基于改进高斯混合模型的运动目标检测与跟踪
郅季炘
摘 要： 为了提高运动目标检测与跟踪的精确性与可靠性，提出一种基于改进高斯混合模型的运动目标检测与跟踪方法。首先，建立改进高斯混合背景模型，对运动目标图像进行分块处理，利用相连帧的连续性对运动目标图像的参数更新，提取完整的运动目标并进行分割；其次，将给定的当前帧像素点与目标图像进行匹配，减少高斯混合模型的分布数量和计算量，根据分块处理后的运动目标的大小、形状以及颜色信息完成运动目标全局匹配，实现运动目标的实时检测与跟踪。实验结果表明，与目前的高斯混合模型对运动目标检测与跟踪的方法相比，所提方法计算过程较为简单，具有更快的检测速度和更可靠的检测结果。
关键词： 运动目标检测； 全局匹配； 改进高斯混合模型； 分块处理
中图分类号： TN911.73?34； TP391 文献标识码： A 文章编号： 1004?373X（2017）21?0069?04
Moving target detection and tracking based on improved Gaussian mixture model
ZHI Jixin
（College of Physical Education， Zhengzhou University， Zhengzhou 450044， China）
Abstract： In order to improve the accuracy and reliability of moving object detection and tracking， a moving object detection and tracking method based on improved Gaussian mixture model is proposed. The improved Gaussian mixture background model is established to segment the moving target image into blocks. The continuity of the neighborhood frames is utilized to update the parameters of the moving target image， and then the whole moving target is extracted for segmentation. The given pixel of current frame is matched with the target image to reduce the distribution quantity and calculated amount of the Gaussian mixture model. According to the size， shape and color information of the moving target after block processing， the global matching for moving target is conducted to realize the real?time detection and tracking of moving object. The experimental results show that， in comparison with the current moving target detection and tracking methods based on Gaussian mixture model， the proposed method has simpler calculation process， faster detection speed， and more reliable detection results.
Keywords： moving target detection； global matching； improved Gaussian mixture model； block processing
0 引 言
运动目标检测与跟踪[1]在计算机交互式领域和人类视觉领域具有至关重要的地位。通过对视频图像的跟踪检测，可以确切地掌握目标图像的运动信息和运动特征，为后续运动目标的检测与跟踪问题提供更为详细的信息参考。基于高斯混合模型[2]的目标检测与跟踪，国内外很多学者对其进行了大量实验与研究。根据目标检测的范围，可以分为静态目标检测[3?4]和动态目标检测[5?6]，其中，动态目标检测依赖于目标的运动性特征。在现实操作中，由于场景不同、光线的改变[7]等问题给运动目标的检测与跟踪工作的实施带来了一定的困难和挑战。因此，提高改进高斯混合模型的运动目标检测的精确度具有现实意义。
其中文献[8]提出基于高斯混合模型的帧间差分法，该方法利用图像序列中相连的几帧图像的关联性进行帧间差分变化检测，最后通过确定阈值找到运动目标所在区域的位置，对运动目标进行检测跟踪。但是该方法的缺点是不能准确提取出所有存在关联性特点的像素点，而且检测效率太低，提取目标不够完整，也不能对运动目标进行实时检测与跟踪。文献[9]提出一种高斯混合模型光流检测法，该方法利用图像中像素数据的相关性变化，并通过图像灰度在时间上的处理变化与图像中运动目标物体结构之间的关系确定运动目标。但是该方法的计算过程复杂，耗时太长，容易出现偏差，实用性不好。文献[10]提出基于自适应高斯背景减除检测运动目标与跟踪的方法，该方法通过改变视频图像的排列方式整合运动信息进行差分，确定出当前区域的差值，快速检测运动目标，但是该方法在检测过程中受外界干扰严重，检测精度不高。
针对以上这些方法在其可用范围之内的通用效果比较差，不能准确地对运动目标进行更为精确的检测和实时跟踪，提出基于改进高斯混合模型的运动目标检测与跟踪方法，并进行实验分析，结果表明，本文方法计算过程较为简单，拥有更快的检测速度和更可靠的检测结果。
1 基于改进高斯混合模型的运动目标检测与跟
踪方法
1.1 背景模型的参数更新与目标提取
根据改进高斯混合模型的参数机制对视频中每个单独像素，在特定的时间，特定的状态下用[k]个高斯模型表示。
[ηxt，ui，t，Σi，t=1（2π）n2Σi，t12e-12（xt-ui，t）TΣ-1i，txt-ui，t] （1）
假设在[t]时刻像素点的像素值为[x1]，得到概率函数为：
[p（x1）=i=1kwi，t×ηxt，ui，t，Σi，t] （2）
式中：[k]代表高斯混合模型的个数；[wi，t]代表在[t]时刻第[i]个高斯模型的权值；[ηxt，ui，t，Σi，t]代表混合高斯模型的概率密度函数；[ui，t]则代表第[i]个高斯模型在[t]时刻的平均向量；[Σi，t]表示高斯模型的协方差矩阵；[i=1，2…，k]。
将当前帧每个像素点的像素值[I（x，y）]与当前背景模型下[k]个高斯模型进行分布匹配，如果满足式（3），则证明[I（x，y）]与高斯模型分布相匹配，反之则表示不匹配。
[It（x，y）-ut，t-1<d×σi，t-1]
式中：[D]代表改进高斯混合模型中的置信参数；[ut，t-1]表示在[t-1]时刻第[i]个改进高斯混合模型的平均值；[σi，t-1]表示在[t-1]时刻第[i]个改进高斯混合模型的标准差。
（1） 如果对运动目标匹配成功，则对相应的改进高斯混合分布参数进行更新，其公式表示为：
[wi，t=（1-α）×wi，t-1+α] （4）
[ui，t=（1-ρ）×ui，t-1+ρ×xt] （5）
[σ2i，t=（1-ρ）×σ2i，t-1+ρ×（xt-ui，t-1）] （6）
其中[α]代表改進高斯混合背景模型中的学习率。
（2） 如果对运动目标匹配不成功，则建立一个新的改进高斯混合背景模型，然后去掉高斯分布模型中最不可能的部分，其他高斯分布平均值和方差保持不变，其权值按照式（7）更新：
[wi，t=（1-α）×wi，t-1] （7）
在高斯分布中，将最有可能成为高斯混合背景的部分放在比较靠前的位置，也就是将高斯混合分布按照[wu]降序的顺序排列。根据上述排列，取前[B]个分布顺序作为应用的高斯混合背景模型，从中提取出运动目标。
高斯背景模型公式如下：
[B=argminbk=1bwk>T] （8）
式中[T]代表整个高斯混合模型全局的先验概率。
1.2 运动目标检测
根据混合高斯背景模型定义子目标和父目标。对运动目标进行分块处理。设目标[a]表示混合高斯背景图像中前一帧识别出的有效目标，[b]表示前一帧检测出来的运动有效目标。假设目标[b]与目标[a]在高斯混合背景模型下有足够多的公共像素（目标[a]大于目标[b]的[β]倍），则目标[b]代表目标[a]的子目标，即目标[a]为目标[b]的父目标。
假设目标[a]是在高斯混合背景模型图像中前一帧检测出的运动有效目标，目标[a]在图像当前帧的子目标集为集合[B，]即：
[B=BiSa?Bi>β·SBi] （9）
假设在集合[B]中有两个运动目标[Bi]和[Bj，]它们之间的距离小于阈值[TD，]那么：
[distanceBi，Bj将[Bi]和[Bj]合并成为一个大的运动目标[b]，然后将其添加进集合[B]中，以替代[Bi]和[Bj]的运动位置。目标[a]和[b]之间的距离可以定义为运动目标[a]和运动目标[b]之间任意两个像素点之间距离的最小值，即：
[distance（a，b）=mindistanceam，bn 0<m<sa，0<n<sb]
[distancep，q=px-qx2+py-qy2] （12）
式中：[Sa]表示[a]所包含的像素总量；[Sb]表示[b]所包含的像素总量；[am]代表运动目标[a]的第[m]个像素点位置；同理，[bn]代表运动目标[b]的第[n]个像素点位置；[p]和[q]代表改进高斯混合模型图像中的任意两个像素点；[px]与[py]分别代表[p]的横坐标和纵坐标；[qx]和[qy]分别代表[q]的横坐标和纵坐标；而函数计算公式[distancep，q]代表像素点[p]和[q]之间的距离。根据上述公式即可完成对运动目标的检测。
1.3 基于改进高斯混合模型的运动目标跟踪方法
改进高斯混合模型的运动目标跟踪是在完成对运动目标检测准确的基础上进行的，并将当前帧与前一帧检测到的运动目标图像进行匹配。
首先建立运动目标图像颜色直方图并进行改进：
[wv=1i=1sηrii=1sηri·δhχi-v] （13）
式中：[wv]代表[v]是[w]的分量；[s]代表运动目标包括的像素点总量；[ηri]表示权重函数，像素点远离运动目标中心位置的权重小，反之，靠近运动目标中心位置的权重大；[χi]表示运动目标中的第[i]个像素点；[ri]代表运动目标的权重比值。
将当前帧中检测目标与前一帧检测到的运动目标进行匹配，若匹配成功，则该运动目标为先前目标；反之，则该目标为新的运动目标。 </m<sa，0<n
改进高斯混合模型检测运动目标与全局匹配的相似度函数为：
[similara，b=α·φa，b+β??a，b+γ?ψ（w，ξ）] （14）
[φa，b=da+dbda+db+distancea0，b0] （15）
[?（a，b）=2（Sa+Sb）S2a+S2b] （16）
式中：[ψ（w，ξ）]表示待匹配运动目标的颜色直方图相似度；[φa，b]表示[α（≥0）]的加权系数；[?（a，b）]表示[β≥0]的加权系数；[w]和[ξ]分别表示[a]和[b]的颜色直方图；[da，][db]分别表示运动目标[a]和[b]的半径；[distancea0，b0]表示运动目标[a]和运动目标[b]之间的中心距离；[Sa]和[Sb]分别表示运动目标[a]和[b]的总图像像素点。
对运动目标进行匹配与运动目标的图像大小、位置信息以及颜色分布有关。改进高斯混合模型的运动目标跟踪采用全局匹配的方法，将当前帧与前一帧检测得到的运动目标进行匹配，完成对运动目标的跟踪过程。
2 实验与仿真证明
为了证明基于改进高斯混合模型的运动目标与跟踪方法的有效性，需要对运动目标进行检测和全程跟踪，采用如下仿真实验与其他方法进行比较分析。本次实验使用的计算机CPU为Pentium[?]E5300 2.6 GHz，内存为4 GB，仿真软件为Matlab 2015b。在利用改进高斯混合模型背景差分法进行运动目标检测时，为了使计算简便，假设各个像素之间都是相互独立的，对彩色图像进行灰度处理。改进的高斯混合模型背景差分法首先需要对输入背景进行分块处理，采用的图像块是[3×3]。其中当前图像块用平均值表示。改进高斯混合模型的最大高斯分布上限是5，运动目标初始权值用[winit]表示，權值取值为0.2。此次实验采用4段视频，其视频信息如表1所示。
本次实验分别对帧差检测法、光流检测法和改进高斯混合模型进行对比分析测试，运动目标检测时间和运动目标检测效果分别如表2和图1所示。
图1选取其中视频1和视频3的两个图像信息进行分析，其中图像1（a）为原始图像，图1（b）是采用帧差法对运动目标检测的结果，图1（c）是采用光流检测法对运动目标检测的结果，图1（d）是基于改进高斯混合模型的运动目标检测结果。
帧差检测法、光流检测法、改进高斯混合模型对运动目标的图像检测结果如图1所示。可以看出，改进高斯混合模型对运动目标检测效果明显优于其他两种方法，可以得到如下结论：
（1） 帧差检测法对运动目标的检测结果轮廓比较完整，较好地解决了阴影区域的问题，但是运动目标的很多细节信息丢失较严重。
（2） 虽然光流检测法能较好地保存运动目标信息，但是在检测过程中检测目标范围太广，无形中检测了许多无用信息，并且含有许多噪点，对运动目标检测结果的精确度影响极大。改进高斯混合模型不但能完整、精确地检测和跟踪运动目标信息，还能去除噪声等干扰，可以使检测结果更加理想化。
3 结 语
针对传统运动目标检测方法不能对运动目标进行精确的检测和实时跟踪，本文提出基于改进高斯混合模型的运动目标检测与跟踪方法。通过上述实验结果证明，基于改进高斯混合模型的运动目标检测与跟踪方法比传统方法检测结果可靠，其跟踪精度高，并且降低了检测过程中计算的复杂程度，减少了运算量，在一定程度上提高了检测速度。
参考文献
[1] 何信华，赵龙.基于改进高斯混合模型的实时运动目标检测与跟踪[J].计算机应用研究，2010，27（12）：4768?4771.
[2] 杨威，付耀文，潘晓刚，等.弱目标检测前跟踪技术研究综述[J].电子学报，2014，42（9）：1786?1793.
[3] 李少军，肖利平，高磊.光电成像制导中地面运动目标检测与跟踪[J].系统工程与电子技术，2014，36（1）：23?30.
[4] 胡子军，张林让，房嘉奇.多站无源雷达多起伏目标检测前跟踪算法[J].电子与信息学报，2015，37（3）：651?657.
[5] 柯天兵，李永倩.电力系统视频监控中目标检测与跟踪算法研究[J].电力科学与工程，2014（1）：42?46.
[6] 于洪波，王国宏，曹倩，等.一种高脉冲重复频率雷达微弱目标检测跟踪方法[J].电子与信息学报，2015，37（5）：1097?1103.
[7] 陈唯实.基于时域特性的非相参雷达目标检测与跟踪[J].系统工程与电子技术，2016，38（8）：1800?1807.
[8] 程全，马军勇.基于改进高斯混合模型的运动目标检测方法[J].计算机科学，2014，41（7）：318?321.
[9] 王婷婷，李戈，赵杰，等.基于双目视觉的运动目标检测跟踪与定位[J].机械与电子，2015（6）：73?76.
[10] 刘龙，樊波阳，刘金星，等.面向运动目标检测的粒子滤波视觉注意力模型[J].电子学报，2016，44（9）：2235?2241.
摘 要： 为了提高运动目标检测与跟踪的精确性与可靠性，提出一种基于改进高斯混合模型的运动目标检测与跟踪方法。首先，建立改进高斯混合背景模型，对运动目标图像进行分块处理，利用相连帧的连续性对运动目标图像的参数更新，提取完整的运动目标并进行分割；其次，将给定的当前帧像素点与目标图像进行匹配，减少高斯混合模型的分布数量和计算量，根据分块处理后的运动目标的大小、形状以及颜色信息完成运动目标全局匹配，实现运动目标的实时检测与跟踪。实验结果表明，与目前的高斯混合模型对运动目标检测与跟踪的方法相比，所提方法计算过程较为简单，具有更快的检测速度和更可靠的检测结果。
关键词： 运动目标检测； 全局匹配； 改进高斯混合模型； 分块处理
中图分类号： TN911.73?34； TP391 文献标识码： A 文章编号： 1004?373X（2017）21?0069?04
Moving target detection and tracking based on improved Gaussian mixture model
ZHI Jixin
（College of Physical Education， Zhengzhou University， Zhengzhou 450044， China）
Abstract： In order to improve the accuracy and reliability of moving object detection and tracking， a moving object detection and tracking method based on improved Gaussian mixture model is proposed. The improved Gaussian mixture background model is established to segment the moving target image into blocks. The continuity of the neighborhood frames is utilized to update the parameters of the moving target image， and then the whole moving target is extracted for segmentation. The given pixel of current frame is matched with the target image to reduce the distribution quantity and calculated amount of the Gaussian mixture model. According to the size， shape and color information of the moving target after block processing， the global matching for moving target is conducted to realize the real?time detection and tracking of moving object. The experimental results show that， in comparison with the current moving target detection and tracking methods based on Gaussian mixture model， the proposed method has simpler calculation process， faster detection speed， and more reliable detection results.
Keywords： moving target detection； global matching； improved Gaussian mixture model； block processing
0 引 言
运动目标检测与跟踪[1]在计算机交互式领域和人类视觉领域具有至关重要的地位。通过对视频图像的跟踪检测，可以确切地掌握目标图像的运动信息和运动特征，为后续运动目标的检测与跟踪问题提供更为详细的信息参考。基于高斯混合模型[2]的目标检测与跟踪，国内外很多学者对其进行了大量实验与研究。根据目标检测的范围，可以分为静态目标检测[3?4]和动态目标检测[5?6]，其中，动态目标检测依赖于目标的运动性特征。在现实操作中，由于场景不同、光线的改变[7]等问题给运动目标的检测与跟踪工作的实施带来了一定的困难和挑战。因此，提高改进高斯混合模型的运动目标检测的精确度具有现实意义。
其中文献[8]提出基于高斯混合模型的帧间差分法，该方法利用图像序列中相连的几帧图像的关联性进行帧间差分变化检测，最后通过确定阈值找到运动目标所在区域的位置，对运动目标进行检测跟踪。但是该方法的缺点是不能准确提取出所有存在关联性特点的像素点，而且检测效率太低，提取目标不够完整，也不能对运动目标进行实时检测与跟踪。文献[9]提出一种高斯混合模型光流检测法，该方法利用图像中像素数据的相关性变化，并通过图像灰度在时间上的处理变化与图像中运动目标物体结构之间的关系确定运动目标。但是该方法的计算过程复杂，耗时太长，容易出现偏差，实用性不好。文献[10]提出基于自适应高斯背景减除检测运动目标与跟踪的方法，该方法通过改变视频图像的排列方式整合运动信息进行差分，确定出当前区域的差值，快速检测运动目标，但是该方法在检测过程中受外界干扰严重，检测精度不高。
针对以上这些方法在其可用范围之内的通用效果比较差，不能准确地对运动目标进行更为精确的检测和实时跟踪，提出基于改进高斯混合模型的运动目标检测与跟踪方法，并进行实验分析，结果表明，本文方法计算过程较为简单，拥有更快的检测速度和更可靠的检测结果。
1 基于改进高斯混合模型的运动目标检测与跟
踪方法
1.1 背景模型的参数更新与目标提取
根据改进高斯混合模型的参数机制对视频中每个单独像素，在特定的时间，特定的状态下用[k]个高斯模型表示。
[ηxt，ui，t，Σi，t=1（2π）n2Σi，t12e-12（xt-ui，t）TΣ-1i，txt-ui，t] （1）
假设在[t]时刻像素点的像素值为[x1]，得到概率函数为：
[p（x1）=i=1kwi，t×ηxt，ui，t，Σi，t] （2）
式中：[k]代表高斯混合模型的个数；[wi，t]代表在[t]时刻第[i]个高斯模型的权值；[ηxt，ui，t，Σi，t]代表混合高斯模型的概率密度函数；[ui，t]则代表第[i]个高斯模型在[t]时刻的平均向量；[Σi，t]表示高斯模型的协方差矩阵；[i=1，2…，k]。
将当前帧每个像素点的像素值[I（x，y）]与当前背景模型下[k]个高斯模型进行分布匹配，如果满足式（3），则证明[I（x，y）]与高斯模型分布相匹配，反之则表示不匹配。
[It（x，y）-ut，t-1<d×σi，t-1]
式中：[D]代表改进高斯混合模型中的置信参数；[ut，t-1]表示在[t-1]时刻第[i]个改进高斯混合模型的平均值；[σi，t-1]表示在[t-1]时刻第[i]个改进高斯混合模型的标准差。
（1） 如果对运动目标匹配成功，则对相应的改进高斯混合分布参数进行更新，其公式表示为：
[wi，t=（1-α）×wi，t-1+α] （4）
[ui，t=（1-ρ）×ui，t-1+ρ×xt] （5）
[σ2i，t=（1-ρ）×σ2i，t-1+ρ×（xt-ui，t-1）] （6）
其中[α]代表改進高斯混合背景模型中的学习率。
（2） 如果对运动目标匹配不成功，则建立一个新的改进高斯混合背景模型，然后去掉高斯分布模型中最不可能的部分，其他高斯分布平均值和方差保持不变，其权值按照式（7）更新：
[wi，t=（1-α）×wi，t-1] （7）
在高斯分布中，将最有可能成为高斯混合背景的部分放在比较靠前的位置，也就是将高斯混合分布按照[wu]降序的顺序排列。根据上述排列，取前[B]个分布顺序作为应用的高斯混合背景模型，从中提取出运动目标。
高斯背景模型公式如下：
[B=argminbk=1bwk>T] （8）
式中[T]代表整个高斯混合模型全局的先验概率。
1.2 运动目标检测
根据混合高斯背景模型定义子目标和父目标。对运动目标进行分块处理。设目标[a]表示混合高斯背景图像中前一帧识别出的有效目标，[b]表示前一帧检测出来的运动有效目标。假设目标[b]与目标[a]在高斯混合背景模型下有足够多的公共像素（目标[a]大于目标[b]的[β]倍），则目标[b]代表目标[a]的子目标，即目标[a]为目标[b]的父目标。
假设目标[a]是在高斯混合背景模型图像中前一帧检测出的运动有效目标，目标[a]在图像当前帧的子目标集为集合[B，]即：
[B=BiSa?Bi>β·SBi] （9）
假设在集合[B]中有两个运动目标[Bi]和[Bj，]它们之间的距离小于阈值[TD，]那么：
[distanceBi，Bj将[Bi]和[Bj]合并成为一个大的运动目标[b]，然后将其添加进集合[B]中，以替代[Bi]和[Bj]的运动位置。目标[a]和[b]之间的距离可以定义为运动目标[a]和运动目标[b]之间任意两个像素点之间距离的最小值，即：
[distance（a，b）=mindistanceam，bn 0<m<sa，0<n<sb]
[distancep，q=px-qx2+py-qy2] （12）
式中：[Sa]表示[a]所包含的像素总量；[Sb]表示[b]所包含的像素总量；[am]代表运动目标[a]的第[m]个像素点位置；同理，[bn]代表运动目标[b]的第[n]个像素点位置；[p]和[q]代表改进高斯混合模型图像中的任意两个像素点；[px]与[py]分别代表[p]的横坐标和纵坐标；[qx]和[qy]分别代表[q]的横坐标和纵坐标；而函数计算公式[distancep，q]代表像素点[p]和[q]之间的距离。根据上述公式即可完成对运动目标的检测。
1.3 基于改进高斯混合模型的运动目标跟踪方法
改进高斯混合模型的运动目标跟踪是在完成对运动目标检测准确的基础上进行的，并将当前帧与前一帧检测到的运动目标图像进行匹配。
首先建立运动目标图像颜色直方图并进行改进：
[wv=1i=1sηrii=1sηri·δhχi-v] （13）
式中：[wv]代表[v]是[w]的分量；[s]代表运动目标包括的像素点总量；[ηri]表示权重函数，像素点远离运动目标中心位置的权重小，反之，靠近运动目标中心位置的权重大；[χi]表示运动目标中的第[i]个像素点；[ri]代表运动目标的权重比值。
将当前帧中检测目标与前一帧检测到的运动目标进行匹配，若匹配成功，则该运动目标为先前目标；反之，则该目标为新的运动目标。 </m<sa，0<n
改进高斯混合模型检测运动目标与全局匹配的相似度函数为：
[similara，b=α·φa，b+β??a，b+γ?ψ（w，ξ）] （14）
[φa，b=da+dbda+db+distancea0，b0] （15）
[?（a，b）=2（Sa+Sb）S2a+S2b] （16）
式中：[ψ（w，ξ）]表示待匹配运动目标的颜色直方图相似度；[φa，b]表示[α（≥0）]的加权系数；[?（a，b）]表示[β≥0]的加权系数；[w]和[ξ]分别表示[a]和[b]的颜色直方图；[da，][db]分别表示运动目标[a]和[b]的半径；[distancea0，b0]表示运动目标[a]和运动目标[b]之间的中心距离；[Sa]和[Sb]分别表示运动目标[a]和[b]的总图像像素点。
对运动目标进行匹配与运动目标的图像大小、位置信息以及颜色分布有关。改进高斯混合模型的运动目标跟踪采用全局匹配的方法，将当前帧与前一帧检测得到的运动目标进行匹配，完成对运动目标的跟踪过程。
2 实验与仿真证明
为了证明基于改进高斯混合模型的运动目标与跟踪方法的有效性，需要对运动目标进行检测和全程跟踪，采用如下仿真实验与其他方法进行比较分析。本次实验使用的计算机CPU为Pentium[?]E5300 2.6 GHz，内存为4 GB，仿真软件为Matlab 2015b。在利用改进高斯混合模型背景差分法进行运动目标检测时，为了使计算简便，假设各个像素之间都是相互独立的，对彩色图像进行灰度处理。改进的高斯混合模型背景差分法首先需要对输入背景进行分块处理，采用的图像块是[3×3]。其中当前图像块用平均值表示。改进高斯混合模型的最大高斯分布上限是5，运动目标初始权值用[winit]表示，權值取值为0.2。此次实验采用4段视频，其视频信息如表1所示。
本次实验分别对帧差检测法、光流检测法和改进高斯混合模型进行对比分析测试，运动目标检测时间和运动目标检测效果分别如表2和图1所示。
图1选取其中视频1和视频3的两个图像信息进行分析，其中图像1（a）为原始图像，图1（b）是采用帧差法对运动目标检测的结果，图1（c）是采用光流检测法对运动目标检测的结果，图1（d）是基于改进高斯混合模型的运动目标检测结果。
帧差检测法、光流检测法、改进高斯混合模型对运动目标的图像检测结果如图1所示。可以看出，改进高斯混合模型对运动目标检测效果明显优于其他两种方法，可以得到如下结论：
（1） 帧差检测法对运动目标的检测结果轮廓比较完整，较好地解决了阴影区域的问题，但是运动目标的很多细节信息丢失较严重。
（2） 虽然光流检测法能较好地保存运动目标信息，但是在检测过程中检测目标范围太广，无形中检测了许多无用信息，并且含有许多噪点，对运动目标检测结果的精确度影响极大。改进高斯混合模型不但能完整、精确地检测和跟踪运动目标信息，还能去除噪声等干扰，可以使检测结果更加理想化。
3 结 语
针对传统运动目标检测方法不能对运动目标进行精确的检测和实时跟踪，本文提出基于改进高斯混合模型的运动目标检测与跟踪方法。通过上述实验结果证明，基于改进高斯混合模型的运动目标检测与跟踪方法比传统方法检测结果可靠，其跟踪精度高，并且降低了检测过程中计算的复杂程度，减少了运算量，在一定程度上提高了检测速度。
参考文献
[1] 何信华，赵龙.基于改进高斯混合模型的实时运动目标检测与跟踪[J].计算机应用研究，2010，27（12）：4768?4771.
[2] 杨威，付耀文，潘晓刚，等.弱目标检测前跟踪技术研究综述[J].电子学报，2014，42（9）：1786?1793.
[3] 李少军，肖利平，高磊.光电成像制导中地面运动目标检测与跟踪[J].系统工程与电子技术，2014，36（1）：23?30.
[4] 胡子军，张林让，房嘉奇.多站无源雷达多起伏目标检测前跟踪算法[J].电子与信息学报，2015，37（3）：651?657.
[5] 柯天兵，李永倩.电力系统视频监控中目标检测与跟踪算法研究[J].电力科学与工程，2014（1）：42?46.
[6] 于洪波，王国宏，曹倩，等.一种高脉冲重复频率雷达微弱目标检测跟踪方法[J].电子与信息学报，2015，37（5）：1097?1103.
[7] 陈唯实.基于时域特性的非相参雷达目标检测与跟踪[J].系统工程与电子技术，2016，38（8）：1800?1807.
[8] 程全，马军勇.基于改进高斯混合模型的运动目标检测方法[J].计算机科学，2014，41（7）：318?321.
[9] 王婷婷，李戈，赵杰，等.基于双目视觉的运动目标检测跟踪与定位[J].机械与电子，2015（6）：73?76.
[10] 刘龙，樊波阳，刘金星，等.面向运动目标检测的粒子滤波视觉注意力模型[J].电子学报，2016，44（9）：2235?2241.
