改进混合高斯模型的运动目标检测算法Moving object detection algorithm of improved Gaussian mixture modelFor the traditional Gaussian mixture model cannot detect complete moving object and is prone to detect the background as the foreground region ，an improved algorithm was proposed for moving object detection based on Gauss mixture model. The Gaussian background model mixed with improved frame difference method for integration ，distinguished the uncovered background area and moving object region ，which could extract the complete moving object. To give a larger background updating rate of uncovered background area ，the background exposure of regional influences was eliminated. In complex scene ，it used the method of replacement by background model to improve the stability of the algorithm. The experiments prove that the improved algorithm has been greatly improved in the aspects of adaptability ，accuracy ，real-time ，practicality and so on，and can correctly and effectivelydetect moving object in the situation with variouscomplicated factors.Gaussian mixture model ；moving objectdetection ；frame difference method ；uncovered background area ；background update rate0 引言随着社会经济的发展和城市化进程的加快，日益增长的交通容量的需求已经对现有的交通能力及管理设备造成了巨大压力。
基于视频的车流量检测系统是智能交通系统的重要环节，运动目标检测与提取成为了基本的热点问题。
随着计算机技术和图像处理技术的发展，基于视频采集和监控的智能交通系统会得到更大的发展，成为未来的发展方向。
对这方面的研究也将具有更大的价值[1] 。
运动目标检测是从视频序列中检测和识别出运动目标的关键技术。
目前常用的基于视频的运动目标检测方法有光流法[2] 、背景差法[3-6] 、帧差法[7] 以及统计模型法[8-9] 等。
目前，最常用的、研究最多的方法是基于统计模型的目标检测方法。
本文以混合高斯模型为基础进行研究。
混合高斯背景模型最早由文献[10] 提出，很好地描述了复杂的背景，在视频监控领域发挥了很大的优势；文献[11] 提出了混合高斯背景模型与三帧差法结合的运动目标检测方法，并通过面积法对检测结果进行分析；文献[12] 通过在颜色和空间上对像素点进行建模，使混合高斯背景模型的自适应性有了明显的改善，降低了环境的干扰；文献[13] 通过为每个像素引入参考量来提高背景模型的自适应性。
然而，以上方法的提出没有同时兼顾并有效地解决混合高斯背景模型中出现的以下问题：1）无法完整准确地检测大并且运动缓慢的运动目标，运动目标的像素点不集中，只能检测到运动目标的部分轮廓，无法提取出目标对象的完整区域；2）无法将背景显露区域与运动目标区域很好地区分开；3）当运动目标由静止缓慢转化为运动时，易将背景显露区检测为前景，出现“影子”现象；4）在有树枝摆动等复杂场景中对噪声的处理效果不佳，对环境的适应性较差。
针对上述问题，本文提出一种改进的混合高斯模型的运动目标检测的算法。
实验证明改进后的算法在自适应性、正确率、实时性、实用性等方面有了很大的改进。
1 混合高斯背景建模Stauffer 提出了自适应混合高斯模型，该模型能有效适应光线的变化和多模态场景，抗干扰性强，是目前比较常用而且有效的背景建模方法，也是研究运动目标检测最有效的方法之一。
它是一种直观的概率密度模型，反映了某段时间内图像运动的统计特征[10] 。
在混合高斯模型中，对图像中每个像素点建立K个高斯模型（K一般在3和5之间取值），对于t时刻像素的样本值xt ，它的概率密度函数由K 个多维高斯分布函数的概率密度函数加权和来表示：3 本文的检测算法通过对传统的混合高斯模型法的分析，传统的混合高斯模型无法完整准确地检测大并且运动缓慢的运动目标，不能很好地检测出运动目标的完整区域。
另外，由于其采用固定的背景更新率，对运动目标速度的变化不能很好地掌握，进而不能准确地区分背景显露区与运动目标区域，容易将背景显露区检测为前景。
当运动目标由静止缓慢转化为运动时，易出现“影子”现象。
在有树枝摆动的复杂场景中，传统的混合高斯模型不能很好地去除噪声的干扰。
因此，本文对传统混合高斯模型行了改进，来解决以上出现的问题，提高了混合高斯模型对运动目标检测的准确性、实时性和实用性。
3.1 融入改进帧差法的混合高斯建模在混合高斯模型算法中融入改进的帧差法，具体过程如下：步骤1其中：ou）和运动目标在当前帧中所覆盖的区域（Am采用不同的背景更新速率。
对Am区域中的像素点，选取较小的更新率，来避免噪声的影响。
对于背景显露区Au，由于传统混合高斯背景模型采用固定不变的更新率，难以适应运动物体速度变化的情况，静止物体一旦运动，背景区域就会显露出来。
静止车辆开始运动时造成停留区域出现“影子”的现象。
为了使显露的背景区域能迅速地恢复，需要提高背景的更新速率，由此学习率£的取值就显得尤为重要。
本文对进行动态更新，£是自适应变化的。
利用高£斯分布的概率来确定£，利用M帧的高斯分布进行统计。
即背景模型随着真实背景的变化而变化，背景变化较大时背景模型也跟着变化，进而实现了较快的学习速度，提高了背景更新率，显露的背景能得到迅速的恢复，避免了“影子”现象的发生。
3.3 改进的前景检测对于上述的处理结果，不可避免地会引入干扰因素。
如由光线改变、树枝摆动等因素引起的噪声，可以它归为背景的一部分。
为了避免这种复杂场景中噪声对运动目标检测的影响，本文采用背景替换方法来进行检测。
在检测中当像素点不符合背景点时，对不符合的点，通过建立计数器来记录不符合背景点的次数，如果当前像素点不属于建立的背景并且像素的变化平缓时，即可判断为环境因素引起的噪声，此时计数器Num+1否则清零。
4 检测算法流程改进混合高斯模型算法在运动目标检测的过程中，要获取实时的交通视频帧图像，从而更好地完成整个检测的核心，即对运动目标的提取。
本文检测方法的具体流程，如图2 所示。
为了验证本文算法的有效性，首先选取了两段视频来检测算法的灵敏度，改进后的算法能检测出较完整的运动目标。
如图3 所示，图（a）是在第一段视频中截取的第308帧，图（d）、（g）是第两段视频中分别截取的第27帧，第425帧的图像。
图（b八（e）、（h）分别是算法改进前的处理结果，图（c ）、（f）、i ）分别是算法改进后的处理结果。
通过比较可以看出，改进前的算法无法提取出目标对象的完整区域，只能提取出部分的运动目标，对运动目标的检测灵敏度较低。
改进后的算法能检测到大部分目标，可以提取出完整的目标对象，对大并且运动缓慢的目标检测效果也有明显的改善。
另外，如图4 所示，选取三段车辆由静止缓慢转为运动的视频。
图（。
）与（d）、（9）与（h）、（k）与（I ）分别是运动目标从静止缓慢转为运动的检测结果对比。
从图中可以看出，改进前的处理结果中还仍有原始背景帧中静止车辆残留的“影子”。
经过本文改进的算法的处理，可以明显地看出结果中该“影子”基本消失，使目标检测更加完整清晰。
实验结果表明，改进的算法避免了传统混合高斯模型背景法中“影子”现象的发生，有效地消除了背景显露区，使背景显露区对运动目标检测的影响也有了明显的消除。
最后一段视频是在有树枝摆动的复杂场境中拍摄的，如图5 所示，图（a）是原始视频第469帧的图像，图（b）、（c）、（d）分别为传统混合高斯背景模型法、文献[13]的方法和本文改进方法进行检测的结果。
通过比较可以看出，在有噪声的复杂场境中传统混合高斯背景模型的处理效果较差，存在噪声的影响并且检测出的运动目标不够完整，文献[13] 通过为每个像素引入参考量来提高背景模型的自适应性。
该方法虽然能够检测完整的运动目标，但噪声影响加强。
而本文改进的算法可以有效地兼顾以上出现的问题，可以将运动目标完整地检测出来，同时也可以有效地抑制噪声的影响。
通过实验可以看出，本文改进的混合高斯背景模型的运动目标检测算法在准确性、实时性、实用性方面有了很大的提高。
改进后的算法能够很好地消除“影子”现象，在光线改变、树枝摆动等因素引起噪声的复杂场景中，采用背景替换方法来进行检测，有效地减少了噪声的干扰，实用性强。
改进帧差法计算简单、复杂度不高、运算速度快，可以准确快速地检测出较完整的运动目标。
在混合高斯背景建模的初期运用改进的帧差法，快速分离出变化区域中的背景显露区域与运动目标区域，提高了算法的灵敏度与实时性。
此外，根据划分的不同区域给予不同的更新率，通过提高背景的更新速率，使显露的背景区域能迅速恢复。
这不仅降低了算法的复杂度，还大大降低了算法的运算量，提高了算法的准确性与实时性。
6 结语本文提出了基于混合高斯背景模型的运动目标检测的改进算法。
通过对像素点的8 邻域进行操作来完成对传统帧差法的改进，可以提取出运动目标的完整的区域。
在混合高斯背景建模的初期运用改进的帧差法快速检测出变化区域，很好地区分出背景显露区域与运动目标区域，从而提取出完整的目标信息，即有效地解决了引言中提出的问题1）、2）。
利用不同的区域给予不同的更新率，降低了混合高斯背景模型的复杂度，对背景显露区利用高斯分布的概率来确定£的方法来提高背景更新率。