图说明】
[0036] 图1是本发明参数自适应调节的高斯混合模型目标检测方法的整体步骤流程图；
[0037] 图2是本发明实例的目标检测实验效果图；其中，（a)为初始背景帧，（b)为第24 帧，（c)为第41帧，（d)为第86帧；（e)、（f)和（g)为利用传统高斯混合模型分别对（b)、 (c)和⑷进行检测的示意图；(h)、（i)、（j)是利用本发明的方法对（b)、（c)、⑷处理得 到的前景目标检测图。
【具体实施方式】
[0038] 下面将结合附图和实施例对本发明的技术方案作进一步的详细说明。
[0039] 本发明提出一种参数自适应调节的高斯混合模型目标检测方法，通过在建立高斯 混合模型过程中，采用自适应调节的参数在线更新方法，提高了模型的收敛速度；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，降低了建立模型所需要的数据量，并 且当发生光照变化时不会造成严重的误检现象。
[0040] 本发明提出一种参数自适应调节的尚斯混合t旲型目标检测方法，旨在提尚尚斯混 合模型检测方法的性能，下面具体对实现步骤进行说明。
[0041] 步骤一：对图像序列中的每一帧图像进行边缘检测，获得图像的边缘检测序列。
[0042] 对每一帧原始图像进行下面步骤I. 1~步骤1. 4的处理。
[0043] 步骤1. 1，对图像进行滤波。常用的滤波方法主要有高斯滤波，即采用离散化的高 斯函数得到一组归一化的高斯核。利用离散点上的高斯函数值作为权值，对采集到的灰度 矩阵的每个元素做一定范围邻域内的加权平均。
[0044] 高斯滤波器的实现方法一般有两种：一种是通过生成两个一维高斯核分别进行 水平方向和垂直方向两次加权求得，另一种是利用一个二维的高斯核通过一次卷积运算实 现。
[0045] -维高斯核：
[0047] 其中，X表示在滤波窗口内当前像素点距离中心的距离，σ表示高斯函数的标准 差，K表示离散化的高斯函数值。
[0048] 二维高斯核：
[0050] 其中，X表示在滤波窗口内当前像素点在水平方向上距离中心的距离，y表示在滤 波窗口内当前像素点在垂直方向上距离中心的距离，σ表示高斯函数的标准差，K表示离 散化的高斯函数值。
[0051] 步骤1.2,计算图像的梯度幅值和方向。通过计算图像的梯度和幅值可以确定图像 中变化最大的点，方便进行后续的非极大值抑制。
[0052] 在求图像灰度值的梯度时，利用一阶有限差分来近似计算图像中各像素点的X和 y方向的偏导数。具体做法是利用差分算子对图像中除图像边界以外的各像素点进行卷积 运算，差分算子是计算图像中各像素点的X和y方向的偏导数模板。通过对图像执行卷积 运算从而得到其在X和y方向的偏导数矩阵，进而计算出图像的梯度幅值矩阵和方向矩阵。 本步骤采用的差分算子\和s y为：
[0054] 这两个矩阵是计算图像X方向偏导数和y方向偏导数的，则梯度幅值以及梯度方 向则可以表达如下：
[0060] 其中f (X，y)表示图像帧中坐标为（X，y)的像素的灰度值，M(x, y)表示该点的梯 度幅值，θ (x,y)表示该点的梯度方向，P[x,y]为X方向的一阶偏导数矩阵，Q[x,y]为y方 向的一阶偏导数矩阵。
[0061] 通过公式⑷可以得到图像的梯度幅值矩阵M(x，y)和梯度方向矩阵Θ (x，y)，利 用这两个矩阵可以将图像灰度点邻域强度值有显著变化的点以梯度的幅值和方向确定出 来。因为某一像素点上的梯度方向就是该点的像素值在图像的像素值矩阵中变化最快的方 向，所以通过利用该像素点的梯度幅值和方向在该点及其8邻域内进行线性插值便可以确 定该点的像素值在其邻域内是否为极大值。若该点的像素值比其8邻域和通过线性插值得 到的两个虚假的插值点都大，则该点便是8邻域内的极大值点。
[0062] 步骤1. 3,非极大值抑制。通过步骤1. 2中介绍的方法可以确定图像中的极大值点 和非极大值点。
[0063]由于图像边缘是像素值发生显著变化的点的集合，据此可以得出图像中的极大 值点最可能是边缘点，而非极大值点可以被排除。那么如果当前像素点是极大值点，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。
[0064] 步骤1. 4,边缘检测和连接。在本步骤中采用双阈值方法来减少假边缘的数量和连 接断裂的边缘。设定一个高阈值H、一个低阈值L。将经过非极大值抑制处理之后的图像中 高于H的像素点定为边缘点，其中含有较少量的假边缘，但是这样得到的边缘会存在断裂 情况，故再利用低阈值L进行边缘连接。边缘连接具体操作是在边缘点的断点处的8邻域 点寻找大于等于低阈值L的像素点，再根据找到的像素点进行边缘连接，直到整个图像边 缘达到闭合，最后得到图像的边缘检测序列。
[0065] 其中高低阈值设定如下：
[0066] 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。
[0067] 本发明步骤一中的边缘检测方法相比一般的边缘检测方法，如Sobel检测算法、 Prewitt检测算法而言，具有低误码率、高定位精度和抑制虚假边缘等优点。
[0068] 通过步骤I. 1~1. 4的处理，获取图像的边缘检测矩阵，对图像序列都通过上面处 理，获得对应的边缘检测序列。
[0069] 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（权重更新率、均值 更新率和方差更新率）的高斯混合模型。
[0070] 步骤2. 1，图像的边缘检测矩阵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，本发明实施例中取值范围为[3, 5]。对于图像序列中t时刻的边缘检测 矩阵中的某一个像素点（X，y)，设定其像素值为Xt，定义当前t时刻像素点的概率密度函数 P OO为k个高斯模型的概率密度函数加权和，为：
[0074] 其中，COi t是t时刻第i个高斯分布的权重，N(x t; Θ i t)表示t时刻第i个高斯 分布函数，9i t表示参数μ ^和Σ i t，t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。
[0075] 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，之后遍历后续 图像帧每个像素点。每个像素点\同建立的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与相应高斯混合的第i个高斯分布的均值μ ^:的差值在2. 5 倍的方差Olitl范围内，其中σ 时刻时第i个高斯分布的方差，则表示与该分布 匹配，即满足下式：
[0076] xt-yijtl| <2. 5 Oi tl (8)
[0077] 否则，判定Xt与该高斯分布为不匹配。
[0078] 步骤2. 3,如果存在与之匹配的高斯分布，那么t时刻第i个高斯分布的权重Coi t 的更新公式为： 14,
[0082] 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 A t_l时刻第i个高斯分布的权重，Mlit为权重决策值，取值为0或1。若像素值x t与第i个 高斯分布匹配，Mli t= 1 ;否则，若像素值X t与第i个高斯分布不匹配，M 11= 0,这样能够保 证匹配的高斯分布的权重越来越大，不匹配的权重越来越小。
[0083] 若Xt与第i个高斯分布不匹配，不更新第i个高斯分布的均值和方差矩阵，保持 未匹配的高斯分布的均值和方差矩阵不变。
[0084] 若Xt与第i个高斯分布匹配，则第i个高斯分布的均值和方差矩阵的更新公式如 下：
[0088] 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，则 当C1较小的时候，更新率采用1/CI;当匹配的高斯分布数量较多的时候