一种改进的混合高斯模型运动目标检测算法

任克强，余启明，罗会兰

(江西理工大学信息工程学院，江西 赣州 341000)

责任编辑:魏雨博

运动目标检测是计算机视觉领域中的一个重要内容，其检测效果将会对目标跟踪与识别造成一定的影响［1］。目前较为常用的运动目标检测方法有光流法［2］、帧间差分法［3］和背景减法［4］。目前，常见的背景建模方法有均值滤波、线性预测、W4方法、高斯模型法［5-6］及核密度估计法［7］等。

Stauffer和 Grimson［5］提出的混合高斯建模(Gaussian Mixture Model，GMM)是在户外运动目标检测中应用较多的背景建模方法。刘鑫等［8］将GMM与帧间差分相结合来更新高斯模型的学习速率，增强混合高斯模型处理运动干扰和多层背景的能力。马义德等［9］提出均值与方差采用不同的学习率，其中均值更新采用自适应的学习速率，方差的学习率取固定值的方法，以解决GMM方法中均值和方差自适应性慢等缺点，但对背景更新过慢造成的“拖影”问题处理并不理想。本文对GMM方法进行了改进，将背景建模分为背景初始和背景稳固两个阶段，分别采用不同的自适应策略来更新学习速率，并在HSV空间进行阴影检测和抑制。

1 混合高斯模型

混合高斯模型使用K个高斯模型来表征图像中各个像素点的特征，在获得一帧新的图像后，更新混合高斯模型，采用匹配的方法来判断某像素点是否是背景点。混合高斯模型进行运动目标检测主要包括以下几个步骤:背景建模、参数更新、背景模型的生成以及运动目标的提取。

1.1 背景建模

对视频图像中的每一……