唐洪良++黃穎+黃淮+楊成順+黃宵寧
摘 要: 傳統(tǒng)的高斯混合模型學(xué)習(xí)率和分布數(shù)取值固定,不能精確地描述變換的背景,同時存在數(shù)據(jù)冗余等問題,針對這些不足,進行了以下三個方面的改進。在模型初始化階段,針對不同的環(huán)境設(shè)定各異的初始分布數(shù);根據(jù)環(huán)境變化快慢程度,動態(tài)調(diào)整學(xué)習(xí)率的取值;不斷更新高斯分布,刪除不滿足要求的模型,創(chuàng)建新的分布。實驗結(jié)果表明,改進的自適應(yīng)高斯混合模型較傳統(tǒng)高斯混合模型,顯著提高了運動物體檢測的準確性。
關(guān)鍵詞: 高斯混合模型; 運動物體檢測; 高斯分布; 學(xué)習(xí)率取值
中圖分類號: TN911.72?34 文獻標識碼: A 文章編號: 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、幀差法、背景減除法是運動目標檢測的常用算法[1]。其中,光流法計算復(fù)雜,需要專門的硬件支持,實時性和實用性都較差[2]。幀差法雖然能有效去除靜止的背景,但往往提取的目標比較粗糙,比實際的運動目標輪廓要大[3],并且目標中會出現(xiàn)空洞和“雙影”現(xiàn)象。背景減除法必須要有背景圖像,并且背景圖像必須隨著外部環(huán)境的變化而實時更新[4],因此背景減除法的關(guān)鍵是背景建模及其更新。
從實際應(yīng)用角度來看,幀差法和背景減除法相結(jié)合的運動檢測方法是使用最廣泛的一種方法[5]。但由于這兩種方法各自存在問題,如突變光照、模型的收斂速度等,結(jié)合起來仍有一定的細節(jié)需要兼顧。
針對以上問題,本文提出一種改進的基于混合高斯模型的運動目標檢測算法。實驗結(jié)果表明,該方法不僅有效地解決了幀差法檢測快速移動運動目標時出現(xiàn)的“雙影”現(xiàn)象[6],而且明顯提升了對緩慢運動物體的檢測效果,增強了背景的描述精度。
3 實驗結(jié)果與分析
本文選擇測試視頻sWasteBasket.avi進行實驗,實驗在Visual Studio 2010環(huán)境下進行,基于OpenCV,硬件平臺為Pentium Dual?Core, 2.6 GHz,4 GB內(nèi)存。
圖3、圖4分別為第145幀和第377幀視頻原圖;圖5、圖6分別為對應(yīng)視頻在傳統(tǒng)高斯混合模型的目標檢測;圖7、圖8分別為對應(yīng)視頻在改進的自適應(yīng)高斯混合模型的目標檢測結(jié)果。
從圖5與圖7以及圖6與圖8 的對比中,可以看到,改進的自適應(yīng)高斯混合模型在檢測運動目標時較傳統(tǒng)高斯混合模型而言,更加細致、精確,達到了較好的檢測效果。
4 結(jié) 論
本文提出一種改進的自適應(yīng)高斯混合模型目標檢測方法。在初始化高斯模型時就將分布數(shù)按照方差的大小,做出不同的初值設(shè)定;在參數(shù)更新時,依據(jù)背景變化率的快慢,動態(tài)調(diào)整學(xué)習(xí)率,從而更準確地調(diào)整各參數(shù)的變化;通過對分布數(shù)、均值以及權(quán)值等參數(shù)動態(tài)調(diào)整分布數(shù),減少系統(tǒng)資源的浪費,更高效地檢測運動物體。實驗結(jié)果表明,改進的自適應(yīng)高斯混合模型較傳統(tǒng)模型,可以更精準地檢測運動物體。
參考文獻
[1] 范文超,李曉宇,魏凱,等.基于改進的高斯混合模型的運動目標檢測[J].計算機科學(xué),2015,42(5):286?288.
[2] 邱朕奎,劉啟亮,趙予龍,等.混合高斯背景模型目標檢測的一種改進算法[J].計算機仿真,2014,31(5):378?384.
[3] 李菊,李克清,蘇勇剛.Markov隨機游走和高斯混合模型相結(jié)合的運動目標檢測算法[J].電子測量與儀器學(xué)報,2014,28(5):533?537.
[4] 范文超,李曉宇,魏凱,等.基于改進的高斯混合模型的運動目標檢測[J].計算機科學(xué),2015,42(5):286?288.
[5] 黃蘇雨,熊建強,陳紅,等.改進混合高斯模型的運動目標檢測與跟蹤算法[J].計算機測量與控制,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] 陳佳,朱長仁,錢智明.一種基于幀差分法與快速圖分割相結(jié)合的運動目標檢測方法[J].現(xiàn)代電子技術(shù),2016,39(3):13?17.
[8] 華媛蕾,劉萬軍.改進混合高斯模型的運動目標檢測算法[J].計算機應(yīng)用,2014,34(2):580?584.
[9] 賈麗娟.融合SORM背景模型和DTCNN閾值模型的運動目標檢測[J].計算機工程,2016,42(1):220?224.
[10] 鄧文浩,唐立才,張南峰,等.基于改進的幀差法和Mean?shift結(jié)合的運動目標自動檢測與跟蹤[J].現(xiàn)代電子技術(shù),2016,39(4):108?111.
[11] 韓明,劉教民,孟軍英,等.一種自適應(yīng)調(diào)整k?ρ的混合高斯背景建模和目標檢測算法[J].電子與信息學(xué)報,2014,36(8):2023?2027.