叩 ， －∑ ：— （ ｆ ） ，
Ｐｉ —‘ １
（） ２
目标 ， 则计 数 器 大 小 加 一 ，若 计 数 器 小 于 等 于 预 设 定 闽 值 时 ， 直 接 进 入 下 ～ 帧 ， 不 进 行 更 新 ， 若 计 数 器 大 ｆ 阂 值 时 ， 更 新 背 景 模 型 并 对 计 数 器 进 行 清 零 。从 原 理 来 说 ，假 定 闽值 为 Ｔ ，这 种 方 法 可 表 达 为 当 目标 进 入 视 野 后 ， 以延 ｈ 迟Ｔ ｈ帧 的 形 式 来 对 目标 进 行 监 ｌ ，一 旦 确 认是 目标 点 ，即 ｝ 见 停 Ｊ高 斯 背景 模 型 更 新 ，离 开 Ｔ 上 ｈ帧后 恢 复 更 新 。
该 方 法 虽 然 可 以 区分 出 静 态 目标 ， 并 保 证 静 态 目标
（ ） ∑ ２ ｝ ¨Ｉ
当 新 的 一 帧 读 入 时 ， 前像 素 颜 色 通 道 会 从 第 一 个 高斯 当 分 布 开 始 逐 个 匹 配 ， 直 到 找 到 【 的或 者 完 全找 不 到 为 Ｊ。 几配 卜 具 体 高斯 背 景 模 型 匹 配 如 公 式 （ ） ３
（一 ＿ ＋ １ ） ｆ ＿ ｌ
！二 急 ３ ∑
‘ 闽值 Ｍ Ｉ 阈 Ｍ１ ０ ＞ 值 ＝ ［ ｆ ：
（ ３ ）
被 高 斯 背 景模 型 学 习进 去 ，但 是 有 两 个 重 要 的 缺 陷 ： １ ）该 方法 采 用 的是 完 全 停 止 更 新 的方 式 ，背 景 的多 模 态 特 征 会 被 识别 为 前 景 ； ２ 该方 法 会 产 生 Ｔ 帧 延 迟 ， 当 目标 物 体 移动 速 度 较 ） ｈ 快 时 ，前 景 区 域 会 产 生 残 影 效 果 。
考 虑 到 算 法 的 时 间和 空 间 复杂 度 ， 一般 取 值 在 ３ ５ 间 ， ～之 该 像 素 点 Ｒ Ｂ 通 道 在 时 间 ｔ的高 斯 分 布 函 数 尸 ） 以表 Ｇ ｆ 可 示为如下：
Ｋ
景 函数 的过程 。在 智能监控领 域 ，大 多数背景模 型构建算 法 都 是 使用 后 者 【 。 。 。Ｗｒｎ等 ［利 用 单 高斯 分 布 进 行 背 景更 ｅ ］ 新 ， 但 不 能 有 效 地 处 理 频 繁 变 化 的场 景 。 Ｓａｆ ｒ等 】利 ｔ ｆ ｕｅ ｊ ｌ ４
Ａｂ ｔａｔ Ｔａｉｏ ａ Ａ ａｔ ｅ ｕ ｓ ｎＭ ｉ ｒ ｄ ｌ ｌｌｓ ｒｅｗｈｎｄａ ｗｉ ｂｔ ｒ— ｎ ａｉｎｒ ｂｅｔＩ ｉｐｐ ｒ ｓｒｃ： ｒｄｔ ｎ ｌ ｄｐｉ ｓｉ ｘ ｅ ｉ ｖ Ｇａ ａ ｕ ｔ Ｍｏ ｅｗｉ ｅａｇｔ ｅ ｅｌ ｔ ａ ｉａｙｌ ｇ ｔ ｏ ａｙｏｊｃ．ｎｔ ｓ ａｅ， ｌｏ ｔ ｈｒ ｒ ｏ ｓｔ ｈ
Ｍｉｒｃ ｍｐ ｔｒ ｐ ｌ ａｉｎ ｏ． ８ Ｎ ． ２ １ ｃｏ ｏ ｕ ｅ ｐｉ ｔ ｓ １ ， ｏ ， ０ ２ Ａ ｃ ｏ Ｖ ２ ８
文 章 编 号 ： １０ ．５Ｘ（０ ２８００ —３ ０ ７７ ７ ２ １）—０ １０
一
研 究 与设计
微型 电脑 应 用
２１ 年第 ２ ０２ ８卷第 ８期
Ｍｉ ０ ０ ｕｅ Ａｐ ｌ ａｉ ｓ ｏ ２ ， ｏ８ ２ １ ｃ ｃ ｍｐ ｔ ｒ ｒ ｐｉ ｔ ｎ １ ８ Ｎ ．， ０ ２ ｃ ｏ Ｖ ．
研 究 与设 计
微 型 电脑 应 用
２１ 第 ２ ０ ２年 ８卷第 ８期
叩 ， ∑ 为 ｔ （ ／ ， ） ４ 时刻 第 ｉ 高 斯 分 布 的概 率 密 度 函数 ，如 个
面 ，它 不能处理 具有多模态特 征的背景 。本文提 出一 种改
进 算 法 ， 既 能 有 效 检 测 长 时 间静 止 目标 ， 又 能 处 理 具 有 多
模态特征的背景 。
Байду номын сангаас
１ 自适应 混合 高斯 模型 及其 不足
混 合 高 斯 模 型 的核 心 思 想 可 以 这 样 阐 述 ： 对 每 一 个 像 素 点 的 每 一 个颜 色通 道 ， 定义 个 高 斯 函 数 分布 来表 示 该 像素 在 不 同时 间的 不 同状 态 ，每 个 分布 可 以对应 一 种模 态 ， 多 余 的 分 布 中 保 留 一 个 来 表 征 被 前 景 遮 挡 时 状 态 ｌ。 ４ Ｊ
Ｗ ａ ｅ ａ Ｌｉ ｎ Ｌｉ ｎｃ ｉ ｎｇ Ｃｈ ｎｈ ｏ， Ｐｅ ｇ， ｕＹｕ ａ
（ ｓ ｔｔ ｏ ｇ ｒ ｃ ｓｉｇａ ｄＰ ｔ ｒ ｅ ｏ ｎ ｔ ｎ Ｓ ａ ｇ ａ Ｊ ｏＴ ｎ ｉｅｓ ｙ Ｓ ａ ｇ ａ ２ ０ ４ ， ｈｎ ） Ｉ ｔｕｅ ｆ ｍａ ｅ ｏ ｅｓ ａ ｅｎＲ ｃ ｇ ｉ ｏ ， ｈ ｎ ｈ ｉ ｉ ｏ ｇＵｎｖ ｒｉ ， ｈ ｎ ｈ ｉ ０ ２ ０ Ｃ ｉａ ｎｉ ｌ Ｐ ｎ ｎ ｔ ｉ ａ ｔ
种改进 的混合 高斯背景模型
王 宸 昊 ，厉 鹏 ，刘 允 才
摘
要 ：针 对 经 典 混 合 高斯 模 型 无 法识 别静 态 目标 的 问题 ，提 出一种 改 进 算 法 。通过 加 入 了参数 还 原 算 法 ，并 引入 一 个 反 馈
调 节 环 节 ，可 以避 免 静 态 前 景 被 学 习进 入 背景 。 当 目标 停 留超 过 预 定 帧数 时 ， 目标 所 覆 盖 的每 个 像 素 点 的 个 高斯 函 数 进 行 参 数 还原 ，避 免 了 目标 被 更新 为 背 景 的 一部 分 。实 验 结 果 表 明 ，提 出 的改 进模 型 ，不仅 能 检 测 长 时 间静 止 目标 ，而 且 能识 别 多模 态 背 景 。
Ｐ ｔ ∑ （ ＇ （） Ｘ ＝ ， ，ｆ ） ＇ ∑
其 中 Ｘ 为该像素点 Ｒ ＧＢ通道分量 ，
，
【 ）
为 第 ｉ 高 斯 个
分 布 函数 的权 值 ，
ｆ为对应高斯分布期望，Ｅ 为 对应 高
，
景 更新 ，会 引起信息 丢失并 降低 了算法 的鲁棒性 。另一方
关键词 ：背景模 型 ；混合高斯模型 ； 目标检测
中 图分 类号 ：Ｔ ３ １ Ｐ １ 文 献标 志 码 ：Ａ
Ａ ｎ Ｉ ｐｒ ｖ ｄ Ｇ ａ ｓａ ｉ ｔ ｅＭ ｏ ｅ ｏ ｃ ｒ ｕ ｔｍ ａ ｉ ｎ ｍ ｏ ｅ ｕｓ ｉ ｎ Ｍ ｘ ｕｒ ｄ ｌｆ ｒＢａ ｋｇ ｏ ｎｄ Ｅｓｉ ｔｏ
其 中 Ｍ 为 匹 配 参 数 。当 小 于 设 定 阈 值 时 ，匹 配 当前 高斯 分布 ；大 ｆ等 于 设 定 阈值 时 ，不 匹 配 当 前 高斯 分布 。具 体 高斯 背 景模 型 更 新 如 公 式 （ ） ５ 、 （ ） ７ 、 （ ） ４ 、（ ） ６ 、（ ） ８
＝
２ 改进 的混 合高 斯模型
ｔａ ｙ—ｏｎ ｉ ｅ ｒ ｒ ｌ ｇ ｔｍ ．
Ｋｅ ｒ ｓＢ ｃ ｇｏ ｎ ｏ ｅ； ｘｕｅ ｕｓ ｎ ｏ ｅ； ｂｅｔ ｔ ｔ ｎ ｙｗｏｄ ： ａｋ ｒｕ ｄ ｄ ｌＭｉｔｒ Ｇａｓｉ ｄｌ０ ｊｃＤｅ ｃｉ Ｍ ａＭ ｅ ｏ
０ 引言
背 景 建 模 是 视 频 预 处 理 的 重 要 环 节 ， 它 对 于 后 期 目标 检 测 、特 征 提 取 及 行 为 理 解 等 处 理 非 常 重 要 。 背 景 模 型 的 建 立 方 法 分 为 非 自适 应 型 和 自适 应 型 。 前 者 则 是 需 要 根 据 光 照 变 化 和 背 景 改 变 进 行 手 动 初 始 化 ： 后 者 即 是 指 通 过 对 同 一 像 素 点 在 连 续 帧颜 色 的 变 化 进 行 学 习 并 拟 合 出一 种 背
ａ ｏ ｅ ｍｅ ｏ ｒ ｅ ｃｉｇｔｉｋｎ ｆ ｂｅｔｓ ｒｐ ｓｄｔ ｉ ｐｏ ｅ ｈ ｅ ｏｍａｃ ｆ ｄｐｉ ａ ｓｉ ｘｕｅ ｄ１Ｐ ｒ— ｖ ｌ ｔ ｄｆ ｔ ｔ ｓ ｉｄｏ ｊｃ ｏ ｏｅ ｒｖ ｅｐｒ ｒ ｎｅｏ ａｔ ｅＧ ｕ ｓ ｎＭｉｔｒ Ｍｏ ｅ． ａａ ｎ ｈ ｏｄ ｅ ｎ ｈ ｏ ｉｐ ｏｍ ｔ ｆ Ａ ｖ ａ
公式 （ ２）
法 引 入 了一 个 反馈 环 节 ， 即 在 高 斯 模 型 更 新 前加 入 了 一 个 计 数 器 。若 当前 像 素 点 颜 色 通 道 计 算 后 匹配 前景 月标 ，则 计 数 器 大 小保 持 不 变 ，高 斯 混 合 模 型不 进 行 更 新 环 节 ，直 接 进 入 下 帧 ； 若 当 前 像 素 点 颜 色 通 道 计 算 后 不 匹 配 前 景
用 混 合 高 斯 模 型 来 建 立 背 景 模 型 ，对 每 个 像 素 点 建 立 由 多 个 高 斯 分 布 组 成 的背 景 模 型 。 该 方 法 鲁 棒 性 好 ， 能 克 服 光 照 变 化 、树 枝 摆 动 等 造 成 的影 响 ，成 为 经 典 背 景 模 型 的算 法 之 一 。但 是 这 种 无 法 识 别 静 态 目标 。 当 目标 从 外 界 进 入 视 野 停 止 运 动 ， 目标 物 体 就 会 逐 渐 被 更 新 进 入 背 景 ，从 而 导 致 误 判 。 在监 控 系 统 中 ， 这 种 错 误 是 必 须 避 免 的 。 为 了 解 决 高 斯 混 合 模 型 不 能 识 别 静 态 目标 的 缺 陷 ， Ｘｉ ｄ ｎ ａ ａ ｏ ｇ Ｃ ｉ等 提 出利 用 已 经 识 别 的 物 体 位 置信 息 ， 作 为 ｏ 当 前 帧 反 馈 信 息 【 当对 象 没 有 移 动 的 时 候 ， 更 新 过 程 将 。 停 止 。 该 方 法 虽 然 能解 决 静 止 物 体 跟 踪 问 题 ，但 是 没 有 背
ｍ ｅｅ ｅ ｔ ｒ ｔ ｎ ｉ ｄ ｓｇ ｅ ｏ ｄ ａ ｔ ｒ ｉ ａ － ｎ ｔｔ ｎ ｒ ｒ ｅ ｎ ｏ ｖ ｅ ｓ ｏ ｔｃ ｍｉ ｇ ｆ ｅｌｔ ｓ ａ ｇ ｒｔ ｍ． ｐ ｒ— ｔ ｒ ｓｏ ａ ｉ ｅ ｉｎ ｄ ｔ ｅ ｌ ｈ ａ ｂｔ ｒ ｌ ｇ ｓａ ｉ ａ ｔ ｇ ｔ ｄ ｓ ｌ ｅｔ ｈ ｒ—ｏ ｎ ｓｏ ｅ ｔ ｌ ｏ ｉ ｒ ｏ ｓ ｗｉ ｒｙ ｏ ｏ ｙ ａ ａ ｈ ｈ ｔ ａ ｈ Ｅｘ ｅ ｉ ｍ ｅ ｔ ｌｒ ｓ ｌ ｈ ｗ ｈ ｔｔ ｅ ｐ ｏ ｏ ｅ ｌ ｏ ｉ ｍ ｒ ｖ ｓ ｔ ｅ ａ ｍｏ ｅ ｒ ｂ ｓ ｔ ｏ ｙ ｄ ｔｃ ｉｇ ｔ ｅ ｓａｉ ｎ ｒ ａｇ ｔｉ ｎ ａｂ — ｎ ａ ｅ ｕ ｔ ｓ ｏ ｔ ａ ｈ ｒ ｐ ｓ ｄ ａ ｇ ｒｔ ｓ ｈ ｐｏ ｅ ｏｂ ｒ ｏ ｕ ｔ ｍｅ ｈ ｄ ｂ ｅ ｅ ｔ ｔｔ ａ ｙ ｔｒ ｅ ｎ ａ ｒ ｉ ｎ ｈ ｏ