基于混合高斯模型的智能視頻多目標(biāo)檢測算法研究.pdf

1、智能視頻技術(shù)包括運動目標(biāo)檢測、運動目標(biāo)識別和分類、運動目標(biāo)跟蹤及行為理解與描述幾個部分。其中運動目標(biāo)檢測是后續(xù)處理的基礎(chǔ)和前提。通常用于運動目標(biāo)檢測的方法是“背景差分法”，即對沒有運動目標(biāo)的背景和當(dāng)前圖像之間的閾值誤差進(jìn)行運算。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)計模型，滑動高斯平均，高級背景統(tǒng)計模型，非參數(shù)背景建模等。本文討論的是一種利用空間信息來彌補時間信

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

3、br>　　(1)運動目標(biāo)檢測算法理論研究。對目前的運動目標(biāo)檢測算法進(jìn)行了理論研究，對比較常用的運動目標(biāo)檢測算法優(yōu)缺點進(jìn)行詳細(xì)論述:從各背景建模方法的運算量、檢測效果、處理背景擾動能力和存儲空間需求等方面都進(jìn)行了分析和比較。同時針對復(fù)雜場景中的多目標(biāo)檢測易受動態(tài)背景和光照變化等于擾的問題，提出一種基于時空分布的混合高斯模型的多目標(biāo)檢測改進(jìn)算法。本文將該算法應(yīng)用于背景建模，利用時間分布信息和空間分布信息相互補充的策略，提升了對動態(tài)背景的魯棒

4、性。
　　(2)混合高斯模型目標(biāo)檢測算法的改進(jìn)。實現(xiàn)基于混合高斯背景建模的運動目標(biāo)檢測算法，并針對典型高斯模型對于突發(fā)運動和光線突變響應(yīng)速度慢等問題提出了一種改進(jìn)算法，基本思想是一方面通過利用像素點的時空分布特性，使各像素點生命周期更符合實際分布規(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間上的分布信息，對于突然變化的場景，其學(xué)習(xí)速度比較慢，使得該方法對動態(tài)背景較為敏感，背景更

5、新慢，而這些缺點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抑制對模型影響較為嚴(yán)重的脈沖噪聲和椒鹽噪聲，實驗表明該算法能比均值濾波等取得更高的信噪比。本文同時實現(xiàn)基于HSV顏色空間變換的陰影抑制算法，實驗效果較好。另外，采用數(shù)學(xué)形態(tài)學(xué)算法填補被檢測出的運動目標(biāo)中的缺失部位從而提高檢測質(zhì)量。
　　理論研究及實驗結(jié)果可以表明:本文算法對動態(tài)背景魯棒性較好，提高檢測正確率，同時滿足實時

6、性要求。在對運動目標(biāo)靜止及陰影檢測時也取得一定效果，并且通過連通域處理使算法提取到完整的掩膜圖像，有效提高運動目標(biāo)輪廓的完整性和準(zhǔn)確性。在動態(tài)背景下的前景檢測算法實驗中，本文算法（GMM改進(jìn)后）在對標(biāo)準(zhǔn)數(shù)據(jù)集people(FPR為0.015)檢測時，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，滑動高斯平均，單高斯，GMM_LB）的召回率Recall高，其中比