论文部分内容阅读
摘要：基于视频图像的运动目标检测是计算机视觉领域的热点问题，背景差分法是目标检测经典算法。本文提出高斯背景建模算法，该方法通过建立背景的高斯分布模型，来区分前景与背景，从而能更好地从背景中提取出前景目标。
关键词：目标检测；背景差分法；混合高斯建模
中图分类号：TP18 文献标识码：A 文章编号：1009-3044（2016）05-0229-02
Abstract：Moving object detectin in video sequence images is becoming a hot issue in computer vision. Background subtraction is the classic the moving object detecting method. the Gaussian background model method is used to detect the target in this paper. The background of the Gaussian distribution model is established to distinguish between foreground and background. Thus， the foreground targets are better able to be extracted from the background.
Key words： target tracking； the background subtraction； gaussian mixture model
背景差分算法实现简单，计算量比较小，它能够提取出比较完整的目标。在背景差分法的应用中，在静态背景下，背景差分法对单目标的检测的效果是很好的，但是涉及场景中出现多个目标的情况，简单的背景差分还不能够满足目标检测的需要，假如没有合适的背景模型的话，场景的改变就可能影响目标检测。由于之前也提出的背景的复杂程度以及各种干扰因素的存在，如光照突变、背景抖动等。假如忽略背景的渐变性，差分结果很难达到理想检测结果[1]。所以，在运动目标检测过程中，背景模型有很大的作用，所以在检测中就需要建立恰当的背景模型。
对以上情况的考虑，本文在背景差分法的基础之下，提出背景建模法来完成多目标的检测。背景建模法的基本思想就是通过对背景建立模型，在新一帧图像出现时，与背景模型进行一定条件的匹配，然后得出前景目标。在背景差分法中最常见的方法就是高斯背景建模，所以，在本系统的设计中利用高斯背景建模法来完成多目标检测的任务。
1单高斯背景模型
2混合高斯背景建模
混合高斯背景建模对背景的要求很高，背景中很多的因素都有可能会导致背景的变化，从而会影响目标的检测效果。下面，主要分析一下背景变化的原因和混合高斯背景建模的具体实现。
2.1 背景变化的原因
检测目标的过程中，存在许多外在条件的影响。无论在室内还是室外，会有许多外在条件引起背景的变化，因此在目标检测过程中，需要及时更新需要被比较的背景模型，以适应背景的变化。造成背景变化的主要因素有以下几类：光照条件的改变；背景扰动；背景的改变；目标遮挡问题。
以上因素给目标检测带来很大的影响，会使背景建模及背景更新变难。研究者们也在不断地探索如何避免这些因素的干扰。
2.2 混合高斯背景建模与更新
混合高斯背景模型是单高斯模型的改进算法。单高斯模型把一个高斯分布当做相应某一像素值的概率密度分布。本文所用到的混合高斯模型是在单高斯模型的基础上，用许多个高斯概率密度函数，把它们的加权平均计算出来，并用其表示不同形态的概率密度分布。
在了解高斯建模之前，要区分背景和前景的概念，背景其实就是事态发生的某一特定的环境，而前景是指假设背景静止的情况下，环境中出现的任何有意义的运动物体[19]。混合高斯背景建模的主要任务就是前景检测。本文混合高斯背景建模设计的主要思想就是建立背景模型，进行背景差分运算，并且不断地更新背景模型，实现背景拟合。主要是想让背景模型更加符合当前帧的背景，以便把提取出前景模型。
混合高斯建模通过[K（K≥2）]个高斯模型描述每个像素点的性质，模型建立好后，当出现新的一帧图像时，要更新背景模型，然后用当前图像中的像素点与所建立的模型进行匹配，直到找到能与该像素匹配的模型，如果匹配成功，则该像素属于背景，如果不成功，则该像素属于前景[3]。
2.3 静态背景下运动目标检测
本文实现的目标检测是在摄像头固定，背景静止的情况下实现的，利用混合高斯背景建模法将图像分为背景和前景，利用2.2节背景建模方法对背景进行建模，然后把当前帧图像和构建的背景参考模型逐点进行差分运算，得到目标前景。
混合高斯背景建模的具体分析：
（1） 首先，初始化高斯模型参数，将每个模型的均值、方差、权值设为0。
（2） 获取理想的背景图像。对于每个视频中的前[N]帧，进行背景建模。在建模过程中，要对第一个像素的参数值进行初始化设定，一般情况下，将方差的值设置的大一些，权值设置的小一些。方差设置的大一些可以把尽可能多的像素包含在一个模型里，以便获得更可靠的背景模型。
（3） 模型匹配，把当前的像素与背景模型相匹配，区分前景和背景。在检测完以后，若该像素被认为是前景，对前景结果二值化，得出运动目标[21]，并对结果进行形态学去噪处理。
（4） 不断更新背景帧，即把前一帧当做是背景帧，才能实现动态背景条件下运动目标的检测。、
3结束语
本文主要分析了单高斯背景模型的基本原理与建模过程，通过对原理的分析来了解单目标检测的具体实现方法。并且对混合高斯背景建模法的原理及其建模的步骤做了详细的分析。
参考文献：
[1]王春涛.基于背景差分法和光流法的视频动态目标检测与跟踪[J].软件导刊，2011（6）：145-147.
[2] Stauffer C， Grimson W. Adaptive background mixture models for real-time tracking[C]. IEEE International Conference on Computer Vision and Pattern Recognition， 1999： 246-252.
[3] 孙吉花.背景减除的算法研究[D].国防科学技术大学，2006.
[4] 黄超群.基于混合高斯模型和Kalman滤波器的运动目标检测与跟踪[D].云南大学，2010.
关键词：目标检测；背景差分法；混合高斯建模
中图分类号：TP18 文献标识码：A 文章编号：1009-3044（2016）05-0229-02
Abstract：Moving object detectin in video sequence images is becoming a hot issue in computer vision. Background subtraction is the classic the moving object detecting method. the Gaussian background model method is used to detect the target in this paper. The background of the Gaussian distribution model is established to distinguish between foreground and background. Thus， the foreground targets are better able to be extracted from the background.
Key words： target tracking； the background subtraction； gaussian mixture model
背景差分算法实现简单，计算量比较小，它能够提取出比较完整的目标。在背景差分法的应用中，在静态背景下，背景差分法对单目标的检测的效果是很好的，但是涉及场景中出现多个目标的情况，简单的背景差分还不能够满足目标检测的需要，假如没有合适的背景模型的话，场景的改变就可能影响目标检测。由于之前也提出的背景的复杂程度以及各种干扰因素的存在，如光照突变、背景抖动等。假如忽略背景的渐变性，差分结果很难达到理想检测结果[1]。所以，在运动目标检测过程中，背景模型有很大的作用，所以在检测中就需要建立恰当的背景模型。
对以上情况的考虑，本文在背景差分法的基础之下，提出背景建模法来完成多目标的检测。背景建模法的基本思想就是通过对背景建立模型，在新一帧图像出现时，与背景模型进行一定条件的匹配，然后得出前景目标。在背景差分法中最常见的方法就是高斯背景建模，所以，在本系统的设计中利用高斯背景建模法来完成多目标检测的任务。
1单高斯背景模型
2混合高斯背景建模
混合高斯背景建模对背景的要求很高，背景中很多的因素都有可能会导致背景的变化，从而会影响目标的检测效果。下面，主要分析一下背景变化的原因和混合高斯背景建模的具体实现。
2.1 背景变化的原因
检测目标的过程中，存在许多外在条件的影响。无论在室内还是室外，会有许多外在条件引起背景的变化，因此在目标检测过程中，需要及时更新需要被比较的背景模型，以适应背景的变化。造成背景变化的主要因素有以下几类：光照条件的改变；背景扰动；背景的改变；目标遮挡问题。
以上因素给目标检测带来很大的影响，会使背景建模及背景更新变难。研究者们也在不断地探索如何避免这些因素的干扰。
2.2 混合高斯背景建模与更新
混合高斯背景模型是单高斯模型的改进算法。单高斯模型把一个高斯分布当做相应某一像素值的概率密度分布。本文所用到的混合高斯模型是在单高斯模型的基础上，用许多个高斯概率密度函数，把它们的加权平均计算出来，并用其表示不同形态的概率密度分布。
在了解高斯建模之前，要区分背景和前景的概念，背景其实就是事态发生的某一特定的环境，而前景是指假设背景静止的情况下，环境中出现的任何有意义的运动物体[19]。混合高斯背景建模的主要任务就是前景检测。本文混合高斯背景建模设计的主要思想就是建立背景模型，进行背景差分运算，并且不断地更新背景模型，实现背景拟合。主要是想让背景模型更加符合当前帧的背景，以便把提取出前景模型。
混合高斯建模通过[K（K≥2）]个高斯模型描述每个像素点的性质，模型建立好后，当出现新的一帧图像时，要更新背景模型，然后用当前图像中的像素点与所建立的模型进行匹配，直到找到能与该像素匹配的模型，如果匹配成功，则该像素属于背景，如果不成功，则该像素属于前景[3]。
2.3 静态背景下运动目标检测
本文实现的目标检测是在摄像头固定，背景静止的情况下实现的，利用混合高斯背景建模法将图像分为背景和前景，利用2.2节背景建模方法对背景进行建模，然后把当前帧图像和构建的背景参考模型逐点进行差分运算，得到目标前景。
混合高斯背景建模的具体分析：
（1） 首先，初始化高斯模型参数，将每个模型的均值、方差、权值设为0。
（2） 获取理想的背景图像。对于每个视频中的前[N]帧，进行背景建模。在建模过程中，要对第一个像素的参数值进行初始化设定，一般情况下，将方差的值设置的大一些，权值设置的小一些。方差设置的大一些可以把尽可能多的像素包含在一个模型里，以便获得更可靠的背景模型。
（3） 模型匹配，把当前的像素与背景模型相匹配，区分前景和背景。在检测完以后，若该像素被认为是前景，对前景结果二值化，得出运动目标[21]，并对结果进行形态学去噪处理。
（4） 不断更新背景帧，即把前一帧当做是背景帧，才能实现动态背景条件下运动目标的检测。、
3结束语
本文主要分析了单高斯背景模型的基本原理与建模过程，通过对原理的分析来了解单目标检测的具体实现方法。并且对混合高斯背景建模法的原理及其建模的步骤做了详细的分析。
参考文献：
[1]王春涛.基于背景差分法和光流法的视频动态目标检测与跟踪[J].软件导刊，2011（6）：145-147.
[2] Stauffer C， Grimson W. Adaptive background mixture models for real-time tracking[C]. IEEE International Conference on Computer Vision and Pattern Recognition， 1999： 246-252.
[3] 孙吉花.背景减除的算法研究[D].国防科学技术大学，2006.
[4] 黄超群.基于混合高斯模型和Kalman滤波器的运动目标检测与跟踪[D].云南大学，2010.