改进的自适应高斯混合模型运动目标检测算法

2017-06-12 02:50唐洪良黄颖黄淮杨成顺黄宵宁
现代电子技术 2017年11期
关键词:高斯分布

唐洪良++黄颖+黄淮+杨成顺+黄宵宁

摘 要: 传统的高斯混合模型学习率和分布数取值固定,不能精确地描述变换的背景,同时存在数据冗余等问题,针对这些不足,进行了以下三个方面的改进。在模型初始化阶段,针对不同的环境设定各异的初始分布数;根据环境变化快慢程度,动态调整学习率的取值;不斷更新高斯分布,删除不满足要求的模型,创建新的分布。实验结果表明,改进的自适应高斯混合模型较传统高斯混合模型,显著提高了运动物体检测的准确性。

关键词: 高斯混合模型; 运动物体检测; 高斯分布; 学习率取值

中图分类号: TN911.72?34 文献标识码: A 文章编号: 1004?373X(2017)11?0065?03

Moving target detection algorithm for improved adaptive Gaussian mixture model

TANG Hongliang1, HUANG Ying2, HUANG Huai2, YANG Chengshun2, HUANG Xiaoning2

(1. Yuhang Power Supply Comppany of SGCC, Hangzhou 311100, China;

2. School of Electric Power Engineering, Nanjing Institute of Technology, Nanjing 211167, China)

Abstract: Since the traditional Gaussian mixture model has fixed learning rate and distribution number, can′t describe the transformation background accurately, and exists the data redundancy, the Gaussian mixture model was improved in the following three aspects. In the stage of the model initialization, the various initial distribution numbers are set according to different environments. The value of learning rate is adjusted dynamically according to the speed of the environmental change. The Gaussian distribution is updated continuously to delete the model that can′t satisfy the requirement, and create the new distribution. The experimental results show that, in comparison with the traditional Gaussian mixture model, this adaptive Gaussian mixture model can improve the detection accuracy of moving object significantly.

Keywords: Gaussian mixture model; moving object detection; Gaussian distribution; learning rate valuation

0 引 言

目前,光流法、帧差法、背景减除法是运动目标检测的常用算法[1]。其中,光流法计算复杂,需要专门的硬件支持,实时性和实用性都较差[2]。帧差法虽然能有效去除静止的背景,但往往提取的目标比较粗糙,比实际的运动目标轮廓要大[3],并且目标中会出现空洞和“双影”现象。背景减除法必须要有背景图像,并且背景图像必须随着外部环境的变化而实时更新[4],因此背景减除法的关键是背景建模及其更新。

从实际应用角度来看,帧差法和背景减除法相结合的运动检测方法是使用最广泛的一种方法[5]。但由于这两种方法各自存在问题,如突变光照、模型的收敛速度等,结合起来仍有一定的细节需要兼顾。

针对以上问题,本文提出一种改进的基于混合高斯模型的运动目标检测算法。实验结果表明,该方法不仅有效地解决了帧差法检测快速移动运动目标时出现的“双影”现象[6],而且明显提升了对缓慢运动物体的检测效果,增强了背景的描述精度。

3 实验结果与分析

本文选择测试视频sWasteBasket.avi进行实验,实验在Visual Studio 2010环境下进行,基于OpenCV,硬件平台为Pentium Dual?Core, 2.6 GHz,4 GB内存。

图3、图4分别为第145帧和第377帧视频原图;图5、图6分别为对应视频在传统高斯混合模型的目标检测;图7、图8分别为对应视频在改进的自适应高斯混合模型的目标检测结果。

从图5与图7以及图6与图8 的对比中,可以看到,改进的自适应高斯混合模型在检测运动目标时较传统高斯混合模型而言,更加细致、精确,达到了较好的检测效果。

4 结 论

本文提出一种改进的自适应高斯混合模型目标检测方法。在初始化高斯模型时就将分布数按照方差的大小,做出不同的初值设定;在参数更新时,依据背景变化率的快慢,动态调整学习率,从而更准确地调整各参数的变化;通过对分布数、均值以及权值等参数动态调整分布数,减少系统资源的浪费,更高效地检测运动物体。实验结果表明,改进的自适应高斯混合模型较传统模型,可以更精准地检测运动物体。

参考文献

[1] 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,2015,42(5):286?288.

[2] 邱朕奎,刘启亮,赵予龙,等.混合高斯背景模型目标检测的一种改进算法[J].计算机仿真,2014,31(5):378?384.

[3] 李菊,李克清,苏勇刚.Markov随机游走和高斯混合模型相结合的运动目标检测算法[J].电子测量与仪器学报,2014,28(5):533?537.

[4] 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,2015,42(5):286?288.

[5] 黄苏雨,熊建强,陈红,等.改进混合高斯模型的运动目标检测与跟踪算法[J].计算机测量与控制,2015,23(3):861?863.

[6] SUN Xiaoyan, CHANG Faliang. Background model combining Gauss model with local binary pattern feature [J]. Journal of convergence information technology, 2012, 7(7): 174?180.

[7] 陈佳,朱长仁,钱智明.一种基于帧差分法与快速图分割相结合的运动目标检测方法[J].现代电子技术,2016,39(3):13?17.

[8] 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.

[9] 贾丽娟.融合SORM背景模型和DTCNN阈值模型的运动目标检测[J].计算机工程,2016,42(1):220?224.

[10] 邓文浩,唐立才,张南峰,等.基于改进的帧差法和Mean?shift结合的运动目标自动检测与跟踪[J].现代电子技术,2016,39(4):108?111.

[11] 韩明,刘教民,孟军英,等.一种自适应调整k?ρ的混合高斯背景建模和目标检测算法[J].电子与信息学报,2014,36(8):2023?2027.

猜你喜欢
高斯分布
利用Box-Cox变换对移动通信中小区级业务流量分布的研究
基于遥测数据的浮标漂移位置建模
数理统计在西语专四考试成绩分析及提升中的应用?
2种非对称广义高斯分布模型的构造
静态存储器用非晶硅薄膜晶体管输出特性研究
在航集装箱船舶摇摆姿态的概率模型
不同分布特性随机噪声的FPGA实现
一种基于改进混合高斯模型的前景检测
基于音节时间长度高斯拟合的汉语音节切分方法
一种改进的混合高斯模型背景估计方法*