的靈敏度和正確率。


圖1是改進(jìn)的基于混合高斯模型的運(yùn)動(dòng)目標(biāo)檢測(cè)算法流程圖； 圖2是視頻采集的流程圖3是改進(jìn)的混合高斯背景模型建立及初始化的流程圖。
具體實(shí)施例方式本發(fā)明的改進(jìn)的基于混合高斯模型的運(yùn)動(dòng)目標(biāo)檢測(cè)算法如圖1所示，其具體步驟如下
步驟Sl為采集視頻幀，該步驟采用的硬件設(shè)備包括CCD攝像機(jī)、DSP數(shù)字信號(hào)處理器和PC機(jī)，DSP數(shù)字信號(hào)處理器的一端連接CXD攝像機(jī)，另一端連接PC機(jī)。視頻采集的流程如圖2所示，其詳細(xì)步驟如下
步驟S101，通過(guò)CXD攝像頭采集視頻幀；
步驟S102，將采集的視頻幀序列數(shù)據(jù)進(jìn)行模數(shù)轉(zhuǎn)換；
步驟S103，將轉(zhuǎn)換得到的視頻幀序列向DSP申請(qǐng)緩沖空間并入隊(duì)列；
步驟S104，讀取緩沖區(qū)中的視頻幀序列。步驟S2為提取初始背景幀，進(jìn)行背景模型的初始化，建立HSV分量模型，該流程如圖3所示，其詳細(xì)的步驟如下
步驟S201，采用MEMAO方法提取初始背景幀。假設(shè)在很小的一段時(shí)間間隔內(nèi)(如100幀時(shí)間間隔)，像素點(diǎn)(x，y)的像素值隨著
時(shí)間的變化為Aky),Zfd(^K)….^ (.υκ)?，F(xiàn)將中值和眾數(shù)值的加權(quán)值(在這取平均) 作為該像素點(diǎn)的當(dāng)前背景像素值，計(jì)算式為
這=(metSa^I/x,y)) + mod ^ I/x.y),..!^ Xt y})}/ 2
式中，為該段時(shí)間間隔內(nèi)的中值， ! orf8(7,(1.^--4.^(^^ 段時(shí)間間隔內(nèi)的眾數(shù)值。步驟S202，對(duì)每一個(gè)像素建立其一段時(shí)間內(nèi)采樣直方圖，并對(duì)直方圖進(jìn)行濾波處理?；叶戎狈綀D描述的是圖像中該灰度級(jí)的像素個(gè)數(shù)或該灰度級(jí)像素出現(xiàn)的頻率，本發(fā)明通過(guò)直方圖中波峰和波谷來(lái)確定該像素的分布狀態(tài)；濾波處理的操作是去除直方圖中高頻分量并用高斯函數(shù)進(jìn)行平滑，目的是便于計(jì)算波峰所在位置。
步驟S203，獲取濾波后的直方圖的尖峰所在位置；
分為兩步(1)通過(guò)直方圖的一階差分獲取直方圖中所有波峰波谷的位置。設(shè)1代表像素點(diǎn)的像素值，/T衫代表樣本中像素點(diǎn)的像素值等于X的像素點(diǎn)的數(shù)目，X= 0-255 ,則該直方圖的差分形式為
D(x} = f(x+1)- f( χ)
Jx點(diǎn)所在位置為波峰 因雌t>:點(diǎn)所在位置為波谷 (2)對(duì)上式所得的波峰進(jìn)行篩選，波峰所在位置用P表示。若 /O-則該波峰所在的位置就是所需求尖峰的位置。其中 ·是一個(gè)常數(shù)，其大小根據(jù)采樣點(diǎn)數(shù)目的多少來(lái)設(shè)定相應(yīng)的值。步驟S204，對(duì)步驟S203中每個(gè)尖峰所對(duì)應(yīng)的高斯分布的參數(shù)進(jìn)行初始化。設(shè)尖峰所在位置為1 ,與該尖峰相鄰兩個(gè)波谷的位置為巧、6 (F1KjPCF2 )，則
該尖峰對(duì)應(yīng)高斯分布所依賴的樣本區(qū)域?yàn)镻r1^r2/ ,即像素值在PVF2J內(nèi)的所有像素點(diǎn)。 得到樣本區(qū)域之后計(jì)算出每個(gè)高斯分布的均值和方差有，以及每個(gè)樣本區(qū)域的樣本數(shù)
JT
，則每個(gè)高斯分布的權(quán)值可初始化為辦= ^/Σ (為高斯分布的個(gè)數(shù)，一般取3到 "sj^i K
5之間，當(dāng)所獲得的尖峰數(shù)目大于5時(shí)則取所對(duì)應(yīng)樣本區(qū)域中樣本數(shù)目最大的前5個(gè)。)。步驟S205，建立HSV模型。用上述方法對(duì)圖像的明度分量V和色度分量H建立模型，分別得到的I個(gè)明度分量V模型,記作
權(quán)利要求
1.一種基于混合高斯模型的運(yùn)動(dòng)目標(biāo)檢測(cè)方法，其特征在于包括以下步驟Si 采集視頻幀；S2 提取初始背景幀，進(jìn)行背景模型的初始化，建立HSV分量模型；S3 當(dāng)前幀跟背景幀相差分，得前景幀；S4 對(duì)所得到的前景幀進(jìn)行二值化處理；S5 根據(jù)所述步驟S3的前景幀，引入更新因子更新混合高斯背景模型的權(quán)值、均值和方差；S6 利用Jeffrey值判斷是否為運(yùn)動(dòng)目標(biāo)前景；S7 利用混合高斯陰影模型去除所述運(yùn)動(dòng)目標(biāo)前景的陰影。
2.根據(jù)權(quán)利要求1所述的一種基于混合高斯模型的運(yùn)動(dòng)目標(biāo)檢測(cè)方法，其特征在于， 所述步驟S2的具體步驟為5201采用MEMAO方法提取初始背景幀；5202對(duì)每一個(gè)像素建立其一段時(shí)間內(nèi)采樣直方圖，并對(duì)直方圖進(jìn)行濾波處理；5203獲取濾波后的直方圖的尖峰所在位置；5204對(duì)步驟S203中每個(gè)尖峰所對(duì)應(yīng)的高斯分布的參數(shù)進(jìn)行初始化；5205建立HSV模型。
3.根據(jù)權(quán)利要求1所述的一種基于混合高斯模型的運(yùn)動(dòng)目標(biāo)檢測(cè)方法，其特征在于， 所述步驟S203的具體步驟為通過(guò)直方圖的一階差分獲取直方圖中所有波峰波谷的位置，對(duì)所得的波峰進(jìn)行篩選， 若-1)+弁對(duì)+并口+1);>1\則該波峰ρ所在的位置為尖峰的位置，其中f是常數(shù)。
4.根據(jù)權(quán)利要求1所述的一種基于混合高斯模型的運(yùn)動(dòng)目標(biāo)檢測(cè)方法，其特征在于， 所述步驟S7的具體步驟為5701根據(jù)疑似陰影模型，判斷像素值是否可能為陰影，若是則SP(x，y)置為1，否則置為0 ；疑似陰影模型的公式為
全文摘要
本發(fā)明公開(kāi)一種基于混合高斯模型的運(yùn)動(dòng)目標(biāo)檢測(cè)方法，首先采集視頻幀；提取初始背景幀，進(jìn)行背景模型的初始化，建立HSV分量模型；當(dāng)前幀跟背景幀相差分，得前景幀；對(duì)所得到的前景幀進(jìn)行二值化處理；根據(jù)所述的前景幀，引入更新因子更新混合高斯背景模型的權(quán)值、均值和方差；利用Jeffrey值判斷是否為運(yùn)動(dòng)目標(biāo)前景；利用混合高斯陰影模型去除所述運(yùn)動(dòng)目標(biāo)前景的陰影。該方法能夠適應(yīng)動(dòng)態(tài)背景擾動(dòng)和光照變化影響的，能實(shí)時(shí)進(jìn)行更新，有效去除陰影，同時(shí)具有很好的魯棒性。
文檔編號(hào)G06T7/20GK102568005SQ201110447408
公開(kāi)日2012年7月11日 申請(qǐng)日期2011年12月28日 優(yōu)先權(quán)日2011年12月28日
發(fā)明者吳問(wèn)云, 宋雪樺, 王昌達(dá), 謝桂瑩, 閆振, 顧金 申請(qǐng)人:江蘇大學(xué)