改進(jìn)的自適應(yīng)高斯混合模型運(yùn)動(dòng)目標(biāo)檢測(cè)方法
【專(zhuān)利摘要】本發(fā)明提供一種改進(jìn)的自適應(yīng)高斯混合模型運(yùn)動(dòng)目標(biāo)檢測(cè)方法，初始化高斯分布和參數(shù)，對(duì)k個(gè)高斯分布按照權(quán)值ωi,t的大小進(jìn)行排序，其中i∈[1,K]；更新分布，依據(jù)是否與現(xiàn)有高斯分布匹配，進(jìn)行更新，包括更新高權(quán)重分布、合并權(quán)重接近分布、刪除低權(quán)重分布、增添新分布；該種改進(jìn)的自適應(yīng)高斯混合模型運(yùn)動(dòng)目標(biāo)檢測(cè)方法，學(xué)習(xí)率和模型分布數(shù)的取值進(jìn)行更新，解決數(shù)據(jù)冗余的問(wèn)題；同時(shí)，對(duì)參數(shù)取值進(jìn)行更新，能夠更好的適應(yīng)環(huán)境變化。該方法為基于計(jì)算機(jī)視頻圖像處理技術(shù)的運(yùn)動(dòng)目標(biāo)檢測(cè)算法，能夠應(yīng)用于實(shí)時(shí)視頻處理系統(tǒng)，為車(chē)輛檢測(cè)或火災(zāi)監(jiān)測(cè)奠定關(guān)鍵性的理論與應(yīng)用基礎(chǔ)，具有非常好的應(yīng)用前景。
【專(zhuān)利說(shuō)明】
改進(jìn)的自適應(yīng)高斯混合模型運(yùn)動(dòng)目標(biāo)檢測(cè)方法
技術(shù)領(lǐng)域
[0001 ]本發(fā)明設(shè)及一種改進(jìn)的自適應(yīng)高斯混合模型運(yùn)動(dòng)目標(biāo)檢測(cè)方法。
【背景技術(shù)】
[0002] 目前，光流法、帖差法、背景減除法是運(yùn)動(dòng)目標(biāo)檢測(cè)的常用算法。其中，光流法計(jì)算 復(fù)雜，需要專(zhuān)口的硬件支持，實(shí)時(shí)性和實(shí)用性都比較差。帖差法雖然能有效的去除靜止的背 景，但往往提取的目標(biāo)比較粗糖，比實(shí)際的運(yùn)動(dòng)目標(biāo)輪廓要大，并且目標(biāo)中會(huì)出現(xiàn)空桐和 "雙影"現(xiàn)象。背景減除法可W在環(huán)境變化的情況下進(jìn)行運(yùn)動(dòng)物體檢測(cè)，但需要對(duì)背景圖像 進(jìn)行實(shí)時(shí)更新。
[0003] 從實(shí)際應(yīng)用角度來(lái)看，背景減除法是使用最廣泛的一種運(yùn)動(dòng)物體檢測(cè)方法。其中， 最常用的背景模型為高斯混合模型。但傳統(tǒng)的高斯混合模型，由于其學(xué)習(xí)率和模型分布數(shù) 的取值相對(duì)固定，容易造成數(shù)據(jù)冗余；同時(shí)，相對(duì)固定的參數(shù)取值還存在不能更好的適應(yīng)環(huán) 境變化等問(wèn)題。
[0004] 上述問(wèn)題是在運(yùn)動(dòng)目標(biāo)檢測(cè)過(guò)程中應(yīng)當(dāng)予W考慮并解決的問(wèn)題。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明的目的是提供一種改進(jìn)的自適應(yīng)高斯混合模型運(yùn)動(dòng)目標(biāo)檢測(cè)方法解決現(xiàn) 有技術(shù)中存在的由于其學(xué)習(xí)率和模型分布數(shù)的取值相對(duì)固定，容易造成數(shù)據(jù)冗余；同時(shí)，相 對(duì)固定的參數(shù)取值還存在不能更好的適應(yīng)環(huán)境變化等問(wèn)題。
[0006] 本發(fā)明的技術(shù)解決方案是：
[0007] -種改進(jìn)的自適應(yīng)高斯混合模型運(yùn)動(dòng)目標(biāo)檢測(cè)方法，包括：
[000引Sl、初始化高斯分布和參數(shù)，對(duì)k個(gè)高斯分布按照權(quán)值CO i,t的大小進(jìn)行排序，其中i G[1，K];
[0009] S2、更新分布，依據(jù)是否與現(xiàn)有高斯分布匹配，進(jìn)行更新，包括更新高權(quán)重分布、合 并權(quán)重接近分布、刪除低權(quán)重分布、增添新分布，具體為：
[0010] S21、如果像素值與已有分布都不匹配，若分布數(shù)K值未達(dá)到最大值，則新增一個(gè)高 斯分布;若分布數(shù)K值已經(jīng)達(dá)到最大值，則刪除權(quán)值最小的高斯分布，再新增一個(gè)高斯分布；
[0011] 如果存在高斯分布滿(mǎn)足公式（10)，即均值相近，則進(jìn)行分布合并，將權(quán)值較大的分 布進(jìn)行更新處理，權(quán)值較小的分布則刪除；
[0012] I山-的 I《IV (10)
[0013] 其中，IV為均值最小間隔的闊值山表示兩個(gè)不同分布的均值；
[0014] S22、對(duì)分布數(shù)與均值進(jìn)行處理后，再進(jìn)行權(quán)重的判斷；如果權(quán)值低于闊值，則將不 滿(mǎn)足當(dāng)前要求的高斯分布舍去。
[0015] 進(jìn)一步地，步驟Sl中，參數(shù)均值y〇的初始化具體為：
[0016] (1)
[001 引
[0017]參數(shù)方差C,?的初始化具體為：
C2)
[0019]式（1)、（2)中，N為視頻圖像數(shù)目；Xt為t時(shí)刻像素的取值。
[0020] 進(jìn)一步地，步驟Sl中，分布數(shù)Ko的初始化具體為：
[0021] (3)
[0022] 其中，Kl、Km、K汾別為立種級(jí)別的高斯分布數(shù)，Tki、Tk2為分配初始分布數(shù)所需的闊 值;Ko值的取值為1~5。
[0023] 進(jìn)一步地，步驟S21中，權(quán)值更新計(jì)算公式如下：
[0024]
巧）
[0025] 其中，COk,t為t時(shí)刻第k個(gè)高斯混合模型的權(quán)值，Qk,t為t時(shí)刻第k個(gè)高斯混合模型的 學(xué)習(xí)率，Mk, t為匹配因子，對(duì)于匹配的模型Mk, t = l;否則，Mk, t = 0。
[0026] 進(jìn)一步地，步驟S21中，對(duì)于未匹配的模型，其均值ii與方差O2不變;對(duì)于匹配的模 型，其參數(shù)更新公式如下：
[0027]
[002引
[00 例 (8)
[0030] 其中，Pk,t為t時(shí)刻第k個(gè)高斯混合模型的參數(shù)更新因子;ri(Xt，叱t，〇k,t)為t時(shí)刻高 斯混合橫巧，其計(jì)算公式如下： (9)
[0031]
[0032] 其中，
5i,t為方差，I為二維單位矩陣，Xt為t時(shí)刻該點(diǎn)的像素值，化,t為t時(shí) 刻第i個(gè)高斯混合模型的均值。
[0033] 進(jìn)一步地，學(xué)習(xí)率Qk, t更新具體為：
[0034]
(4)
[0035] 其中，Qk,t刃t時(shí)刻巧k個(gè)學(xué)習(xí)率的取值;a〇為初始學(xué)習(xí)率，取值為0.01~0.1，fk,t為 單位時(shí)間內(nèi)高斯分布數(shù)更改的次數(shù)，即更新頻率;Tf為對(duì)更新頻率進(jìn)行判斷的闊值。
[0036] 本發(fā)明的有益效果是:該種改進(jìn)的自適應(yīng)高斯混合模型運(yùn)動(dòng)目標(biāo)檢測(cè)方法，學(xué)習(xí) 率和模型分布數(shù)的取值進(jìn)行更新，解決數(shù)據(jù)冗余的問(wèn)題；同時(shí)，對(duì)參數(shù)取值進(jìn)行更新，能夠 更好的適應(yīng)環(huán)境變化。該方法為基于計(jì)算機(jī)視頻圖像處理技術(shù)的運(yùn)動(dòng)目標(biāo)檢測(cè)算法，能夠 應(yīng)用于實(shí)時(shí)視頻處理系統(tǒng)，為車(chē)輛檢測(cè)或火災(zāi)監(jiān)測(cè)奠定關(guān)鍵性的理論與應(yīng)用基礎(chǔ)，具有非 常好的應(yīng)用前景。
【附圖說(shuō)明】
[0037] 圖1是實(shí)施例改進(jìn)的自適應(yīng)高斯混合模型運(yùn)動(dòng)目標(biāo)檢測(cè)方法的流程示意圖。
[0038] 圖2是實(shí)施例改進(jìn)的自適應(yīng)高斯混合模型運(yùn)動(dòng)目標(biāo)檢測(cè)方法中分布更新的流程示 意圖。
[0039] 圖3是實(shí)施例中采集的源圖像。
[0040] 圖4是傳統(tǒng)高斯混合模型檢測(cè)結(jié)果圖像。
[0041] 圖5是實(shí)施例方法檢測(cè)結(jié)果圖像。
【具體實(shí)施方式】
[0042 ]下面結(jié)合附圖詳細(xì)說(shuō)明本發(fā)明的優(yōu)選實(shí)施例。
[0043] 實(shí)施例
[0044] 實(shí)施例綜合使用了多種視頻圖像處理方法，通過(guò)對(duì)傳統(tǒng)的高斯混合模型進(jìn)行詳細(xì) 分析，設(shè)計(jì)了一種改進(jìn)的自適應(yīng)高斯混合模型運(yùn)動(dòng)目標(biāo)檢測(cè)方法。
[0045] 運(yùn)動(dòng)物體在視頻圖像中的特征包括如下:運(yùn)動(dòng)物體具有較為明顯的區(qū)別與背景事 物的顏色;運(yùn)動(dòng)物體的移動(dòng)速度或頻率在肉眼可觀測(cè)范圍內(nèi)；視頻中光照等外界條件變化 相對(duì)平緩。實(shí)施例所提出的改進(jìn)的自適應(yīng)高斯混合模型運(yùn)動(dòng)目標(biāo)檢測(cè)方法依據(jù)上述運(yùn)動(dòng)物 體在視頻圖像中的特征來(lái)開(kāi)發(fā)。其中的詳細(xì)內(nèi)容如下：
[0046] 均值和方差的初始化
[0047] 初始均值y〇的計(jì)算公式如下：
[004引 Cl)
[0049] 初始方差請(qǐng)的計(jì)算公式如下：
[(K)加] 貸）
[0051] 其中，N為視頻圖像數(shù)目；Xt為t時(shí)刻像素的取值。
[0052] 分布數(shù)初始化
[0化3] 4V麻撕Kn的A管/A井力n下.
[0化4] (3)
[00對(duì)其中，Kl、Km、K汾別為立種級(jí)別的高斯分布數(shù)，Tki、Tk2為分配初始分布數(shù)所需的闊 值;Ko值的取值一般為1~5。
[0056] 學(xué)習(xí)率更新
[0057] 學(xué)習(xí)率Qk,通新具體為：
[0化引
（4)
[0059] 其中，Qk,t為t時(shí)刻第k個(gè)學(xué)習(xí)率的取值;a〇為初始學(xué)習(xí)率，取值為0.01~〇.l，fk,t為 單位時(shí)間內(nèi)高斯分布數(shù)更改的次數(shù)，即更新頻率;Tf為對(duì)更新頻率進(jìn)行判斷的闊值。
[0060] 其中，Qi,t為t時(shí)刻第i個(gè)學(xué)習(xí)率的取值;a〇為初始學(xué)習(xí)率，取值一般為0.01~0.1，f 為單位時(shí)間內(nèi)高斯分布數(shù)更改的次數(shù)，即更新頻率;Tf為對(duì)更新頻率進(jìn)行判斷的闊值。
[0061] 權(quán)值、均值、方差更新
[0062] 權(quán)值更新計(jì)算公式如下：
[006；3] 〇k't=(l-ak't)*?k't-i+ak't*Mk't (5)
[0064] 其中，為t時(shí)刻第k個(gè)高斯混合模型的權(quán)值。Mk,t為匹配因子，對(duì)于匹配的模型 Mk,t = l;否貝lJ，Mk,t = 0。
[0065] 對(duì)于未匹配的模型，其均值ii與方差O2不變。
[0066] 對(duì)于匹配的模型，其參數(shù)更新公式如下：
[0067]
[006引
[0069] (8).
[0070] 其中，Pk,tP為參數(shù)更新因子;rl(Xt，?,t，Ok,t)為t時(shí)刻高斯混合模型，其計(jì)算公式如 下：
[0071] 巧）
[0072] 其中：
，Si,t為方差，I為二維單位矩陣。
[0073] 高斯模型更新
[0074] 改進(jìn)的高斯混合模型建立過(guò)程如下圖1所示，對(duì)k個(gè)高斯分布按照權(quán)值CO i,t的大小 進(jìn)行排序，其中ie[l，K]。依據(jù)是否與現(xiàn)有高斯分布匹配，按圖2進(jìn)行更新如果像素值與現(xiàn) 有分布都不匹配，若分布數(shù)K值未達(dá)到最大值，則新增一個(gè)高斯分布;若分布數(shù)K值已經(jīng)達(dá)到 最大值，則刪除權(quán)值最小的高斯分布，再新增一個(gè)高斯分布。
[0075] 如果存在高斯分布滿(mǎn)足公式（10)，即均值相近，則進(jìn)行分布合并，將權(quán)重較大的分 布進(jìn)行更新處理，較小的則刪除。
[0076] I 山-山 I《IV (10)
[0077] 其中，IV為均值最小間隔的闊值。
[0078] 對(duì)分布數(shù)與均值進(jìn)行處理后，再進(jìn)行權(quán)重的判斷。如果權(quán)值低于闊值，則將不滿(mǎn)足 當(dāng)前要求的高斯分布舍去。
[0079] 實(shí)驗(yàn)驗(yàn)證
[0080] 實(shí)施例方法基于Microsoft Visual Sl:udio 2010平臺(tái)，利用Opencv計(jì)算機(jī)視覺(jué)庫(kù) 進(jìn)行開(kāi)發(fā)，將原始視頻圖像圖3導(dǎo)入，通過(guò)化encv自帶的高斯混合模型，對(duì)圖3進(jìn)行運(yùn)動(dòng)物體 檢測(cè)得到圖4,利用實(shí)施例方法對(duì)圖3進(jìn)行運(yùn)動(dòng)物體檢測(cè)得到圖5,可W看出圖5對(duì)比圖4具有 明顯的邊緣細(xì)節(jié)信息。
【主權(quán)項(xiàng)】
1. 一種改進(jìn)的自適應(yīng)高斯混合模型運(yùn)動(dòng)目標(biāo)檢測(cè)方法，其特征在于，包括： 51、 初始化高斯分布和參數(shù)，對(duì)k個(gè)高斯分布按照權(quán)值ω i, t的大小進(jìn)行排序，其中i e [1,K]; 52、 更新分布，依據(jù)是否與現(xiàn)有高斯分布匹配，進(jìn)行更新，包括更新高權(quán)重分布、合并權(quán) 重接近分布、刪除低權(quán)重分布、增添新分布，具體為： 521、 如果像素值與已有分布都不匹配，若分布數(shù)K值未達(dá)到最大值，則新增一個(gè)高斯分 布;若分布數(shù)K值已經(jīng)達(dá)到最大值，則刪除權(quán)值最小的高斯分布，再新增一個(gè)高斯分布； 如果存在高斯分布滿(mǎn)足公式（10)，即均值相近，則進(jìn)行分布合并，將權(quán)值較大的分布進(jìn) 行更新處理，權(quán)值較小的分布則刪除； Ux-Uy I <Τμ (10) 其中，IV為均值最小間隔的閾值，μχ、表示兩個(gè)不同分布的均值； 522、 對(duì)分布數(shù)與均值進(jìn)行處理后，再進(jìn)行權(quán)重的判斷；如果權(quán)值低于閾值，則將不滿(mǎn)足 當(dāng)前要求的高斯分布舍去。2. 如權(quán)利要求1所述的改進(jìn)的自適應(yīng)高斯混合模型運(yùn)動(dòng)目標(biāo)檢測(cè)方法，其特征在于，步 驟Sl中，參數(shù)均值μ〇的初始化具體為：(1) (2) 式(1 )、（ 2)中，N為視頻圖像數(shù)目；Xt為t時(shí)刻像素的取值。3. 如權(quán)利要求1所述的改進(jìn)的自適應(yīng)高斯混合模型運(yùn)動(dòng)目標(biāo)檢測(cè)方法，其特征在于，步(3) 其中，Kl、Km、Ks分別為三種級(jí)別的高斯分布數(shù)，Tk1、Tk2為分配初始分布數(shù)所需的閾值;K 0 值的取值為1~5。4. 如權(quán)利要求1-3任一項(xiàng)所述的改進(jìn)的自適應(yīng)高斯混合模型運(yùn)動(dòng)目標(biāo)檢測(cè)方法，其特 征在于，步驟S21中，權(quán)值更新計(jì)算公式如下： ?k，t= (1-cik，t)* Wk, t-i+ak，t*Mk，t (5) 其中，《k,t為t時(shí)刻第k個(gè)高斯混合模型的權(quán)值，ak,t*t時(shí)刻第k個(gè)高斯混合模型的學(xué)習(xí) 率，Mk,t為匹配因子，對(duì)于匹配的模型Mk,t = l;否則，Mk,t = 0。5. 如權(quán)利要求1-3任一項(xiàng)所述的改進(jìn)的自適應(yīng)高斯混合模型運(yùn)動(dòng)目標(biāo)檢測(cè)方法，其特 征在于，步驟S21中，對(duì)于未匹配的模型，其均值μ與方差 〇2不變;對(duì)于匹配的模型，其參數(shù)更 新公式如下：(8) 其中，Pk,t為t時(shí)刻第k個(gè)高斯混合模型的參數(shù)更新因子;!!(^^!^，(^。為切寸刻高斯混 合模型，其計(jì)算公式如下：其中=被/ ^"為方差，I為二維單位矩陣，XtSt時(shí)刻該點(diǎn)的像素值，μ1;?為t時(shí)刻第 i個(gè)高斯混合模型的均值。6.如權(quán)利要求5所述的改進(jìn)的自適應(yīng)高斯混合模型運(yùn)動(dòng)目標(biāo)檢測(cè)方法，其特征在于，學(xué) 習(xí)率ak,t更新具體為：(4) 其中，ak,t為t時(shí)刻第k個(gè)學(xué)習(xí)率的取值;a〇為初始學(xué)習(xí)率，取值為〇.〇1~〇.l，f k,t為單位 時(shí)間內(nèi)高斯分布數(shù)更改的次數(shù)，即更新頻率;Tf為對(duì)更新頻率進(jìn)行判斷的閾值。
【文檔編號(hào)】G06T7/20GK106023258SQ201610357287
【公開(kāi)日】2016年10月12日
【申請(qǐng)日】2016年5月26日
【發(fā)明人】黃穎, 黃淮, 楊成順, 黃宵寧
【申請(qǐng)人】南京工程學(xué)院