改進(jìn)自適應(yīng)混合高斯模型和幀間差分的運(yùn)動(dòng)目標(biāo)檢測(cè)

王立玲，劉超杰，馬東，王洪瑞

(1.河北大學(xué)電子信息工程學(xué)院，河北保定 071002；2.河北省數(shù)字醫(yī)療工程重點(diǎn)實(shí)驗(yàn)室，河北保定 071002)

0 前言

近幾年來隨著智能駕駛、機(jī)器人避障導(dǎo)航和智能監(jiān)控技術(shù)的不斷發(fā)展，攝像機(jī)作為重要的視覺傳感器被廣泛應(yīng)用于機(jī)器視覺等領(lǐng)域。通過攝像機(jī)捕獲周圍環(huán)境中的相關(guān)信息，作為下一步判斷與決策的關(guān)鍵依據(jù)，因此，視覺傳感器中的運(yùn)動(dòng)目標(biāo)檢測(cè)[1]和目標(biāo)跟蹤[2]技術(shù)成為研究熱點(diǎn)。目標(biāo)檢測(cè)是該技術(shù)的核心[3]，也是進(jìn)一步研究目標(biāo)識(shí)別與跟蹤的重要基礎(chǔ)。

常用的目標(biāo)檢測(cè)方法主要有4種：光流法[4]、背景減除法[5]、幀間差分法[6]和ViBe算法。光流法雖然提高了目標(biāo)的檢測(cè)準(zhǔn)確度，但對(duì)復(fù)雜的場(chǎng)景適應(yīng)性較差，因計(jì)算量較大的缺點(diǎn)使其在工程應(yīng)用中不具備實(shí)時(shí)檢測(cè)的優(yōu)勢(shì)。背景減除法是將當(dāng)前圖像幀與背景圖像進(jìn)行差分運(yùn)算并通過固定閾值分割出運(yùn)動(dòng)目標(biāo)，該方法的前提是要建立場(chǎng)景的靜態(tài)背景模型[7]。背景建模方法主要有：高斯混合背景建模(GMM)[8]、碼本建模(CodeBook)[9]和基于ViBe的背景建模法[10]。背景減除法的難點(diǎn)在于背景模型的實(shí)時(shí)更新。幀間差分法計(jì)算量小，速度快，但檢測(cè)的目標(biāo)不完整，存在空洞現(xiàn)象，很難檢測(cè)到完整的運(yùn)動(dòng)目標(biāo)區(qū)域。ViBe算法重點(diǎn)對(duì)背景模型中的相似度匹配算法進(jìn)行優(yōu)化，有效提高了運(yùn)算速度，但存在鬼影現(xiàn)象。

針對(duì)上述目標(biāo)檢測(cè)方法存在的問題，文獻(xiàn)[11]優(yōu)化了傳統(tǒng)的高斯背景建模方法，提高了運(yùn)動(dòng)目標(biāo)檢測(cè)的準(zhǔn)確率，但算法計(jì)算量較大；文獻(xiàn)[12]采用膨脹、腐蝕等形態(tài)學(xué)處理的方法對(duì)目標(biāo)內(nèi)部的細(xì)小空洞進(jìn)行了填充，但由于膨脹和腐蝕造成像素點(diǎn)的擴(kuò)張和消除，使目標(biāo)的連通區(qū)域發(fā)生變化，因此檢測(cè)結(jié)果很難接近真實(shí)目標(biāo)；文獻(xiàn)[13]改進(jìn)了Canny邊緣檢測(cè)算法并融合自適應(yīng)幀差法對(duì)運(yùn)動(dòng)目標(biāo)進(jìn)行檢測(cè)，使目標(biāo)檢測(cè)結(jié)果的邊緣信息更加準(zhǔn)確和完整，連通性更好，有效解決了傳統(tǒng)幀間差分法在對(duì)運(yùn)動(dòng)目標(biāo)檢測(cè)過程中存在的缺點(diǎn)；文獻(xiàn)[14]將改進(jìn)的三幀差法與傳統(tǒng)混合高斯模型算法相融合獲得運(yùn)動(dòng)目標(biāo)，使檢測(cè)結(jié)果包含了更加完整的邊緣信息，獲得了清晰的前景輪廓，但沒有更好地消除背景中的干擾信息，對(duì)復(fù)雜場(chǎng)景的適應(yīng)能力較弱。本文作者主要針對(duì)運(yùn)動(dòng)目標(biāo)檢測(cè)過程中存在的背景噪聲干擾、目標(biāo)空洞現(xiàn)象、邊緣缺失和光照變化影響等問題，提出一種改進(jìn)自適應(yīng)混合高斯和幀間差分的運(yùn)動(dòng)目標(biāo)檢測(cè)算法，并分別在公開視頻測(cè)試集和機(jī)器人中對(duì)所改進(jìn)的目標(biāo)檢測(cè)方法進(jìn)行了實(shí)驗(yàn)驗(yàn)證。

1 基于自適應(yīng)混合高斯背景建模法

1.1 自適應(yīng)學(xué)習(xí)率

傳統(tǒng)混合高斯模型[15]的更新常用固定的學(xué)習(xí)速率，忽略了模型更新速率在背景建模的不同階段存在差異的事實(shí)，導(dǎo)致算法在復(fù)雜環(huán)境中的適應(yīng)能力減弱。當(dāng)學(xué)習(xí)率取值較小時(shí)，模型更新不及時(shí)，受背景噪聲影響較大，并且對(duì)于運(yùn)動(dòng)速度較快的目標(biāo)檢測(cè)易發(fā)生重影問題；當(dāng)學(xué)習(xí)率取值較大時(shí)，緩慢運(yùn)動(dòng)的物體則容易被檢測(cè)為背景。

為解決上述問題，本文作者采用一種自適應(yīng)學(xué)習(xí)率修正背景模型的方法，更好地消除環(huán)境噪聲以及目標(biāo)運(yùn)動(dòng)狀態(tài)對(duì)檢測(cè)結(jié)果的影響。通過設(shè)定幀數(shù)閾值T，將背景建模劃分為兩個(gè)階段，在模型建立之初，采用較高的學(xué)習(xí)率加快背景模型更新，快速消除環(huán)境中的干擾信息；去除干擾信息之后，在后續(xù)幀中根據(jù)目標(biāo)的運(yùn)動(dòng)狀態(tài)調(diào)整參數(shù)δ的值進(jìn)而自適應(yīng)調(diào)整模型的學(xué)習(xí)率，保證模型的可靠性。學(xué)習(xí)率的設(shè)置如下所示：

(1)

(2)

式(1)中：α為學(xué)習(xí)率；λ1為常數(shù)；f為幀數(shù)；T為幀數(shù)閾值。式(2)中：ΔD為幀差測(cè)量值，表示運(yùn)動(dòng)目標(biāo)在一段時(shí)間內(nèi)其質(zhì)心的平均移動(dòng)速度；f′為需要統(tǒng)計(jì)的幀數(shù)；di為運(yùn)動(dòng)目標(biāo)相鄰兩幀的相對(duì)質(zhì)心差；τ1和τ2為設(shè)定的閾值，根據(jù)當(dāng)前的視頻場(chǎng)景給出；當(dāng)ΔD≥τ2時(shí)，表示目標(biāo)運(yùn)動(dòng)速度較快，從而增大學(xué)習(xí)率來提高背景的更新速度；當(dāng)ΔD<τ1時(shí)，表示目標(biāo)運(yùn)動(dòng)緩慢，賦予模型一個(gè)較小的學(xué)習(xí)率減緩背景的更新速度。

1.2 改進(jìn)更新率

根據(jù)傳統(tǒng)混合高斯模型工作原理可知，更新率ρ由學(xué)習(xí)率α和高斯概率密度η決定，反映的是模型的收斂速度。本文作者對(duì)更新率的改進(jìn)如下所示：

(3)

(4)

在改進(jìn)的公式中引入光照變化因子wt，取值范圍為0≤wt≤1，用來消除場(chǎng)景中光照變化對(duì)前景目標(biāo)檢測(cè)的干擾；Ht表示當(dāng)前幀圖像的信息熵，計(jì)算前一幀和當(dāng)前幀信息熵的比值來判斷場(chǎng)景中是否發(fā)生光照變化。若場(chǎng)景中發(fā)生光照突變，取wt=1，此時(shí)模型采用一個(gè)較大的更新率使背景狀態(tài)快速趨于穩(wěn)定，當(dāng)背景狀態(tài)恢復(fù)穩(wěn)定后取wt=0。通過自適應(yīng)調(diào)整模型的更新率，不僅克服了光照變化的影響，也提高了模型的收斂速度，能夠使算法更加穩(wěn)定地工作。

1.3 適應(yīng)選擇高斯分布的個(gè)數(shù)

在混合高斯模型中，算法的性能受高斯分布個(gè)數(shù)K的直接影響。每個(gè)高斯成分都與場(chǎng)景中的一個(gè)狀態(tài)相對(duì)應(yīng)，但是在實(shí)際中，場(chǎng)景存在多變性，盡管在同一區(qū)域狀態(tài)個(gè)數(shù)也會(huì)隨時(shí)發(fā)生改變，因此，若為每個(gè)像素點(diǎn)都建立多個(gè)固定不變的高斯成分，就不能更好地描述背景，同時(shí)在處理時(shí)會(huì)消耗大量的系統(tǒng)資源。

通過以下方式自適應(yīng)選擇高斯分布個(gè)數(shù)：

每隔f幀對(duì)所有高斯分布的權(quán)重進(jìn)行一次檢查，假如其中存在高斯分布滿足式(5)：

ωj,t<ωinit&&((ωj,t/σj,t)<(ωinit<σinit))

(5)

則將該高斯分布剔除。

通過刪除冗余的高斯分布適應(yīng)背景的多樣性，降低了算法的復(fù)雜度，提高系統(tǒng)資源的利用率。

2 改進(jìn)的四幀差分算法

傳統(tǒng)三幀差分法雖然針對(duì)兩幀差分法有所改進(jìn)，但還是很難檢測(cè)到目標(biāo)之間的重疊部分，仍存在空洞現(xiàn)象，對(duì)光照變化的場(chǎng)景適應(yīng)性差，且檢測(cè)到的目標(biāo)輪廓不準(zhǔn)確。為了解決上述問題，取視頻序列中連續(xù)的四幀圖像，計(jì)算相鄰幀圖像相似度并進(jìn)行差分運(yùn)算，利用最大類間方差法(OTSU)獲得最佳分割閾值，并結(jié)合動(dòng)態(tài)閾值進(jìn)行校正，抑制光照變化的影響。同時(shí)，引入Canny邊緣檢測(cè)算子并與四幀差分結(jié)果相融合，使目標(biāo)的邊緣更加連續(xù)。改進(jìn)的四幀差分法的原理如下：

選取視頻序列中的連續(xù)的四幀圖像Ik(x,y)、Ik+1(x,y)、Ik+2(x,y)、Ik+3(x,y)，通過巴氏系數(shù)算法計(jì)算相鄰幀圖像之間的相似度，計(jì)算公式如下所示：

(6)

其中：p(i)為幀圖像中提取出的顏色直方圖數(shù)據(jù)。當(dāng)圖像相似度S的值趨近于1時(shí)，表明相鄰幀圖像的相似度越高。當(dāng)S值大于設(shè)定的檢測(cè)閾值T1時(shí)，分別按照下式進(jìn)行圖像之間的差分運(yùn)算

d1k=|Ik(x,y)-Ik+1(x,y)|

(7)

(8)

d3k=|Ik+2(x,y)-Ik+3(x,y)|

(9)

其中：d1k、d2k和d3k為差分圖像。然后按照式(10)、式(11)和式(12)對(duì)差分圖像進(jìn)行閾值二值化處理，分別得到二值圖像b1k、b2k和b3k。

(10)

(11)

(12)

(13)

(14)

(15)

其中：λ為抑制系數(shù)，一般取λ=2；M×N為圖像的大小，表示圖像包含的總像素?cái)?shù)；T為通過最大類間方差法得到的分割運(yùn)動(dòng)目標(biāo)與背景的最佳閾值；ΔT1、ΔT2和ΔT3為動(dòng)態(tài)閾值，反映了場(chǎng)景中光線的變化情況。當(dāng)光照變化越劇烈時(shí)，ΔT值越大，當(dāng)光照變化較小時(shí)，ΔT值很小，因此，在最佳分割閾值上加入動(dòng)態(tài)閾值有效抑制了光照變化的干擾。

然后，通過對(duì)二值圖像先進(jìn)行“與”運(yùn)算再進(jìn)行“或”運(yùn)算得到運(yùn)動(dòng)目標(biāo)前景區(qū)域。

d1k=b1k∩b2k

(16)

d2k=b2k∩b3k

(17)

dk=d1k∪d2k

（1）羊場(chǎng)應(yīng)建在背風(fēng)向陽，地勢(shì)較高的地方，最好利用地形條件選擇斜坡建場(chǎng)，既可減少建場(chǎng)投資，又利于糞便的清除。同時(shí)防止了羊的寄生蟲病和腐蹄病發(fā)生。

(18)

(19)

其中：Dk=0為背景區(qū)域，Dk=1為前景區(qū)域。

(20)

(21)

(22)

(23)

再將目標(biāo)輪廓C與圖像Dk進(jìn)行“或”運(yùn)算，得到完整目標(biāo)檢測(cè)結(jié)果F。

F=C∪Dk

(24)

3 改進(jìn)算法流程

在運(yùn)動(dòng)目標(biāo)檢測(cè)過程中，文中的改進(jìn)算法主要分為兩個(gè)部分，圖1為改進(jìn)算法的流程。第一部分：通過改進(jìn)混合高斯模型的學(xué)習(xí)率與更新率，達(dá)到自適應(yīng)修正背景模型的目的，在準(zhǔn)確檢測(cè)到目標(biāo)的同時(shí)很好地抑制了背景噪聲，提高了模型的適應(yīng)性；第二部分：通過改進(jìn)的幀間差分法獲取目標(biāo)輪廓信息細(xì)化目標(biāo)邊緣。具體方法為：首先對(duì)視頻序列進(jìn)行預(yù)處理，提取連續(xù)四幀視頻圖像，然后利用基于自適應(yīng)混合高斯背景建模法檢測(cè)運(yùn)動(dòng)目標(biāo)，同時(shí)采用Canny邊緣檢測(cè)改進(jìn)的四幀差分法填補(bǔ)目標(biāo)邊緣，最后通過中值濾波和形態(tài)學(xué)處理去除殘余噪聲，獲得最終運(yùn)動(dòng)目標(biāo)。

圖1 文中改進(jìn)算法流程

4 實(shí)驗(yàn)結(jié)果與分析

為驗(yàn)證文中改進(jìn)算法的有效性，分別在3種不同場(chǎng)景的視頻測(cè)試集和仿人機(jī)器人NAO上進(jìn)行實(shí)驗(yàn)，通過對(duì)運(yùn)動(dòng)目標(biāo)檢測(cè)的準(zhǔn)確率和誤檢率來評(píng)價(jià)目標(biāo)檢測(cè)算法的性能。

4.1 目標(biāo)檢測(cè)算法性能測(cè)試對(duì)比實(shí)驗(yàn)

圖2是分別用傳統(tǒng)混合高斯算法，傳統(tǒng)三幀差分法、經(jīng)典ViBe算法、文獻(xiàn)[14]算法以及文中改進(jìn)算法對(duì)3種不同場(chǎng)景的測(cè)試視頻中運(yùn)動(dòng)目標(biāo)檢測(cè)的結(jié)果。圖(a)為原始圖像，分別存在的干擾為：樹枝擺動(dòng)，光照變化以及目標(biāo)運(yùn)動(dòng)狀態(tài)緩慢。圖(b)—(f)是對(duì)不同場(chǎng)景下的運(yùn)動(dòng)目標(biāo)分別采用5種算法得到的檢測(cè)結(jié)果。

從圖2可以看出：在場(chǎng)景1中，受樹枝擺動(dòng)影響，傳統(tǒng)混合高斯算法、三幀差分法，以及ViBe算法將擺動(dòng)的樹枝檢測(cè)為前景，存在目標(biāo)空洞及邊緣缺失等問題；在場(chǎng)景2中，目標(biāo)檢測(cè)受到光照變化影響，傳統(tǒng)混合高斯算法的背景模型來不及更新，容易將背景誤檢為前景，并且檢測(cè)不完整，三幀差分算法和ViBe算法在一定程度上克服了光照干擾，但檢測(cè)結(jié)果仍存在少量噪聲及嚴(yán)重漏檢問題。在場(chǎng)景3中，室內(nèi)光線較暗，并且目標(biāo)運(yùn)動(dòng)緩慢，三幀差分算法只檢測(cè)到目標(biāo)邊緣，混合高斯算法和ViBe算法誤檢現(xiàn)象嚴(yán)重。

圖2 5種算法的檢測(cè)結(jié)果

文獻(xiàn)[14]算法在目標(biāo)檢測(cè)完整度上有一定的改善，但仍存在目標(biāo)像素缺失和誤檢現(xiàn)象，容易受到背景中噪聲干擾。與上述4種算法相比，文中改進(jìn)算法抑制噪聲的效果明顯，并且對(duì)光照變化以及目標(biāo)運(yùn)動(dòng)緩慢的場(chǎng)景具有很好的適應(yīng)性，同時(shí)保留了更加完整的目標(biāo)信息，提高了檢測(cè)目標(biāo)的準(zhǔn)確度。

4.2 結(jié)果分析

上述5種算法在3種場(chǎng)景下的單幀檢測(cè)時(shí)間如表1所示。

表1 5種檢測(cè)算法的單幀檢測(cè)耗時(shí)對(duì)比 單位：ms

由表1可以看出：文中改進(jìn)算法單幀檢測(cè)所用時(shí)間相比于傳統(tǒng)三幀差分算法較高，是因?yàn)榇嬖诟咚够旌夏Ｐ偷慕⑴c背景更新，但遠(yuǎn)低于傳統(tǒng)混合高斯算法單幀檢測(cè)所用時(shí)間，并且相對(duì)于經(jīng)典ViBe算法和文獻(xiàn)[14]算法的處理速度更快，保證了算法的實(shí)時(shí)性。

為了定量分析文中改進(jìn)算法對(duì)目標(biāo)檢測(cè)的準(zhǔn)確性，采用常用的評(píng)判標(biāo)準(zhǔn)：準(zhǔn)確率αDR和誤檢率αFAR兩個(gè)指標(biāo)，來客觀評(píng)價(jià)不同算法的檢測(cè)性能。準(zhǔn)確率αDR和誤檢率αFAR公式表示如下：

(25)

(26)

式中：TP表示檢測(cè)到的與運(yùn)動(dòng)目標(biāo)相符的像素?cái)?shù)；FP表示檢測(cè)到的不屬于運(yùn)動(dòng)目標(biāo)的像素?cái)?shù)；FN表示未被檢測(cè)到的屬于運(yùn)動(dòng)目標(biāo)的像素?cái)?shù)。

由準(zhǔn)確率αDR反映目標(biāo)檢測(cè)的完整度，αDR值越大，表示目標(biāo)檢測(cè)完整度越高，反之完整度越低。5種不同算法對(duì)場(chǎng)景1中的運(yùn)動(dòng)目標(biāo)檢測(cè)準(zhǔn)確率曲線如圖3所示。文中改進(jìn)算法在3種不同實(shí)驗(yàn)場(chǎng)景下對(duì)目標(biāo)檢測(cè)的準(zhǔn)確率曲線如圖4所示。

圖3 各算法的αDR曲線

圖4 文中改進(jìn)算法在3種場(chǎng)景下的αDR曲線

結(jié)果表明：文中改進(jìn)的檢測(cè)算法相較于其他4種算法整體性能最好，能夠更加完整地檢測(cè)出運(yùn)動(dòng)目標(biāo)，并且在不同場(chǎng)景下目標(biāo)檢測(cè)準(zhǔn)確率都能維持在一個(gè)較高的水平，具有較強(qiáng)的適應(yīng)能力。

此外，針對(duì)上述5種算法在3種不同場(chǎng)景的干擾，計(jì)算出所有幀的平均準(zhǔn)確率和平均誤檢率如表2、表3所示。可知：在目標(biāo)檢測(cè)準(zhǔn)確率方面，傳統(tǒng)三幀差分法的準(zhǔn)確率最低，文獻(xiàn)[14]算法的準(zhǔn)確率相對(duì)有所提升，而文中改進(jìn)算法的準(zhǔn)確率最高達(dá)到了95.2%，極大提高了目標(biāo)檢測(cè)完整度；在目標(biāo)檢測(cè)誤檢率方面，傳統(tǒng)混合高斯算法的誤檢率最高，文獻(xiàn)[14]算法相對(duì)其有所降低，而文中改進(jìn)算法的誤檢率最低，擁有明顯的檢測(cè)優(yōu)勢(shì)。

表2 5種檢測(cè)算法的準(zhǔn)確率對(duì)比

表3 5種檢測(cè)算法的誤檢率對(duì)比

4.3 仿人機(jī)器人NAO目標(biāo)檢測(cè)測(cè)試實(shí)驗(yàn)

為驗(yàn)證改進(jìn)算法對(duì)目標(biāo)檢測(cè)的可行性，進(jìn)行機(jī)器人目標(biāo)檢測(cè)實(shí)驗(yàn)。以仿人機(jī)器人NAO作為硬件平臺(tái)，如圖5所示。NAO機(jī)器人擁有額頭處和下頜處兩個(gè)攝像機(jī)鏡頭，分別用于遠(yuǎn)景和近景的采集，兩個(gè)攝像頭不可以同時(shí)啟動(dòng)。采用機(jī)器人額頭處的單目攝像頭作為視覺傳感器獲取運(yùn)動(dòng)目標(biāo)及場(chǎng)景相關(guān)信息，并確保運(yùn)動(dòng)目標(biāo)出現(xiàn)在機(jī)器人視野內(nèi)。調(diào)用NAOqi系統(tǒng)的ALVideoDevice視頻管理模塊，將實(shí)時(shí)視頻數(shù)據(jù)發(fā)送到遠(yuǎn)程PC端進(jìn)行處理。

圖5 NAO機(jī)器人平臺(tái)

主要設(shè)計(jì)3種實(shí)驗(yàn)場(chǎng)景：背景擾動(dòng)、光照變化和室內(nèi)環(huán)境下目標(biāo)運(yùn)動(dòng)緩慢實(shí)驗(yàn)。為了說明改進(jìn)算法的有效性，將傳統(tǒng)混合高斯模型算法和傳統(tǒng)幀差法與改進(jìn)算法進(jìn)行對(duì)比。

實(shí)驗(yàn)一，室外場(chǎng)景下存在背景噪聲干擾時(shí)對(duì)運(yùn)動(dòng)目標(biāo)進(jìn)行檢測(cè)。分別取視頻的第90幀、第130幀和第160幀原始圖像，檢測(cè)結(jié)果對(duì)比如圖6所示。受背景噪聲干擾，傳統(tǒng)幀差法及傳統(tǒng)混合高斯模型算法容易將背景像素點(diǎn)誤判為前景，并且存在較大空洞及邊緣缺失問題。文中改進(jìn)算法能夠有效抑制背景擾動(dòng)，檢測(cè)到的目標(biāo)完整度高，邊緣連續(xù)性強(qiáng)。

圖6 實(shí)驗(yàn)1目標(biāo)檢測(cè)結(jié)果對(duì)比

實(shí)驗(yàn)二，當(dāng)場(chǎng)景中存在光照變化時(shí)進(jìn)行運(yùn)動(dòng)目標(biāo)檢測(cè)。分別取視頻的第60幀、第86幀和第119幀原始圖像，檢測(cè)結(jié)果對(duì)比如圖7所示。目標(biāo)從光照較暗區(qū)域走向光照較亮區(qū)域，出現(xiàn)明顯的光照變化?？梢钥闯?，傳統(tǒng)幀差法對(duì)光照變化不敏感，但空洞現(xiàn)象明顯，目標(biāo)檢測(cè)完整度低。傳統(tǒng)混合高斯模型算法在出現(xiàn)光照變化后，因?yàn)楸尘澳Ｐ透虏患皶r(shí)，檢測(cè)結(jié)果存在較為明顯的誤檢現(xiàn)象。改進(jìn)算法能夠有效克服光照變化影響，減小了因光照變化導(dǎo)致的檢測(cè)誤差。

圖7 實(shí)驗(yàn)2目標(biāo)檢測(cè)結(jié)果對(duì)比

實(shí)驗(yàn)三，在室內(nèi)光線較暗環(huán)境下對(duì)運(yùn)動(dòng)狀態(tài)較為緩慢的目標(biāo)進(jìn)行檢測(cè)。分別取視頻的第65幀、第77幀和第90幀原始圖像，檢測(cè)結(jié)果對(duì)比如圖8所示。對(duì)運(yùn)動(dòng)緩慢的目標(biāo)進(jìn)行檢測(cè)時(shí)，傳統(tǒng)幀差法對(duì)低速運(yùn)動(dòng)目標(biāo)不敏感，不能完整提取目標(biāo)區(qū)域。傳統(tǒng)混合高斯模型算法雖然在檢測(cè)目標(biāo)完整度上有了很大的提高，但是檢測(cè)結(jié)果存在明顯噪聲。改進(jìn)算法能很好地適應(yīng)目標(biāo)運(yùn)動(dòng)狀態(tài)，對(duì)低速運(yùn)動(dòng)目標(biāo)的檢測(cè)效果得到了很大改進(jìn)。

圖8 實(shí)驗(yàn)3目標(biāo)檢測(cè)結(jié)果對(duì)比

5 結(jié)論

提出一種改進(jìn)自適應(yīng)混合高斯模型與幀間差分相融合的運(yùn)動(dòng)目標(biāo)檢測(cè)算法，并且將所提方法在公開的視頻測(cè)試集和機(jī)器人中分別進(jìn)行了測(cè)試和實(shí)驗(yàn)。對(duì)比實(shí)驗(yàn)結(jié)果表明：文中改進(jìn)算法能夠快速準(zhǔn)確地檢測(cè)出運(yùn)動(dòng)目標(biāo)，有效克服了環(huán)境噪聲及光照變化干擾，并且對(duì)運(yùn)動(dòng)緩慢的目標(biāo)具有較好的檢測(cè)能力，在保證實(shí)時(shí)性的同時(shí)對(duì)復(fù)雜環(huán)境具有較強(qiáng)的適應(yīng)性，為后續(xù)目標(biāo)跟蹤與識(shí)別提供了有力保障。