2011年 5月
M ay. 2011
华南师范大学学报 (自然科学版 )
JOU RNAL O F SOUTH CH INA NORMAL UN IVERS ITY
(NA TURAL SC IEN CE ED IT ION )
2011年第 2期
N o. 2, 2011
收稿日期: 2010- 09- 07
基金项目: 国家基础科学研究基金 ( A1420060159)
* 通讯作者, 749284297@ qq. com
文章编号: 1000- 5463( 2011) 02- 0056- 04
基于风险决策与混合高斯背景模型的
前景目标突变快速检测
闫英战
*
, 杨 勇
(广东科技学院计算机系, 广东东莞 523083)
摘要: 将风险决策引入前景目标的突变判断中, 通过设计一个时序计数器 函数来记录 图像上某 一像素点被 划为前景
的次数, 当次数大于某一阈值时, 将 该像素从前景点改判为背景点, 可以估计该 像素点为 背景点的概 率, 做 出风险决
策, 以便及时更新混合高斯背景模型参数, 减少多 个高斯模 型的高 额计算 量. 最后通 过实验验 证了算 法在目 标检测
率和实时性方面 的改进.
关键词: 目标检测; 混合 高斯模型; 背景建模; 风险决策
中图分类号: TP391. 4 文献标志码: A
在运动目标检测过程中, 传统采用的方法主要
是帧间差分法、背景减除法
[ 1]
及光流法
[ 2]
. 背景模
型估计算法适用于摄像机静止的情形, 按照所处理
背景的自身特性, 可分为单模态和多模态两种. 前者
在每个背景点上的颜色分布较集中, 可用单个概率
分布模型来描述 ( 即只有一个模态 ) , 后者的分布则
比较分散, 需要多个分布模型来共同描述 ( 具有多
个模态 ). 自然界中的许多景物和很多人造物体, 如
水面的波纹、摇摆的树枝等, 都呈现出多模态的特
性
[ 3]
. 最常用的描述背景点颜色分布的概率分布是
高斯分布 (正态分布 ), 目前大部分研究都集中于开
发不同的背景模型, 以期减少动态场景变化对于运
动分割的影响. 例如, STAUFFER 与 GRIM SON
[ 1 ]
利
用自适应的混合高斯背景模型对每个像素进行建
模, 并且利用在线估计来更新模型, 从而可靠地处理
了光照变化、背景混乱运动的干扰等影响. 自适应混
合高斯背景模型具有良好的解析形式且运算效率
高, 因而优于其他形式的背景模型. 但是多高斯背景
存在一些不足, 由于它为视频图像每个像素点的每
个 R、G、B 颜色通道都建立了一个包括 K (K 取 3~ 5
值 )个高斯函数的混合高斯模型, 模型过多, 计算量
会非常大, 那么计算耗时就会很大, 影响系统的工作
效率和实时性.
文献 [ 4] 将目标跟踪分为 以下几类: 目标进入
场景、离开场景、单目标跟踪、多目标跟踪以及遮挡
目标跟踪等情况. 目标检测是跟踪的前提, 一个鲁棒
性强的目标跟踪系统需要一个效率高、实时性强的
目标检测方法. 本文针对当有目标进入场景、离开场
景的情况, 提出了一种改进的高斯建模算法, 将风险
决策应用于前景目标的突变判断中, 引入一个时序
计数器函数来记录图像上每一像素点被划为前景的
次数, 其作用是用来判断混合高斯模型中非运动目
标像素点对跟踪目标检测的干扰. 根据时序计数器
函数和阈值计算像素点为前景或背景的概率, 再通
过风险决策计算该像素点为前景或背景的风险, 据
此能较准确地判断该像素点, 可以将原先错判的前
景点改判为背景点, 及时更新混合高斯背景模型参
数, 以减少多个高斯模型的高额计算量.
1 自适应混合高斯背景模型及更新
自适应混合高斯模型对每个图像点采用了多个
高斯模型的混合表示. 对每一个像素点定义 K 个状
态来表示其所呈现的颜色, K 值一般取 3~ 5之间, K
值越大, 处理波动能力越强, 相应所需的处理时间也
就越长. K 个状态中每个状态用一个高斯函数表示,
这些状态一部分表示背景的像素值, 其余部分则表
示运动前景的像素值. 设描述每个点颜色分布的高