基于改进的单高斯模型的运动目标检测方法
摘 要：对传统的单高斯模型作了一些改进，有效地解决了传统单高斯模型中的拖尾、鬼影问题。对单高斯模型中均值与均方差的更新率的选取提出了一种新方案，能够兼顾高斯模型的收敛性和稳定性。将基于色度畸变与一阶梯度信息的阴影消除方法结合起来，能够很好地消除阴影，使得提取出的运动目标轮廓更为精确。实验结果表明，在室内以及背景较为稳定的室外环境下，基于单高斯模型的运动目标检测方法能够很好地检测出运动目标。
关键词：单高斯模型； 运动目标检测； 拖尾；鬼影； 阴影消除
近年来，随着硬件设备成本大大降低, 智能视频监控系统得到了日益广泛的研究与应用，智能视频监控技术也得到了越来越多科研工作者的关注。运动目标检测技术是智能视频监控技术中的核心部分，常用的运动目标检测方法有光流法、时间差分法和背景差分法。光流法[1]利用运动目标随时间变化的光流特性进行运动检测, 但其抗噪性能差，且计算相当复杂 , 很难满足视频监控系统实时性的要求。时间差分法又称帧差法[2], 它通过对相邻帧对应像素的差分来提取图像中的运动区域，能够很好地适应光照的变化，对背景的变化也有很好的自适应性。但用时间差分法提取出的运动区域往往会出现空洞现象，且对于运动缓慢的目标很难检测出来。背景差分法通过将输入的每一视频帧和通过训练得到的背景图像进行差分来检测运动目标。考虑到背景不可能完全固定，一个好的背景模型应该能够反映出背景随时间的推移发生的变化。因此，背景差分法的关键不在于差分，而在于背景模型的建立与更新。常用的背景建模方法有单高斯模型法[3]和混合高斯模型法[4]。与混合高斯模型法相比，单高斯模型法的时间效率更高。在室内以及背景较为稳定的室外环境下，单高斯模型法可以很好地检测出运动目标。本文针对传统的单高斯模型中的拖尾、鬼影问题，在背景的更新策略方面做了一些改进，有效地解决了这些问题。在更新率的选取方面也提出了一些自己的看法，使得高斯模型具有更好的稳定性和收敛性。在阴影抑制方面，将基于色度畸变和一阶梯度信息的阴影消除方法相结合,取得了较好的效果。
1 单高斯模型
高斯模型法来源于高斯分布，其基本原理为：视频图像由于受到外界因素的影响，各个像素点的像素值随时间的推移会有一些扰动，这个扰动近似满足高斯分布。当有物体经过时，像素值的变化就会很大，物体经过的地方像素点的像素值不服从高斯分布。利用某一时刻某像素点的像素值是否满足高斯分布可以判断该点是否为背景点。
1.1 单高斯模型的建立
单高斯分布背景模型适用于单模态背景情形，以下是利用单高斯分布背景模型进行运动检测的过程:首先，对一段时间内的视频序列图像进行训练，从而建立每个像素点的颜色分布初始高斯模型?浊(x,?滋0,?滓0)。假设这段时间内有0-(T-1)共T帧图像，则有：
模型能够很好地适应光照的变化。在开始训练的一段时间里，αδ取值较大，模型具有很好的收敛性；在训练一段时间后，αδ取值又较小，使模型具有很好的稳定性。
1.3 单高斯模型的改进
