一种基于改进的混合高斯模型的运动目标检测算法

李旭健+张丛静

摘 要：在计算机视觉应用中，复杂场景运动目标检测是视频监控、目标追踪的基础，也是智能视频监控领域的研究热点之一。针对现有运动目标检测算法中阴影干扰和参数初始化粗糙的问题，在混合高斯背景建模的基础上采用HSV颜色空间替换原有的RGB颜色模式，并提出一种结合K均值算法与EM算法的参数初始化方法。实验表明，该算法可以有效抑制场景中运动物体的阴影干扰，检测结果更加精确，对复杂场景下的运动目标有较好的检测效果。

关键词关键词：混合高斯模型；目标检测；EM算法；HSV颜色空间

DOIDOI：10.11907/rjdk.161863

中图分类号：TP312

文献标识码：A ：1672-7800（2016）008-0010-03

0 引言

新一代智能视频监控技术的应用范围越来越广，涉及计算机视觉、模式识别、人工智能、图像处理等各个领域，其中运动目标的实时检测是一个基础而又关键的环节[1]。目前，在固定摄像头的监控系统中，主要采用的检测技术有光流法、帧差法和背景差法。Stauffer基于背景差法最早提出用混合高斯建模来描述渐变的动态背景，对图像中像素采用固定数量的高斯分布，该方法能适应缓慢的光照变化，有较好的自适应能力[2]。

由于RGB颜色空间对运动目标的阴影识别能力很差，所以传统的混合高斯算法无法有效地抑制阴影，目标检测效果不是很理想。而HSV空间对运动目标阴影有很好的识别能力，能有效抑制阴影的干扰。因此本文采用HSV混合高斯建模替代原有的RGB颜色模式，并针对传统EM算法对初始化敏感和运行速度慢的问题，提出一种结合K均值算法与EM算法参数初始化的改进算法。一方面降低了EM算法对初始值的依赖性；另一方面，也有效提高了收敛速度及混合高斯模型参数估计值的精度。实验表明该算法能有效抑制阴影干扰，对室外复杂场景下的运动目标有较好的检测效果和鲁棒性。

1 基于改进混合高斯模型的运动目标检测算法

本文算法主要分3个阶段，第一阶段建立背景模型，将RGB颜色模型转化为HSV模式，采用HSV混合高斯建模；第二阶段结合K均值算法与EM算法完成参数的初始化；第三阶段完成运动目标像素值匹配和混合高斯背景模型的更新工作。具体流程见图1。

1.2 K均值与EM算法结合的模型参数初始化

传统高斯分布利用K均值算法初始化参数，该方法对噪声和孤立点数据敏感，在复杂场景中的误差较大[5]。文献[6]利用最大期望（EM）算法初始化参数，该算法精准度较高，收敛稳定，但运行速度慢且对参数初始值敏感，初始化的设定会对结果产生很大的影响。文献[7]利用K均值算法对EM算法进行初始化，解决了计算速度慢的问题，但在选取聚类中心时，随机抽取样本值以及采用矩估计法计算参数迭代的初始值，使得参数估计不够准确。

本文结合K均值算法与EM算法初始化模型参数，利用K均值算法先给出混合数据的一个粗略分类，按照分类数据给出参数的原始估计值，作为 EM算法迭代的初始值。由于抽取的像素样本不知道归类于哪个分布，引入隐藏变量，计算隐藏变量的对数似然函数的期望，即每个像素属于不同模型的概率，最后利用上步求得的最大似然值重新估计参数的值，如此反复，直到收敛[9]。该算法加快了EM算法的迭代速度，而且使得初始化结果更加精确。具体步骤如下：

2 实验结果与分析

为检测本文算法对运动目标的有效性，对该算法进行实验验证。实验计算机CPU为Pentium（R） E5300 2.80GHZ，内存为2.00GB，仿真软件为Matlab7.0，对算法进行检测时，假定各像素之间相互独立。

混合高斯模型的最大高斯分布的上限为5，初始权值取0.3。本次实验采取了3段视频，视频信息如表1所示，检测效果如图2所示。

图2 为两种方法在3个测试集进行应用的结果，分别为单独行驶的车辆Free.avi视频，多车辆行驶Busy.avi视频和正常车流量检测视频Normal.avi。针对每一个视频，给出了测试图像、传统混合高斯分布背景模型、传统混合高斯分布的前景检测效果和本文算法的前景检测效果。纵向效果比对，由于Free.avi视频中道路上没有多余的车辆，检测较为明显；而Busy.avi视频中因为车辆较多，受相互叠加的阴影影响，检测效果稍差；Normal.avi检测出了主体目标，效果较好，但是存在明显的噪声和空洞。横

向比对，从检测图像（b）、（c）中可以看出，传统的混合高斯模型算法能够识别运动目标，但是存在明显的阴影噪声和大量空洞[11]，目标物体检测不连贯，并且存在漏检现象。图像（d）为本文的检测算法，可以看出，改进后的混合高斯算法，抑制阴影的效果较为明显，檢测的准确性也有较大提升，不足之处在于依然存在部分空洞和噪声，需要后续处理。

3 结语

本文提出了一种基于改进的混合高斯模型的运动目标检测算法，采用HSV混合高斯建立背景模型，将RGB颜色模型转化为HSV模式，结合K均值算法与EM算法完成参数初始化，最后完成运动目标像素值匹配和背景模型的更新。实验证明，在室外正常阳光照射下，该算法可以有效抑制运动目标阴影，检测结果也更加准确，具有良好的鲁棒性。

参考文献：

[1]杨婷婷.交叉口区域多运动车辆跟踪与交通事件检测[D].合肥：中国科学技术大学，2015.

[2]柯佳，詹永照，陈潇君，等.轨迹和多标签超图配对融合的视频复杂事件检测[J].中国图象图形学报，2013（12）：26-32.

[3]林庆，徐柱，王士同，等. HSV自适应混合高斯模型的运动目标检测[J]. 计算机科学，2010（10）：254-256，290.

[4]吴文星. 基于超声电机的视频运动目标跟踪系统[D].南京：南京航空航天大学，2012.

[5]LIY， LI L.A novel split and merge EM algorithm for gaussianmixture model [C].Proceedings of the 5th International Conference on Natural Computation，2009：479-483.

[6]李百惠，杨庚. 混合高斯模型的自适应前景提取[J]. 中国图象图形学报，2013（18）：1620-1627.

[7]王军，柳红岩.基于三目视觉系统的车辆导引方法[J].计算机应用.2014（6）：54-57.

[8]邵奇可，周宇，李路，等.复杂场景下自适应背景减除算法[J]. 中国图象图形学报，201（6）：756-763.

[9]李百惠，杨庚. 混合高斯模型的自适应前景提取[J]. 中国图象图形学报，2013（12）：1620-1627.

[10]黄文丽，范勇，李绘卓，等. 改进的混合高斯算法[J]. 计算机工程与设计，2011（2）：592-595.

[11]范文超，李晓宇，魏凯，等.基于改进的高斯混合模型的运动目标检测[J]. 计算机科学，2015（5）：286-288，319.

[12]李鸿. 基于混合高斯模型的运动检测及阴影消除算法研究[D].天津：中国民航大学，2013.

（责任编辑：陈福时）