基于混合高斯建模方法的运动目标检测方法研究与实现毕业论文

改进的基于混合高斯模型的运动目标检测算法郭伟;高媛媛;刘鑫焱【期刊名称】《计算机工程与应用》【年(卷),期】2016(052)013【摘要】针对传统混合高斯模型检测运动目标中存在的不足,提出了一种改进的基于混合高斯模型的运动目标检测算法.将改进的混合高斯模型与四帧差分相结合,有效地解决了突变光照的影响并消除了传统帧差法检测目标时容易出现的双影现象,改进的混合高斯模型自适应地调整了高斯模型的分布数量,提高了背景的描述精度.分情况讨论了物体的运动状态并分别设置不同的学习率,改善了对运动缓慢目标的检测效果.实验结果表明结合后的算法能对运动目标进行准确检测,对复杂场景有较好的适应性.%Aim at the disadvantages of traditional mixture Gaussian model in moving object detection, an improved moving object detection method based on mixture Gaussian model is proposed. It solves the problem affected by the illumination mutations and the traditional frame difference is easily affected by double shadow which combines the improved mixture Gaussian model and four-frame subtraction. The improved mixture Gaussian model adjusts the numbers of the Gaussian distribution adaptively and improves the accuracy of the background description. This paper discusses the motion state of the object and different learning rates are set to improve the effect of slow-moving object detection. Experimental results show that the combined algorithm candetect moving object accurately and has better adaptability in complex scenes.【总页数】6页(P195-200)【作者】郭伟;高媛媛;刘鑫焱【作者单位】辽宁工程技术大学软件工程学院,辽宁兴城 125105;辽宁工程技术大学软件工程学院,辽宁兴城 125105;辽宁工程技术大学软件工程学院,辽宁兴城125105【正文语种】中文【中图分类】TP391【相关文献】1.一种基于改进的混合高斯模型的运动目标检测算法 [J], 李旭健;张丛静2.基于SVD的改进混合高斯模型弱小运动目标检测算法 [J], 王军;李云伟;王恺睿3.一种基于改进混合高斯模型的运动目标检测算法 [J], 朱善良;王浩宇;高鑫;赵玉;谢秋玲;周伟峰;杨树国4.基于改进的混合高斯模型运动目标检测算法研究 [J], 范超男; 李士心; 张海; 郭荣5.基于改进的混合高斯模型运动目标检测算法研究 [J], 范超男; 李士心; 张海; 郭荣因版权原因，仅展示原文概要，查看原文内容请购买。

《基于混合高斯模型的运动目标检测技术研究》一、引言随着计算机视觉技术的不断发展，运动目标检测技术作为计算机视觉领域的一个重要研究方向，在智能监控、智能交通、人机交互等众多领域具有广泛的应用前景。

混合高斯模型作为一种常用的背景建模方法，在运动目标检测中发挥着重要作用。

本文将重点研究基于混合高斯模型的运动目标检测技术，分析其原理、方法及优势，以期为相关领域的研究提供参考。

二、混合高斯模型原理混合高斯模型是一种统计学习方法，用于描述像素值随时间变化的概率分布。

该模型将每个像素点的灰度值或颜色值建模为一个高斯分布，通过学习背景的统计特性，将背景建模为多个高斯分布的混合。

当有运动目标出现时，这些目标的灰度值或颜色值将偏离背景的高斯分布，从而实现对运动目标的检测。

三、基于混合高斯模型的运动目标检测方法基于混合高斯模型的运动目标检测方法主要包括以下几个步骤：1. 初始化背景模型：在视频序列的初始阶段，建立每个像素点的初始高斯模型。

通常选取前几帧图像作为背景模型的训练样本。

2. 更新背景模型：在后续的视频帧中，根据每个像素点的实际观测值与高斯模型的匹配程度，对背景模型进行更新。

对于与高斯模型匹配的像素点，认为其属于背景；对于不匹配的像素点，则认为其属于运动目标。

3. 运动目标检测：根据更新后的背景模型，对每个像素点进行分类。

当某个像素点的灰度值或颜色值偏离背景的高斯分布时，即可判断该像素点属于运动目标。

通过阈值设定和连通域分析等方法，实现对运动目标的准确检测。

四、混合高斯模型的优势与挑战混合高斯模型在运动目标检测中具有以下优势：1. 能够有效适应复杂多变的背景环境，如光照变化、阴影干扰等；2. 具有良好的实时性，能够快速更新背景模型并实现运动目标的实时检测；3. 算法简单易实现，适用于各种硬件平台。

然而，混合高斯模型在运动目标检测中也面临一些挑战：1. 当背景中存在动态变化时，如树叶摇摆、水面波动等，容易导致误检和漏检；2. 对于快速运动的物体或与背景颜色相近的物体，检测效果可能不佳；3. 算法参数的选择对检测效果具有较大影响，需要根据具体应用场景进行优化。

《基于混合高斯模型的运动目标检测技术研究》一、引言运动目标检测作为计算机视觉和智能监控系统的重要研究领域，已经广泛应用于安全监控、人机交互和智能交通等领域。

基于混合高斯模型（Gaussian Mixture Model，GMM）的运动目标检测技术是当前的研究热点。

该技术利用图像序列中的统计信息对运动目标进行建模和检测，对于提高运动目标检测的准确性和实时性具有重要意义。

本文将详细探讨基于混合高斯模型的运动目标检测技术的相关研究内容。

二、混合高斯模型的基本原理混合高斯模型是一种概率统计模型，它将多个高斯分布模型按照一定的权重组合起来，用于描述一个动态系统的状态。

在运动目标检测中，我们将视频图像序列的每一个像素值视为一个动态变化的时间序列，使用混合高斯模型对其进行建模。

每个高斯模型描述了一个特定的分布情况，并按照不同的权重组成整体的混合模型。

三、基于混合高斯模型的运动目标检测技术基于混合高斯模型的运动目标检测技术主要包括背景建模、前景提取和目标跟踪等步骤。

首先，通过训练阶段建立每个像素的高斯分布模型；其次，利用该模型将视频中的像素进行分类，确定哪些像素属于背景、哪些属于前景；最后，利用合适的目标跟踪算法实现运动目标的追踪和轨迹分析。

四、研究现状及问题分析尽管基于混合高斯模型的运动目标检测技术在多个领域已经得到了广泛应用，但仍存在一些问题和挑战。

首先，对于复杂场景下的背景建模问题，如何准确地将背景和前景进行分离是一个难题。

其次，在目标跟踪过程中，由于光照变化、阴影遮挡等因素的影响，容易出现误检和漏检的问题。

此外，如何进一步提高算法的实时性和准确性也是该领域亟待解决的问题。

五、技术改进与优化策略针对上述问题，本文提出以下技术改进与优化策略：1. 优化背景建模算法：通过引入更多的高斯分布模型来描述复杂的背景变化，提高背景建模的准确性。

同时，采用动态调整高斯模型的权重和方差的方法，以适应不同场景下的背景变化。

改进混合高斯模型的运动目标检测算法Moving object detection algorithm of improved Gaussian mixture modelFor the traditional Gaussian mixture model cannot detect complete moving object and is prone to detect the background as the foreground region ，an improved algorithm was proposed for moving object detection based on Gauss mixture model. The Gaussian background model mixed with improved frame difference method for integration ，distinguished the uncovered background area and moving object region ，which could extract the complete moving object. To give a larger background updating rate of uncovered background area ，the background exposure of regional influences was eliminated. In complex scene ，it used the method of replacement by background model to improve the stability of the algorithm. The experiments prove that the improved algorithm has been greatly improved in the aspects of adaptability ，accuracy ，real-time ，practicality and so on，and can correctly and effectivelydetect moving object in the situation with variouscomplicated factors.Gaussian mixture model ；moving objectdetection ；frame difference method ；uncovered background area ；background update rate0 引言随着社会经济的发展和城市化进程的加快，日益增长的交通容量的需求已经对现有的交通能力及管理设备造成了巨大压力。

一种基于三帧差分和混合高斯模型的运动目标检测方法在视频运动目标检测中，混合高斯模型是一种目前较常用的建模方法。

针对混合高斯模型实时性不强等缺陷，文章提出了一种基于三帧差分和混合高斯建模的运动目标检测方法。

实验证明，这种算法在自适应性、实时性、正确率等方面都有了很大改进，并且可以减少部分的噪声。

标签：三帧差分；混合高斯模型；帧运动量；运动目标检测引言随着监控技术的快速发展，人们安全意识的普遍提高，监控摄像头早已遍布大街小巷，对视频运动目标的检测和提取成为了重要的研究方向。

运动目标检测是指在视频序列中提取与背景存在相对运动的目标，是进行目标追踪、目标识别等处理的基础。

目前常用的运动目标检测方法主要分为三类[1]，包括光流法、帧间差分法和背景减除法。

其中光流法利用运动目标随时间变化的矢量特征检测运动区域，能够在摄像机运动的情况下检测出目标，但计算复杂、硬件要求较高。

帧间差分法[2]用图像时间序列相邻的帧图像相减，通过相减后的差分图像获取运动轮廓，计算简单，实时性较强。

背景减除法[3]则需要预先构建背景，通过当前帧图像和背景相减所得差分图像检测运动目标，能较准确提取目标，但对背景变化敏感，如光照变化、树枝摇动都能引起背景变化，需及时更新背景，所以背景模型的建立至关重要。

Stauffer和Crimson提出的混合高斯模型背景建模（GMM）[4-6]，是目前一种较常用的背景建模方法，该方法具有较强的鲁棒性，但对运动物体在场景中静止或者静止物体的突然运动检测失效，并且有着初始学习速度慢、学习速率固定等缺陷。

针对帧间差分法和背景减除法的不足，提出了一种基于三帧差分和混合高斯建模的运动目标检测方法，通过三帧差分所得差分图像统计帧运动量，根据帧运动量的变化自适应调节混合高斯模型的学习速率，实验证明新方法在实时性、自适应性、正确率等方面都有了改进。

1 基本方法1.1 算法思想本文算法主要由帧间差分法、运动量统计、混合高斯建模、背景提取和更新、形态学处理等部分组成。

一种基于混合高斯模型的运动目标阴影检测策略李鹏【摘要】The object division and shadow detection technology of video is one of key research directions in computer vision .A shadow elimination strategy was put forward based on GMM .First, suspected shadow was decided by colour angle under the HSV color model , then the moving targets together with suspected shadow were modeled with GMM so as to eliminate the true shadow .The experi-ments suggested that the strategy was capable of detecting and eliminating the shadow accompanied with moving targets which in envi -ronments with different light .The experiments results demonstrated the good robustness of the strategy that would ensure continuity and accuracy during targets detection at the same time .%视频的目标分割与阴影检测技术是计算机视觉领域中最主要的研究方向之一。

基于混合高斯模型，提出一种双重阴影检测策略。

先通过HSV模型下的颜色夹角确定疑似阴影，再对运动目标和疑似阴影进行混合高斯建模从而消除实际阴影。

摘要运动目标检测是计算机视觉研究领域的基础，它是从图像序列中去除静止的背景区域，将运动区域的前景检测并提取出来，如何有效地把感兴趣的目标如人、物等前景目标从复杂场景中分割出来，并对目标行为做出相应的检测，是计算机视觉研究的热点和难点。

本文对视频图像读取、图像灰度化等处理过程做了简单的阐述，并分别对均值滤波、中值滤波和高斯滤波这三种不同的滤波方法进行比较，分析各种方法的优缺点，同时提出使用高斯滤波方法。

最后利用搭建在Visual C++6. 0上的OpenCV软件进行设计，使用混合高斯背景的建模方法实现对运动目标的检测。

在背景的各种建模方法中，混合高斯背景模型以其简便、灵活、高效的特点成为该领域的经典方法，能够很好消除背景的微小扰动对运动目标检测所产生的影响，比较准确地检测出复杂环境下的运动目标，具有较好的鲁棒性和实时性。

关键词:运动目标检测；OpenCV；混合高斯背景模型ABSTRACTMoving target detection is the foundation of computer vision research field, which is still to remove the background from an image sequence region, the prospect of a motion area detected and extracted, how effectively the target of interest, such as human, material and other foreground objects from a complex scene carved out, and make the appropriate test target behavior, is hot and difficult computer vision research.In this paper, the video image reading, image processing such as Gray did a brief explanation, and respectively, mean filter, median filter and Gaussian filter three different methods to compare the advantages and disadvantages of each method, At the same time proposed to use a Gaussian filter. Finally, build in Visual C ++ 6. OpenCV software 0 of design, using a mixed Gaussian background modeling methods to achieve the detection of moving targets.In the background of the various modeling methods, Gaussian mixture background model with its simple, flexible and efficient characteristics of a classical method in the field, can be a good influence to eliminate background small perturbations generated by the moving target detection, more accurate moving objects detected in complex environments, robust and real-time.Key Words: Moving Object Detection; OpenCV; The background model毕业设计（论文）原创性声明和使用授权说明原创性声明本人郑重承诺：所呈交的毕业设计（论文），是我个人在指导教师的指导下进行的研究工作及取得的成果。

基于改进的混合高斯模型的运动目标提取杨宁;杨敏【期刊名称】《计算机技术与发展》【年(卷),期】2012(22)7【摘要】背景提取技术是图像与视频处理中的关键技术.文中对静态背景下运动目标的提取算法进行了研究.混合高斯算法在近年得到了广泛的关注,但是算法使用固定个数的分布建模,在实际中不能满足最优模型,并且模型对学习率的调整比较敏感.文中提出改进的自适应算法提取前景运动目标,其中主要针对模型中的混合高斯分布的个数及学习判别准则进行了改进.实验证明,该改进算法相比传统算法有着较好的自适应性并且检测效率较高.%Background extraction is a key step for image and video processing technology. In this paper,the moving object extraction in the static background is studied, hi recent years the Gaussian mixture algorithm received extensive attention. The traditional algorithm model each pixel a fixed number of components, which is not optimal in term of detection and computational time. And the algorithm is sensitive to the adjustment of the teaming rate. In this paper, improved adaptive algorithm is put forward for moving object extraction. The major improvement is the number of mixture Gaussian components and the discriminant criterion. The experiment results show that the improved algorithm is better man traditional algorithm in both adaptability and computing speed.【总页数】4页(P20-23)【作者】杨宁;杨敏【作者单位】南京邮电大学自动化学院,江苏南京210046;南京邮电大学自动化学院,江苏南京210046【正文语种】中文【中图分类】TP31【相关文献】1.基于SVD的改进混合高斯模型弱小运动目标检测算法 [J], 王军;李云伟;王恺睿2.基于改进混合高斯模型的前景目标提取算法 [J], 李勇3.一种基于改进混合高斯模型的运动目标检测算法 [J], 朱善良;王浩宇;高鑫;赵玉;谢秋玲;周伟峰;杨树国4.基于改进的混合高斯模型运动目标检测算法研究 [J], 范超男; 李士心; 张海; 郭荣5.基于改进的混合高斯模型运动目标检测算法研究 [J], 范超男; 李士心; 张海; 郭荣因版权原因，仅展示原文概要，查看原文内容请购买。

廛围抖夔基于混合高斯模型与差分法的运动目标检测王辉(北京交通大学，北京市100044；66294部队，北京市100000)：●‘o．脯要】视濒监控涉及讣算瓤税觉、模≯i识别和人工智能等多耷领域。

它港指在不阿环境：_：F鼬氏和车辆进行盼实时掰B察，根据观察对象的动作、行为进手争分薪，为甩户提拱馆惠。

j翱濒蓝疆过程分为运动日本彝商潮i霭括跟端、目标分类和日轹分析。

睽艚铡视濒监挺；避动目棚如帧闻羞分；海舍高新模型{躔影毒除i一_¨j视频监控涉及计算机视觉、模式识别和人工智能等多个领域，它是指在不i司环境下对人和车辆进行的实时观察，根据观察对象的动作、行为进行分析，为用户提供信息。

视频监控过程分为运动目标检测、目标跟踪、目标分类和目标分析。

目前，运动目标检测算法有很多运动目标检测算法都依据减背景思想来展开，主要有帧间差分法、混合高斯法和光流分析法等。

本文提出一种基于St a uf f er等提出混合高斯法和差分法结合的方法对视频图像进行处理的算法。

算法有效的提高了系统快速检测目标的能力，消除了单独使用差分法时产生的空洞现象。

1背景建模的方法和原理运动目标检测主要有以下四个步骤：视频数据预处理、背景建模、前景目标检测和运动区域处理。

背景建模是运动目标检测参考模型，典型的背景建模方法有帧问差分法、线性预测法、混合高斯法等。

笔者提出了基于混合高斯模型与差分法的运动目标检测算法。

11帧间差分法帧间差分法是利用视频序列中当前帧图像的亮度与前面某帧图像的亮度进行差分来提取运动区域。

即利用前面某时刻的视频帧作为当前时刻的视频帧的背景帧来计算的方法。

l^(z，y)一0』x，Y)l>D该方法在表示图像变化时可转化为一个二值图像来表示：聪z，Y，t-1I t?-i，矿…x，Y)一f f_，(x，y)1>DO R0，ot her s当亮度差的绝对值大干设置好的阈值D时，检测出运动区域，厶置1：否则未检测出运动区域，^置O。

浅析基于混合高斯背景建模的运动目标检测作者：庞首颜来源：《科学与财富》2015年第23期摘要：本文结合背景差分法及混合高斯背景建模基本理论，分析了背景差分法的运动目标检测效果依赖于背景的缺点。

为了实现更准确的检测，本文用混合高斯加权建模的方法构建背景，并将其应用于单目摄像机背景下的运动目标检测。

与一定的后处理结合后，该方法得到了较为清晰和完整的运动目标，为进一步深入分析和研究运动目标打下基础。

关键词：背景差分法、混合高斯模型、目标检测1.前言随着计算机科学技术的发展，视频监控已经从军事、交通、科研等领域向人们的日常生活渗透。

如何自动识别监控目标，实现监控智能化已经成为计算机应用技术之图形图像处理研究领域的一大热门课题。

运动目标检测就是实现检测并提取出与背景存在相对运动的目标的技术。

它是对运动目标进行行为理解和分析的前提和基础[1]，是监控智能化应用和发展的重要研究内容。

目前，运动目标检测常用的方法主要是：帧间差分法[2]、背景差分法[3]和光流法[4]。

其中，因受计算复杂，抗造性能差且不利于实现等条件的制约，光流法一般不适用于视频序列图像中的运动目标检测。

在差分方法中，帧间差分法检测比较容易受到运动目标的速度的影响，无法对运动速度过快或过慢的目标进行正确检测。

三帧差分在检测较大面积的运动物体时，容易出现目标“空洞”，不利于后期运动目标的识别和分析。

与帧间差分相比，背景差分法检测出来的运动目标信息更完整，位置更准确，且操作简单，在运动目标的深入研究中有较大的优势。

2.背景差分法背景差分法[3]是在运动目标检测方面最常用的方法之一，它的基本理念是通过判断当前帧和背景帧的对应像素点的变化程度来判断运动目标是否存在。

如果对应的像素点变化值小于指定阈值，则该像素将标记为背景像素，否则为前景像素。

其算法具体描述如下：①获取某一时刻t的背景帧Bt（x，y）；②获取与①中对应时刻t的当前帧Pt（x，y）；③将俩者进行差分运算，得到其的相对变化结果：（1）④选用阈值T对③中的得到的相对变化结果进行二值化，根据二值化来判断对应像素点是背景像素还是前景像素，从而得到目标二值化图像：（2）其执行流程及实现效果如图1、图2所示：根据上面实验可以发现，背景差分法的算法比较简单，容易操作，可以较快实现检测目的。

基于混合高斯模型的运动目标检测算法赵群【摘要】针对摄像机在静止条件下的自适应运动目标检测，提出一种改进的运动目标检测算法。

首先，针对高斯混合背景建模初期背景建模效果不理想的问题，利用统计的方法得到背景模型，根据背景图像建立高斯混合模型；在模型学习方面，为均值与方差设置了不同的学习率。

针对传统的LBP算子的缺陷，提出了一种改进的纹理特征算子，将其与HSV颜色空间去阴影的方法相结合，从而实现对阴影的检测与去除，利用随机Hough算子对圆的检测原理，在运动目标检测的基础之上，实现对人头的边缘检测。

实验结果表明：该算法可以很好地检测出运动目标，并能够有效去除运动目标包含的阴影区域，从而实现人头区域的检测。

%Under the static condition of a camera for adaptive moving target detection, this paper puts forward an improved algorithm for moving object detection. First of all, considering that in the early stage of Gaussian mixture background modeling, the background modeling effect is not ideal, the background model is obtained by statistical method at the beginning of the video sequence, and then Gaussian mixture models are set up for the background im⁃age;then, in aspect of the model learning, different rates of learning are set for the mean and variance in order to improve the convergence rate of the background model. In view of the defects of the traditional LBP operator, an improved texture feature operator is proposed. This improved operator is combined with the method of removing shadow area of the HSV color space, thereby to detect and get rid of the shadow, and further to achieve detection of the edge of human head according tothe principle of random Hough operator’ s detection of the ring. The experi⁃mental results show that the proposed algorithm can well detect moving targets, and can effectively remove the shad⁃ow in the moving object and thereby to achieve the detection of head area.【期刊名称】《应用科技》【年(卷),期】2015(000)001【总页数】4页(P19-21,27)【关键词】目标检测;自适应高斯混合模型;阴影检测;LBP算子;纹理特征算子;边缘检测【作者】赵群【作者单位】渤海船舶职业学院，辽宁葫芦岛125003【正文语种】中文【中图分类】TN911基于序列图像的运动目标检测是计算机视觉领域的重要组成部分。

基于混合高斯模型的运动目标检测与跟踪技术研究运动目标检测与跟踪是计算机视觉领域的研究热点之一，也是许多应用场景中的基础技术。

基于混合高斯模型的运动目标检测与跟踪技术因其简单易用而备受关注。

本文将探讨其原理、方法和应用，并分析近年来的研究进展和未来发展趋势。

一、基本原理混合高斯模型（Mixture of Gaussian，MoG）是一种基于概率密度函数的统计模型，常用于对复杂数据进行建模和分析。

在运动目标检测中，混合高斯模型用来对场景中的像素进行建模，以区分出目标物和背景。

模型需要学习每个像素的颜色、亮度、运动等特征，并将其聚类成若干个高斯分布，每个高斯分布对应场景中的一种物体或背景。

在后续的目标检测和跟踪中，每个像素的概率密度函数可以根据场景中像素颜色的变化进行更新，以适应不断变化的场景。

二、方法流程基于混合高斯模型的运动目标检测与跟踪主要分为以下几个步骤：1. 数据预处理：对输入的视频帧进行去噪、亮度均衡等预处理，以提高后续处理的准确性和速度。

2. 初始化混合高斯模型：对场景中的每个像素进行颜色和亮度建模，聚类成若干个高斯分布，即初始化混合高斯模型。

3. 判断像素为前景还是背景：通过计算每个像素的概率密度函数，将其分类为前景或背景。

若该像素的概率密度函数小于阈值，则判定该像素为前景。

4. 对前景像素进行二值化处理：将前景像素二值化为白色，背景为黑色。

以便后续处理。

5. 进行目标跟踪：对前景像素进行连通域分析或轮廓分析，以提取目标区域，并进行跟踪。

6. 模型更新：每个像素的概率密度函数可以根据场景中像素颜色的变化进行更新，以适应不断变化的场景。

三、应用场景基于混合高斯模型的运动目标检测与跟踪技术适用于许多应用场景。

以下列举几个例子：1. 城市交通监控：对城市中的交通场景进行分析和监控，可以检测交通事故、违规行为等，提高城市交通安全。

2. 道路视频监控：对交通路口、高速公路等场景进行实时监测，可以提高交通流量，减少交通拥堵、事故等。

改进的基于混合高斯模型的运动目标检测算法郭伟;高媛媛;刘鑫焱【摘要】针对传统混合高斯模型检测运动目标中存在的不足,提出了一种改进的基于混合高斯模型的运动目标检测算法.将改进的混合高斯模型与四帧差分相结合,有效地解决了突变光照的影响并消除了传统帧差法检测目标时容易出现的双影现象,改进的混合高斯模型自适应地调整了高斯模型的分布数量,提高了背景的描述精度.分情况讨论了物体的运动状态并分别设置不同的学习率,改善了对运动缓慢目标的检测效果.实验结果表明结合后的算法能对运动目标进行准确检测,对复杂场景有较好的适应性.%Aim at the disadvantages of traditional mixture Gaussian model in moving object detection, an improved moving object detection method based on mixture Gaussian model is proposed. It solves the problem affected by the illumination mutations and the traditional frame difference is easily affected by double shadow which combines the improved mixture Gaussian model and four-frame subtraction. The improved mixture Gaussian model adjusts the numbers of the Gaussian distribution adaptively and improves the accuracy of the background description. This paper discusses the motion state of the object and different learning rates are set to improve the effect of slow-moving object detection. Experimental results show that the combined algorithm can detect moving object accurately and has better adaptability in complex scenes.【期刊名称】《计算机工程与应用》【年(卷),期】2016(052)013【总页数】6页(P195-200)【关键词】混合高斯模型;运动目标检测;四帧差分;学习率【作者】郭伟;高媛媛;刘鑫焱【作者单位】辽宁工程技术大学软件工程学院,辽宁兴城 125105;辽宁工程技术大学软件工程学院,辽宁兴城 125105;辽宁工程技术大学软件工程学院,辽宁兴城125105【正文语种】中文【中图分类】TP391GUO Wei，GAO Yuanyuan，LIU Xinyan.Computer Engineering and Applications，2016，52（13）：195-200.从背景中精确地提取运动区域是运动目标检测的目的，即正确分割运动目标区域，在运动跟踪和识别的基础上，运动目标检测直接影响着随后识别效果的成功与失败。

基于改进混合高斯模型的运动目标检测算法孙毅刚;李鸿;张红颖【期刊名称】《计算机工程》【年(卷),期】2012(038)018【摘要】在运动目标停滞的情况下,传统的混合高斯模型会将运动目标误判为背景,导致目标漏检.为此,提出一种基于改进混合高斯模型的目标检测算法.引入背景学习参数,结合前一帧的检测结果自适应地更新背景,从而提取完整的运动目标.利用像素的八连通区域信息抑制噪声,提高算法在复杂环境中的稳定性.实验结果表明,与传统检测方法相比,该算法能够在复杂环境中准确地检测出短暂停滞的运动目标.%Moving objects can be converted into background ones by Gaussian Mixture Model(GMM) when they might be staying still in the scene for an uncertain time. Therefore, a new method based on improved GMM is proposed. To obtain complete objects, a background learning parameter is introduced to update the model according to the detection result in previous frame. Moreover, the information of 8-adjacent connection area is utilized to suppress noises and improve its stability in the complex environment. Several experiments are implemented and the results demonstrate its effectiveness in detecting the moving objects which stay briefly in the complicated condition.【总页数】5页(P166-170)【作者】孙毅刚;李鸿;张红颖【作者单位】中国民航大学航空自动化学院,天津300300;中国民航大学航空自动化学院,天津300300;中国民航大学航空自动化学院,天津300300【正文语种】中文【中图分类】TP391【相关文献】1.改进的基于混合高斯模型的运动目标检测算法 [J], 郭伟;高媛媛;刘鑫焱2.一种基于改进的混合高斯模型的运动目标检测算法 [J], 李旭健;张丛静3.一种基于改进混合高斯模型的运动目标检测算法 [J], 朱善良;王浩宇;高鑫;赵玉;谢秋玲;周伟峰;杨树国4.基于改进的混合高斯模型运动目标检测算法研究 [J], 范超男; 李士心; 张海; 郭荣5.基于改进的混合高斯模型运动目标检测算法研究 [J], 范超男; 李士心; 张海; 郭荣因版权原因，仅展示原文概要，查看原文内容请购买。