本發(fā)明涉及視頻監(jiān)控領(lǐng)域，特別是涉及一種基于GMM運(yùn)動目標(biāo)檢測的改進(jìn)算法。

背景技術(shù)：

隨著計算機(jī)技術(shù)的發(fā)展，視頻監(jiān)控越來越智能化，智能視頻監(jiān)控系統(tǒng)的一個主要任務(wù)是對視頻圖像中的目標(biāo)或者感興趣的部分進(jìn)行檢測、識別、跟蹤等。目標(biāo)的正確檢測是視頻監(jiān)控的前提，目標(biāo)的檢測效果會影響后續(xù)的目標(biāo)的識別和跟蹤的準(zhǔn)確性和穩(wěn)健性。在真實的應(yīng)用場景中，由于環(huán)境中光照的變化，背景中樹葉的擾動和相機(jī)自身的抖動等不可改變的因素會對運(yùn)動目標(biāo)檢測的效果產(chǎn)生影響。

目標(biāo)檢測的方法有很多種，常用的檢測算法有幀間差分法、背景差分法，光流法分，幀間差分法是激將固定間隔的視頻幀進(jìn)行比較，適合動態(tài)變化的環(huán)境，但是由于會產(chǎn)生大面積的空洞，提取目標(biāo)的完整性較差；光流法因其計算復(fù)雜、很難滿足運(yùn)動檢測的實時性；背景差分法通過當(dāng)前視頻幀和背景幀進(jìn)行差分運(yùn)算實現(xiàn)對運(yùn)動目標(biāo)檢測，該方法可以較好完整的提取目標(biāo)，受光照和背景的變化影響較大。

GMM背景建模作為相關(guān)技術(shù)，可以不斷的對背景模型進(jìn)行更新，在光照的變化和樹葉的擾動中也可以準(zhǔn)確的檢測運(yùn)動目標(biāo)，提高了運(yùn)動檢測的質(zhì)量，但是對形狀較大運(yùn)動較慢的物體檢測效果不是很好。

技術(shù)實現(xiàn)要素：

基于現(xiàn)有技術(shù)，本發(fā)明提出了一種基于約束條件的隨機(jī)森林推薦算法，特別是涉及在光照的變化和背景的擾動的復(fù)雜的背景環(huán)境中的運(yùn)動目標(biāo)的檢測，通過建立GMM背景模型，并不斷對模型進(jìn)行更新，可以得到一個較好的背景，從而有效的對運(yùn)動目標(biāo)進(jìn)行檢測。

本發(fā)明提出了一種基于GMM運(yùn)動目標(biāo)檢測的改進(jìn)算法，該方法包括以下步驟：

步驟1、建立加入反饋機(jī)制的GMM背景模型；

步驟2、當(dāng)判定運(yùn)動目標(biāo)移動非常緩慢或者靜止的時候，在目標(biāo)區(qū)域不更新GMM背景模型，在目標(biāo)區(qū)域以外按照GMM背景模型更新規(guī)則進(jìn)行更新GMM背景模型；

步驟3、利用最新的視頻幀和GMM背景建模生成的背景圖像做差分處理，得到前景圖a；利用GMM背景模型得到的前景圖b，把前景圖a和前景圖b在空間域上進(jìn)行融合，得到移動目標(biāo)的檢測的前景圖像。

所述步驟2中的GMM背景模型，其建立流程具體包括以下步驟：

步驟201、對要建立的背景模型中的每一個像素點都初始化一個高斯分布；

步驟202、提取當(dāng)前輸入圖像的視頻幀；

步驟203、通過下面的公式判斷是否與已有的分布匹配：

|X_t-μ_i，t-1|≤2.5σ_i，t-1

其中，X_t是每一個像素點的灰度值，μ_i，t-1是t-1時刻混合高斯模型中第i個高斯分布的均值矢量，σ_i，t-1為第i個高斯分布的標(biāo)準(zhǔn)差；對當(dāng)前視頻幀的每一個像素點進(jìn)行已有的高斯分布的模型進(jìn)行匹配運(yùn)算，如果匹配，進(jìn)行步驟209；如果不匹配，進(jìn)行步驟211：

步驟204、將經(jīng)過運(yùn)動目標(biāo)檢測的前景圖像信息，作為反饋信息；

步驟205、通過反饋信息的前景圖像得到目標(biāo)靜止的時候的反饋參數(shù)控制信息；

步驟206、判定前景二值圖像的像素點的像素值是否為1；如果為1，執(zhí)行步驟208；如果不為1，執(zhí)行步驟207；

步驟207：當(dāng)前的像素點不為1，該點的背景模型的更新率設(shè)定為α₁，加速背景的形成；

步驟208：當(dāng)前的像素點為1，該點的背景模型的更新率設(shè)定為α₂，減緩由于目標(biāo)

移動緩慢的目標(biāo)前景變成背景；

步驟209、更新相應(yīng)的高斯分布參數(shù)、權(quán)重、均值和標(biāo)準(zhǔn)差：

ω_i，t＝(1-α)×ω_i，t-1+α×M_i，t

μ_t＝(1-α)×μ_t-1+α×X_t

σ_t²＝(1-α)×σ_t-1²+α×(X_t-μ_t)^T(X_t-μ_t)

其中，α是學(xué)習(xí)速率，對于匹配的模式M_k，t＝1，否則M_k，t＝0。對于運(yùn)動目標(biāo)靜止的時候，目標(biāo)區(qū)域的背景模型不更新，也就是α＝0，非目標(biāo)區(qū)域的按照上面規(guī)則進(jìn)行更新。對于移動的目標(biāo)，當(dāng)前的前景圖像為1的點的背景模型更新率α＝α₂，當(dāng)前的前景圖像不為1的點的背景模型更新率α＝α₁；

步驟210：經(jīng)過權(quán)值的更新，和當(dāng)前象素匹配的分布，其權(quán)重將加大，否則其分布的權(quán)重將減小，改變后的權(quán)重值要進(jìn)行歸一化操作；

步驟211、判定當(dāng)前的已經(jīng)分布的高斯模型是否等于n，如果當(dāng)前的高斯模型個數(shù)等于n，進(jìn)行步驟213；如果當(dāng)前的高斯模型個數(shù)不等于n，進(jìn)行步驟212；

步驟212、若當(dāng)前的高斯模型的個數(shù)還沒有達(dá)到上限，就添加一個新的高斯模型；

步驟213：若當(dāng)前的高斯模型個數(shù)等于n，沒法再添加一個高斯模型，就去掉模型中權(quán)重最小的高斯分布，并用當(dāng)前點的灰度值建立一個新的高斯分布；

步驟214：對模型的權(quán)重進(jìn)行排序，得到背景模型。

所述步驟3的把圖像a和圖像b在空間域上進(jìn)行融合，其流程具體包括以下處理：

步驟301、通過GMM背景建模得到的背景模型圖；

步驟302、通過硬件平臺提取到的最新視頻幀；

步驟303、通過當(dāng)前視頻幀和背景模型圖進(jìn)行差分處理，得到運(yùn)動目標(biāo)的前景圖；

步驟304、GMM的到的前景圖，通過混合高斯模型的匹配策略，可以得到運(yùn)動目標(biāo)的前景圖；

步驟305、圖像融合得到穩(wěn)定的前景圖，在空間域上，對步驟303和步驟304的到的圖像進(jìn)行融合，得到較完整的穩(wěn)定的前景圖。

與現(xiàn)有的技術(shù)相比，本發(fā)明把反饋機(jī)制加入算法中，并對學(xué)習(xí)速率根據(jù)α根據(jù)前景點和背景點區(qū)分，在空間域進(jìn)行圖像檢測的前景的融合，可以正確的檢測出大而緩慢的運(yùn)動目標(biāo)，對于運(yùn)動目標(biāo)的突然靜止并停留一段時間，不會把目標(biāo)判定為背景，仍然可以檢測出目標(biāo)。

附圖說明

圖1為一般的GMM背景建模流程圖；

圖2為本發(fā)明的改進(jìn)的GMM背景建模的流程圖；

圖3為圖像融合得到目標(biāo)檢測的前景圖的流程圖；

圖4為本發(fā)明的一種基于GMM運(yùn)動目標(biāo)檢測的改進(jìn)算法整體圖。

具體實施方式

下面結(jié)合附圖對本發(fā)明作進(jìn)一步詳細(xì)描述：

如圖1所示，為一般GMM背景建模的流程圖。包括以下步驟：

步驟101：初始化一個高斯分布，對要建立的背景模型每一個像素點都初始化一個人為設(shè)定的高斯分布，這個初始化的高斯分布有較大的方差和較小的權(quán)重值；

步驟102：當(dāng)前輸入圖像，提取當(dāng)前的視頻幀，用于目標(biāo)檢測和GMM背景模型參數(shù)的更新；

步驟103：判斷是否與已有的分布匹配，通過下面的公式計算：

|X_t-μ_i，t-1|≤2.5σ_i，t-1

其中X_t是每一個像素點的灰度值，μ_i，t-1是t-1時刻混合高斯模型中第i個高斯分布的均值矢量，σ_i，t-1為第i個高斯分布的標(biāo)準(zhǔn)差。對當(dāng)前視頻幀的每一個像素點進(jìn)行已有的高斯分布的模型進(jìn)行匹配運(yùn)算。如果匹配，進(jìn)行步驟104；如果不匹配，進(jìn)行步驟106。

步驟104：更新相應(yīng)的高斯分布參數(shù)、權(quán)重、均值和標(biāo)準(zhǔn)差：

ω_i，t＝(1-α)×ω_i，t-1+α×M_i，t

μ_t＝(1-α)×μ_t-1+α×X_t

σ_t²＝(1-α)×σ_t-1²+α×(X_t-μ_t)^T(X_t-μ_t)

其中α是學(xué)習(xí)速率，對于匹配的模式M_k，t＝1，否則M_k，t＝0；

步驟105：對所有高斯模型參數(shù)的權(quán)重歸一化，經(jīng)過權(quán)值的更新，和當(dāng)前象素匹配的分布，其權(quán)重將加大，否則其分布的權(quán)重將減小，改變后的權(quán)重值要進(jìn)行歸一化操作；

步驟106：判定當(dāng)前的已經(jīng)分布的高斯模型是否等于n，如果當(dāng)前的高斯模型個數(shù)等于n，執(zhí)行步驟108；如果當(dāng)前的高斯模型個數(shù)不等于n，執(zhí)行步驟107；

步驟107：添加一個新的高斯模型，當(dāng)前的高斯模型個數(shù)不等于n，高斯模型的個數(shù)還沒有達(dá)到上限，就添加一個新的高斯模型；

步驟108：去掉模型中權(quán)重最小的分布，并用得到的觀測值建立一個新的分布，當(dāng)前的高斯模型個數(shù)等于n，沒法再添加一個高斯模型，就去掉模型中權(quán)重最小的高斯分布，并用當(dāng)前點的灰度值建立一個新的高斯分布；

步驟109：對模型的權(quán)重進(jìn)行排序，得到背景模型。

如圖2所示，為本發(fā)明的改進(jìn)的GMM背景建模的流程圖，包括以下步驟：

步驟201：初始化一個高斯分布，對要建立的背景模型每一個像素點都初始化一個人為設(shè)定的高斯分布，這個初始化的高斯分布有較大的方差和較小的權(quán)重值；

步驟202：當(dāng)前輸入圖像，提取當(dāng)前的視頻幀，用于目標(biāo)檢測和GMM背景模型參數(shù)的更新；

步驟203：判斷是否與已有的分布匹配，通過下面的公式計算：

|X_t-μ_i，t-1|≤2.5σ_i，t-1

其中X_t是每一個像素點的灰度值，μ_i，t-1是t-1時刻混合高斯模型中第i個高斯分布的均值矢量，σ_i，t-1為第i個高斯分布的標(biāo)準(zhǔn)差。對當(dāng)前視頻幀的每一個像素點進(jìn)行已有的高斯分布的模型進(jìn)行匹配運(yùn)算。如果匹配，進(jìn)行步驟209；如果不匹配，進(jìn)行步驟211。

步驟204：當(dāng)前前景圖像信息，經(jīng)過后面運(yùn)動目標(biāo)檢測的前景圖像信息，是反饋信息：

步驟205：判定目標(biāo)靜止時候的反饋參數(shù)控制信息，通過反饋信息的前景圖像得到目標(biāo)靜止的時候的反饋參數(shù)控制信息；

步驟206：判定前景二值圖像的像素點的像素值是否為1。如果為1，執(zhí)行步驟208；如果不為1，執(zhí)行步驟207；

步驟207：當(dāng)前的像素點不為1，該點的背景模型的更新率設(shè)定為α₁；

步驟208：當(dāng)前的像素點為1，該點的背景模型的更新率設(shè)定為α₂；

步驟209：更新相應(yīng)的高斯分布參數(shù)，權(quán)重，均值和標(biāo)準(zhǔn)差：

ω_i，t＝(1-α)×ω_i，t-1+α×M_i，t

μ_t＝(1-α)×μ_t-1+α×X_t

σ_t²＝(1-α)×σ_t-1²+α×(X_t-μ_t)^T(X_t-μ_t)

其中α是學(xué)習(xí)速率，對于匹配的模式M_k，t＝1，否則M_k，t＝0。對于運(yùn)動目標(biāo)靜止的時候，目標(biāo)區(qū)域的背景模型不更新，也就是α＝0，非目標(biāo)區(qū)域的按照上面規(guī)則進(jìn)行更新。對于移動的目標(biāo)，當(dāng)前的前景圖像為1的點的背景模型更新率α＝α₂，當(dāng)前的前景圖像不為1的點的背景模型更新率α＝α₁；α₁的值相對大一些，可以加速背景的形成，α₂的值相對小一些，可以減緩由于目標(biāo)移動緩慢的目標(biāo)前景變成背景。

步驟210：對所有高斯模型參數(shù)的權(quán)重歸一化，經(jīng)過權(quán)值的更新，和當(dāng)前象素匹配的分布，其權(quán)重將加大，否則其分布的權(quán)重將減小，，改變后的權(quán)重值要進(jìn)行歸一化操作；

步驟211：判定當(dāng)前的已經(jīng)分布的高斯模型是否等于n，如果當(dāng)前的高斯模型個數(shù)等于n，進(jìn)行步驟213；如果當(dāng)前的高斯模型個數(shù)不等于n，進(jìn)行步驟212；

步驟212：添加一個新的高斯模型，當(dāng)前的高斯模型個數(shù)不等于n，高斯模型的個數(shù)還沒有達(dá)到上限，就添加一個新的高斯模型；

步驟213：去掉模型中權(quán)重最小的分布，并用得到的觀測值建立一個新的分布，當(dāng)前的高斯模型個數(shù)等于n，沒法再添加一個高斯模型，就去掉模型中權(quán)重最小的高斯分布，并用當(dāng)前點的灰度值建立一個新的高斯分布

步驟214：對模型的權(quán)重進(jìn)行排序，得到背景模型。

如圖3所示，為圖像融合得到目標(biāo)檢測的前景圖的流程圖，包括以下步驟：

步驟301：背景模型圖，通過GMM背景建模得到的背景模型圖；

步驟302：當(dāng)前視頻幀，通過硬件平臺提取到的最新視頻幀；

步驟303：差分得到前景圖，通過當(dāng)前視頻幀和背景模型圖進(jìn)行差分處理，得到運(yùn)動目標(biāo)的前景圖；

步驟304：GMM的到的前景圖，通過混合高斯模型的匹配策略，可以得到運(yùn)動目標(biāo)的前景圖；

步驟305：圖像融合得到穩(wěn)定的前景圖，在空間域上，對步驟303和步驟304的到的圖像進(jìn)行融合，得到較完整的穩(wěn)定的前景圖。