改進的自適應高斯混合模型運動目標檢測方法
【專利摘要】本發明提供一種改進的自適應高斯混合模型運動目標檢測方法，初始化高斯分布和參數，對k個高斯分布按照權值ωi,t的大小進行排序，其中i∈[1,K]；更新分布，依據是否與現有高斯分布匹配，進行更新，包括更新高權重分布、合并權重接近分布、刪除低權重分布、增添新分布；該種改進的自適應高斯混合模型運動目標檢測方法，學習率和模型分布數的取值進行更新，解決數據冗余的問題；同時，對參數取值進行更新，能夠更好的適應環境變化。該方法為基于計算機視頻圖像處理技術的運動目標檢測算法，能夠應用于實時視頻處理系統，為車輛檢測或火災監測奠定關鍵性的理論與應用基礎，具有非常好的應用前景。
【專利說明】
改進的自適應高斯混合模型運動目標檢測方法
技術領域
[0001 ]本發明設及一種改進的自適應高斯混合模型運動目標檢測方法。
【背景技術】
[0002] 目前，光流法、帖差法、背景減除法是運動目標檢測的常用算法。其中，光流法計算 復雜，需要專口的硬件支持，實時性和實用性都比較差。帖差法雖然能有效的去除靜止的背 景，但往往提取的目標比較粗糖，比實際的運動目標輪廓要大，并且目標中會出現空桐和 "雙影"現象。背景減除法可W在環境變化的情況下進行運動物體檢測，但需要對背景圖像 進行實時更新。
[0003] 從實際應用角度來看，背景減除法是使用最廣泛的一種運動物體檢測方法。其中， 最常用的背景模型為高斯混合模型。但傳統的高斯混合模型，由于其學習率和模型分布數 的取值相對固定，容易造成數據冗余；同時，相對固定的參數取值還存在不能更好的適應環 境變化等問題。
[0004] 上述問題是在運動目標檢測過程中應當予W考慮并解決的問題。

【發明內容】

[0005] 本發明的目的是提供一種改進的自適應高斯混合模型運動目標檢測方法解決現 有技術中存在的由于其學習率和模型分布數的取值相對固定，容易造成數據冗余；同時，相 對固定的參數取值還存在不能更好的適應環境變化等問題。
[0006] 本發明的技術解決方案是：
[0007] -種改進的自適應高斯混合模型運動目標檢測方法，包括：
[000引Sl、初始化高斯分布和參數，對k個高斯分布按照權值CO i,t的大小進行排序，其中i G[1，K];
[0009] S2、更新分布，依據是否與現有高斯分布匹配，進行更新，包括更新高權重分布、合 并權重接近分布、刪除低權重分布、增添新分布，具體為：
[0010] S21、如果像素值與已有分布都不匹配，若分布數K值未達到最大值，則新增一個高 斯分布;若分布數K值已經達到最大值，則刪除權值最小的高斯分布，再新增一個高斯分布；
[0011] 如果存在高斯分布滿足公式（10)，即均值相近，則進行分布合并，將權值較大的分 布進行更新處理，權值較小的分布則刪除；
[0012] I山-的 I《IV (10)
[0013] 其中，IV為均值最小間隔的闊值山表示兩個不同分布的均值；
[0014] S22、對分布數與均值進行處理后，再進行權重的判斷；如果權值低于闊值，則將不 滿足當前要求的高斯分布舍去。
[0015] 進一步地，步驟Sl中，參數均值y〇的初始化具體為：
[0016] (1)
[001 引
[0017]參數方差C,?的初始化具體為：
C2)
[0019]式（1)、（2)中，N為視頻圖像數目；Xt為t時刻像素的取值。
[0020] 進一步地，步驟Sl中，分布數Ko的初始化具體為：
[0021] (3)
[0022] 其中，Kl、Km、K汾別為立種級別的高斯分布數，Tki、Tk2為分配初始分布數所需的闊 值;Ko值的取值為1~5。
[0023] 進一步地，步驟S21中，權值更新計算公式如下：
[0024]
巧）
[0025] 其中，COk,t為t時刻第k個高斯混合模型的權值，Qk,t為t時刻第k個高斯混合模型的 學習率，Mk, t為匹配因子，對于匹配的模型Mk, t = l;否則，Mk, t = 0。
[0026] 進一步地，步驟S21中，對于未匹配的模型，其均值ii與方差O2不變;對于匹配的模 型，其參數更新公式如下：
[0027]
[002引
[00 例 (8)
[0030] 其中，Pk,t為t時刻第k個高斯混合模型的參數更新因子;ri(Xt，叱t，〇k,t)為t時刻高 斯混合橫巧，其計算公式如下： (9)
[0031]
[0032] 其中，
5i,t為方差，I為二維單位矩陣，Xt為t時刻該點的像素值，化,t為t時 刻第i個高斯混合模型的均值。
[0033] 進一步地，學習率Qk, t更新具體為：
[0034]
(4)
[0035] 其中，Qk,t刃t時刻巧k個學習率的取值;a〇為初始學習率，取值為0.01~0.1，fk,t為 單位時間內高斯分布數更改的次數，即更新頻率;Tf為對更新頻率進行判斷的闊值。
[0036] 本發明的有益效果是:該種改進的自適應高斯混合模型運動目標檢測方法，學習 率和模型分布數的取值進行更新，解決數據冗余的問題；同時，對參數取值進行更新，能夠 更好的適應環境變化。該方法為基于計算機視頻圖像處理技術的運動目標檢測算法，能夠 應用于實時視頻處理系統，為車輛檢測或火災監測奠定關鍵性的理論與應用基礎，具有非 常好的應用前景。
【附圖說明】
[0037] 圖1是實施例改進的自適應高斯混合模型運動目標檢測方法的流程示意圖。
[0038] 圖2是實施例改進的自適應高斯混合模型運動目標檢測方法中分布更新的流程示 意圖。
[0039] 圖3是實施例中采集的源圖像。
[0040] 圖4是傳統高斯混合模型檢測結果圖像。
[0041] 圖5是實施例方法檢測結果圖像。
【具體實施方式】
[0042 ]下面結合附圖詳細說明本發明的優選實施例。
[0043] 實施例
[0044] 實施例綜合使用了多種視頻圖像處理方法，通過對傳統的高斯混合模型進行詳細 分析，設計了一種改進的自適應高斯混合模型運動目標檢測方法。
[0045] 運動物體在視頻圖像中的特征包括如下:運動物體具有較為明顯的區別與背景事 物的顏色;運動物體的移動速度或頻率在肉眼可觀測范圍內；視頻中光照等外界條件變化 相對平緩。實施例所提出的改進的自適應高斯混合模型運動目標檢測方法依據上述運動物 體在視頻圖像中的特征來開發。其中的詳細內容如下：
[0046] 均值和方差的初始化
[0047] 初始均值y〇的計算公式如下：
[004引 Cl)
[0049] 初始方差請的計算公式如下：
[(K)加] 貸）
[0051] 其中，N為視頻圖像數目；Xt為t時刻像素的取值。
[0052] 分布數初始化
[0化3] 4V麻撕Kn的A管/A井力n下.
[0化4] (3)
[00對其中，Kl、Km、K汾別為立種級別的高斯分布數，Tki、Tk2為分配初始分布數所需的闊 值;Ko值的取值一般為1~5。
[0056] 學習率更新
[0057] 學習率Qk,通新具體為：
[0化引
（4)
[0059] 其中，Qk,t為t時刻第k個學習率的取值;a〇為初始學習率，取值為0.01~〇.l，fk,t為 單位時間內高斯分布數更改的次數，即更新頻率;Tf為對更新頻率進行判斷的闊值。
[0060] 其中，Qi,t為t時刻第i個學習率的取值;a〇為初始學習率，取值一般為0.01~0.1，f 為單位時間內高斯分布數更改的次數，即更新頻率;Tf為對更新頻率進行判斷的闊值。
[0061] 權值、均值、方差更新
[0062] 權值更新計算公式如下：
[006；3] 〇k't=(l-ak't)*?k't-i+ak't*Mk't (5)
[0064] 其中，為t時刻第k個高斯混合模型的權值。Mk,t為匹配因子，對于匹配的模型 Mk,t = l;否貝lJ，Mk,t = 0。
[0065] 對于未匹配的模型，其均值ii與方差O2不變。
[0066] 對于匹配的模型，其參數更新公式如下：
[0067]
[006引
[0069] (8).
[0070] 其中，Pk,tP為參數更新因子;rl(Xt，?,t，Ok,t)為t時刻高斯混合模型，其計算公式如 下：
[0071] 巧）
[0072] 其中：
，Si,t為方差，I為二維單位矩陣。
[0073] 高斯模型更新
[0074] 改進的高斯混合模型建立過程如下圖1所示，對k個高斯分布按照權值CO i,t的大小 進行排序，其中ie[l，K]。依據是否與現有高斯分布匹配，按圖2進行更新如果像素值與現 有分布都不匹配，若分布數K值未達到最大值，則新增一個高斯分布;若分布數K值已經達到 最大值，則刪除權值最小的高斯分布，再新增一個高斯分布。
[0075] 如果存在高斯分布滿足公式（10)，即均值相近，則進行分布合并，將權重較大的分 布進行更新處理，較小的則刪除。
[0076] I 山-山 I《IV (10)
[0077] 其中，IV為均值最小間隔的闊值。
[0078] 對分布數與均值進行處理后，再進行權重的判斷。如果權值低于闊值，則將不滿足 當前要求的高斯分布舍去。
[0079] 實驗驗證
[0080] 實施例方法基于Microsoft Visual Sl:udio 2010平臺，利用Opencv計算機視覺庫 進行開發，將原始視頻圖像圖3導入，通過化encv自帶的高斯混合模型，對圖3進行運動物體 檢測得到圖4,利用實施例方法對圖3進行運動物體檢測得到圖5,可W看出圖5對比圖4具有 明顯的邊緣細節信息。
【主權項】
1. 一種改進的自適應高斯混合模型運動目標檢測方法，其特征在于，包括： 51、 初始化高斯分布和參數，對k個高斯分布按照權值ω i, t的大小進行排序，其中i e [1,K]; 52、 更新分布，依據是否與現有高斯分布匹配，進行更新，包括更新高權重分布、合并權 重接近分布、刪除低權重分布、增添新分布，具體為： 521、 如果像素值與已有分布都不匹配，若分布數K值未達到最大值，則新增一個高斯分 布;若分布數K值已經達到最大值，則刪除權值最小的高斯分布，再新增一個高斯分布； 如果存在高斯分布滿足公式（10)，即均值相近，則進行分布合并，將權值較大的分布進 行更新處理，權值較小的分布則刪除； Ux-Uy I <Τμ (10) 其中，IV為均值最小間隔的閾值，μχ、表示兩個不同分布的均值； 522、 對分布數與均值進行處理后，再進行權重的判斷；如果權值低于閾值，則將不滿足 當前要求的高斯分布舍去。2. 如權利要求1所述的改進的自適應高斯混合模型運動目標檢測方法，其特征在于，步 驟Sl中，參數均值μ〇的初始化具體為：(1) (2) 式(1 )、（ 2)中，N為視頻圖像數目；Xt為t時刻像素的取值。3. 如權利要求1所述的改進的自適應高斯混合模型運動目標檢測方法，其特征在于，步(3) 其中，Kl、Km、Ks分別為三種級別的高斯分布數，Tk1、Tk2為分配初始分布數所需的閾值;K 0 值的取值為1~5。4. 如權利要求1-3任一項所述的改進的自適應高斯混合模型運動目標檢測方法，其特 征在于，步驟S21中，權值更新計算公式如下： ?k，t= (1-cik，t)* Wk, t-i+ak，t*Mk，t (5) 其中，《k,t為t時刻第k個高斯混合模型的權值，ak,t*t時刻第k個高斯混合模型的學習 率，Mk,t為匹配因子，對于匹配的模型Mk,t = l;否則，Mk,t = 0。5. 如權利要求1-3任一項所述的改進的自適應高斯混合模型運動目標檢測方法，其特 征在于，步驟S21中，對于未匹配的模型，其均值μ與方差 〇2不變;對于匹配的模型，其參數更 新公式如下：(8) 其中，Pk,t為t時刻第k個高斯混合模型的參數更新因子;!!(^^!^，(^。為切寸刻高斯混 合模型，其計算公式如下：其中=被/ ^"為方差，I為二維單位矩陣，XtSt時刻該點的像素值，μ1;?為t時刻第 i個高斯混合模型的均值。6.如權利要求5所述的改進的自適應高斯混合模型運動目標檢測方法，其特征在于，學 習率ak,t更新具體為：(4) 其中，ak,t為t時刻第k個學習率的取值;a〇為初始學習率，取值為〇.〇1~〇.l，f k,t為單位 時間內高斯分布數更改的次數，即更新頻率;Tf為對更新頻率進行判斷的閾值。
【文檔編號】G06T7/20GK106023258SQ201610357287
【公開日】2016年10月12日
【申請日】2016年5月26日
【發明人】黃穎, 黃淮, 楊成順, 黃宵寧
【申請人】南京工程學院