一种基于扩展混合高斯模型的运动目标检测方法技术

本发明专利技术是一种基于扩展混合高斯模型的运动目标检测方法。所述方法包含如下步骤：通过一级模型构建模块，基于扩展混合高斯模型，构造阴影背景、和前景的概率密度函数；通过二级模型构建模块，基于上述三类的模型，构造运动目标和非运动目标的概率密度函数；通过分类模块，应用ＭＡＰ－ＭＲＦ（Ｍａｘｉｍｕｍ　ａ　Ｐｏｓｔｅｒｉｏｒｉ－Ｍａｒｋｏｖ　Ｒａｎｄｏｍ　Ｆｉｅｌｄ）方法进行分类；应用跟踪的反馈信息，进一步精确前景模型。本发明专利技术通过将高斯混合模型融合空间信息可以克服因背景运动造成的前景误检测；通过在一个概率框架中融合背景建模、前景检测和阴影去除可以克服阴影所造成的不利影响，从而提高运动目标的检测效果。

【技术实现步骤摘要】

本专利技术属于模式识别领域，涉及图像处理和计算机视觉等技术，特别 是涉及视频中的运动目标检测。
技术介绍
在计算机视觉领域中， 一个最根本的问题就是如何从底层原始视频数 据得到高层的语义理解。当前国内外智能视频监控的研究主要集中在摄像 机标定、多摄像机融合、运动物体的视觉分析等方面。其中，运动物体的 视觉分析是计算机视觉领域中最活跃的研究课题之一，其核心是利用计算 机视觉技术从图像序列中检测、跟踪和识别运动物体(如人和车等)并对其 行为进行理解与描述，它在虚拟现实、视频监控、感知接口等领域均有着 广阔的应用前景。运动物体的视觉分析系统一般包括下述的四个处理过 程，如图1所示1)运动检测；2)目标分类；3)目标跟踪；4)行为理 解和描述。运动物体的检测与提取以及目标物体的跟踪作为运动物体的视觉分 析中的两项核心技术以及底层问题，它们是后续各种高级处理，如物体分 类及行为识别、事件检测、行为分析、视频图像的压缩编码和语义索引等 高层次的视频处理和应用理解的基础，也是视频监控技术自动化和实时应 用的关键，同时，它们也是当前图像技术研究应用的热点和焦点。背景建模方法因为能够比其他方法(光流，帧间差)提供更多的运动 目标的信息，它被广泛应用于目标检测中。但是在实际的应用场景中，动 态背景和阴影都会产生不需要的误检测，从而使运动目标检测失败。目前最常用的背景建模方法是混合高斯方法(GMM)。但是该方法是 基于像素点的方法且未融合空间信息，所以，当背景运动很剧烈时，该方 法就会造成很多误检测，如图2 (b)所示，图2 (b)为传统混合高斯模 型方法的检测结果。由于背景存在剧烈运动，该方法造成了许多前景误检测(如图2 (b)中白点所示)，而这些前景误检测是由于邻域背景的运动 造成的。。同时该模型中的高斯个数需要事先确定，从而限制了该方法的 进一步应用。目前的阴影去除算法也很多，但是他们都是作为一个独立的 模块应用于目标检测，如在混合高斯检测出前景目标后，再应用阴影去 除算法去除前景中的阴影，其流程图如图3所示。这种结构使"背景建模" 的输出直接决定"阴影去除"的结果，如果"背景建模"的结果不好，那 么"阴影去除"的结果肯定也会变差。本专利技术基于一个扩展的混合高斯模 型，通过构造背景、前景和阴影的概率密度函数将动态背景建模、前景检 测、阴影去除融合在一个概率框架下进行处理，如图4所示。这种框架可 以克服，如图3所示，"背景建模"和"阴影去除"作为独立的模块所带 来的一些缺点。同时此扩展的混合高斯模型融合了空间信息，其高斯成员 的数目也能在运行过程中动态的确定，从而克服了传统的混合高斯模型因 未融合空间信息而造成的前景误检测。
技术实现思路
现有目标检测技术通常将背景建模、前景检测和阴影去除作为独立的 模块，因此很难达到一个很好的分类效果。本专利技术的目的是提供一种一种 基于扩展混合高斯模型的运动目标检测方法，所述方法基于一个扩展的混 合高斯模型，通过构造背景、前景和阴影的概率密度函数将动态背景建模、 前景检测、阴影去除融合在一个概率框架下进行处理。同时此扩展的混合 高斯模型融合了空间信息，其高斯成员的数目也能在运行过程中动态的确 定。为了实现上述目的，本专利技术提供的基于扩展混合高斯的运动目标检测 方法，包含如下步骤通过一级模型构建模块，基于扩展混合高斯模型，构造阴影背景、和 前景的概率密度函数；通过二级模型构建模块，基于上述三类的模型，构造运动目标和非运动目标的概率密度函数；通过分类模块，应用MAP-MRF (Maximum a Posteriori- Markov Random Field)方法进行分类；应用跟踪的反馈信息，进一步精确前景模型。进一步，所述构造阴影背景、和前景的概率密度函数步骤包括 基于扩展的混合高斯模型，假设对于某一栅格，其在大部分时间内为背景所覆盖，构建背景模型；基于扩展的混合高斯模型，假设如果某一时刻， 一个栅格检测到前景样本，则下一时刻，沿速度方向上的另一个栅格检测到颜色相似的前景样本的概率增加，构建前景模型；基于扩展的混合高斯模型，假设对于同一个栅格，不同的运动目标所 造成的阴影特征是相似的，构建阴影模型。进一步，所述构造运动目标和非运动目标的概率密度函数步骤包括 基于非运动目标包含阴影和背景的特征，构建非运动目标模型；基于前景包含运动目标的特征，构建运动目标的模型。 进一步，在一个概率框架中，同时处理了背景建模，运动目标检测和 阴影去除。进一步，扩展的混合高斯模型融入了空间信息，且模型中的高斯成分 个数可以动态的确定。本专利技术的有益效果是，通过将高斯混合模型融合空间信息可以克服因背景运动造成的前景误检测；通过在一个概率框架中融合背景建模、前景 检测和阴影去除可以克服阴影所造成的不利影响，从而提高运动目标的检 测效果。效果提高以后的运动目标信息可以更好的应用于视觉监控中后续 的分类、跟踪环节，和图像压縮等领域。附图说明图1示出视觉分析系统的一般处理过程； 图2 (a)是原始图像；图2 (b)是传统的混合高斯模型方法的检测结果；图2 (c)是本专利技术的检测结果；图3是传统方法的目标检测流程图4是本专利技术的系统流程图；图5 (a)是传统的混合高斯模型学习的结果，高斯个数为4; 图5 (b)是传统的混合高斯模型学习结果，高斯个数为5; 图5 (C)是本专利技术的学习结果。图6 (a)是原始图像；图6 (b)是本专利技术的运动目标检测结果；图7 (a)是在室外环境中，不同栅格的灰度直方图7 (b)是在室内环境中，不同栅格的灰度直方图。具体实施例方式下面结合附图详细说明本专利技术技术方案中所涉及的各个细节问题。应指出的是，所描述的实施例仅s在便于对本专利技术的理解，而对其不起任何 限定作用。运动目标检测对于监控中后续环节，如跟踪和识别，具有很重要的作 用。基于扩展的混合高斯模型，本专利技术实现了运动目标检测方法，它能有效处理动态场景和阴影的影响。如图4示出本方法的系统流程图，所述步骤基于扩展的混合高斯模型，构造背景、前景和阴影的概率密度函数(模 型)；然后通过构造运动目标和非运动目标的概率密度函数(模型)，将一 个三类的分类问题转变为一个两类的分类问题；接着用MAP-MRF(Maximum a Posteriori- Markov Random Field)方法进行运动目标分害U; 最后利用运动目标跟踪的信息进一步精确前景的概率密度函数(模型)。本专利技术的方法需要的硬件最低配置为P4 3.0GCPU， 512M内存的 计算机；最低分辨率为320x240的监控摄像头；帧率为25帧每秒的视频 采集卡。在此配置水平的硬件上，采用0++语言编程实现本方法，可以达 到实时检测的效果。本专利技术的具体实施形式如下所述1.基于扩展的混合高斯模型，构造背景模型构造背景模型是基于如下假设对于某一栅格，在大部分时间内为背 景所覆盖。在这一节，我们将推导出扩展的混合高斯模型，它与传统的混 合高斯模型有以下区别扩展的混合高斯模型融合了空间信息；模型中的6高斯成分的数量可以在应用过程中动态的确定。推导过程如下为了融合空间信息，我们首先用核密度估计的方法构造概率密度函数 如下<formula>formula see original 本文档来自技高网...

【技术保护点】
一种基于扩展混合高斯模型的运动目标检测方法，其特征在于，包含如下步骤：　通过一级模型构建模块，基于扩展混合高斯模型，构造阴影、背景和前景的概率密度函数；　通过二级模型构建模块，基于上述三类的模型，构造运动目标和非运动目标的概率密度函数；　通过分类模块，应用ＭＡＰ－ＭＲＦ（Ｍａｘｉｍｕｍ　ａ　Ｐｏｓｔｅｒｉｏｒｉ－ＭａｒｋｏｖＲａｎｄｏｍ　Ｆｉｅｌｄ）方法进行分类；　应用跟踪的反馈信息，进一步精确前景模型。

【技术特征摘要】

【专利技术属性】
技术研发人员：谭铁牛，黄凯奇，刘舟，
申请(专利权)人：中国科学院自动化研究所，
类型：发明
国别省市：11[中国|北京]