文档介绍：一种改进的运动目标检测算法研究与实现
摘要:运动目标检测是计算机视觉领域的一个重要分支与基础,在军事、交通、工业以及生物医学等领域具有广泛的应用前景。但由于运动目标检测问题本身的复杂性,运动目标的检测与跟踪面临诸多挑战。背景差分技术是常用的运动目标检测方法,但对于动态场景的变化,如光照和外来无关事件的干扰等特别敏感。本文提出基于背景差分技术的一种有效的运动目标检测方法,对于解决这些问题是非常有帮助的,首先利用混合高斯模型建立背景模型,再实时更新背景模型,以适应视频本身和光线的变化,最后使用形态学方法消除噪声和背景扰动带来的影响。运动目标跟踪方面使用区域跟踪技术,并引入两个参数实现跟踪匹配,很好地处理了目标之间的相互遮挡问题。实验结果表明,该方法是快速有效,能够满足实时的需要。
关键词:视频信息处理混合高斯背景建模目标跟踪检测
1 概述
在视觉监控系统等应用领域中,其重要研究内容就是检测与跟踪运动目标。当下我们饿越来越多的需要进行视频信息智能化处理,人们开始将主力以更多地集中在怎样才能从视频流中提取运动目标、并对目标进行实时跟踪。在各种运动目标检测方法中使用的最普遍的是背景差分方法,但是关于动态场景的变化,如光照和外来无关事件的干扰等特别敏感。本文主要是依据背景差分技术,找到了一个更好的运动目标检测方法。在进行背景提取时,运用混合高斯模型方法建立背景模型,在对视频中的运动目标进行检测时,通过背景差分操作的方法来实现,实时更新背景模型,以适应光线的变化和场景本身的变化,通过形态学运算得到最终的检测结果,最后运用连通区域面积限制目标大小的方法进行后处理,使由于噪声和背景扰动产生的影响不再存在。当运动目标确定后,采用区域跟踪技术对目标进行实时跟踪,跟踪技术中使用了两个参数以避免运动目标之间的遮挡问题。实验结果证明提出的检测方法是高效的。
2 背景的提取和更新
混合高斯模型在采集的视频图像中是包含彩色分量的,一些应用中则使用了协方差的方法来进行计算,这种方法计算量大但效果提升不高,不适合实时性的要求。因此,本算法中直接简化了这一过程,将彩色图像转为灰度图的方法来进行高斯混合建模。根据场景的复杂程度,高斯模型的数量k(3~7),随着k值的增加,其能表征的场景会变得更加复杂,会加大相应的计算量。
背景训练首先对一段帧数的视频进行训练,通过训练帧中所得到模型计算出均值,方差和权重等各参数来从作为背景模型的参数。在训练过程中,不必对每个高斯模型都进行确定,如果对于某一像素点来说,在训练时间内其灰度值变化不大,即其一个到两个高斯模型内就已经能包含图像中90%以上的像素值,那么可直接将有较大的方差和较小的权值的参数赋予其他模型。本算法中将方差设为11,权值初始设置设为1。通过对背景的训练,可以消除背景中的扰动因素,以避免将运动物体视为背景模型,训练帧数越长,所得到的背景模型越精确,但一般训练时间不超过50帧,否则会影响整系统的启动时间。
模板匹配得到了背景模型后,通过模板匹配来进行前景分割。在进行模板匹配前,首先要对混合高斯模型中的三个单高斯模型按照从大到小的方式进行排序,找出能与背景图像匹配的那个高斯模型。因动态区域点的方差会比静态区域的点要大,再加上由于运动物体的出现而使得模型更新后该单高斯模型的权值变小,所以随着权值的增加,方