朱丽华 芦娜

摘要：混合高斯模型在对运动目标检测中常用于背景建模。当运动目标停留在场景中某一位置过长时采用混合高斯模型会产生目标在场景中消失的现象，且需要根据目标在场景中运动与静止情况，来决定整帧更新还是只更新背景区域，容易造成运动目标出现不连续性。为了解决上述问题，对传统的高斯模型进行了改进，并将前景区域划分为运动区域和非运动区域，进而检测运动区域目标是否为阴影，从而决定是否去除阴影。针对Mean-Shift算法理论上的不足以及跟踪目标时的领域跟踪局限性，同时采用了改进的Mean-Shift方法进行跟踪。采用OpenCV库和VS2012实现算法，实验结果表明，该文所提算法具有较强的鲁棒性和稳定性，有效地消除行人运行产生的拖影，并能较好实现行人检测与跟踪。

关键词：混合高斯模型； Mean-Shift；行人检测；行人跟踪；Opencv

中图分类号：TP31 文献标识码：A

文章编号：1009-3044（2019）10-0149-02

开放科学（资源服务）标识码（OSID）：

1 引言

运动目标检测是将视频图像中的变化区域从场景中分割出来，其目的是利用视频图像检测并提取出运动目标。目前，运动目标检测主要有三种方法[1][2]：帧差法、光流法和背景差分法。相对于光流法对硬件要求高、实用性较差和帧差法对变化小的像素点难以检测，背景差分法由于计算速度快，容易实现，在运动目标检测中得到了广泛应用。Stauffer[3]和LEE W H[4]利用混合高斯模型来建立背景模型，鲁棒地克服光照变化、树枝摇动等造成的影响，但该方法对运动物体在场景中停止不动或长时间停止检测失效。文献[5]采用全局调整更新率方法提高模型对背景变化的适应能力，容易导致目标检测不完整。文献[6][7]对不同区域采用不同更新率，使得背景模型能够较准确反映真实背景，但不能较好地解决长时间静止物体变为运动时造成的错误检测问题。文献[8]对前景检测进行了改进较好地处理了噪音，但是没有考虑对阴影的消除。

本文采用改进的混合高斯模型实现目标检测，有效提高了运动目标检测的完整性。在运动目标检测中对传统的高斯模型进行了改进，将前景区域划分为运动区域和非运动区域，进而检测运动区域目标是否为阴影，从而决定是否去除阴影，最终实现运动目标的检测。

2 行人目标检测

2.1 经典混合高斯模型

混合高斯模型[9-11]，它对图像中的每个像素点用多个高斯分布构成的混合高斯模型来建模，每个高斯模型参数化，模型的参数会自适应更新，随着新图像的到来，需要更新每个像素点各个高斯分布的权重、均值和方差。先预定义K个混合高斯模型，得到新一帧图像后对其更新，检测当前图像的每个像素点中是否与K个模型中的任意一个匹配，如果有，则该像素点判定为背景点，反之为目标点。

2.2 改进混合高斯模型

从以上分析可以得到长时间匹配的高斯分布的权值会越来越大，而不匹配的高斯分布的权值会越来越小。在目标检测过程中，为了克服目标的阴影很容易被误检为运动目标一部分，利用下面算法，对阴影进行混合高斯建模，并消除阴影。

算法思想：

步骤1 初始化混合高斯模型参数。对每一个模型赋初始值，其中第一个分布的均值取当前像素值，匹配次数为1，权重为1，其他模型相应值赋0，且所有模型的方差初始化成一个较大值。

步骤2 模型更新：新到来的与其K个高斯分布去匹配。对K个模型分量权值正规化，保证总和为1。

步骤3：前景检测，按照模型置信度对K个高斯分布排序，选前B个作为背景模型，根據判断准则确定为背景像素还是前景像素。

步骤4：将前景区域划分为运动区域和非运动区域。

步骤5检测运动区域目标是否为阴影。

在行人的识别过程中，为了获得更好的效果，使用了腐蚀运算和膨胀运算，来有效减少小噪音影响。

3 行人目标跟踪

MeanShift算法最早由Fukunaga和Hostetler提出的一种基于迭代的非参数核密度估计算法。但传统的Mean-Shift跟踪算法对目标的识别性能不够优秀，尤其在运动目标快速运动时，由于获取的图像只具有局部的某些特性，甚至跟踪失败。本文采用改进的Mean-Shift算法[12]，将Mean-Shift和Kalman滤波相结合，通过Mean-shift算法的迭代聚类作用，在Kalman算法跟踪的结果上再进行迭代计算，实现运动目标跟踪。具体算法步骤如下：

步骤1 选择搜索窗口；

步骤2 计算窗口的重心，并将窗口的中心设置在计算出的重心处。根据Kalman算法对运动目标进行预测，并将结果作为运动目标的中心。

步骤3 重新计算窗口的重心，并将窗口的中心设置在计算出的重心处。将步骤2中得到的运动目标的中心值作为Mean-Shift迭代计算的初始值，进行迭代计算并计算出当前帧中运动目标的位置且输出结果；

步骤4 返回步骤2，直到窗口的位置不再变化。如果是最后一帧，算法结束；否则跳转到步骤2继续跟踪。

4 实验分析与比较

本文实验基于Opencv库和VS2012，实验采用Intel2.5GHz处理器和4G内存PC机，所用的视频在室外环境获取，从跟踪结果可以看出采用本文改进的算法能较准确及时地实现目标行人的跟踪。从中抽取一帧，对本文算法和经典的混合高斯模型算法进行了比较，帧的跟踪结果如图1和图2所示。

5 结束语

运动目标的检测算法种类很有，不同的算法在不同的环境下鲁棒性不同，本文只是改进了传统的混合高斯模型，在简单背景环境下实现对单一行人目标的检测与识别。

參考文献：

[1] 朱虹.数字图像处理基础[M].科学出版社，2005.

[2] 常晓夫，张文生，董维山.基于多种类视觉特征的混合高斯背景模型[J].中国图象图形学报，2011：829-834.

[3] Stauffer C.GrimsonW.Adaptive background mixture models for real time tracking[C]//Proceeding of IEEE International Conference on Computer Vision and Pattern Recognition，1999：246-252.

[4] HAJE，LEE W H.Foreground objects detection using multiple difference images[J].Optical Engineering，2010，49（4）：1-5.

[5] 尹俊超，刘直芳.基于OpenCV的运动目标检测与跟踪[J].计算机工程与设计，2011，32（8）：2817.

[6] 张红颖，李鸿，孙毅刚.基于混合高斯模型的阴影去除算法[J].计算机应用，2013，33（1）：31-34.

[7] 孙毅刚，李鸿，张红颖.基于改进混合高斯模型的运动目标检测算法[J].计算机工程，2012，38（18）.

[8] 屠礼芬，仲思东，彭祺.自然场景下运动目标检测与阴影剔除方法[J].西安交通大学学报，2013，47（12）：26-31.

[9] 李鹏飞，陈朝武，李晓峰.智能视频算法评估综述[J].计算机辅助设计与图形学学报，2010，22（2）：352-360.

[10] SANIN A， SANDERSON C，LOVELL B C.Improved shadow removal for robust person tracking in surveillance scenarios[C]//Proceedings of the 20th International Conference on Pattern Recognition.Washington，DC：IEEE computer Society，2010：141-144.

[11] LIU Z，HUANG K Q，TAN T N.Cast shadow removal in a hierarchical manner using MRF[J].IEEE Transactions on Circuits and Systems for Video Technology，2012，22（1）：56-66.

[12] 章学静，陈禾，杨静.结合卡尔曼滤波和Mean Shift的抗遮挡跟踪算法[J].北京理工大学学报，2013，33（10）：1056-1061.

【通联编辑：代影】