一種動態(tài)背景場景下的前景檢測方法
【專利摘要】一種動態(tài)背景場景下的前景檢測方法,采用多幀連續(xù)圖像初始化背景模型,通過自適應(yīng)的方式更新匹配閾值,并在更新過程引入空間一致性判斷與模糊理論,完成前景檢測。本發(fā)明以ViBe算法為基礎(chǔ),通過多幀圖像初始化、匹配閾值自適應(yīng)更新、空間一致性原則以及模糊理論大大改善了算法在動態(tài)背景下的性能,降低了誤檢率。
【專利說明】一種動態(tài)背景場景下的前景檢測方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于圖像處理【技術(shù)領(lǐng)域】,涉及視頻圖像處理,為一種動態(tài)背景場景下基于背景運(yùn)動信息和模糊理論的前景檢測方法。
【背景技術(shù)】
[0002]運(yùn)動目標(biāo)檢測是計(jì)算機(jī)視覺應(yīng)用中的關(guān)鍵技術(shù),在智能視頻監(jiān)控、圖像壓縮等領(lǐng)域有重要研究價(jià)值,它的目的是在序列圖像中檢測出變化的區(qū)域并將運(yùn)動的目標(biāo)從背景圖像中提取出來,為后續(xù)的運(yùn)動目標(biāo)識別、跟蹤以及行為分析提供了支持。
[0003]目前常見的運(yùn)動目標(biāo)檢測算法有:光流法、背景差分法、幀間差分法等,其中背景差分法是常用且實(shí)時(shí)性好的一種算法,其檢測性能的好壞很大程度上依賴于背景模型的準(zhǔn)確性。影響背景模型準(zhǔn)確性的因素有很多,包括動態(tài)背景、光線漸變、相機(jī)抖動、陰影等,其中動態(tài)背景是最常見且影響最大的因素。
[0004]為了建立有效的背景模型以適應(yīng)動態(tài)背景,研究人員提出了不同的背景建模方法。Stauffer 等人于 2000 年在〈〈IEEE Transaction on Pattern Analysis and MachineIntelligence》上發(fā)表的《Learning Patterns of Activity Using Real-time Tracking》提出了混合高斯算法(MOG),用多個(gè)高斯模態(tài)描述背景模型,克服了單高斯模型的缺點(diǎn),提高了算法對動態(tài)背景的適應(yīng)能力,但是學(xué)習(xí)速率的選擇無法兼顧動態(tài)背景的抑制和正確前景的提取。Maddalena等人于2008年在《IEEE Transactions on Image Processing》上發(fā)表的〈〈A Self-Organizing Approach to Background Subtraction for Visual SurveillanceApplications》提出了基于人工神經(jīng)網(wǎng)絡(luò)的背景模型(SOBS),通過自組織的方式學(xué)習(xí)運(yùn)動信息,能夠處理光線變化、遮擋、動態(tài)背景等復(fù)雜場景,但是有比較大的運(yùn)算代價(jià)。Barnich等人于 2011 年在《IEEE Transaction on Image Processing》發(fā)表的《ViBe:A universalbackground subtraction algorithm for video sequences》提出了基于像素的非參數(shù)化隨機(jī)樣本模型(ViBe),采用像素樣本值建立背景模型,將檢測幀的像素值與對應(yīng)的模型匹配,通過固定閾值判斷其屬于前景還是背景,對于匹配上的像素采用隨機(jī)更新機(jī)制更新該像素及其鄰域的背景模型。該方法運(yùn)算簡單,在靜態(tài)背景場景下有不錯的檢測效果,但其固定的參數(shù)限制了算法對于動態(tài)背景(水面波紋、樹葉晃動等)的自適應(yīng)能力,其鄰域擴(kuò)散的更新策略會造成運(yùn)動較慢的前景目標(biāo)過快的融入背景,增加了錯誤檢測,其單幀輸入圖像初始化策略在輸入圖像含有前景目標(biāo)的情況下會產(chǎn)生“鬼影”空洞,影響背景模型的準(zhǔn)確性。
【發(fā)明內(nèi)容】
[0005]本發(fā)明要解決的問題是:現(xiàn)有的前景檢測方法中,ViBe算法具有良好的應(yīng)用前景,但其對動態(tài)背景適應(yīng)性較差,無法有效地區(qū)分運(yùn)動前景和動態(tài)背景,會將動態(tài)背景誤檢為運(yùn)動前景,影響后續(xù)的運(yùn)動分析。
[0006]本發(fā)明的技術(shù)方案為:一種動態(tài)背景場景下的前景檢測方法,采用背景運(yùn)動信息和模糊理論進(jìn)行動態(tài)場景下的前景檢測,包括以下步驟:
[0007]I)多幀圖像進(jìn)行模型初始化:
[0008]對于多幀連續(xù)圖像,根據(jù)時(shí)間一致性原則,對于當(dāng)前幀It中的任一像素點(diǎn)X,采用所述像素點(diǎn)在前N幀圖像中的像素值初始化背景模型M(X):
[0009]M (X) = Iv1 (X),…,Vi (X),…,vN (X)} = {It_N (X),…,Im (X)}
[0010]式中,Vi(x)為背景模型的樣本,Iw(X)為像素點(diǎn)X在第t-Ι幀的像素值;
[0011]2)通過ViBe算法構(gòu)建前景二值圖:
[0012]以步驟I)獲得的背景模型M(X)以及當(dāng)前幀,采用ViBe背景分割算法獲得運(yùn)動目標(biāo)的前景二值圖F(X),具體為:
[0013]對于當(dāng)前幀It中的任意一像素點(diǎn)X,其像素值為V(X),背景模型為M(X),在歐式空間中,定義一個(gè)以v(x)為中心,R(X)為半徑的球體SK(X) (v(x)), R(x)為模型匹配閾值,SE(X) (v(x))表示所有與V(X)距離小于RU)的像素值的集合,用M(X)落在球體Sk(x)(v(X))內(nèi)的樣本個(gè)數(shù)#{Μ(χ) H SK(x)(v(X))}來描述v(x)與背景模型M(x)的相似度,對于給定的閾值 #min,如果 #{M(x) H SK(x)(v(X))}〈#min,則 ν(χ)為前景,記為 “I”;如果 # {Μ (X) n SE(x)(ν (χ))} >#mln,則ν (χ)為背景,記為“0”,像素點(diǎn)X與背景模型M(X)匹配,前景二值圖F (X)表示為:
[0014]
【權(quán)利要求】
1.一種動態(tài)背景場景下的前景檢測方法,其特征是采用背景運(yùn)動信息和模糊理論進(jìn)行動態(tài)場景下的前景檢測,包括以下步驟: 1)多幀圖像進(jìn)行模型初始化: 對于多幀連續(xù)圖像,根據(jù)時(shí)間一致性原則,對于當(dāng)前幀It中的任一像素點(diǎn)X,采用所述像素點(diǎn)在前N幀圖像中的像素值初始化背景模型M(X):
M (X) — {ν? (X) ,..., Vi (X) ,..., Vn (X) } 一 {I t-N (X),...,11-1 (X) I 式中,Vi(X)為背景模型的樣本,Im(X)為像素點(diǎn)X在第t-ι幀的像素值; 2)通過ViBe算法構(gòu)建前景二值圖: 以步驟I)獲得的背景模型M(X)以及當(dāng)前幀,采用ViBe背景分割算法獲得運(yùn)動目標(biāo)的前景二值圖F(X),具體為: 對于當(dāng)前幀It中的任意一像素點(diǎn)X,其像素值為v(X),背景模型為M(X),在歐式空間中,定義一個(gè)以v(x)為中心,R(X)為半徑的球體SK(X) (v(x)), R(x)為模型匹配閾值,Seω(ν(χ))表示所有與ν(χ)距離小于RU)的像素值的集合,用M(X)落在球體SK(x)(v(X))內(nèi)的樣本個(gè)數(shù)#{Μ(χ) H SK(x)(v(X))}來描述v(x)與背景模型M(x)的相似度,對于給定的閾值 #min,如果 #{M(x) H SK(x)(v(X))}〈#min,則 ν(χ)為前景,記為 “I”;如果 # {Μ (X) n SE(x)(ν (x))} >#mln,則ν (x)為背景,記為“O”,像素點(diǎn)X與背景模型M(X)匹配,前景二值圖F (X)表示為:
【文檔編號】G06T7/20GK103971386SQ201410241185
【公開日】2014年8月6日 申請日期:2014年5月30日 優(yōu)先權(quán)日:2014年5月30日
【發(fā)明者】陳星明, 廖娟, 李勃, 王江, 邱中亞, 隆迪, 陳啟美 申請人:南京大學(xué)