基于改进混合高斯模型的红外运动目标检测

职教云网页版

2014年8月Infrared Technology Aug. 2014628基于改进混合高斯模型的红外运动目标检测冬梅、唐升波

(北京科技大学自动化学院，北京100083 )

摘要：传统的混合高斯模型容易在背景中留下运动的“重影”，有时会提到噪声和目标区域对比度较低的情况针对获取目标区域时出现断裂和空洞的现象，混合高斯方法会对图像中的运动和静止区域产生不确定性的背景相同的更新速率，利用混合高斯模型的背景和前景信息，扣除背景后的结果和高斯模型中的前景图像按一定比例融合得到目标图像。 实验结果表明，改进后的混合高斯模型运动目标检测方方法克服了传统高斯模型目标检测中存在的问题，能够较完整地从复杂背景中提取运动目标，并且有一定的抗干扰能力。关键词：红外视频序列； 混合高斯模型； 运动目标检测

图中分类编号： TP751.1文献识别代码： a文章编号： 1001-8891(2014(08-0628-05 )infraredmovingobjectdetectionbasedonimprovedgaussianmixturemodelFU Dong-mei，TANG Sheng-bo

(schoolofautomationandelectricalengineering，USTB，Beijing 100083，China )abstract:traditionalgaussianmixturemodelingislikelytocausemotionartifact，while the noise orregionswithlowcontrastwillbringgapsorholeswhenextractingthetargets.inviewofaboveproblems、thispaperassignsdifferentbackgroundupdatingratetothemotionandstaticregions，and make the most ofthebackgroundandforegroundinformation，andthenthefinalresultsarefusionwithgaussianbackgroundsubtractionandtheforegroundimagefromgaussianmixturemodelingwithacertainproportion.theexperimentalresultsdemonstratethatimprovedgaussianmixturemodelingforinfraredmovingtargetsdetectioncanovercomeproblemsexistingintraditionalalgorithm.itcouldextractthemovingobjectcompletelyfromcomplexbackgrounds，andalsohasagoodanti-noise capability。key words:infrared视频sequence，Gaussian mixture model，moving target detection引言0红外线热成像仪接收被测定物体红外线放射能量的差异成像，不受光照条件的影响，昼夜可持续的工作。 近年来，红外线摄像装置的价格下降，除此之外复杂条件下的优势在于智能视频监控系统是从单一开始的已经完成了从一个可见光图像向红外可见光混合图像转移视频监控系统获取信息对预防和打击犯罪的重要性手段。

红外视频监控中的目标检测与跟踪被学者们关闭了注和研究重点问题[1-3]。 与可见光图像相比为红外通常图像对比度低、边缘模糊、信噪比低、噪声多严重的，边缘提取、阈值等常用目标提取算法分割等效果不好。 运动目标检测最常用的方法是

帧差分法[4-5]、光流法[6]、背景差分法[7-9]。 帧差分法的利用运动区域是从视频序列中相邻帧的差分得到的，针对每个运动状态环境具有一定的适应性，但如果物体移动太慢，则容容易产生大的“空洞”。 光流法利用运动目标随时虽然是变化的光流特性，但计算复杂，容易受到噪声影响，不利于实时处理。 背景去除法是将当前图像根据与背景图像差分得到运动区域，比较完全地得到的运动领域，可以获得较好的目标检测结果，但建立标准确切的背景模型是该方法的关键。混合高斯模型在背景建模中占有重要地位，

文献[10]提出了一种改进的自适应混合高斯模型方法，克服了光的突变对背景建模的影响。 文献[11]提出1受理日期： 2014-05-12； 修订日期： 2014-06-09。

作者：付冬梅(1963-)，女，北京，教授，研究方向：红外成像技术，人工免疫计算，智能数据分析。 电子邮件： FDM 2003 @ 163.com。通讯作者：唐升波(1989-)，男，陕西，硕士研究生，研究方向：红外图像处理。 电子邮件： hy appy @ 126.com。基金项目：国家自然科学基金，编号： 61272358； 北京市工业光谱工程试验研究中心项目，编号： 60977065； 北京市重点学科建设项目，编号： 00012007。第三十六卷第八期Vol.36 No.82014年8月冬梅等：基于改进混合高斯模型的红外运动目标检测Aug. 2014629

通过将种帧差分法与混合高斯模型相结合，解决了混合高斯模型对长时间停滞的物体从背景变成前景运动

物体的情况下，存在背景模型的更新速度慢的问题。 文献[12]记载了小波变换应用于混合高斯建模，充分利用了图像的特点虽然在募集信息，但也引入了很大的计算量。 文献[13]的利用混合高斯模型和梯度表示的人体区域边缘信息实现人体目标检测，但位于低对比度区域边缘发生了很多断裂，文章用分水岭算法进行修复。 句子献体[10-13]方法针对特定问题解决了混合高斯模型虽然不足，但只使用了混合高斯建模的背景信信息不利用模型化的前景信息。 就像可以从红外看到的那样本文首先讨论了从频率序列中准确提取完整目标更新速率对背景建模的影响，用于静止和运动区域更新速率不同，以便背景模型能够快速响应

对突发性运动产生的“虚影”有一定的抑制作用。 混合高度模型在对背景建模的同时，也对前景进行建模并综合利用背景和前景信息可以很好地避免漏检现象，获得更好的信息的处理效果。 因此，本文将混合高斯建模中的前景信息利用得到的图像和背景信息得到的图像有一定的比例进行融合可以在一定程度上弥补混合高斯模型在哪里处理低对比度区域时，提取目标出现断裂空洞的不足，最对结果进行滤波处理，去除最终图像中的细小噪声。1基本混合高斯背景建模方法提取运动目标1.1背景模型初始化为图像中的每个像素点构建k个混合高斯模型用高斯分布，以及这k个分布的加权和来描述图像。将序列图像中任意一点的像素(x，y )的灰度视为一个假设独立的统计过程遵循高斯分布[14]，表示为n (

请参阅。 序列图像(I1，I2，It，IN )在时刻t (t1，2，N} )的图像It的概率密度函数表示为：、1

() )、) 1、2、K

t jt t jt jtjpxwxutn(1) )。

招生办

； (XT，uj，TJ，t )是时刻t时第k个高斯分布的概率密度函数，由此时刻t红外图像It的各像素建立点混合高斯模型。1.2更新模型参数

当读取新图像序列的像素值时，读取当前像素xt与k个高斯分布匹配。 匹配的判断标准如下。

、1，1|| 2.5 (1，1，(tJTJTxujktn )2) ) ) ) ) ) ) ) ) ) )。在像素xt和某个高斯分布平均值uj、t-1满足公式的情况下公式(3)被认为与该分布匹配，否则不匹配。 匹配时的分布，并根据公式(4)更新参数。 其中是更新速率。、1

2 2、1、

(1) ) ) )。

((1) ) ) () ) ) ) ) ) ) ) )。jt jt tt

jt jt t jt t jtxx

(3) ) )。

权重根据公式(5)更新。

、1，1 ) wwmJTJT(4) ) )。这里，对于一致的分布Mj，t=1，是不一致的分布Mj，t=0。1.3背景建模与目标检测

新的一帧图像到来后，根据背景更新公式加以利用新图像的像素更新模型参数，将像素点的k个

高斯分布按照权重从大到小的顺序排列，选择优先顺序高的b合计个分布权重，如果该值大于阈值t，则为这b个点布构成背景模型，也就是说：t、1

arg min () )Bb ktI

BGwt(5) )。

通过上述混合高斯建模法得到背景图像，然后利用用背景去除法提取运动前景区域Dt :()、)、)、)、)、) dttxyxyBGxy )6) ) )。2混合高斯模型的改进2.1参数自适应更新

混合高斯模型的参数反映了背景模型的更新快点。 越小，模型更新速度越慢，噪音越少越用越强，但背景上出现运动目标时，由于背景模式

如果无法及时更新类型，则会检测到运动阴影并在背景模型中生成表格当前如"虚影" (图2 )所示，最终提取到目标区域带来困难。 越大，模型对场景变化反应越快，但同时带来巨大的噪音；面对克服传统的混合高斯模型

针对突发性运动响应迟缓的不足，本文引入参数P={p1，…，pt，…，pn } (pt (0，1 ) )调整背景的更新速率。 参赛数pt越接近1，表示其位置像素灰度越与背景模型匹配，使用正常更新速率的参数pt越接近0，表示其位置像素灰度急剧变化即工作的区域此时被赋予较大的值的更新速率。 如式(7)所示2 12

1

（）新的

otherse，thtt

x uttpp

(7) ) )。

军事职业教育

2014年8月Infrared Technology Aug. 20146302.2改进的前景图像构建方法

混合高斯模型根据公式(6)提取红外图像中的目标对于区域，如果目标区域和背景的对比度较低，提取的目标将出现脆弱性和破坏现象。 混合高斯模型与背景模型相同的情况也是前景的模型化，基于式(2)，其各像素点如果属于背景点，不属于，可以初步判断为前景像素点。 于是，不一致点构成前景图像FGt，如式(8)所示，将差分图像Dt和图像FGt以一定比例融合如式(9)所示、1，10、| | 2.5 FG (，) )、)、otherst jt jtt

t

x u

x y I xy (8) )。

result(1) **fg ) 0，1 ) tkdkk ) (9) ) ) ) ) ) ) )。式中，k为比例系数，本文将其定为0.6，将result作为改善方法构建的前景图像。 最后对图像进行二值化滤波消除波浪、图像中的细小噪声，获得完全干净的目标图像。3算法流程

本论文的算法流程如图1所示。4模拟结果与分析

本文选取一系列红外序列图像进行实验模拟，并本文的算法与传统的高斯建模方法进行了比较。 实验中使用的图像序列使用了实验室红外线热成像NECH2640摄影，图像像素为320240。图2是混合高斯模型更新速度改善前后的模拟比较结果。 试验参数为=0.05，new=0.2，可由(b )计算看看，在人走过的区域留下“虚影”，慢慢消失，在(c )中检测到差异。 在改善后的背景(d )中人体留下的“虚”阴影”迅速消失，有利于后面目标的提取。 如图(e )所示。新的PTH

图1本文的算法流程

fig.1 flowchartoftheproposedalgorithm图3(a )是傍晚(温度10，微风)拍摄到的热量

红外图像。 由于行人头部、腿部的热扩散明显，在图像中表现为“热点”，有利于检测算法的提取目的标记，由于身体部分热辐射较低，容易出现在目标提取中漏检现象。 背景是水泥墙面，北方的室内暖气也成了钟表出现强烈热辐射，传统阈值等方法不合适使用。 图3(b )是以往的高斯建模方法的模拟结果，可以如下所示从复杂的背景中提取运动目标，但为了温度接近会

容易发生目标断裂和漏检。 图3(c )是本论文改进后的融合结果表明，仿真结果较传统的高斯方法有一定的提高，且相对较低由度域断裂补偿，提取的目标更完整。

(a )原始红外图像序列；a ) theoriginalinfraredimagesequence) b )传统方法的背景图像(=0.05 ) ) b ) backgroundimageoftraditionalmethod第三十六卷第八期Vol.36 No.82014年8月冬梅等：基于改进混合高斯模型的红外运动目标检测Aug. 2014631

(c )传统方法的差异结果；(c ) subtractionresultsoftraditionalmethod

(d )适应更新率背景图谱) =0.05，new=0.2 ) ) d ) backgroundimageofadaptiverateupdatemethod(e )自适应更新速率差异结果；e ) subtractionresultofadaptiverateupdatemethod图2传统方法与自适应更新速率背景图像的比较

fig.2 thecontrastbetweentraditionalmethodandadaptiverateupdatemethod(a )原始红外照片) a ) theoriginalinfraredimagesequence(b )传统的混合高斯提取结果；b ) resultsoftraditionalgaussianmixturemodel(c )本算法的提取结果) c ) Results of the proposed method图3比较传统混合高斯法和本文算法提取结果的fig.3 thecontrastbetweengaussianmixturemodelandtheproposedmethod第36卷第8期红外线技术Vol.36 No.8

2014年8月Infrared Technology Aug. 20146325结论

在目标检测中，对图像背景区域和运动区域进行提取通过采取不同的更新策略，用传统的方法保持静止运动中，背景模型的更新需要时间，出现重影问题。另外，在提取最终运动目标时，在混合高斯建模中的前融合场景图像和背景去除图像的方法在一定程度上是可行的避免了传统高斯建模方法中存在的目标断裂和空孔穴现象最终从复杂的图像中检测相对完整的运动目的标志。 同时该算法实时性好，有利于硬件设备实现并投入实际监控系统应用。参考文献：

[1]崔金魁，宋旭，杨扬.视频监测中多运动目标的检测与跟踪[J] .计算机器应用与软件，2013，30 (3) : 278-290。[2]胡德超、朱尤攀、罗琳等.基于红外目标提取的夜视图像实时融合.系统研究[J] .红外技术，2014，36 (2) : 125-130。[3] Kastek M，Madura H，sosnowskit.passiveinfrareddetectorforsecuritysystems design，algorithmofpeopledetectionandfieldtestsresult [ j ]。internationaljournalofsafetyandsecurityengineering，2013，3 (1) :十到二十三。[4] Wirayuda，tjokordaab.developmentmethodsforhybridmotion帧定义自动阈值(detection ) [ c ]//2013国际

conferenceofinformationandcommunicationtechnology，2013:218-222

[5]塘泉、戴树光、杨杰. objecttrackingalgorithmbasedoncamshiftcombiningbackgroundsubtractionwiththreeframedifference [ j ].appliedmechanicsandmaterials，2013，37365375 ) :116-119[6]裴巧娜.基于光流法的运动目标检测与跟踪技术[D] .北方工业大学2009.

[7]李丹、赵佳、周姗等.基于自适应背景划分的点目标检测计算法[J] .红外线技术，2011，33 (1) : 32-36。

[8] Davis，J W，sharmav.background-subtractionusingcontour-basedfusionofthermalandvisibleimagery [ j ].computervisionandimage还原，2007，106 (2-3) : 162-182。

[9] Aparna A，Nidhi K，rip ulg.adaptive contour-based statisticalbackgroundsubtractionmethodformovingtargetdetectioninfrarevideo sequences [ j ].infraredphysicstechnology，2013，6:103-109。[10] Li Ying-hong，Han Hong-fang，Yan Zhang. An improved Gaussian混合后台文件写入时间rate [ c ]//2010国际会议自动(icina )，2010: 512-515。[11]刘鑫，刘辉，强振平，等.混合高斯模型与融合帧间差分的自适应背景模型[J] .中国图像图形学报，2008(4) : 729-734。

[12] Dibyendu Mukherjee，Q M Jonathan Wu，Nguyen T M. Multiresolutionbasedgaussianmixturemodelforbackgroundsuppression [ j ].IEEE传输图像处理，2013，22 (12 ) : 5022-5035。[13] James W Davis，vinay Sharma.robust background-subtraction forpersondetectioninthermalimagery [ c ]//computervisionandpatternRecognition Workshop，cvprw ' 04会议，2004。[14] Stauffer C，grimsonwel.adaptivebackgroundmixturemodelsfor实时跟踪[ c ]//ieecomputersocietyconferenceoncomputerVision and Pattern Recognition，1999，doi: 10.1109/CVPR. 1999。784637.基于改进混合高斯模型的红外运动目标检测作者：付冬梅，唐升波，傅东梅，塘生博

作者单位：北京科技大学自动化学院，北京，100083刊名：红外线技术英文刊名： Infrared Technology年，卷(期) 2014(8)8)

本文链接： http://d.g.wanfang data.com.cn/periodical _ hwjs 201408005.aspx