摘   要: 針對經(jīng)典的混合高斯背景建模算法魯棒性不強且背景建模實時性不足的特點，提出了一種改進方法,。首先將圖像矢量化,，即將圖像分成若干塊，每一塊圖像作為一個矢量進行整體建模,；然后對于每一個圖像塊基于其反差描述元與K個高斯模型進行匹配,。實驗結果表明，改進的算法降低了環(huán)境光變化和背景波動等因素的干擾且建模速度較快,。
關鍵詞： 對比度分析,； 混合高斯模型； 背景建模,； 反差描述元,； 矢量匹配

    背景建模是基于視覺應用的一個重要模塊,，如智能交通,、視頻監(jiān)控及行為識別等。運動目標檢測的一般方法是將當前圖像與根據(jù)歷史數(shù)據(jù)訓練出的背景模型進行分析比較,，進而將前景圖像與背景圖像分離開來,。目前，背景建模的一個難點就是訓練背景模型時背景并不是一成不變的,，而是不穩(wěn)定的,。這些波動可能是飄落的樹葉、隨風飄動的旗幟,、蕩漾的水波,、變化的燈光及閃爍的顯示器等。即使背景是靜態(tài)的,，攝像頭的抖動及信號噪音也會帶來不穩(wěn)定的因素,。不僅如此，陰影及瞬間的光照變化也是較為重要的問題。除此之外,，實時性也是一個重要的指標,。
    大部分背景建模方法是基于像素的。高斯分布是背景建模的一種常用方法,。因為背景不穩(wěn)定,，僅僅使用單高斯模型是不夠的，STAUFFER C和GRIMSON W對每個像素點使用K個高斯分布進行描述,，提出了混合高斯模型MoG(Mixture of Gaussians) [1-2],。混合高斯模型利用K-均值近似法[3]替代了期望最大化EM(Expectation-Maximization)方法,。該方法后來被不斷改進和拓展,。例如，HARVILLE M等使用YUV顏色編碼方式并利用立體相機加入了圖像的深度信息替代了RGB三原色顏色表示方法[4],。LEE D S提出了一個高效的MoG訓練算法[5],，描述如下：
 
 
2 基于反差描述元的混合高斯模型
    混合高斯模型是目前背景建模最為成功的方法之一，它使用K個高斯分布來表征圖像所有像素的特性,，在新一幀圖像獲得后更新混合高斯模型,，用當前圖像中的每個像素點與混合高斯模型匹配，如果成功匹配,，則將該點判定為背景點,，反之為前景點。
        本文首先令n個圖像塊的反差描述元為{X1,X2,…,Xn},，然后用K個高斯分布進行建模,。當前矢量Xn+1被識別為背景的概率為:

3 實驗結果與分析
    圖2(a)為從原始視頻序列中截取的9幀圖像， 圖2(b)為使用本文基于反差描述元的混合高斯模型背景建模識別效果,。本文所取的視頻右方是一片風中搖曳的樹木,，從圖2(b)可以明顯看出,在速度為20 S/s的情況下,改進的背景建模方法有效地濾除了干擾，基本無殘留的像素點,，前景輪廓比較清晰,，幾乎沒有拖影現(xiàn)象，達到了較好的前景識別效果,。最后對檢測到的前景進行了實時跟蹤,，并對其運動軌跡進行了實時描述。最終的檢測效果如圖2(c),。

    針對經(jīng)典的混合高斯背景建模算法魯棒性較差且背景建模實時性不足的缺點,，本文提出了一種改進方法，其進行了兩點改進,，首先將圖像矢量化,，即將圖像分成若干塊，對每一塊圖像進行高斯背景建模，其次基于圖像塊的反差描述元進行匹配,，降低了環(huán)境光等的干擾,。經(jīng)實驗取得了良好的效果。
參考文獻
[1] FRIEDMAN N,，RUSSELL S． Image segmentation in video sequences： A probabilistic approach[C]． Proceedings of the 13th Annual Conference on Uncertainty in Artificial Intelligence,1997：175-181．
[2] STAUFFER C, GRIMSON W． Adaptive background mixture  models for real time tracking[C]. Proceedings of IEEE Conference on Computer Vision and Pattern Recognition, 1999：246-252．
[3] Sun Tong, NEUVO Y． Detail-preserving median based filters in image processing[J]． Pattern Recognition Letters,1994,15(4)：341-347.
[4] HARVILLE M. A framework for high-level feedback to adaptive, per-pixel, mixture-of-Gaussian background models[C]. Proceedings of European Conference on Computer Vision, 2002:543-560.
[5] LEE D S. Effective gaussian mixture learning for video background subtraction[J]. IEEE Transactions on Pattern Anal. Mach. Intell. 2005,27(5):827-832.