基于改进GMM算法的运动目标检测

李伟杰

摘要：背景建模及运动目标的提取是运动目标检测的研究热点和经典难题。基于传统的背景建模方法，提出一种基于自适应的改进GMM方法的背景建模新算法以获得高效和准确的分割结果。为了得到良好的背景模型，模型里各高斯分布的均值和方差需要根据场景的变化进行对应的更新。首先改进了前景构图方法，然后对高斯分布均值和方差的参数更新机制进行改进，提高了算法的精确性。仿真的结果显示：改进后的算法具有更好的抗干扰能力，能够应对背景的变化，减少误检和漏检现象的发生。

关键词：背景建模；运动目标检测；改进GMM；参数更新机制

1.概述

运动目标检测是从视频图像中把运动目标检测出来，是计算机视觉的重要分支之一。背景减除是目前使用的主要方法，但是当背景中包含阴影、波动的水面、无关的运动物体，甚至发生摄像头抖动、光照变化，建立准确的背景模型十分困难，所以背景模型的建立和更新成为研究热点和难点。为了解决上述问题，研究人员提出了改进方法。文献[1]利用HSV建立模型，很好地消除光照和阴影的干扰。文献[2]在图像的背景区域和前景区域使用不同的参数更新速率，解决了由于更新速度过慢而出现的“虚影”情况。文献[3]融入改进帧差法的混合高斯建模，很好地去除噪声的干扰。文献[4]对视频帧进行分块处理，使用块的像素均值进行背景建模，该算法的运算量小，检测效果好。文献[5]混合高斯模型中融入三帧差分法，能够较好地处理长期静止的物体突然运动引起的误检问题，并且对于阴影抑制有较好的效果。

2.高斯混合背景建模

2.1背景模型的初始化

高斯混合模型为图像中的像素点建立了K个高斯分布，然后用这K个高斯分布的加权和去描述一幅图像。将图像序列中的任意一点像素x，y的灰度当作一个独立的统计过程，假设其服从高斯分布，记为N（μ，σ）。图像序列I1，I2，…，IN在t时刻t∈1，2，…，N的图像It的概率密度函数表示为：

对于匹配不成功的高斯分布，在更新背景模型时，它的均值和方差都保持不变。

2.3背景建模

当获得新的一帧图像时，根据背景更新公式来更新模型参数，把K个高斯分布按权值大小进行排列，选择权值大的b个高斯分布进行求和，当它的值大于阈值T时，那么这b个分布就构成了新的背景模型，即：

通过上述的高斯混合模型方法建模获得背景图像，然后根据一定的阈值利用背景减除提取出运动的前景图像Dt：

3.改进GMM的运动目标检测

对于传统的高斯混合模型分析，获得如下结论：在待测目标较大且运动较慢时，传统的高斯混合模型无法实现精准地检测。此外，因为采用的是统一不变的更新速率，不能把握运动目标的速度变化情况，从而不能精确地区分该点是属于运动背景的区域还是运动目标的区域，容易将运动的背景错检为运动目标。而且在运动目标从长时间静止不动开始缓慢运动时，常常会有“虚影”现象。针对以上出现的问题，通过改进前景构图法和自适应更新速率，提高高斯混合模型的准确性和实时性。

3.1改进的前景图像构建法

高斯混合模型按公式（7）提取目标时，如果目标的颜色和背景的颜色相近或相同，则那部分信息会发生缺失，从而造成目标空洞或孤立点。高斯混合模型可以同时为背景和前景建模，当满足公式（3）时，判断该像素点是属于背景点，否则判断该点属于前景点。这样将不匹配的点集合在一起，就可以构成前景图像FGt，如公式（9）。而匹配的点集合在一起构成了背景图像，将原始图像和背景图像差分得到图像Dt，最后将图像Dt和图像FGt按比例合成，得到最终的目标图像，具体内容如公式（10）所示：

3.2背景更新速率的选取

对于高斯混合模型并不需要实时更新每一帧的各个像素，而在建立背景模型时通过对指定的少数几帧进行统计，只要背景更新阶段控制一些像素的更新速率就行了。详细过程为：在背景更新阶段，对于新读取的帧图像的每一个像素点设定一个计数器cou（初始值为0），当像素点被判定为背景时，那么cou就自增1；当像素点被判为前景时，cou重新置0。当cou超过设定的阈值Th时，就认为这个像素点是场景中长期不变的背景像素。首先将cou重新置0，然后计算当前像素值和高斯分布的匹配度：

对于图像中长时间不变的像素点，进行参数更新时，该像素点更新延迟的时间T与它和高斯分布的匹配程度成正比。当该像素点连续Th帧被判为背景且它的权重大于ωt时，那么将在接下来的T帧中，对其模型参数不进行更新。等到T帧过后，像素点对应的高斯分布的参数设置与背景建立阶段的第一帧的初始化一致。

改进高斯混合模型流程如图1所示，具体为：

1）收集前几帧的图像信息，从而初始化高斯混合模型的参数，并确定背景与前景的更新速率；

2）通过对每帧图像的像素进行分析，分别得到背景图像与前景图像；

3）利用背景减除法，将背景图像与当前帧的图像相减，并通过阈值分离，得到新的前景图像；

4）将新得到的前景图像与高斯混合模型分离出的前景图像按比例进行合成，得到最终的前景图像。

4.实验结果及分析

为了验证本算法的有效性，将本文算法和传统的高斯建模方法进行了对比。下面列举几个典型的实验结果。图2是测试视频的原图、传统模型的分割前景和改进模型的分割前景。实验结果选取了第71帧图片，从两幅图片对比可以看出改进的GMM算法提取的前景图像效果更好，而且不会引入新的干扰噪声。

为了验证改进的更新速率对运动检测的影响，通过视频中运动的物体静止一段时间后的检测结果和长时间静止物体开始运动的检测结果进行判断。其中第480帧和第520帧为处于静止时的处理结果，第620帧为从静止开始运动的处理结果，通过对比可以发现改进的自适应更新速率，较好的消除了“虚影”现象。

5.结论

在运动目标检测中，针对传统高斯混合模型存在的不足提出了改进，首先是对前景图像构建方法的改进，原有的高斯混合模型是对背景建模通过差分获得运动目标，而本文对于背景和前景分别建模，然后按照比例进行图像融合获得新的运动目标；此外，针对背景和前景采用不同的自适应更新速率。通过实验结果表明：该方法相较于传统的高斯模型具有更好的轮廓提取效果，而且对于运动物体停止后在一定时间内仍然具有良好的检测效果。

（作者单位：浙江万里学院宁波市DSP重点实验室）

参考文献：

[1]陈祖爵，陈潇君，何鸿.基于改进的混合高斯模型的运动目标检测[J].中国图像图形学报，2007，12（9）：1585-1589.

[2]付冬梅，唐升波.基于改进的混合高斯模型的红外运动目标检测[J].红外技术，2013，36（8）：628-632.

[3]华媛蕾，刘万军.改进混合高斯模型的运动目标检测算法[J].计算机应用，2014，34（2）：580-584.

[4]徐凯，曾宪林，颜广.基于改进的混合高斯背景模型的运动目标检测研究[J].科技广场，2012，7：74-77.

[5]魏建猛，陳松，庞首颜.改进的混合高斯模型视频运动目标检测算法[J].重庆交通大学学报，2013，32（2）：365-368.