一种参数自适应调节的高斯混合模型目标检测方法
【技术领域】
[0001] 本发明涉及计算机视觉领域，具体涉及一种参数自适应调节的高斯混合模型目标 检测方法。
【背景技术】
[0002] 目标检测是进行后续目标跟踪工作的基础，良好的目标检测算法可以把图像帧中 感兴趣的区域或者是待研究的运动目标检测提取出来，并且要保证提取到的目标是完整 的，尽量不包含不感兴趣的区域的检测结果。除了检测效果质量重要外，检测算法的时间复 杂度也是重要的衡量标准。检测算法的时间复杂度与采用的背景模型建立机制、背景模型 的更新方式、识别如景目标的机制等有着密切的关系。
[0003] 1999 年，Grimson 和 Stauffe (参考文件 I :Grimson Wel, Stauffer C. Romano R. Lee L Using adaptive tracking to classify and monitor activities in a site, in Proceedings. 1998IEEE Computer Society Conference on Computer Vision and Pattern Recognition (Cat. No. 98CB36231). IEEE Comput. Soc. 1998. 1998.参考文件 2 :Stauffer C,Grimson ff. E.L. Adaptive background mixture models for real-time tracking, in Proceedings. 1999IEEE Computer Society Conference on Computer Vision and Pattern Recognition (Cat. No PR00149). IEEE Comput. Soc. Part Vol. 2, 1999.)提出 了高斯混合模 型，利用数学建模的思想对图像序列中的像素域进行了时间尺度上的建模。具体做法是利 用k(3-5)个高斯分布作为一个组合来对图像帧中每一个像素点建立高斯混合模型，其中 每一个高斯分布都作为一个组件（component)。混合高斯模型利用k个单高斯函数的加权 和，来描述像素分布的多峰状态，适合对图像帧中有光照渐变，树木摇摆等复杂场景下的背 景建模。但是如果背景有光照突变，容易将背景像素点误判断为前景，而且由于高斯混合模 型需要对图像帧内的每一个像素点建立k个高斯分布函数，这样导致计算量较大，目标检 测缓慢，不适合实时视频跟踪。2009年，李颖宏等提出并建立了基于边缘的高斯混合模型 (参考文件3 :李颖宏，熊昌镇，尹怡欣，等.一种基于边缘高斯混合模型的运动目标检测方 法[J].系统仿真学报，2009. 10.)，针对高斯混合模型目标检测的数据量大的缺点，通过只 学习边缘数据来快速建立高斯混合模型，可以使得模型的鲁棒性更强，检测追踪更加准确 高效。但是通过这种方法建立的背景模型对光线的变化仍较为敏感，同时其模型的收敛速 度相对缓慢。
【发明内容】
[0004] 本发明的目的是为了解决上述现有高斯混合模型目标检测方法的受光照变化影 响大，运算速度慢和模型收敛速度慢等缺点。本发明提出一种参数自适应调节的高斯混合 丰旲型目标检测方法，旨在提尚尚斯混合t旲型目标检测方法的性能。
[0005] 本发明提出的一种参数自适应调节的高斯混合模型目标检测方法，具体包括如下 步骤：
[0006] 步骤一：对图像序列中的每一帧图像进行边缘检测，获得边缘检测序列。
[0007] 进行边缘检测具体是：首先，对图像进行滤波；其次，计算图像的梯度幅值和方 向，得到图像的梯度幅值矩阵和梯度方向矩阵；然后，进行非极大值抑制；最后，进行边缘 检测和连接。
[0008] 所述的非极大值抑制具体是：根据图像的梯度幅度矩阵和梯度方向矩阵，判断图 像中某像素点是否为极大值点，如果是，设置S(x，y) = 1，否则，设置S(x，y) =0;其中 S(x，y)表示图像中在（x，y)位置像素点的灰度值。
[0009] 所述的边缘检测和连接具体是：首先，设置高阈值H和低阈值L，将原始图像的灰 度值从低到高排序，选取前80 %个灰度值中的最大的灰度值作为高阈值H，低阈值L为高阈 值H的二分之一；然后，将经过非极大值抑制处理之后的图像中高于H的像素点作为边缘 点，在边缘点的断点处的8邻域内寻找大于等于低阈值L的像素点作为边缘点，将边缘点连 接直到整个图像边缘达到闭合。
[0010] 步骤二：为步骤一得到的边缘检测序列建立参数自适应调节的高斯混合模型。
[0011] 步骤2. 1，对图像中每一个像素点使用k个高斯分布的组合来建模，k为大于2的 整数，设图像序列中t时刻图像的边缘检测矩阵中像素点（x，y)的像素值为Xt，该像素点的 概率密度函数p (Xt)可以表示为：
[0015] 其中Wi t是t时刻第i个高斯分布的权重，N(X t; Θ 11)表示t时刻第i个高斯分 布函数，Θ i t表示参数μ ^和Σ i t，μ ^是t时刻第i个高斯分布的均值，Σ i t表示t时 刻第i个高斯分布的方差矩阵，I为单位矩阵，σ lit是t时刻第i个高斯分布的方差。
[0016] 步骤2. 2,利用第一帧图像为每个像素点建立初步的高斯混合模型，然后遍历后续 图像帧中的每个像素点，让每个像素点Xt同建立的相应高斯混合模型中的k个高斯分布进 行匹配。匹配规则为：如果当前图像中的某一个像素值Xt与相应高斯混合模型的第i个高 斯分布的均值以1^1的差值在2.5倍的方差〇1^1范围内，即满足下式： _7] xt-ylitl| <2. 5 Oi tl
[0018] 则表示Xt与该高斯分布匹配；其中，μ lit t-Ι时刻第i个高斯分布的均值， σ lit t-Ι时刻时第i个高斯分布的方差；否则，判定X t与该高斯分布为不匹配。
[0019] 步骤2. 3,如果存在与像素值\匹配的高斯分布，进行参数更新如下：
[0020] 更新t时刻第i个高斯分布的权重ω 11为：
[0023] 其中，n u为权重的更新率，η为图像序列的总帧数，a为当前图像帧序号，ω i t i 为t-1时刻第i个高斯分布的权重，Mli t为权重决策值，取值为0或1。若x t与第i个高斯 分布匹配，Mlit= 1 ;否则，Mlit= 0。
[0024] 若Xt与第i个高斯分布不匹配，不更新t时刻第i个高斯分布的均值和方差矩阵；
[0025] 若Xt与第i个高斯分布匹配，更新t时刻第i个高斯分布的均值μ lit和方差矩阵 A,t如下：
[0029] 其中，μ lit为t时刻第i个高斯分布的均值，n w为均值的更新率，μ lit A t-1 时刻第i个高斯分布的均值，Συ为t时刻第i个高斯分布的方差，Tl。为方差的更新率， Σ h t t-Ι时刻第i个高斯分布的方差，C :为第i个高斯分布的历史匹配数目之和，α为 更新率，〇彡α彡1。
[0030] 如果不存在与像素值\匹配的高斯分布，则将权重最小的高斯分布的均值设置为 当前像素值，方差和权重设置为预设值。
[0031] 步骤2. 4,对于图像中每一个像素点的k个高斯分布，按照Coi t/ 〇 i t由大到小进 行排列，利用前B个高斯分布来表征背景图像，B由如下公式表示：
[0033] 其中，T1为阈值，取值范围为（0, 1)，b表示排序的第b个高斯分布，取值范围为 [1，k]。当得到可以表述背景的高斯分布后，通过将当前像素点与表征背景的高斯分布进行 匹配便可以检测出图像中的前景目标以及背景图像。
[0034] 步骤三：利用步骤二所建立的参数自适应调节的高斯混合模型，对边缘检测序列 进行检测，得到前景目标轮廓，将前景目标轮廓进行填充得到完整的前景运动目标。
[0035] 本发明方法的优点和积极效果在于：本发明在建立高斯混合模型过程中，采用自 适应的参数在线更新方法，提高了模型的收敛速度，减轻了误检程度；然后对图像的边缘序 列建立参数自适应调节的高斯混合模型，降低了数据量，同时当发生光照变化时不会造成 严重的误检现象。
【附