2009年运动目标检测误点抑制算法：混合高斯与归一化互相关优化

本文主要探讨了运动目标检测中的误检测问题，尤其是在光照强度突然变化的情况下，传统的减背景法（如基于混合高斯分布模型的方法）可能会产生大量误检点。针对这个问题，作者提出了一种改进的自适应混合高斯模型作为背景建模策略。这种方法首先利用K个高斯分布的混合模型对背景像素进行建模，每个像素点的值在时间t由多个高斯分布的概率分布决定。 在常规的混合高斯背景模型中，模型参数需要根据图像序列中的实时数据进行在线估计和更新，这使得模型能够适应环境变化，包括缓慢的光线变化和轻度的背景干扰。然而，当遇到光线突变时，原有的模型就显得力不从心，因为单一的高斯分布无法很好地捕捉快速变化的光线条件，从而导致误检测。 为了解决这个问题，作者提出了一种策略：在检测到可能的光线突变时，结合归一化互相关系数（Normalized Cross-Correlation，NCC）进行分析。归一化互相关系数是一种用于测量两个信号相似性的指标，通过比较当前帧与背景模型的差异，可以判断某个像素点是否是真实的运动目标，还是由于光线变化引起的误检。这种方法能够有效地识别和剔除由于光线突变造成的误检测点，从而提高运动目标检测的准确性。 实验结果显示，这种改进的混合高斯模型结合归一化互相关系数的策略在抑制光线变化方面表现出色，能够得到清晰的运动目标检测结果，适用于计算机视觉领域的视频图像分析，对于后续的目标分类、跟踪、行为理解和识别具有重要意义。本文的工作提供了一种实用的运动目标检测算法，对于动态场景下目标检测的鲁棒性提升具有较高的研究价值。