徐艷 王培光 楊青 董江濤

1)(河北大學(xué)電子信息工程學(xué)院,保定 071002)

2)(陸軍工程大學(xué)石家莊校區(qū)電子與光學(xué)工程系,石家莊 050000)

3)(河北工業(yè)大學(xué)電子信息工程學(xué)院,天津 300401)

4)(中國電子科技集團(tuán)公司第五十四研究所,石家莊 050000)

1 引 言

運(yùn)動目標(biāo)檢測和跟蹤受到場景變換、遮擋和噪聲等的影響,檢測和跟蹤精度一直是計(jì)算機(jī)視覺領(lǐng)域研究的熱點(diǎn).在CVPR2015-2018中,大部分目標(biāo)跟蹤算法都是基于檢測的跟蹤,且目標(biāo)跟蹤算法是基于大量離線數(shù)據(jù)的訓(xùn)練下得到的,這就限制了此類算法在某些不便于采集數(shù)據(jù)或者不便于離線訓(xùn)練的特殊場景的應(yīng)用,再加之當(dāng)前視頻環(huán)境中背景多是多模態(tài)場景噪聲多,且運(yùn)動目標(biāo)表現(xiàn)出不同特征,這就需要一個(gè)穩(wěn)定、有較強(qiáng)魯棒性的運(yùn)動目標(biāo)檢測算法進(jìn)行處理.

目前主流的運(yùn)動目標(biāo)檢測算法有光流法[1-3]、幀間差分法、背景減除法[4-6].光流法是通過分析運(yùn)動場的變化對目標(biāo)進(jìn)行檢測,這種方法不需要預(yù)先知道場景的任何信息,但噪聲、多光源等因素會對光流場分布的計(jì)算結(jié)果造成嚴(yán)重影響; 幀間差分法原理簡單,易于實(shí)現(xiàn),針對簡單背景可以取得較好的效果,但對環(huán)境噪聲較敏感; 背景減除法是利用視頻序列對背景建模,根據(jù)背景圖像與當(dāng)前幀圖像的差異獲得運(yùn)動目標(biāo)區(qū)域,具有檢測準(zhǔn)確且精度高的優(yōu)點(diǎn),但其性能很大程度上依賴于背景建模的準(zhǔn)確性.實(shí)際復(fù)雜場景中無法預(yù)測和不確定因素的存在、動態(tài)背景、光照[7]的變化等,給背景的準(zhǔn)確建模帶來很大挑戰(zhàn).

學(xué)者們對于背景建模方法進(jìn)行了很多研究[5-9],由于高斯函數(shù)在樣本數(shù)據(jù)點(diǎn)足夠大時(shí),可以表征任何一種事物的規(guī)律,文獻(xiàn)[4]提出的GMM算法是使用混合高斯分布模型表征圖像幀中每一個(gè)像素點(diǎn)的特征,通過在線的學(xué)習(xí)與訓(xùn)練得到背景模型并完成運(yùn)動目標(biāo)的檢測.文獻(xiàn)[10]提出了采用單像素時(shí)間序列直方圖進(jìn)行背景建模,得到的前景目標(biāo)區(qū)域更干凈,誤差像素較少,但該方法存儲開銷大,背景生成緩慢; 針對學(xué)習(xí)速率α無法適應(yīng)運(yùn)動目標(biāo)的速度時(shí),參考背景圖像中有可能出現(xiàn)目標(biāo)的鬼影,文獻(xiàn)[11]提出了基于三幀差分的學(xué)習(xí)率自適應(yīng)混合高斯模型背景更新的方法,減少了光照突變和目標(biāo)快速運(yùn)動帶來的誤檢情況; 文獻(xiàn)[12]引入引導(dǎo)濾波、空間鄰域更新及時(shí)空平滑方法,較好地抑制了背景擾動引起的虛假運(yùn)動目標(biāo).ViBe算法[13]則采用隨機(jī)聚類技術(shù),采用隨機(jī)策略更新樣本點(diǎn),避免了大量的樣本建模.

從上述分析可知,目前的背景建模都是通過不同聚類方法完成背景聚類,進(jìn)而完成對運(yùn)動目標(biāo)的檢測,但都存在以下不足:

1)當(dāng)初始幀中存在運(yùn)動目標(biāo)時(shí),檢測結(jié)果可能出現(xiàn)“ghost”現(xiàn)象;

2)逐像素運(yùn)算,忽略了像素點(diǎn)間的相關(guān)性,運(yùn)算效率低下;

3)在樣本或模型更新過程中閾值或參數(shù)固定不變,導(dǎo)致不同場景中的目標(biāo)檢測精準(zhǔn)度差距較大.

本文在混合高斯建模的基礎(chǔ)上,采用幀間差分法獲取模型初始參數(shù),減少模型建立初始時(shí)間的同時(shí)使背景模型的初始參數(shù)更加貼近真實(shí)值,加快模型的收斂速度; 將文獻(xiàn)[13]的鄰域傳播理論引入到混合高斯模型的更新過程,提出鄰域相關(guān)度的近似計(jì)算方法,在匹配過程中,將像素級的模型建立與鄰域隨機(jī)相關(guān)相結(jié)合,在多模態(tài)背景模型建立過程中又兼顧執(zhí)行效率; 引入像素點(diǎn)的活躍級別對學(xué)習(xí)率進(jìn)行調(diào)整,加快整體模型的收斂; 最后,采用顏色-梯度相結(jié)合的方式實(shí)現(xiàn)多通道的混合高斯模型的建立及運(yùn)動目標(biāo)的檢測.

2 基于混合高斯模型GMM的目標(biāo)檢測

圖像序列中同一位置的像素點(diǎn)序列可以用K個(gè)高斯分布綜合描述,當(dāng)前像素值的概率密度由下式計(jì)算得到:

其中K是高斯分布的數(shù)量,?k,t是t時(shí)刻第k個(gè)高斯分布的權(quán)重,μk,t和分別是t時(shí)刻第k個(gè)高斯分布的期望和協(xié)方差矩陣,該點(diǎn)高斯分布為

1)高斯模型參數(shù)的更新

在背景更新過程中,將當(dāng)前幀中像素點(diǎn)與所建立的K個(gè)高斯分布按照下式進(jìn)行匹配:

式中,σk,t-1為第k個(gè)高斯模型在t—1時(shí)刻的標(biāo)準(zhǔn)差,D為置信參數(shù).如果像素點(diǎn)匹配成功,即當(dāng)前像素點(diǎn)滿足第k個(gè)高斯模型的分布,則按照下式對匹配的高斯分布進(jìn)行參數(shù)更新,且Mk,t-1=1 :

2)生成背景分布

像素點(diǎn)的高斯混合模型參數(shù)更新完畢后,需要對K個(gè)高斯分布進(jìn)行估計(jì),得到能夠代表背景模型的高斯分布[5].將K個(gè)高斯分布重新進(jìn)行權(quán)重歸一化處理,按照?k,t/σk,t從大到小的順序排序,將前B個(gè)高斯分布作為背景模型:

3)檢測運(yùn)動目標(biāo)

如果當(dāng)前像素點(diǎn)與任意一個(gè)高斯分布匹配成功,則該點(diǎn)為背景點(diǎn),否則判斷為運(yùn)動前景.

3 改進(jìn)的GMM背景模型建立方法

3.1 基于五幀差分法的空間鄰域的模型參數(shù)初始化

由于沒有先驗(yàn)知識,高斯模型參數(shù)通常是初始化為固定值,在隨后的更新過程中逐步調(diào)整,如果模型參數(shù)初值選取不當(dāng)將導(dǎo)致模型的更新較慢.

本文采用五幀差分與幀內(nèi)鄰域平均的方法,實(shí)現(xiàn)混合高斯模型的參數(shù)初始化選取.首先提取連續(xù)五幀圖像,利用中間幀對前后兩幀進(jìn)行差分運(yùn)算,對差分結(jié)果進(jìn)行二值化處理后再進(jìn)行與運(yùn)算,用以檢測初始視頻中是否含有目標(biāo)信息,隨后計(jì)算除去運(yùn)動區(qū)域后背景圖像中的五幀均值μ(x,y),作為像素點(diǎn)(x,y)的初始均值,同時(shí)計(jì)一個(gè)累加矩陣CA,CA的大小與圖像大小一致,C A(x,y)記錄滿足規(guī)則的鄰域像素點(diǎn)的個(gè)數(shù),累加器各元素的更新方式為

同時(shí),還要對均值矩陣μ(x,y)進(jìn)行更新,即

計(jì)算相應(yīng)的標(biāo)準(zhǔn)差σ:

并以此構(gòu)建混合高斯模型中的其中一個(gè)高斯分布:

而其他高斯模型的參數(shù)按照下式獲取:

由于初始化階段考慮了幀間數(shù)據(jù)的關(guān)聯(lián)性,去除了運(yùn)動目標(biāo)在初始階段對建模的影響,更加不易產(chǎn)生鬼影現(xiàn)象; 將鄰域數(shù)據(jù)的一致性加入到模型參數(shù)的初始化環(huán)節(jié),使得構(gòu)建的混合高斯模型更加符合背景像素點(diǎn)的特征.

3.2 隨機(jī)子采樣與鄰域空間傳播理論相結(jié)合的模型參數(shù)更新策略

原GMM在建模過程中像素點(diǎn)間模型信息相互獨(dú)立,具體體現(xiàn)在:

1)對像素點(diǎn)孤立單獨(dú)建模,忽略了空間鄰域信息的相關(guān)性,對背景像素的整體描述不夠,因此受到噪聲或背景變化時(shí)效果下降;

2)對當(dāng)前時(shí)刻t的每一個(gè)像素點(diǎn)都進(jìn)行模型參數(shù)訓(xùn)練,導(dǎo)致計(jì)算量很大.

圖像空間信息的連續(xù)性,像素點(diǎn)間既有互異性又有相似性[13],利用互異性建模能保持像素點(diǎn)的變化規(guī)律,利用鄰域相似性可以減少像素間的冗余信息[14],避免相似點(diǎn)的重復(fù)建模.由以上兩點(diǎn),本文提出利用相鄰像素相關(guān)度來衡量鄰域范圍內(nèi)像素的相關(guān)性,當(dāng)像素相關(guān)性在某閾值范圍內(nèi)時(shí),認(rèn)為鄰域像素與當(dāng)前像素屬于同一類別(同屬于背景或運(yùn)動前景),對于同一類別的鄰域則不進(jìn)行高斯分布的參數(shù)更新計(jì)算,由于背景的像素相關(guān)性很大,因此這種基于鄰域像素相關(guān)性度量的參數(shù)更新可以在很大程度上縮減計(jì)算量.

為了得到任意時(shí)刻的均值和方差,本文引入文獻(xiàn)[15]在均值和方差的在線估計(jì)中用到的滑動窗的概念,對任意t時(shí)刻計(jì)算鄰域相關(guān)度,需要用到前t—N+ 1幀圖像.t 時(shí)刻滑動窗口 N 內(nèi)的圖像序列如圖1所示.

圖1 t時(shí)刻滑動窗口N內(nèi)的圖像序列Fig.1.The image sequence in the sliding window N at time t.

設(shè)xi,yi分別為相鄰的兩個(gè)像素點(diǎn)的灰度值,為xi的方差,

cov(x,y)=為兩點(diǎn)的協(xié)方差,為xi的均值,N為參與鄰域相關(guān)計(jì)算的圖像序列的幀數(shù).

為簡化計(jì)算和節(jié)省存儲空間,本文對E(x)和D(x)進(jìn)行了簡化,將其用該像素點(diǎn)混合高斯模型的均值和方差的加權(quán)平均代替,從而得到

其中K為高斯分布的數(shù)量進(jìn)而得到

(一般滑動窗口N=50),最終鄰域像素相關(guān)性度量:

在進(jìn)行參數(shù)更新前,首先計(jì)算在當(dāng)前像素點(diǎn)8鄰域范圍內(nèi)相對當(dāng)前像素點(diǎn)的相關(guān)度,如果像素相關(guān)度大于某一閾值Tγ,則鄰域點(diǎn)與當(dāng)前像素點(diǎn)有很大概率屬于同一類別,那么在進(jìn)行模型更新時(shí)鄰域值可以直接沿用當(dāng)前像素的模型,從而不進(jìn)行模型更新計(jì)算; 而對于不屬于同一類別的像素點(diǎn)則仍然采用模型更新策略.

文獻(xiàn)[16]指出,當(dāng)不能準(zhǔn)確地判斷像素變化的模型時(shí),采用隨機(jī)更新策略,能夠在一定程度上模擬像素變化的不確定性.由于圖像中背景的更新緩慢,即使是動態(tài)背景,在相鄰幀之間背景也不會有太大變化,因此對前面幀中已確定為背景的像素點(diǎn)沒有必要逐幀更新,因此論文采用隨機(jī)子采樣策略,對上一幀已經(jīng)確定為背景的像素點(diǎn)隨機(jī)選取1/φ(φ=16 )進(jìn)行模型更新計(jì)算,更新點(diǎn)鄰域范圍內(nèi)的相似像素進(jìn)行模型拷貝,其他背景點(diǎn)則維持原有高斯分布不變.

具體的更新過程如圖2所示.

圖2 模型參數(shù)更新流程Fig.2.Model parameter update process.

3.3 基于觀測向量的參數(shù)更新策略

在原GMM算法中,匹配的高斯分布按照(4)式進(jìn)行更新,而其他沒有匹配的則只更新權(quán)值,且權(quán)值的更新速度較慢,不妨假設(shè)第k個(gè)高斯分布在前n個(gè)樣本點(diǎn)都沒有得到匹配,則在t時(shí)刻其權(quán)值更新為?k,t=(1-α)n×?k,0,通常α取值較小,這就使得?k,t的減小速度比較慢,而實(shí)際情況是這一分布應(yīng)該是不符合背景模型的,我們希望這樣的分布能有更快的收斂速度.

為此,在每一個(gè)像素位置引入一個(gè)含有K個(gè)元素的計(jì)數(shù)向量,該向量元素ck負(fù)責(zé)記錄第k個(gè)高斯分布的觀測值:

首先計(jì)算像素與第k個(gè)高斯分布匹配的后驗(yàn)概率:

同時(shí),加入像素點(diǎn)的活躍級別來限制α:

4 基于顏色-梯度的運(yùn)動目標(biāo)檢測

通過上述混合高斯模型的建立,實(shí)現(xiàn)了背景和運(yùn)動目標(biāo)的聚類,但是單純基于灰度一個(gè)通道的建模方法不能充分利用圖像中的像素信息,因此對于運(yùn)動目標(biāo)的檢測結(jié)果含有較多空洞區(qū)域.

通過分析可知,目標(biāo)通常是由若干點(diǎn)組成的非連續(xù)目標(biāo),相對背景而言,運(yùn)動目標(biāo)具有如下特點(diǎn):

1)即使是相對顏色一致的運(yùn)動物體也會比背景產(chǎn)生更多變化,況且一般情況下物體都是帶有不同顏色的;

2)目標(biāo)在局部仍然具有特征連續(xù)性的特點(diǎn),且運(yùn)動目標(biāo)與周圍背景應(yīng)有比較明顯的差別.

文獻(xiàn)[17]提出可以采用多信息融合的方法實(shí)現(xiàn)目標(biāo)的描述,文獻(xiàn)[18,19]引出基于像素顏色信息的背景建模方法,而常用的RGB顏色空間將顏色和亮度信息混雜,當(dāng)亮度改變,三個(gè)顏色通道的值都會發(fā)生改變,從而降低了顏色的判別能力.HSI空間包含色度(hue)、飽和度(saturation)和亮度(intensity)信息,是一種更符合人類視覺特點(diǎn)的顏色表達(dá),文獻(xiàn)[20]通過實(shí)驗(yàn)驗(yàn)證了其在目標(biāo)檢測和跟蹤方面的性能優(yōu)于RGB,同時(shí),顏色對目標(biāo)形狀、尺度等具有較好的不變性,而梯度對光照等具有較好的不變性[21].據(jù)此,本文提出通過顏色和梯度特征相結(jié)合的方法完成背景模型的建立,首先對原始灰度圖像求1階梯度,隨后將圖像從RGB空間轉(zhuǎn)換到HSI空間,分別對各顏色分量和梯度分量進(jìn)行背景模型的初始化和訓(xùn)練,最終得到HSG(hue,saturation,gradient)三通道的混合高斯建模結(jié)果,最終完成運(yùn)動目標(biāo)的檢測: 如果當(dāng)前像素點(diǎn)的三個(gè)通道值與通道內(nèi)任意一個(gè)高斯分布匹配成功,則該點(diǎn)為背景點(diǎn),否則判斷為運(yùn)動前景.

圖3 算法執(zhí)行效率對比Fig.3.Algorithm execution efficiency comparison.

為驗(yàn)證HSG-GMM算法的執(zhí)行效率,選取Intel Core i5-5300U CPU,8G內(nèi)存的硬件平臺運(yùn)行算法程序,視頻幀圖像大小為352×228時(shí),RGB-GMM算法、HSG-GMM算法和ViBe算法的運(yùn)行時(shí)間對比如圖3所示.ViBe可以用于實(shí)時(shí)目標(biāo)檢測,GMM的均值一般在0.07 s左右,適用于實(shí)時(shí)性要求不高的目標(biāo)檢測領(lǐng)域,RGB-GMM運(yùn)行效率最低,只能用于離線檢測; HSG-GMM算法采用三通道的高斯建模方法,雖然較原始GMM算法增加了通道數(shù)目,由于引入了隨機(jī)子采樣和鄰域相關(guān)度量,導(dǎo)致最后的總體計(jì)算量與GMM相比不增反減,其實(shí)際運(yùn)行時(shí)間雖然不能和ViBe相比,但是在滿足精度要求下仍能達(dá)到實(shí)時(shí)處理的效果.

fort=1oT(T為序列的總幀數(shù))

讀取圖像,完成H,S和G(梯度)三個(gè)不同通道的特征采集

Ift< 5 then

初始化:采用幀差法完成不同通道的高斯模型的初始化得到?k,tμk,tσk2,t初值

Else

for 通道=1 to 3(分別對應(yīng)HSG三個(gè)通道)

步驟1隨機(jī)子采樣: 根據(jù)t-1時(shí)刻的背景檢測結(jié)果,隨機(jī)選取1/16背景點(diǎn)作為匹配位置

匹配

if 當(dāng)前點(diǎn)是需要匹配的背景點(diǎn)或目標(biāo)點(diǎn)

步驟2根據(jù)式(3),判斷當(dāng)前點(diǎn)與高斯分布是否匹配

訓(xùn)練/更新

步驟3更新當(dāng)前點(diǎn)的高斯混合模型參數(shù),式(15—17)

步驟4查找并標(biāo)記當(dāng)前點(diǎn)鄰域范圍內(nèi)的鄰域相關(guān)度,式(14)

步驟5根據(jù)步驟3的更新結(jié)果直接對鄰域相關(guān)像素進(jìn)行模型替換

步驟6生成背景分布,式(5),結(jié)合三個(gè)通道檢測運(yùn)動目標(biāo)

Else(沒有被隨機(jī)子采樣選中的點(diǎn))

維持當(dāng)前像素的背景模型不變

End

End

End

End

5 實(shí)驗(yàn)與結(jié)果分析

采用Universidad Politecica de Madrid(UPM)的 Grupo de Tratamiento de Imagenes的LASIESTA Database[22],進(jìn)行實(shí)驗(yàn).

5.1 性能分析

根據(jù)準(zhǔn)確率和檢測精度指標(biāo)[23]來考察算法的性能:

將數(shù)據(jù)庫中的O_CL_01數(shù)據(jù)集完成檢測準(zhǔn)確度和精準(zhǔn)度的檢測,分別將傳統(tǒng)的GMM,基于RGB三通道的GMM(RGB-GMM)、ViBe算法和本文HSG算法(HSG-GMM)進(jìn)行比較.

對于O_CL_01數(shù)據(jù)集中,該圖像序列共有216幀,其中第135—206幀存在有樹遮擋的運(yùn)動目標(biāo),圖4為四種算法的精準(zhǔn)度和準(zhǔn)確率分布曲線,圖4(a)和圖4(b)為整個(gè)視頻序列的檢測結(jié)果,圖4(c)和圖4(d)為135—206幀存在運(yùn)動目標(biāo)時(shí)分布曲線的放大結(jié)果.可以看出四種算法靜態(tài)背景的檢測結(jié)果基本一致,但對于運(yùn)動目標(biāo)檢測的準(zhǔn)確率和精準(zhǔn)度就有所差別.GMM算法對某些干擾圖像中的檢測結(jié)果要明顯低于其他算法,HSGGMM算法與RGB-GMM算法比較,在準(zhǔn)確率和精準(zhǔn)度上都有所提高; 由于ViBe算法的基本原理與其他三種不同,檢測結(jié)果的分布也呈現(xiàn)不同規(guī)律: 在某些區(qū)域ViBe可以獲得很高的精度,但在運(yùn)動目標(biāo)區(qū)域又呈現(xiàn)大范圍波動.

圖5為對第161幀視頻圖像的檢測結(jié)果,對于純背景幀的檢測,由于不存在運(yùn)動目標(biāo),因此P基本為零,四種算法結(jié)果基本一致,只是在某些幀中含有少量噪聲; 而對于運(yùn)動目標(biāo)的檢測,GMM和RGB_GMM產(chǎn)生目標(biāo)空洞較多,雖然ViBe對背景噪聲的抑制效果更好,但是目標(biāo)區(qū)域仍然存在較大空洞.

5.2 效果比較

1)靜態(tài)背景測試

采用視頻序列singnal.avi檢驗(yàn)初始靜態(tài)背景中存在動目標(biāo)時(shí)算法的有效性,如圖6所示

圖4 算法精準(zhǔn)度和準(zhǔn)確率驗(yàn)證(a)、(c)精準(zhǔn)度;(b)、(d)準(zhǔn)確率Fig.4.The accuracy and accuracy of the algorithm verify the results:(a)、(c)precision;(b)、(d)accuracy.

圖5 O_CL_01數(shù)據(jù)集第161幀的處理結(jié)果(a)原始圖像;(b)標(biāo)注真值;(c)GMM;(d)RGB_GMM;(e)ViBe;(f)HSG_GMMFig.5.The result of the frame 161 in O_CL_01 data set:(a)Original image;(b)true Value image;(c)GMM result;(d)RGB_GMM result;(e)ViBe result;(f)HSG_GMM result.

圖6 初始視頻中存在動目標(biāo)的靜態(tài)背景檢驗(yàn)結(jié)果(a)原始圖像;(b)GMM算法結(jié)果;(c)RGB-GMM結(jié)果;(d)ViBe結(jié)果;(e)HSG-GMM結(jié)果Fig.6.Detection result of moving target in initial video in static background:(a)Initial image;(b)GMM result;(c)RGB-GMM result;(d)ViBe result;(e)HSG-GMM result.

圖7 動態(tài)背景環(huán)境中的運(yùn)動目標(biāo)檢測(a)原始圖像;(b)GMM;(c)RGB-GMM;(d)ViBe;(e)HSG-GMMFig.7.Moving target detection in dynamic background environment:(a)Initial image;(b)GMM;(c)RGB-GMM;(d)ViBe;(e)HSG-GMM.

圖6(a)分別為第6幀、14幀、58幀原始圖像,圖6(b)為GMM算法的檢測結(jié)果,圖6(c)為RGB_GMM的檢測結(jié)果,圖6(d)為ViBe的檢測結(jié)果,圖6(e)為本文HSG_GMM的檢測結(jié)果.GMM算法和ViBe算法中對初始視頻序列中存在運(yùn)動目標(biāo)的處理都會導(dǎo)致拖影問題; RGB-GMM由于顏色特征又可能使某些場景中存留的噪聲得以保留.

HSG-GMM特征信息更加完備,背景模型的建立更加準(zhǔn)確,運(yùn)動目標(biāo)的檢測更加完整,并且克服了RGB值不穩(wěn)定導(dǎo)致的噪聲干擾; 由于初始化階段考慮了幀間數(shù)據(jù)的關(guān)聯(lián)性,將鄰域數(shù)據(jù)的一致性加入到模型參數(shù)的初始化環(huán)節(jié),去除了運(yùn)動目標(biāo)在初始階段對建模的影響; 采用的基于像素空間傳播特性的更新策略,使背景模型逐漸向鄰域擴(kuò)散,有利于加快Ghost區(qū)域的識別速度,拖影的抑制效果也比較明顯.

2)動態(tài)復(fù)雜背景測試

圖7中是對數(shù)據(jù)集O_SN_01中下雪場景中運(yùn)動目標(biāo)的檢測,1—6列分別為視頻序列的第10,48,308,320,348,361幀的處理結(jié)果.

GMM,RGB-GMM算法對雪花類的明顯動態(tài)背景有一定的抑制,但不能消除,且獲得的目標(biāo)空洞較嚴(yán)重; 本文的HSG-GMM采用觀測向量的方法,抑制動態(tài)噪聲的能力要高于ViBe,獲得參數(shù)優(yōu)化后的背景模型更加接近實(shí)際,最終檢測的運(yùn)動目標(biāo)區(qū)域也較為完整.

6 結(jié) 論

通過改變高斯模型的初始化方法和參數(shù)的計(jì)算方法,加快了模型的收斂速度,將隨機(jī)子采樣與鄰域空間傳播理論相結(jié)合,充分利用像素的鄰域相關(guān)性簡化模型更新過程,降低運(yùn)算量,并將HSI空間的顏色信息與一階梯度信息相結(jié)合,構(gòu)建多通道的模型建立和更新機(jī)制,使背景模型的建立更加完善.實(shí)驗(yàn)表明,算法在抑制動態(tài)背景的影響、檢測目標(biāo)完整性方面有很大提升,目標(biāo)空洞現(xiàn)象更少,但是對于攝像機(jī)運(yùn)動條件下的背景建模效果卻不是很理想.