基于混合高斯模型的智能視頻多目標(biāo)檢測(cè)算法研究.pdf

1、智能視頻技術(shù)包括運(yùn)動(dòng)目標(biāo)檢測(cè)、運(yùn)動(dòng)目標(biāo)識(shí)別和分類、運(yùn)動(dòng)目標(biāo)跟蹤及行為理解與描述幾個(gè)部分。其中運(yùn)動(dòng)目標(biāo)檢測(cè)是后續(xù)處理的基礎(chǔ)和前提。通常用于運(yùn)動(dòng)目標(biāo)檢測(cè)的方法是“背景差分法”，即對(duì)沒(méi)有運(yùn)動(dòng)目標(biāo)的背景和當(dāng)前圖像之間的閾值誤差進(jìn)行運(yùn)算。背景差分法有許多背景建模算法，不同之處在于使用不同背景模型和更新方法，如中值濾波法、均值濾波法、單高斯模型，背景統(tǒng)計(jì)模型，滑動(dòng)高斯平均，高級(jí)背景統(tǒng)計(jì)模型，非參數(shù)背景建模等。本文討論的是一種利用空間信息來(lái)彌補(bǔ)時(shí)間信

2、息的混合高斯模型的多目標(biāo)檢測(cè)改進(jìn)算法。該方法的基本思想是在進(jìn)行基于時(shí)間分布的混合高斯背景建模時(shí)，通過(guò)隨機(jī)數(shù)生成方法對(duì)鄰域進(jìn)行采樣，完成像素的空間分布背景建模，通過(guò)利用像素點(diǎn)歷史統(tǒng)計(jì)信息和決策融合機(jī)制的前景檢測(cè)方法，有效提高檢測(cè)準(zhǔn)確率。該算法對(duì)光照突變、陰影變化等不敏感，同時(shí)較其它的算法（如幀差法、GMM_LB前景檢測(cè)算法等）有良好的自適應(yīng)性。此外，本文還實(shí)現(xiàn)了基于HSV顏色空間的陰影檢測(cè)算法和連通區(qū)域處理算法。本文完成的主要工作包括:<

3、br>　　(1)運(yùn)動(dòng)目標(biāo)檢測(cè)算法理論研究。對(duì)目前的運(yùn)動(dòng)目標(biāo)檢測(cè)算法進(jìn)行了理論研究，對(duì)比較常用的運(yùn)動(dòng)目標(biāo)檢測(cè)算法優(yōu)缺點(diǎn)進(jìn)行詳細(xì)論述:從各背景建模方法的運(yùn)算量、檢測(cè)效果、處理背景擾動(dòng)能力和存儲(chǔ)空間需求等方面都進(jìn)行了分析和比較。同時(shí)針對(duì)復(fù)雜場(chǎng)景中的多目標(biāo)檢測(cè)易受動(dòng)態(tài)背景和光照變化等于擾的問(wèn)題，提出一種基于時(shí)空分布的混合高斯模型的多目標(biāo)檢測(cè)改進(jìn)算法。本文將該算法應(yīng)用于背景建模，利用時(shí)間分布信息和空間分布信息相互補(bǔ)充的策略，提升了對(duì)動(dòng)態(tài)背景的魯棒

4、性。
　　(2)混合高斯模型目標(biāo)檢測(cè)算法的改進(jìn)。實(shí)現(xiàn)基于混合高斯背景建模的運(yùn)動(dòng)目標(biāo)檢測(cè)算法，并針對(duì)典型高斯模型對(duì)于突發(fā)運(yùn)動(dòng)和光線突變響應(yīng)速度慢等問(wèn)題提出了一種改進(jìn)算法，基本思想是一方面通過(guò)利用像素點(diǎn)的時(shí)空分布特性，使各像素點(diǎn)生命周期更符合實(shí)際分布規(guī)律，有效保證了空間的一致性和恢復(fù)被覆蓋的背景，提高精度。另外一方面，由于混合高斯模型只利用了在時(shí)間上的分布信息，對(duì)于突然變化的場(chǎng)景，其學(xué)習(xí)速度比較慢，使得該方法對(duì)動(dòng)態(tài)背景較為敏感，背景更

5、新慢，而這些缺點(diǎn)恰好能被空間分布的背景建模所改善。
　　(3)圖像后處理。在圖像處理前期采用中值濾波算法來(lái)抑制對(duì)模型影響較為嚴(yán)重的脈沖噪聲和椒鹽噪聲，實(shí)驗(yàn)表明該算法能比均值濾波等取得更高的信噪比。本文同時(shí)實(shí)現(xiàn)基于HSV顏色空間變換的陰影抑制算法，實(shí)驗(yàn)效果較好。另外，采用數(shù)學(xué)形態(tài)學(xué)算法填補(bǔ)被檢測(cè)出的運(yùn)動(dòng)目標(biāo)中的缺失部位從而提高檢測(cè)質(zhì)量。
　　理論研究及實(shí)驗(yàn)結(jié)果可以表明:本文算法對(duì)動(dòng)態(tài)背景魯棒性較好，提高檢測(cè)正確率，同時(shí)滿足實(shí)時(shí)

6、性要求。在對(duì)運(yùn)動(dòng)目標(biāo)靜止及陰影檢測(cè)時(shí)也取得一定效果，并且通過(guò)連通域處理使算法提取到完整的掩膜圖像，有效提高運(yùn)動(dòng)目標(biāo)輪廓的完整性和準(zhǔn)確性。在動(dòng)態(tài)背景下的前景檢測(cè)算法實(shí)驗(yàn)中，本文算法（GMM改進(jìn)后）在對(duì)標(biāo)準(zhǔn)數(shù)據(jù)集people(FPR為0.015)檢測(cè)時(shí)，召回率Recall為89.1％，比混合高斯模型本身算法（GMM_改進(jìn)前）、幀差法、其他背景建模方法（均值濾波法，中值濾波法，滑動(dòng)高斯平均，單高斯，GMM_LB）的召回率Recall高，其中比