基于混合高斯模型的運(yùn)動目標(biāo)檢測算法研究.pdf

1、近年來，智能視頻監(jiān)控已經(jīng)越來越多的被應(yīng)用到人們的實(shí)際生活當(dāng)中，而目標(biāo)檢測在視頻監(jiān)控領(lǐng)域中占有重要的位置，成為眾多學(xué)者的研究重點(diǎn)。目標(biāo)檢測的效果與接下來的圖像處理工作密切相關(guān)，對目標(biāo)跟蹤、行為理解等方面都有影響，具有深遠(yuǎn)的理論意義和實(shí)際應(yīng)用價值。用于目標(biāo)檢測的方法非常多，這些方法融合了人工智能、圖像處理、計(jì)算機(jī)視覺以及模式識別等多門學(xué)科。研究者們力圖找到一種各方面指標(biāo)都非常優(yōu)良的檢測算法，無論是檢測速度還是精度、抗干擾能力等等都可以符合精

2、確實(shí)時檢測的要求。目前，最為經(jīng)典和應(yīng)用最為廣泛的算法就是混合高斯模型算法，但是該算法在一些特定情況下的檢測效果也不夠理想。
　　本文針對高斯混合模型算法的一些弊端，提出了一種改進(jìn)的目標(biāo)檢測算法。首先該算法針對高斯混合模型建模初期，背景建模效果不理想的特點(diǎn)，在圖像序列的開始階段，利用中值方法得到背景圖像，針對背景圖像建立高斯混合模型，這樣可以只對背景像素進(jìn)行更新，避免了原始高斯混合模型算法中，對圖像中所有像素點(diǎn)進(jìn)行更新，加快了算法的

3、處理速度，而且即便在圖像中始終存在運(yùn)動目標(biāo)的情況下，也可以快速的得到干凈的背景圖片；其次，在模型學(xué)習(xí)方面，充分考慮均值和方差的自身特點(diǎn)和差異性，為均值與方差分別設(shè)置了不一樣的學(xué)習(xí)率，提高了背景模型的收斂速度，使背景模型能夠更好的適應(yīng)外界場景的變化。但是此時的前景區(qū)域不但包括運(yùn)動目標(biāo)還包括陰影區(qū)域，為了去除前景中的陰影區(qū)域，本文提出一種融合顏色空間和紋理特征陰影檢測的新算法。針對傳統(tǒng)的LBP算子的缺陷，提出了一種改進(jìn)的紋理特征算子，該算子