基于改进高斯混合算法的高空抛物实时检测方法

技术领域

本发明属于视频检测技术领域，涉及一种基于改进高斯混合算法的高空抛物实时检测方法，在于使用改进混合高斯模型，减少高空抛物检测误报率的基于混合高斯模型的高空抛物监测定位方法。

背景技术

随着人们生活质量的提高和社会技术的进步，越来越多的智能化技术涌进社区生活的方方面面，特别是目前城市化进度的推进，呈现人口密集化，大型化。然而，随着城镇化进度的推进，也将一些问题给凸显出来，比如高空抛物，成为悬在城市上空的炸弹。近期一些高空抛物事件，造成的严重后果，也引起了人们对于高空抛物的重视，越来越多高空抛物技术和应用，应运而生。例如采用图像视频处理的方法和硬件感应设备进行高空抛物预警和智能化视频取证，以及加大力度进行楼栋潜在高空抛物危险品的监查和排除工作。针对在图像智能化高空抛物处理方面，在进行检测时，由于干扰因素较多，由于场景多样复杂，光线不稳定等客观因素，造成智能检测的误报率很高。

本发明提出使用改进的高斯混合模型的移动目标检测方法，有别于普通运动目标检测算法的背景减除法，提高了抗干扰能力，加强了对对动态变化背景的识别。

发明内容

要解决的技术问题

为了避免现有技术的不足之处，本发明提出一种基于改进高斯混合算法的高空抛物实时检测方法，解决现有技术中的问题，提供一种可以排除视频中其他干扰因素，减少高空抛物检测误报率的基于改进的高斯混合模型的移动目标检测方法；通过将高空抛出物体的智能求解坐标，并且对背景模型进行动态更新，从而排除树木，飞鸟，窗玻璃的多样化场景的干扰，能够有效降低高空抛物检测误报率。

技术方案

一种基于改进高斯混合算法的高空抛物实时检测方法，其特征在于步骤如下：

步骤1：以前N帧图像的每个像素点高斯函数建立高斯混合背景统计模型：

其中μ

步骤2：将前N帧图像后视频中第一帧图像，即第N+1帧图像，按照自适应性阈值进行灰度处理，将RGB图像转化为灰度图像；

对三个通道分布划分运行，并在三个并行进程中运行算法；最后的分割F(xi)来自于三个部分F

步骤3：采用步骤1的背景统计模型与第N+1帧图像的高斯混合模型进行比对，在第N+1帧图像上添加动态背景：

引入自适应学习率来反应前景图像融入背景的速度,将t个样本的估计记作

使用自适应学习率来判定频繁运动的前景归类为动态背景；

使用动态估计器

得到自适应阈值；

其中T(x

步骤4：再次提取出第N+1帧中的每个像素点，通过贝叶斯决策法则和似然函数

分析该像素点的高斯混合模型参数与背景模型的差异性，并且设定阈值；

其中：BG是背景，FG是前景,

步骤5：将阈值内的像素点置0，该点为背景像素点；反之则将其像素点置255，该像素点为前景像素；

步骤6：更新混合高斯模型

采用自适应性高斯混合模型，将前景像素点的高斯分布参数即均值、标准差、权重，在时间段T，并且在时刻t时有

添加到背景统计模型中：

并按照如下更新方程进行更新：

其中：

如果某个像素只出现了一次，降低其权重，当权重小于阈值时，将其从混合高斯模型中删除；

步骤7：继续读取下一帧视频，重复步骤2～步骤6,最后得出所有帧视频的前景像素点；最后将框选出来的目标返回在视频中，实现高空抛物的实时目标跟踪。

所述步骤6“更新背景混合高斯模型”的具体步骤为：

S6a引入自适应性模型参数学习率α，针对学习率进行取值；

S6b采用提高混合高斯模型收敛率的机制，对于每个高斯分布，将其历史匹配数目引入到模型学习率的计算中；

S6c在背景建模之初，平均每一帧图像成为背景的学习率，而且在视频总帧数小于1/α的时间内，每一帧都按相同的时间权重来更新高斯混合模型中每一个分布，避免了第一帧图像在混合高斯背景模型中占有过高的权重；

S6d为了避免新添加的高斯分布会被当做小概率事件删除，影响了正常的背景建模，降低了系统的鲁棒性；采用一种自适应更新高斯分数的模型，在删除高斯分布时考虑到了高斯分布的平均权重和某一高斯分布的最新匹配帧距当前帧的帧数。

所述S6a学习率的取值与前景图像融入背景中的速度相关，学习率取值大时，前景图像融入背景之中的速度大于学习率的取值小的数值。

有益效果

本发明提出的一种基于改进高斯混合算法的高空抛物实时检测方法，基于改进的高斯混合模型的高空抛物检测定位坐标，通过将摄像头拍摄的视频帧内楼栋的画面进行灰度图处理，对像素点进行高斯模型统计，截取下一帧图像，分析每个像素点的高斯函数对于背景模型的差异性，如果匹配成功则将像素点置0，反之则认为是前景像素点。更新背景像素统计模型，使每一帧图像都可以进行背景融合。继续下一帧图像，最终得出视频中运动物体所有坐标。该算法解决了多样化动态场景的干扰，能够有效降低高空抛物检测误报率。

本发明采用几种高斯模型来表示运动物体图像中每个像素的特征。对高斯混合模型的更新原理是，如果图像中的每个像素与高斯混合模型匹配，则视其为背景点，否则为前景点。通过对前景模型的更新和计算短期运动稳定性指数，提高了移动目标检测的效果。通过确定高斯分布与像素之间的关系，设置一个新的参数来构建背景模型。分析结果表明，该方法能够良好地检测和跟踪运动目标，具有良好的抗干扰能力和较好的准确度。

发明的效果：根据混合高斯模型在实际背景建模中存在的问题，从自适应调整模型参数学习率和高斯分布数2个方面对传统混合高斯模型进行了改进。利用实际监控视频对该算法进行了实验测试，准确率达到95％以上。该改进的混合高斯模型提高了背景建模算法的鲁棒性、准确性与实时性，为后续运动目标的跟踪与识别提供了准确的前景区域。

附图说明

图1是运动目标检测算法流程示意图

图2是高空抛物效果检测图。

图3是灰度检测图像。

具体实施方式

现结合实施例、附图对本发明作进一步描述：

如图1所示为本发明的一种基于自适应性高斯混合模型的移动目标检测算法定位方法的流程框图。包括以下步骤：

S1启动高空抛物视频移动目标检测，获取视频中前N视频帧frame，进行灰度处理可得灰度图。

首先算法会截取前N帧图像根据每个像素点高斯函数建立背景统计模型。

S2完成视频前N帧获取后，运动目标图像内各像素点特征使用K个高斯模型建立统计模型。并且引入自适应学习率来反应前景图像融入背景的速度。

启动高空抛物视频移动目标检测，获取视频中第N+1帧图像，按照自适应性阈值进行灰度处理，将RGB图像转化为灰度图像。对三个通道分布划分运行，并在三个并行进程中运行算法。最后的分割F(xi)来自于三个部分F

S3获取下一帧视频，提取出视频中的每个像素点，分析该像素点的高斯混合模型参数与背景模型的差异性。

完成视频第N+1帧获取后，使用第一步所得到的背景统计模型与该帧的高斯混合模型进行比对添加动态背景：引入自适应学习率来反应前景图像融入背景的速度,将t个样本的估计记作

从而到达自适应阈值的效果，从而到达自适应阈值的效果。其中T(x

S4对于匹配成功的像素点，认为该点为背景像素点，将其像素点置0，反之则将其像素点置255，如图三所示白色的物体为检测到的运动目标，其余为背景。使用OpenCV库函数对灰度图识别，并保存坐标在list里。具体为：

S5再次提取出第N+1帧中的每个像素点，通过贝叶斯决策法则和似然函数，

分析该像素点的高斯混合模型参数与背景模型的差异性，并且设定差异性阈值。BG是背景，FG是前景,

S6此时需要更新背景像素统计模型，采用自适应性高斯混合模型，对于匹配失败的像素点，将当前该像素点的高斯分布参数(均值、标准差、权重)，添加到混合高斯模型中。如果某个像素只出现了一次，降低其权重，当权重小于阈值时，将其从混合高斯模型中删除。具体为：

此时需要更新背景统计模型，采用自适应性高斯混合模型，对于前景像素点，将当前该像素点的高斯分布参数(均值、标准差、权重)，选择一个合适的时间段T，并且在时刻t时有

并按照如下更新方程进行更新

其中/>

S7继续读取下一帧视频。最后得出所有的前景点的坐标，输出原视频将运动目标框选。

根据所述的基于自适应性高斯混合模型的移动目标检测算法，其特征在于：所述步骤S6“更新背景混合高斯模型”的具体步骤为：

S6a引入自适应性模型参数学习率α，针对学习率进行取值。取值较大，前景图像会过快融入背景之中，造成运动目标区域的空洞或不完整；反之，如果取值较小，复杂运动区域中新出现的干扰运动需较长时间才能融入背景中，产生虚假的前景目标。

S6b使用一种提高混合高斯模型收敛率的机制，对于每个高斯分布，将其历史匹配数目引入到模型学习率的计算中。

S6c在背景建模之初，平均了每一帧图像成为背景的学习率，而且在视频总帧数小于1/α的时间内，每一帧都按相同的时间权重来更新高斯混合模型中每一个分布，避免了第一帧图像在混合高斯背景模型中占有过高的权重。

S6d为了避免新添加的高斯分布会被当做小概率事件删除，影响了正常的背景建模，降低了系统的鲁棒性。提出一种自适应更新高斯分布数的模型，在删除高斯分布时考虑到了高斯分布的平均权重和某一高斯分布的最新匹配帧距当前帧的帧数。

本发明的基于改进的高斯混合模型的高空抛物检测定位坐标，通过将摄像头拍摄的视频帧内楼栋的画面进行灰度图处理，对像素点进行高斯模型统计，截取下一帧图像，分析每个像素点的高斯函数对于背景模型的差异性，如果匹配成功则将像素点置0，反之则认为是前景像素点。更新背景像素统计模型，使每一帧图像都可以进行背景融合。继续下一帧图像，最终得出视频中运动物体所有坐标。该算法解决了多样化动态场景的干扰，能够有效降低高空抛物检测误报率。