一种改进的高斯混合背景模型算法及仿真
第２４卷第１１期计算机仿真２００７年１１月文章编号：１００６—９３４８（２００７）０１１一０１９０一０４
一种改进的高斯：日△
，｝匕日背景模型算法及仿真
陈振华“２，周锐锐１，李光伟２，毕笃彦１
（１．空军Ｔ程大学工程学院航空电子工程系，陕西西安７１００３８；２空军装备研究院雷达所，北京１０００８５）摘要：高斯混合模型广泛应用于基于背景建模的运动日标检测中，高斯混合模型参数估计和更新算法影响到背景模型的性能。文中对传统的高斯混台背景模型进行了改进．睾１对背景局部运动、话动阴影等问题，采用混台色彩值抑制阴影，在背景更新巾引＾一十“前景支撵映射“（ＦｏｒｅｇｒｏａｎｄＳｕｐｐｏｒｔＭａｐ，弼Ｂ），较好地解决了背景模型的提取、更新，背景扰动，外界光照变化等问题。实验结果证明，实验结果验征ｒ泼方法的有效性和在复杂背景变化下的鲁棒性。
关键词：背景模卑！：混合高斯模型；背景更新；目标检测
中豳分类号：ＴＰ３１７４文献标识码：Ｂ
ＳｉｍｕｌａｔｉｏｎｏｆａｎＩｍｐｒｏｖｅｄＧａｕｓｓｉａｎＭｉｘｔｕｒｅ
ＭｏｄｅｌｆｏｒＢａｃｋｇｒｏｕｎｄＳｕｂｔｒａｃｔｉｏｎ
ＣＨＥＮＺｈｅｎ—ｈｕａｌ，２．ＺＨＯＵＲｕｉ—ｍｉｌ，ＬＩＧｕａｎｇ—ｗｅｉ２，ＢＩＤｕ—ｙａｎｌ（１．ＤｅｐａｒｔｍｅｎｔｏｆＡｖｉｏｎｉｅｓＥｎｇｉｎｅｅｒｉｎｇ，ＩｎｓｔｉｔｕｔｅｏｆＥｎｇｉｎｅｅｒｉｎｇ，ＡＦＥＵ，ｘｉ，粕Ｓｈａｒｒｘｉ７１００３８，Ｃｈｉｎａ；
２．ＩｎｓｔｉｔｕｔｅｏｆＲａｄａｒ，ＡｉｒＦｏｒｅＥｑｕｉｐｍｅｎｔＡｃａｄｅｍｙ，Ｂｅｉｊｉｎｇ１０００８５，Ｃｈｉｎａ）ＡＢＳＴＲＡＣＴ：Ｇａｕｓｓｉａａｓｍｉｘｔｕｒｅｍｏｄｅｌ（ＧＭＭ）ｈａｓｂｅｅｎｗｉｄｅｌｙｕｓｅｄｆｏｒｒｏｂｕｓｄｙｍｏｄｅｌｉｎｇｃｏｍｐｌｉｃａｔｅｄｂａｃｋ—ｇｒｃｎｎｄｓ．ＴｈｅｐｅｒｆｏｒｍｍｌｅｅｏｆＧＭＭｃａｎｂｅｆｆｒｅｓｔｌｙｉｍｐｒｏｖｅｄｂｙｔａｃｋｌｉｎｇｓｅｖｅｒａｌｐｒａｃｔｉｃａｌｉｓｓｕｅ８．ＴｈｉｓｐａｐｅｒｄｅｖｅｌｏｐｓａｍｏｄｉｆｉｃａｔｉｖｅａｌｇｏｒｉｔｈｍｕｓｉｎｇＧａｕｓｍａｎｍｉｘｔｕｒｅｐｒｏｂａｂｉｌｉｔｙｄｅｎｓｉｔｙ，Ａｍｉｘｅｄｃｏｌｏｒｓｐａｃｅｉｓｕｓｅｄｔｏｄｅｔｅｃｔａｎｄｓｕｐ—ｐｒｅｓｓｍｏｖｉｎｇｅａｓｔ
ｓｈａｄｏｗ．Ａｓｅｔｏｆｃｏｕｎｔｅｒｃａｌｌｅｄｔｈｅ。ＦｏｒｅｇｒｏｕｎｄＳｕｐｐｏｒｔＭａｐ”ｉｓｅｘｐｌｏｉｔｅｄ．Ｔｈｅｍｏｄｉｆｉｃａｔｉｖｅａｌｇｏ—ｒｉｔｈｍｅｆｆｅｅｆｉｖｄｙｄｅａｌｓｗｉｔｈｔｈｅｐｒｏｂｌｅｍｓｏｆｔｈｅａｂｓｔｒａｃｔｉｏｎａｎｄｕｐｄａｔｅｏｆｂａｃｋ９７＂ｏｔｍｄ，ｂａｃｋｇｒｏｕｎｄｄｉｓｔｕｒｂａｎｃｅ，ｉｎｕ?ｍｉｎａｆｉｏｎｅｂａｎｇｅｅｔｃ．ＥｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｐｒｅｓｅｎｔｅｄｍｅｔｈｏｄＣａｌｌａｃｈｉｅｖｅｍｕｃｈｂｅｔｔｅｒｒｅｓｕｌｔｓ—ｅｖｅｎｏｕｔｐｅｒｆｏｒｍｉｎｇｏｔｈｅｒｓｌａｔｅ一０ｆ—ｔｈｅ—ａｒｔｍｅｔｈｏｄｓ．
ＫＥＹＷＯＲＤＳ：Ｂａｃｋｇｒｏｕｎｄｍｏｄｅｌ；Ｍｉｘｔｕｒｅｏｆｇａｕｓｓｉａｎｓ；Ｂａｅｋｇｒ∞．ｄｕｒ，ｄａｔｅ；Ｏｂｊｅｃｔｄｅｔｅｃｔｉｏｎ
１引言
在智能视觉临控系统中，常采用减背景方法分割出感兴趣的运动目标。基于碱背景的运动目标检测方法…”】［”基率思想是将当前帧图像与事先存储或者实时得到的背景图像相减，若像索差值大于某一阈值，则判此像素属于运动目标上的一个像素，阈值操作后得到的结果直接给出了目标的位置、大小、形状等信息。但通常的减背景方法对光线、天气等光照条件的变化非常敏感，运动目标的阴影也常常被检测为运动目标的一部分，这将影响检测结果的准确性。一个健壮的背景模型应该对亮度的变化、背景内物体的细微移动，慢速目标等具有良好的适应性。当前，背景消除算法有很多都是基于静态背景，或者对动态背景有弱的适应能力。其中，中值法”１时间效率较高．而空间效率低。核密度估计法”１内存需求以及计算量都较大，不适用于实时性要求高的
收稿日期：２００６—１０—１０修回甘期：２００６—１０—２３
一１９０一系统。其他如基丁估计的均值偏移法、序贯核密度逼近等方法，都存在算法复杂、内存需求高等不足。混合高斯模型法”１对背景的自适应性高，在时空效率都适中的情况下能提供很好的精确的背景模型。但文献［６］中的基础算法效率较低，也难以适用于实时性要求较高的系统，且对于动态背景的适应能力较差。本文对混合高斯背景模型的阴影消除、背景更新以及模型匹配方法进行了改进，提高了背景模型的适应性和健壮性。
２高斯混合模型
高斯混合模型（ＧＭＭ）的基本思想是：假设图豫中某个像素点的观测值与其他像素点相互独立，同时，每个像素点的观测值可由混合分布Ｐ产生，该分布由Ｋ个独立的高斯分量构成（Ｋ通常取３—５），即有Ｋ个分量。设像素点的值为ｘ，ｔ时刻该像素点值的概率为：
万方数据万方数据