本發(fā)明屬于計(jì)算機(jī)視覺領(lǐng)域，具體地說是一種運(yùn)動(dòng)目標(biāo)檢測(cè)方法，可用于智能監(jiān)控、智能交通、人機(jī)交互、視覺導(dǎo)航、虛擬現(xiàn)實(shí)、醫(yī)學(xué)診斷與可視化手術(shù)。

背景技術(shù)：

隨著社會(huì)的發(fā)展和科技的進(jìn)步，城市視頻監(jiān)控網(wǎng)絡(luò)的發(fā)展越來越迅速，覆蓋到了人類活動(dòng)的各種場所。視頻監(jiān)控在很大程度上保障著城市的人員財(cái)產(chǎn)安全，極大地減少違法犯罪行為。視頻監(jiān)控主要關(guān)注的技術(shù)是對(duì)監(jiān)控視頻中的運(yùn)動(dòng)物體進(jìn)行檢測(cè)、跟蹤、識(shí)別和分析等操作。利用這些技術(shù)，人們可以快速獲得感興趣目標(biāo)的位置、軌跡以及行為等有效信息。運(yùn)動(dòng)目標(biāo)檢測(cè)是運(yùn)動(dòng)目標(biāo)跟蹤、行為識(shí)別和場景描述等技術(shù)的基礎(chǔ)，檢測(cè)的結(jié)果直接影響后續(xù)算法的準(zhǔn)確性。因此，如何提高目標(biāo)檢測(cè)的準(zhǔn)確性和魯棒性，成為計(jì)算機(jī)視覺領(lǐng)域的主要研究方向之一。

目前，運(yùn)動(dòng)目標(biāo)檢測(cè)方法主要有：幀間差分法、背景減除法和光流法。其中，背景減除法是使用最廣泛的方法，它通過比較當(dāng)前幀和背景模型得到運(yùn)動(dòng)目標(biāo)。因此，算法的性能高度取決于背景建模方法。高斯混合模型gmm因其簡單性，多模性，實(shí)時(shí)性成為最受歡迎的背景減除算法。該算法可以較好地抑制動(dòng)態(tài)背景干擾，但該方法對(duì)突然的光照變化和運(yùn)動(dòng)目標(biāo)的陰影敏感，且初始化困難，收斂過程比較耗時(shí)。

在過去的20年里，大量文獻(xiàn)致力于混合高斯模型的研究，主要包括模型初始化方法、模型更新方法和高斯模型個(gè)數(shù)估計(jì)等。在模型的初始化方法中，大部分的方法是基于stauffer和grimson提出的方法，該方法將每個(gè)像素的所有的高斯分量初始化為相同的分布，即均值設(shè)置為第一幀的相應(yīng)像素的像素值，方差初始化為一個(gè)較大的值，初始權(quán)重為1。模型初始化方法也僅僅涉及到模型初始方差的計(jì)算，模型的初始均值和高斯模型權(quán)值仍然采用上述方法得到，使得模型需要較長時(shí)間才能達(dá)到穩(wěn)定。模型更新方法只討論了單個(gè)高斯模型的學(xué)習(xí)率，未考慮各高斯模型之間的關(guān)系。同時(shí)，大部分算法只能檢測(cè)局部光照變化，而不能檢測(cè)全局光照變化。在高斯模型個(gè)數(shù)估計(jì)上，一般采用分裂和合并的方式自適應(yīng)調(diào)整高斯模型的個(gè)數(shù)，但這些算法收斂速度慢。

技術(shù)實(shí)現(xiàn)要素：

針對(duì)現(xiàn)有混合高斯模型的不足，本發(fā)明提出了一種基于改進(jìn)混合高斯模型的運(yùn)動(dòng)目標(biāo)檢測(cè)方法，以提高復(fù)雜場景中模型的收斂速度，減少計(jì)算復(fù)雜度，提高運(yùn)動(dòng)目標(biāo)的檢測(cè)精度。

實(shí)現(xiàn)本發(fā)明的關(guān)鍵技術(shù)是：使用圖像的空間信息來初始化混合高斯模型，以加快模型的收斂速度，自適應(yīng)確定高斯模型的個(gè)數(shù)；對(duì)模型的權(quán)值進(jìn)行分層次更新，以減緩暫時(shí)靜止的物體融入背景；采用lambert光照模型檢測(cè)全局光照變化，使得背景模型能快速從光照變化中恢復(fù)出來。其實(shí)現(xiàn)步驟包括如下：

(1)讀入前兩幀彩色圖像i1和i2，利用高斯函數(shù)分別對(duì)兩幅圖像的r、g、b三個(gè)通道進(jìn)行平滑，得到平滑后的彩色圖像為l1和l2；

(2)初始化的混合高斯模型:

(2a)初始化方差：根據(jù)平滑后彩色圖像l1和圖像l2差分的絕對(duì)值矩陣得到初始模型的全局方差，將像素點(diǎn)(x,y)與其鄰域像素絕對(duì)差分的最大值作為初始模型局部方差，對(duì)初始全局方差和初始局部方差進(jìn)行加權(quán)平均，得到像素點(diǎn)(x,y)處各高斯模型的初始方差σ1(x,y)；

(2b)初始化均值和高斯模型數(shù)目：根據(jù)像素(x,y)的鄰域像素的分布情況確定像素(x,y)處高斯模型數(shù)目n1(x,y)和各高斯模型的均值μk,1(x,y)；

(2c)分層次初始化像素(x,y)處高斯模型的權(quán)值ωk,1(x,y)，將第一個(gè)高斯模型的權(quán)值ω1,1設(shè)置為w1,1＝(1/n1(x,y))+0.1，其余高斯模型的權(quán)值設(shè)置為(1-w1,1)/(n1(x,y)-1)；

(2d)根據(jù)高斯模型的初始均值、方差、權(quán)重和高斯模型數(shù)目，初始化高斯混合模型；

(3)讀入第t幀彩色圖像it，利用高斯函數(shù)對(duì)it進(jìn)行平滑，得到平滑后的第t幀彩色圖像lt；

(4)模型更新：

(4a)根據(jù)lambert光照模型，得到第t幀彩色圖像lt的全局光照變化因子，根據(jù)全局光照變化因子改變第t-1幀構(gòu)建的高斯混合模型的均值μk,t-1(x,y)和方差σk,t-1(x,y)；

(4b)根據(jù)第t幀彩色圖像lt與高斯混合模型的匹配情況，更新高斯模型的數(shù)目nt(x,y)、均值μk,t(x,y)和方差σk,t(x,y)，分層次更新權(quán)重ωk,t(x,y)，得到更新后的混合高斯模型；

(5)背景估計(jì)和前景檢測(cè)：在像素(x,y)處，若存在高斯模型的權(quán)值ωk,t(x,y)大于門限thω，且|lt(x,y)-μk,t(x,y)|≤dσk,t(x,y)，則像素(x,y)為背景，即fgt(x,y)＝0；否則，像素(x,y)為運(yùn)動(dòng)目標(biāo)，即fgt(x,y)＝1，得到第t幀彩色圖像的前景圖像fgt；

(6)利用奇異值分解、中值濾波和形態(tài)學(xué)方法對(duì)上述得到的前景圖像fgt進(jìn)行后處理，輸出處理后的前景圖像fgt，即運(yùn)動(dòng)目標(biāo)圖像；

(7)重復(fù)(3-6)，直到視頻結(jié)束。

本發(fā)明具有如下優(yōu)點(diǎn)：

本發(fā)明由于引入空間信息對(duì)混合高斯模型進(jìn)行初始化，加快了模型的收斂速度，減少了高斯模型的數(shù)目，提高了運(yùn)動(dòng)目標(biāo)檢測(cè)的精度；同時(shí)由于本發(fā)明在混合高斯模型的更新階段，采用分層次更新的方法更新高斯模型的權(quán)值，延緩了暫時(shí)靜止的物體融入背景的速度；此外由于本發(fā)明對(duì)全局和局部光照變化情況進(jìn)行判斷，根據(jù)光照變化情況，改變高斯模型的均值和方差，有效降低了運(yùn)動(dòng)目標(biāo)誤檢率。

附圖說明

圖1本發(fā)明的實(shí)現(xiàn)流程圖；

圖2用本發(fā)明與stauffer和grimson提出的方法在“wavingtrees”視頻序列的前三幀彩色圖像上進(jìn)行運(yùn)動(dòng)目標(biāo)檢測(cè)的結(jié)果圖；

圖3為用本發(fā)明在“wavingtrees”視頻序列上得到的混合高斯模型的初始高斯模型數(shù)目結(jié)果圖；

圖4為用本發(fā)明與gmm|rectgauss-tex算法對(duì)“wallflowerdataset”視頻集的運(yùn)動(dòng)目標(biāo)檢測(cè)結(jié)果圖。

具體實(shí)施方式

以下結(jié)合附圖對(duì)本發(fā)明的技術(shù)方案和效果進(jìn)行進(jìn)一步說明：

參照?qǐng)D1，本發(fā)明的實(shí)現(xiàn)步驟如下：

步驟1，對(duì)輸入的彩色圖像進(jìn)行平滑處理。

現(xiàn)有的圖像平滑方法有：均值濾波，高斯濾波，中值濾波；本發(fā)明使用高斯濾波對(duì)輸入的彩色圖像進(jìn)行平滑處理，具體步驟如下：

讀入前兩幀彩色圖像i1和i2，利用高斯函數(shù)分別對(duì)兩幅圖像的r、g、b三個(gè)通道進(jìn)行平滑，得到平滑后的彩色圖像為l1和l2。

所述二維高斯函數(shù)g為：

其中，σ為標(biāo)準(zhǔn)差，取值為0.5；

用高斯函數(shù)g與圖像it進(jìn)行卷積，得到平滑后的彩色圖像lt：

lt＝g*it,t＝1,2。

其中，符號(hào)*為卷積操作。

步驟2，初始化混合高斯模型。

2.1)初始化方差：

現(xiàn)有的初始化方差的方法有:stauffer和grimson提出的方法,evangelio和patzold提出的方法。其中stauffer和grimson提出的方法，是將每個(gè)像素的所有的高斯模型初始化為相同的分布，方差初始化為一個(gè)較大的值；evangelio和patzold提出的方法，是根據(jù)第一幀和第二幀的絕對(duì)差分的中值作為初始方差；本發(fā)明根據(jù)平滑后彩色圖像l1和圖像l2差分的絕對(duì)值矩陣得到初始模型的全局方差，將像素點(diǎn)(x,y)與其鄰域像素絕對(duì)差分的最大值作為初始模型局部方差，對(duì)初始全局方差和初始局部方差進(jìn)行加權(quán)平均，得到像素點(diǎn)(x,y)處各高斯模型的初始方差σ1(x,y)，具體步驟如下：

2.1.1)計(jì)算高斯模型的全局方差

(2.1.1.1)計(jì)算平滑后第一幀彩色圖像l1和平滑后第二幀彩色圖像l2的差分的絕對(duì)值矩陣diff：

diff＝|l2-l1|；

(2.1.1.2)將絕對(duì)值矩陣diff分別在r、g、b三個(gè)通道上等間隔量化為p個(gè)等級(jí)，得到量化后的彩色圖像q：

其中，p＝64，表示向上取整；

(2.1.1.3)分別計(jì)算彩色圖像q在r、g、b三個(gè)通道上的統(tǒng)計(jì)直方圖分量:

其中，c＝{r,g,b}，qc為彩色圖像q的r、g、b三個(gè)通道之一的圖像，hc(i)為qc在第i個(gè)量化等級(jí)上的直方圖分量，p為最大量化等級(jí)，p個(gè)直方圖分量構(gòu)成qc的直方圖hc，m,n表示彩色圖像l1的行數(shù)和列數(shù)，δ(·)表示單位脈沖函數(shù)；

(2.1.1.4)對(duì)直方圖hc的前a個(gè)直方圖分量hc(i)求和，直到得到的和超過閾值t，得到背景變化均值ac：

其中，t＝0.5；

(2.1.1.5)通過背景變化均值ac得到高斯模型在通道c上的全局方差

則初始高斯模型的全局方差為：

2.1.2)計(jì)算高斯模型的局部方差：

從平滑后第一幀彩色圖像l1中選取像素(x,y)的n1×n1鄰域像素(p,q)，n1＝5；將l1(p,q)與l1(x,y)的絕對(duì)差分的最大值作為局部方差在通道c上的局部方差為：

其中，表示像素點(diǎn)(p,q)在通道c上的像素值，表示像素點(diǎn)(x,y)在通道c上的像素值；

則初始高斯模型的局部方差為：

2.1.3)計(jì)算初始方差：

對(duì)全局方差和局部方差進(jìn)行加權(quán)平均，得到像素點(diǎn)(x,y)處高斯模型的初始方差σ1(x,y)：

其中，β＝0.2表示加權(quán)系數(shù)，為了防止模型過擬合或欠擬合，設(shè)置方差的上限為40和下限為3,即初始方差值為：

2.2)初始化均值和高斯模型數(shù)目：

現(xiàn)有的初始化均值和高斯模型數(shù)目的方法有:stauffer和grimson提出的方法，該方法在每個(gè)像素點(diǎn)都使用相同的高斯模型數(shù)目，且每個(gè)像素處的所有高斯模型都將第一幀彩色圖像在該像素點(diǎn)的像素值作為高斯模型的初始均值；本發(fā)明根據(jù)每個(gè)像素點(diǎn)的鄰域像素的強(qiáng)度分布情況確定每個(gè)像素的初始高斯模型數(shù)目和各高斯模型的初始均值，具體步驟如下：

(2.2.1)初始化像素(x,y)處的高斯模型的個(gè)數(shù)n1(x,y)＝1，將像素(x,y)對(duì)應(yīng)彩色圖像l1(x,y)的像素值作為第一個(gè)高斯模型的均值μ1,1(x,y)，將該高斯模型的匹配次數(shù)η1,1(x,y)初始化為1；

(2.2.2)判斷像素(x,y)的n1×n1鄰域像素中是否存在一個(gè)像素點(diǎn)(p,q)，且該像素點(diǎn)的像素值l1(p,q)與已有高斯模型均值的絕對(duì)差是否大于3倍的初始方差σ1(x,y)：如果是，則在像素(x,y)處增加一個(gè)高斯模型，將像素點(diǎn)(p,q)的像素值l1(p,q)作為所增加的高斯模型的均值，該高斯模型的匹配次數(shù)初始化為1；否則，高斯模型的數(shù)目不變；

(2.2.3)判斷高斯模型數(shù)目n1(x,y)是否小于最大高斯模型數(shù)目k＝5,且像素(x,y)的n1×n1鄰域像素中是否存在與已有高斯模型均值的絕對(duì)差大于3倍的初始方差σ1(x,y)的像素點(diǎn)，如果是，重復(fù)步驟(2.2.2)；否則，循環(huán)結(jié)束，得到像素(x,y)處高斯混合模型的初始化均值μk,1(x,y)和初始化高斯模型數(shù)目n1(x,y)；

2.3)初始化權(quán)值：

現(xiàn)有的方法有：stauffer和grimson提出的方法，該方法將每一個(gè)像素點(diǎn)處的所有高斯模型的權(quán)值初始化為相同的值；本發(fā)明采用分層次初始化高斯模型的權(quán)值ωk,1(x,y)，即將第一個(gè)高斯模型的權(quán)值設(shè)置為一個(gè)較大的值，其余高斯模型的權(quán)值設(shè)置為一個(gè)較小的權(quán)值：

其中，w＝(1/n1(x,y))+0.1為第一個(gè)高斯模型的權(quán)值；

2.4)根據(jù)高斯模型的初始均值、方差、權(quán)重和高斯模型數(shù)目，初始化高斯混合模型；在像素點(diǎn)(x,y)處的初始化高斯混合模型p(x,y)為：

其中，ωk,1(x,y)、μk,1(x,y)、分別為第k個(gè)高斯模型在1時(shí)刻的權(quán)值，均值和協(xié)方差矩陣，是高斯模型的概率密度函數(shù)。

步驟3讀入第t幀彩色圖像it，t＞1，利用高斯函數(shù)對(duì)it進(jìn)行平滑，得到平滑后的第t幀彩色圖像lt；

步驟4模型更新

現(xiàn)有的模型更新方法有：stauffer和grimson提出的方法，kaewtrakulpong和bowden提出的方法，zivkovic提出的方法和lee提出的方法。其中：

stauffer和grimson提出的方法選擇混合高斯模型中與圖像匹配的高斯模型，對(duì)該高斯模型的均值和方差進(jìn)行更新，對(duì)應(yīng)權(quán)值增加，其余高斯模型均值和方差保持不變，對(duì)應(yīng)的權(quán)值減??；kaewtrakulpong和bowden提出的方法在不同的階段使用不同的更新方程以提高模型學(xué)習(xí)速度和精度；zivkovic提出的方法使用先驗(yàn)信息動(dòng)態(tài)估計(jì)高斯模型的數(shù)目；lee提出的方法根據(jù)高斯模型的匹配次數(shù)自適應(yīng)確定學(xué)習(xí)率；本發(fā)明使用stauffer和grimson提出的方法對(duì)高斯模型的均值和方差進(jìn)行更新，高斯模型權(quán)值采用分層次更新的方法，根據(jù)彩色圖像與高斯混合模型的匹配情況，更新高斯模型的數(shù)目，其步驟如下：

4.1)檢測(cè)全局光照變化：

(4.1.1)根據(jù)lambert光照模型，計(jì)算平滑后第t幀彩色圖像lt和平滑后第t-1幀彩色圖像lt-1對(duì)應(yīng)像素點(diǎn)像素值的比值，得到比值矩陣r，選取比值矩陣r中所有元素的中值作為全局光照變化因子ratio；

(4.1.2)判斷|ratio-1|的值是否大于設(shè)定門限0.2，如果是，表示出現(xiàn)了全局光照變化，對(duì)第t-1幀構(gòu)建的高斯混合模型的均值μk,t-1(x,y)和方差σk,t-1(x,y)按照全局光照變化因子進(jìn)行相應(yīng)的變化；否則，保持第t-1幀的高斯混合模型不變，即：

其中，k為在像素(x,y)的第k個(gè)高斯模型，k＝1,…,nt-1(x,y)，nt-1(x,y)為第t-1幀在像素點(diǎn)(x,y)處構(gòu)建的高斯混合模型的高斯模型數(shù)目，ηk,t-1(x,y)表示第t-1幀在像素點(diǎn)(x,y)處構(gòu)建的高斯混合模型的第k個(gè)高斯模型的匹配次數(shù)。

4.2)將平滑后的第t幀彩色圖像lt在像素點(diǎn)(x,y)處的像素值lt(x,y)與所對(duì)應(yīng)的nt-1(x,y)個(gè)高斯模型的均值進(jìn)行比較，判斷在這nt-1(x,y)個(gè)高斯模型中是否存在滿足條件：|lt(x,y)-μm,t-1(x,y)|＜d·σm,t-1(x,y)的高斯模型m，其中，1≤m≤nt-1(x,y)，d＝3表示常系數(shù)：

如果是，則第m個(gè)高斯模型與像素值lt(x,y)匹配，更新第m個(gè)高斯模型的匹配次數(shù)ηm,t(x,y)，均值μm,t(x,y)，方差σm,t和權(quán)值ωm,t：

ηm,t(x,y)＝ηm,t-1(x,y)+1

μm,t(x,y)＝(1-ρm,t(x,y))μm,t-1(x,y)+ρm,tlt(x,y)

ωm,t＝(1-α)ωm,t-1+α

其中，α＝0.01表示權(quán)值的學(xué)習(xí)率，表示均值和方差的學(xué)習(xí)率；

保持高斯模型的數(shù)目不變，其余高斯模型k的均值，保持方差和匹配次數(shù)不變，將權(quán)值ωk,t更新為：

其中，thω＝0.2表示設(shè)定閾值；

否則，新建第i個(gè)高斯模型，更新高斯模型的數(shù)目nt(x,y)：

初始化第i個(gè)高斯模型均值μi,t(x,y)、方差σi,t(x,y)、權(quán)值ωi,t(x,y)和匹配次數(shù)ηi,t(x,y)：

μi,t(x,y)＝lt(x,y)

σi,t(x,y)＝σ1(x,y)

ηi,t(x,y)＝1

其中，初始方差σ1(x,y)由平滑后彩色圖像lt和平滑后彩色圖像lt-1按照步驟2.1)的方法計(jì)算得到。

4.3)歸一化高斯模型的權(quán)值ωk,t(x,y)：

步驟5背景估計(jì)和前景檢測(cè)。

在像素(x,y)處，判斷是否若存在高斯模型的權(quán)值ωk,t(x,y)大于設(shè)定門限thω＝0.2，且是否滿足|lt(x,y)-μk,t(x,y)|≤3σk,t(x,y)，如果是，則像素點(diǎn)(x,y)為背景，即fgt(x,y)＝0；否則，像素點(diǎn)(x,y)為運(yùn)動(dòng)目標(biāo)，即fgt(x,y)＝1；得到第t幀彩色圖像的前景圖像fgt。

步驟6對(duì)上述得到的前景圖像fgt進(jìn)行后處理。

現(xiàn)有的后處理方法有：高斯濾波，中值濾波，均值濾波，形態(tài)學(xué)方法；本發(fā)明使用利用現(xiàn)有奇異值分解的方法檢測(cè)局部光照變化，去除由于局部光照引起的誤檢，利用中值濾波去除噪聲，利用形態(tài)學(xué)方法的閉運(yùn)算消除目標(biāo)內(nèi)部較小的“空洞”，具體步驟如下：

6.1)檢測(cè)局部光照變化

首先，使用平滑后的第t幀彩色圖像lt的像素點(diǎn)(x,y)的5×5鄰域像素值構(gòu)成鄰域矩陣at(x,y)，對(duì)鄰域矩陣at(x,y)進(jìn)行奇異值分解：

at(x,y)＝utstvt^t

其中，ut和vt表示矩陣at(x,y)的特征向量矩陣，st＝diag(λt,1,λt,2,λt,3,λt,4,λt,5)為at(x,y)的特征值矩陣，λt,j表示at(x,y)的奇異值，1≤j≤5，且λt,1≥λt,2≥λt,3≥λt,4≥λt,5；

然后，將奇異值λt,2,λtf,3,λt,4,λt,5除以λt,1，并求和，得到光照不變性特征ft(x,y)：

最后，判斷第t幀光照不變性特征ft(x,y)與和第t-1幀光照不變性特征ft-1(x,y)絕對(duì)差是否小于閾值thsvd＝0.05：如果是，則像素點(diǎn)(x,y)處發(fā)生了局部光照變化，像素點(diǎn)(x,y)應(yīng)為背景，否則，像素點(diǎn)(x,y)處沒有發(fā)生了局部光照變化；像素點(diǎn)(x,y)處前景圖像fgt(x,y)為:

6.2)使用5×5的中值濾波去除在步驟6.1)所得到的前景圖像fgt中的噪聲，得到去除噪聲后的前景圖像fgt；

6.3)使用形態(tài)學(xué)的閉運(yùn)算，填補(bǔ)輪廓線中的裂痕，消除目標(biāo)內(nèi)部較小的“空洞”，即先用模板矩陣b對(duì)去除噪聲后的前景圖像fgt進(jìn)行膨脹運(yùn)算；然后用模板矩陣b對(duì)膨脹后的結(jié)果進(jìn)行腐蝕運(yùn)算，得到預(yù)處理后的前景圖像fgt，其中模板矩陣b為5×5單位矩陣；

6.4)輸出處理后的前景圖像fgt，即運(yùn)動(dòng)目標(biāo)圖像。

步驟7重復(fù)步驟3-步驟6，直到視頻結(jié)束。

本發(fā)明的效果可通過以下實(shí)驗(yàn)進(jìn)一步說明：

1.實(shí)驗(yàn)條件

實(shí)驗(yàn)環(huán)境：intelcorei7cpu2.00ghz，8gb內(nèi)存，matlab2014b實(shí)驗(yàn)平臺(tái)。

2.實(shí)驗(yàn)內(nèi)容與結(jié)果

實(shí)驗(yàn)1：測(cè)試本發(fā)明的混合高斯模型初始化方法

采用本發(fā)明與stauffer和grimson提出的初始化方法對(duì)“wallflowerdataset”中“wavingtrees”視頻序列的第1-3幀進(jìn)行測(cè)試，結(jié)果如圖2所示，其中：

圖2第一行從左到右分別為原始圖像的第1-3幀；

圖2第二行為采用stauffer和grimson提出的方法得到第1-3幀前景圖像fg；

圖2第三行為采用本發(fā)明得到第1-3幀前景圖像fg；

從圖2中可以看出，本發(fā)明的混合高斯模型初始化方法能夠在初始時(shí)刻建立起穩(wěn)定的背景模型。同時(shí)，該初始化方法對(duì)背景干擾不敏感，能有效提高檢測(cè)精度。

實(shí)驗(yàn)2：測(cè)試本發(fā)明的混合高斯模型的初始化高斯模型數(shù)目

采用本發(fā)明所提出的初始化高斯模型數(shù)目的方法對(duì)“wallflowerdataset”中“wavingtrees”視頻序列進(jìn)行測(cè)試，結(jié)果如圖3所示：

圖3中顏色越深代表該像素的高斯模型個(gè)數(shù)越少，如：藍(lán)色代表1個(gè)高斯分布，青色代表2個(gè)高斯分布，黃色代表3個(gè)高斯分布。

從圖3中可以看出，在大部分圖像區(qū)域，只需要1個(gè)或2個(gè)高斯模型，只有極小的區(qū)域需要3個(gè)高斯模型；而現(xiàn)有的混合高斯模型會(huì)在每一個(gè)像素點(diǎn)設(shè)定3到5個(gè)高斯模型；表明本發(fā)明能夠有效降低高斯模型的數(shù)目，減少計(jì)算復(fù)雜度。

實(shí)驗(yàn)3：測(cè)試本發(fā)明的檢測(cè)精度

采用本發(fā)明，gmm|stauffer&grimson方法和gmm|rectgauss-tex方法對(duì)“wallflowerdataset”視頻集進(jìn)行測(cè)試，三種方法對(duì)視頻集中各視頻的正檢率(tpr)如表1所示，三種方法對(duì)視頻集中各視頻的誤檢率(fpr)如表2所示。

表1三種算法的tpr

表2三種算法的fpr

由表1可知，在六種場景中本發(fā)明都具有相對(duì)較高的tpr值。

由表2可知，除了在camouflage和foregroundaperture場景中本發(fā)明的fpr略高于其他兩種算法外，其余場景本發(fā)明的fpr都較低。尤其是發(fā)生全局光照變化時(shí)，本發(fā)明具有較低的誤檢率。

實(shí)驗(yàn)4：測(cè)試本發(fā)明對(duì)運(yùn)動(dòng)目標(biāo)的檢測(cè)效果

用本發(fā)明與gmm|rectgauss-tex算法對(duì)“wallflowerdataset”視頻集進(jìn)行運(yùn)動(dòng)目標(biāo)檢測(cè)結(jié)果圖，結(jié)果如圖4所示，其中：

圖4第一列為六種場景的原始圖像；

圖4第二列為手動(dòng)分割的前景圖像；

圖4第三列為本發(fā)明得到的前景圖像；

圖4第4列為gmm|rectgauss-tex算法得到的前景圖像；

從圖4可以看出，本發(fā)明不僅對(duì)陰影、光照變化不敏感，而且能延緩暫時(shí)靜止的物體融入背景，能夠得到更好的檢測(cè)結(jié)果。

綜上所述，本發(fā)明能夠有效檢測(cè)復(fù)雜場景中的運(yùn)動(dòng)目標(biāo)。