基于改进高斯混合算法的高空抛物实时检测方法技术

本发明专利技术涉及一种基于改进高斯混合算法的高空抛物实时检测方法，基于改进的高斯混合模型的高空抛物检测定位坐标，通过将摄像头拍摄的视频帧内楼栋的画面进行灰度图处理，对像素点进行高斯模型统计，截取下一帧图像，分析每个像素点的高斯函数对于背景模型的差异性，如果匹配成功则将像素点置0，反之则认为是前景像素点。更新背景像素统计模型，使每一帧图像都可以进行背景融合。继续下一帧图像，最终得出视频中运动物体所有坐标。该算法解决了多样化动态场景的干扰，能够有效降低高空抛物检测误报率。该方法能够良好地检测和跟踪运动目标，具有良好的抗干扰能力和较好的准确度。具有良好的抗干扰能力和较好的准确度。具有良好的抗干扰能力和较好的准确度。

【技术实现步骤摘要】
基于改进高斯混合算法的高空抛物实时检测方法


[0001]本专利技术属于视频检测
，涉及一种基于改进高斯混合算法的高空抛物实时检测方法，在于使用改进混合高斯模型，减少高空抛物检测误报率的基于混合高斯模型的高空抛物监测定位方法。

技术介绍

[0002]随着人们生活质量的提高和社会技术的进步，越来越多的智能化技术涌进社区生活的方方面面，特别是目前城市化进度的推进，呈现人口密集化，大型化。然而，随着城镇化进度的推进，也将一些问题给凸显出来，比如高空抛物，成为悬在城市上空的炸弹。近期一些高空抛物事件，造成的严重后果，也引起了人们对于高空抛物的重视，越来越多高空抛物技术和应用，应运而生。例如采用图像视频处理的方法和硬件感应设备进行高空抛物预警和智能化视频取证，以及加大力度进行楼栋潜在高空抛物危险品的监查和排除工作。针对在图像智能化高空抛物处理方面，在进行检测时，由于干扰因素较多，由于场景多样复杂，光线不稳定等客观因素，造成智能检测的误报率很高。
[0003]本专利技术提出使用改进的高斯混合模型的移动目标检测方法，有别于普通运动目标检测算法的背景减除法，提高了抗干扰能力，加强了对对动态变化背景的识别。

技术实现思路

[0004]要解决的技术问题
[0005]为了避免现有技术的不足之处，本专利技术提出一种基于改进高斯混合算法的高空抛物实时检测方法，解决现有技术中的问题，提供一种可以排除视频中其他干扰因素，减少高空抛物检测误报率的基于改进的高斯混合模型的移动目标检测方法；通过将高空抛出物体的智能求解坐标，并且对背景模型进行动态更新，从而排除树木，飞鸟，窗玻璃的多样化场景的干扰，能够有效降低高空抛物检测误报率。
[0006]技术方案
[0007]一种基于改进高斯混合算法的高空抛物实时检测方法，其特征在于步骤如下：
[0008]步骤1：以前N帧图像的每个像素点高斯函数建立高斯混合背景统计模型：
[0009][0010]其中μ
k
是均值，D为常量参数，x是每幅图像像素值，是第k个分量的协方差，I为RGB颜色空间，η(x；θ
k
)是第k个高斯正太分布；将k个分布依据适应度值w
k
/σ
k
,w
k
是第k个高斯分量权重系数，σ
k
是均方差；
[0011]步骤2：将前N帧图像后视频中第一帧图像，即第N+1帧图像，按照自适应性阈值进行灰度处理，将RGB图像转化为灰度图像；
[0012]对三个通道分布划分运行，并在三个并行进程中运行算法；最后的分割F(xi)来自
于三个部分F
R
(x
i
),F
B
(x
i
),F
G
(x
i
)的逐个按位或操作，得到所求灰度值；
[0013]步骤3：采用步骤1的背景统计模型与第N+1帧图像的高斯混合模型进行比对，在第N+1帧图像上添加动态背景：
[0014]引入自适应学习率来反应前景图像融入背景的速度,将t个样本的估计记作递归地写成估计函数对于t
‑
1样本和所有权系数最后一个样本的:
[0015]使用自适应学习率来判定频繁运动的前景归类为动态背景；
[0016]使用动态估计器进行调整
[0017]得到自适应阈值；
[0018]其中T(x
i
)是动态学习控制器，T
inc
,T
dec
是不变参数；
[0019]步骤4：再次提取出第N+1帧中的每个像素点，通过贝叶斯决策法则和似然函数
[0020][0021]分析该像素点的高斯混合模型参数与背景模型的差异性，并且设定阈值；
[0022]其中：BG是背景，FG是前景,是在x像素下背景或者前景概率；
[0023]步骤5：将阈值内的像素点置0，该点为背景像素点；反之则将其像素点置255，该像素点为前景像素；
[0024]步骤6：更新混合高斯模型
[0025]采用自适应性高斯混合模型，将前景像素点的高斯分布参数即均值、标准差、权重，在时间段T，并且在时刻t时有
[0026]添加到背景统计模型中：
[0027][0028]并按照如下更新方程进行更新：
[0029][0030]其中：是估计的均值，是估计的方差，用来描述高斯分量；是混合权重，并且是非负，加起来为1；
[0031]如果某个像素只出现了一次，降低其权重，当权重小于阈值时，将其从混合高斯模型中删除；
[0032]步骤7：继续读取下一帧视频，重复步骤2～步骤6,最后得出所有帧视频的前景像素点；最后将框选出来的目标返回在视频中，实现高空抛物的实时目标跟踪。
[0033]所述步骤6“更新背景混合高斯模型”的具体步骤为：
[0034]S6a引入自适应性模型参数学习率α，针对学习率进行取值；
[0035]S6b采用提高混合高斯模型收敛率的机制，对于每个高斯分布，将其历史匹配数目引入到模型学习率的计算中；
[0036]S6c在背景建模之初，平均每一帧图像成为背景的学习率，而且在视频总帧数小于1/α的时间内，每一帧都按相同的时间权重来更新高斯混合模型中每一个分布，避免了第一帧图像在混合高斯背景模型中占有过高的权重；
[0037]S6d为了避免新添加的高斯分布会被当做小概率事件删除，影响了正常的背景建模，降低了系统的鲁棒性；采用一种自适应更新高斯分数的模型，在删除高斯分布时考虑到了高斯分布的平均权重和某一高斯分布的最新匹配帧距当前帧的帧数。
[0038]所述S6a学习率的取值与前景图像融入背景中的速度相关，学习率取值大时，前景图像融入背景之中的速度大于学习率的取值小的数值。
[0039]有益效果
[0040]本专利技术提出的一种基于改进高斯混合算法的高空抛物实时检测方法，基于改进的高斯混合模型的高空抛物检测定位坐标，通过将摄像头拍摄的视频帧内楼栋的画面进行灰度图处理，对像素点进行高斯模型统计，截取下一帧图像，分析每个像素点的高斯函数对于背景模型的差异性，如果匹配成功则将像素点置0，反之则认为是前景像素点。更新背景像素统计模型，使每一帧图像都可以进行背景融合。继续下一帧图像，最终得出视频中运动物体所有坐标。该算法解决了多样化动态场景的干扰，能够有效降低高空抛物检测误报率。
[0041]本专利技术采用几种高斯模型来表示运动物体图像中每个像素的特征。对高斯混合模型的更新原理是，如果图像中的每个像素与高斯混合模型匹配，则视其为背景点，否则为前景点。通过对前景模型的更新和计算短期运动稳定性指数，提高了移动目标检测的效果。通过确定高斯分布与像素之间的关系，设置一个新的参数来构建背景模型。分析结果表明，该方法能够良好地检测和跟踪运动目标，具有良好的抗干扰能力和较好的准确度。
[0042]专利技术的效果：根据混合高斯模型在实际背景建本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进高斯混合算法的高空抛物实时检测方法，其特征在于步骤如下：步骤1：以前N帧图像的每个像素点高斯函数建立高斯混合背景统计模型：其中μ
k
是均值，D为常量参数，x是每幅图像像素值，Σ
k
＝σ
k2
I是第k个分量的协方差，I为RGB颜色空间，η(x；θ
k
)是第k个高斯正太分布；将k个分布依据适应度值w
k
/σ
k
,w
k
是第k个高斯分量权重系数，σ
k
是均方差；步骤2：将前N帧图像后视频中第一帧图像，即第N+1帧图像，按照自适应性阈值进行灰度处理，将RGB图像转化为灰度图像；对三个通道分布划分运行，并在三个并行进程中运行算法；最后的分割F(xi)来自于三个部分F
R
(x
i
),F
B
(x
i
),F
G
(x
i
)的逐个按位或操作，得到所求灰度值；步骤3：采用步骤1的背景统计模型与第N+1帧图像的高斯混合模型进行比对，在第N+1帧图像上添加动态背景：引入自适应学习率来反应前景图像融入背景的速度,将t个样本的估计记作递归地写成估计函数对于t
‑
1样本和所有权系数最后一个样本的:使用自适应学习率来判定频繁运动的前景归类为动态背景；使用动态估计器进行调整得到自适应阈值；其中T(x
i
)是动态学习控制器，T
inc
,T
dec
是不变参数；步骤4：再次提取出第N+1帧中的每个像素点，通过贝叶斯决策法则和似然函数分析该像素点的高斯...

【专利技术属性】
技术研发人员：王成，王英民，杨文凯，刘思杰，陶林伟，郑琨，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：