本發(fā)明涉及運(yùn)動目標(biāo)前景檢測方法，特別是涉及貝葉斯-全概率聯(lián)合估計模型的運(yùn)動目標(biāo)前景檢測方法，屬于圖像信息處理技術(shù)領(lǐng)域。

背景技術(shù)：

在視頻處理中，背景一般由靜止和周期性運(yùn)動的對象組成。但是，隨著時間的變化，背景可能經(jīng)歷兩種不同類型的變化，其中之一是由自然光線引起的變化，例如，從白天到黑夜照明的變化；另外，則是一些突發(fā)的環(huán)境變化。突發(fā)變化又分為全局突發(fā)變化和局部突發(fā)變化，全局突發(fā)變化可能由開關(guān)燈，天氣突然轉(zhuǎn)陰，照相機(jī)的視角發(fā)生變化等引起的；局部突變化則可能是因為移除或者新增了某些背景物體，例如，把一張椅子移動到不同的位置，除此之外，前景物體可能轉(zhuǎn)化為背景物體，例如汽車駛?cè)胪＼噲霾⑼？?。因此，背景的不同部分?yīng)該由不同類型的特征描述。

傳統(tǒng)的前景檢測算法能夠較好地檢測出簡單視頻場景的運(yùn)動目標(biāo)，然而當(dāng)視頻背景變得復(fù)雜時并不能準(zhǔn)確的分割出前景目標(biāo)。因此，為了建立一個能夠適應(yīng)大部分場景的前景檢測模型，本發(fā)明提出BTP‐JE模型(即貝葉斯‐全概率聯(lián)合估計模型)。貝葉斯模型是一種不確定性知識的推理和描述，在圖像分割中發(fā)揮著重要的作用。貝葉斯采用“逆概率”思想，推算出特征向量屬于背景或前景的概率，而全概率則是計算在某一像素點，出現(xiàn)某一特征的概率。通過對貝葉斯準(zhǔn)則和全概率公式的結(jié)合，能夠很好地檢測處于復(fù)雜背景中的運(yùn)動物體。

技術(shù)實現(xiàn)要素：

本發(fā)明目的是通過改進(jìn)傳統(tǒng)方法，滿足復(fù)雜背景情況下運(yùn)動目標(biāo)前景檢測的準(zhǔn)確性，提供一種貝葉斯‐全概率估計模型的運(yùn)動目標(biāo)前景檢測方法。

為實現(xiàn)上述目的，本發(fā)明采用如下技術(shù)方案：

一種貝葉斯‐全概率運(yùn)動目標(biāo)前景檢測方法，包括如下步驟：

(1)背景、前景信息特征選取

對于運(yùn)動目標(biāo)的背景對象，利用貝葉斯估計法則，特征向量ξ_t來自背景b和前景f的后驗概率滿足：

如果特征向量滿足：

則把這個像素歸為背景，其中ψ為像素點；

當(dāng)背景中出現(xiàn)大量的前景物體時，背景將長時間被前景物體覆蓋，導(dǎo)致(2‐2)式中的兩個條件并不能得到滿足，為在擁堵背景環(huán)境下更好地分離前景和背景，引入背景誤差控制變量，將式(2‐2)變?yōu)椋?/p>

P(ξ_t|b,ψ)＞P(ξ_t|f,ψ)-ε₁，P(b|ψ)＞P(f|ψ)-ε₂ (2‐3)

其中ε_i,i＝1,2，稱為背景誤差控制變量；

把式(2‐1)與全概率公式代入式(2‐3)得到如下BTP‐JE模型：

2P(ξ_t|b,ψ)·P(b|ψ)＞P(ξ_t|ψ)+P(ξ_t|b,ψ)ε₁-(1-P(b|ψ))ε₂ (2‐4)

對于L位n維的特征向量，P(ξ_t|ψ)或P(ξ_t|b,ψ)的聯(lián)合直方圖包含Lⁿ個bins；

令i＝1,2,...,N為特征直方圖中的前N個bins并按降序排列，對于給定的比例值M₁，M₂＝1-M₁，存在比較小的正整數(shù)N₁，滿足：

自然地，N值依賴于所選取的特征向量和位數(shù)L，對于每一種特征向量，用表示特征統(tǒng)計表，其中i＝1,2,...N₂(N₂＞N₁)，記錄了在像素ψ(x,y)，時刻t處N₂個最重要的值，表中的每一個元素由三個部分組成：

當(dāng)一個像素與穩(wěn)定的背景相關(guān)時，選取顏色作為特征向量，采用HSV顏色空間對圖像進(jìn)行處理，ξ_t用ω_t＝[h_t,s_t,v_t]^T代替；當(dāng)像素與運(yùn)動背景相關(guān)時，顏色共生特性被選為特征向量，ξ_t用ωω_t＝[h_t-1,s_t-1,v_t-1,h_t,s_t,v_t]^T代替；

(2)背景和前景像素點的分類

時間差分將變化的像素分為兩種類型，如果F_td(ψ,t)＝1，這個像素被認(rèn)為是運(yùn)動的像素，且屬于運(yùn)動的物體，否則它是一個與靜止物體有關(guān)的像素；進(jìn)一步單獨(dú)劃分為背景或前景；對于靜止的像素或運(yùn)動的像素，將特征向量ξ_t與前N₁個從對應(yīng)背景的特征統(tǒng)計表格中獲取的特征向量做比較，重新獲取相似特征；令得到條件概率公式(1‐7)：

中匹配特征集合定義為：

其中δ為控制變量；

(3)前景物體的提取

利用形態(tài)學(xué)運(yùn)算去除離散的點，輸出圖像O(ψ,t)，提取前景物體；用特征向量ξ_t將像素分類前景或背景，對應(yīng)特征統(tǒng)計用式(1‐9)更新：

其中i＝1,2,...N₂，α₂稱之為學(xué)習(xí)速率，用來控制特征學(xué)習(xí)的速度；當(dāng)在t時刻，從最后分離反饋為ψ(x,y)為背景，則否則當(dāng)式(1‐7)中的ξ_tⁱ和ξ_t相匹配時，否則如果沒有中的元素和ξ_t匹配時，則表中的第N₂個元素變?yōu)椋?/p>

當(dāng)背景突然變化時，新的背景特征出現(xiàn)，且在變化后立即占據(jù)主導(dǎo)地位；由式(1‐3)和(1‐5)得，當(dāng)滿足條件(1‐11)時，在ψ(x,y)處檢測到新的背景特征；

其中T是一個比率值，決定什么時候新的特征被認(rèn)為是背景；由式(1‐1)和式(1‐6)，式(1‐11)將演變成

當(dāng)背景突然變化時，新的背景特征隨即出現(xiàn)，則特征統(tǒng)計用以下式子進(jìn)行更新：

(4)學(xué)習(xí)速率α₂的選取

收斂于1；同時，學(xué)習(xí)速率參數(shù)α₂滿足關(guān)系其中n為測試視頻的幀數(shù)，T為測試視頻時間；

(5)更新參考背景圖像

如果ψ為無關(guān)緊要變化的像素點，則B_ω(ψ,t+1)＝(1-α₁)B_ω(ψ,t)+α₁I_ω(ψ,t)被用來對背景進(jìn)行更新，其中ω∈(h,s,v)，α₁為無限脈沖反應(yīng)濾波參數(shù)；如果O(ψ,t)＝0，F(xiàn)_td(ψ,t)＝1或者F_bd(ψ,t)＝1，B_ω(ψ,t+1)＝I_ω(ψ,t),ω∈(h,s,v)則被用來對參考背景進(jìn)行更新，這樣參考圖像就能夠適應(yīng)背景的突 然變化。

優(yōu)選地，所述bins為頻數(shù)分布直方圖中的小矩形。

優(yōu)選地，形態(tài)學(xué)運(yùn)算為開運(yùn)算或者閉運(yùn)算。

優(yōu)選地，T＝90％。

優(yōu)選地，δ∈[1.5,2.5]。

相對于現(xiàn)有技術(shù)，本發(fā)明具有如下優(yōu)點：針對傳統(tǒng)前景檢測算法在視頻背景變得復(fù)雜時不能準(zhǔn)確分割出前景目標(biāo)之不足，本發(fā)明結(jié)合貝葉斯與全概率估算公式，提出貝葉斯‐全概率聯(lián)合估計模型，貝葉斯模型是一種不確定性知識的推理和描述，它采用“逆概率”思想，推算出特征向量屬于背景或前景的概率。全概率則是計算在某一像素點，出現(xiàn)某一特征的概率。通過選擇適當(dāng)?shù)奶卣飨蛄浚贐TP‐JE模型下，將背景像素分為靜止與運(yùn)動兩種不同的類型，進(jìn)而準(zhǔn)確提取前景像素點。

附圖說明

圖1為貝葉斯‐全概率運(yùn)動目標(biāo)前景檢測方法的流程圖。

圖2為實施例2偽裝目標(biāo)的檢測情況圖。

圖3為新增目標(biāo)檢測情況圖。

圖4為異常信號檢測情況圖。

具體實施方式

下面結(jié)合實施例對本發(fā)明作進(jìn)一步說明，但本發(fā)明要求保護(hù)的范圍并不局限于實施例表示的范圍。

本發(fā)明在現(xiàn)有貝葉斯及全概率估算公式基礎(chǔ)上，將兩模型相結(jié)合，引入背景誤差控制變量，當(dāng)前景物體運(yùn)動緩慢或者視頻場景中的前景物體較多時，通過選擇恰當(dāng)?shù)摩?sub>i，可以獲得更多的前景點，減少前景點被誤判的概率。如圖1所示，本發(fā)明步驟如下：

1背景和前景特征信息的獲取

對于某一種特定類型的背景對象，存在一些非常重要的特征，這些特征能夠有效地分離背景和前景，利用貝葉斯估計法則，特征向量ξ_t來自背景b和前景f的后驗概率滿足：

如果特征向量滿足：

則把這個像素歸為背景，其中ψ為像素點。然而當(dāng)背景中出現(xiàn)大量的前景物體時，背景將長時間被前景物體覆蓋，導(dǎo)致式(1‐2)中的兩個條件并不能得到滿足，為了能夠在擁堵背景環(huán)境下更好地分離前景和背景，本文引入了背景誤差控制變量，即將式(1‐2)變?yōu)椋?/p>

P(ξ_t|b,ψ)＞P(ξ_t|f,ψ)-ε₁，P(b|ψ)＞P(f|ψ)-ε₂ (1‐3)

其中ε_i,i＝1,2，稱為背景誤差控制變量。當(dāng)前景物體運(yùn)動緩慢或者視頻場景中的前景物體較多時，通過選擇恰當(dāng)?shù)摩?sub>i，可以獲得更多的前景點，減少前景點被誤判的概率。把式(1‐1)及全概率公式代入式(1‐3)可以得到如下BTP‐JE模型：

2P(ξ_t|b,ψ)·P(b|ψ)＞P(ξ_t|ψ)+P(ξ_t|b,ψ)ε₁-(1-P(b|ψ))ε₂ (1‐4)

對于L位n維的特征向量，P(ξ_t|ψ)或P(ξ_t|b,ψ)的聯(lián)合直方圖包含Lⁿ個bins(bins為頻數(shù)分布直方圖中的小矩形)，如果L或n的值很大，對于相關(guān)的計算或存儲的代價將是巨大的，例如當(dāng)L＝32,n＝10時，Lⁿ＝32¹⁰≈10¹⁵?？梢?，一個好的近似顯得十分必要。背景被認(rèn)為是穩(wěn)定的對象，如果有一個好的特征選擇，就可以用直方圖中小部分的bins涵蓋大部分與背景有關(guān)的特征向量。

令i＝1,2,...,N為特征直方圖中的前N個bins并按降序排列，對于給定的比例值M₁，M₂＝1-M₁，存在比較小的正整數(shù)N₁，滿足：

自然地，N的值依賴于所選取的特征向量和位數(shù)L，對于每一種特征向量(來自前景或者背景)，用表示特征統(tǒng)計表，其中i＝1,2,...N₂(N₂＞N₁)，它記錄了在像素ψ(x,y)，時刻t處N₂個最重要的值，表中的每一個元素由三個部分組成，即

當(dāng)一個像素與穩(wěn)定的背景相關(guān)時，選取顏色作為特征向量，本發(fā)明采用HSV顏色空間對圖像進(jìn)行處理，即ξ_t用ω_t＝[h_t,s_t,v_t]^T代替；當(dāng)像素與運(yùn)動背景相關(guān)時，顏色共生特性被選為特征向量，ξ_t用ωω_t＝[h_t-1,s_t-1,v_t-1,h_t,s_t,v_t]^T代替。

2BTP‐JE模型前景檢測算法

BTP‐JE模型前景檢測算法包含三部分：像素變化檢測；背景和前景像素點的分類；前景物體的提取和參考背景的更新。算法結(jié)構(gòu)如圖1。

(1)像素變化檢測

根據(jù)不同場景，選擇適當(dāng)?shù)目刂谱兞繀?shù)ε_i,i＝1,2，將視頻圖像轉(zhuǎn)換為HSV圖像空間。令I(lǐng)(ψ,t)＝{I_ω(ψ,t)}為輸入圖像,B(ψ,t)＝{B_ω(ψ,t)}為系統(tǒng)在時刻t保存的參考背景圖像，其中， ω∈{h,s,v}表示顏色組成成分。將3個組成部分的結(jié)果相結(jié)合，產(chǎn)生背景差分F_bd(ψ,t)和時間差分F_td(ψ,t)。

(2)背景和前景像素點的分類

時間差分將變化的像素分為兩種類型，如果F_td(ψ,t)＝1，這個像素被認(rèn)為是運(yùn)動的像素，且屬于運(yùn)動的物體，否則它是一個與靜止物體有關(guān)的像素。它們進(jìn)一步單獨(dú)劃分為背景或前景。對于靜止的像素或運(yùn)動的像素，特征向量的選擇是前述中提出的方法。將這種特征向量ξ_t與前N₁個從對應(yīng)背景的特征統(tǒng)計表格中獲取的特征向量做比較，重新獲取相似特征。令得到條件概率公式(1‐7)：

中匹配特征集合定義為：

其中δ為控制變量，這樣相似的特征向量可以量化到鄰域向量，統(tǒng)計仍然能夠重新獲得。經(jīng)過大量視頻的測試，當(dāng)δ∈[1.5,2.5]時，匹配效果最好。

(3)前景物體的提取

利用形態(tài)學(xué)運(yùn)算(開運(yùn)算或者閉運(yùn)算)去除離散的點，輸出圖像O(ψ,t)，提取前景物體。用特征向量ξ_t將像素分類前景或背景，對應(yīng)特征統(tǒng)計用式(1‐9)更新：

其中i＝1,2,...N₂，α₂稱之為學(xué)習(xí)速率，它用來控制特征學(xué)習(xí)的速度，α₂的選取將在后面做詳細(xì)介紹。當(dāng)在t時刻，從最后分離反饋為ψ(x,y)為背景，則否則當(dāng)式(1‐7)中的ξ_tⁱ和ξ_t相匹配時，否則如果沒有中的元素和ξ_t匹配時，則表中的第N₂個元素變?yōu)椋?/p>

當(dāng)背景突然變化時，新的背景特征出現(xiàn)，且在變化后立即占據(jù)主導(dǎo)地位。由(1‐3)和(1‐5)得，當(dāng)滿足條件(1‐11)時，在ψ(x,y)處檢測到新的背景特征。

其中T是一個比率值，它決定什么時候新的特征可以被認(rèn)為是背景。當(dāng)T值比較大時，系統(tǒng)是穩(wěn)定的，但是其對突發(fā)性變化反應(yīng)比較慢；當(dāng)T比較小時，系統(tǒng)容易把頻繁的前景誤認(rèn)為新背景。經(jīng)過對大量不同復(fù)雜場景的測試，T＝90％效果比較好。由式(1‐1)和式(1‐6)，式(1‐11)將演變成

注意到：P(f|ψ)＝1-P(b|ψ)，對于任一種特征向量均成立，當(dāng)背景突然變化時，新的背景特征隨即出現(xiàn)，則特征統(tǒng)計用以下式子進(jìn)行更新：

經(jīng)過以上操作，占主導(dǎo)地位的特征就可以轉(zhuǎn)化成新的背景特征。

(4)學(xué)習(xí)速率α₂的選取

可以證明：學(xué)習(xí)過程收斂且收斂于1，即收斂于1。

同時，學(xué)習(xí)速率參數(shù)α₂滿足關(guān)系其中n為測試視頻的幀數(shù)，T為測試視頻時間。

(5)更新參考背景圖像

如果ψ為無關(guān)緊要變化的像素點，則B_ω(ψ,t+1)＝(1-α₁)B_ω(ψ,t)+α₁I_ω(ψ,t)被用來對背景進(jìn)行更新，其中ω∈(h,s,v)，α₁為無限脈沖反應(yīng)濾波參數(shù)；如果O(ψ,t)＝0，F(xiàn)_td(ψ,t)＝1或者F_bd(ψ,t)＝1，B_ω(ψ,t+1)＝I_ω(ψ,t),ω∈(h,s,v)則被用來對參考背景進(jìn)行更新，這樣參考圖像就能夠適應(yīng)背景的突然變化。

實施例1：實際場景對比

1、實驗設(shè)計

實驗演示了許多復(fù)雜的室內(nèi)室外視頻場景，包括擺動的樹枝，下雪環(huán)境，擁擠的路面和光照條件的變化等。為了驗證本專利算法在復(fù)雜背景環(huán)境的下對前景的檢測是否更具有適應(yīng)性，選擇目前比較流行的兩種算法與之對比：一是具有魯棒性的背景相減法(RBS)；二是改進(jìn)的混合高斯模型算法(MOG)。這兩種模型對光照變化都具有一定的魯棒性。為了進(jìn)行合理的對比，采取同樣的形態(tài)學(xué)開運(yùn)算或者閉運(yùn)算對小區(qū)域消除。

2、實驗結(jié)果

對前景或背景檢測效果進(jìn)行評估的性能指標(biāo)為:(1)The Actual Number of Foreground(AF)：當(dāng)前幀實際前景點的數(shù)量；(2)The Actual Number of Background(AB)：當(dāng)前幀實際背景點的數(shù)量；(3)The True Positive Outcome(TP)：已檢測到并且為正常前景點的數(shù)量；(4)The True Negative Outcome(TN)：已檢測到并且為正常背景點的數(shù)量；(5)The False Positive Errors(FP):背景點被誤檢為前景點的數(shù)量；(6)The False Negative Errors(FN):前景點被誤檢為背景點的數(shù)量；(7)False Positive Rate(FPR):FPR＝FP/(FP+TN):背景誤判率；(8)False Negative Rate(FNR):FNR＝FN/(TP+FN):前景誤判率；(9)False rate(FR):FR＝(FP+FN)/(AF+AB):總體誤判率。

得到表1、表2的統(tǒng)計信息。

實施例2：銀行ATM機(jī)場景

為了加強(qiáng)銀行所屬ATM機(jī)和自助銀行的安全運(yùn)營和管理，最大限度地節(jié)省資源、降低運(yùn)行和人力管理成本，本著“安全、節(jié)約、穩(wěn)定”的原則，ATM機(jī)使用智能視頻監(jiān)控分析。。

1、ATM人臉偽裝檢測

當(dāng)取款人在蒙面或偽裝狀態(tài)下進(jìn)行取款，一般是由于取款人有一些不法行為不希望被認(rèn)出來，這時視頻監(jiān)控系統(tǒng)要識別出這種行為，然后向監(jiān)控者報警，提醒監(jiān)控者采取某些措施。

解決方案：通過監(jiān)控平臺的底層功能定位取款人的位置和取款人的臉部ATM機(jī)人臉攝像機(jī)采集的圖像進(jìn)行分析，當(dāng)提款人出現(xiàn)面部遮擋等行為特征時，自動識別，并產(chǎn)生相應(yīng)報警。如圖3所示。

2、ATM機(jī)加裝異常設(shè)備

當(dāng)有人在取款機(jī)附近粘貼小廣告，這主要是在ATM失效時，取款人求助時，可能不小心使用了小廣告上的信息，進(jìn)了受騙。

解決方案：通過監(jiān)控平臺的底層功能定位有新的對象進(jìn)入視頻監(jiān)控范圍，而且長時間沒有離開，可以將這個作為一個異常行為，向監(jiān)控者報警。如圖4所示。

3、ATM機(jī)攝像機(jī)信號異常

不法分子通過遮蓋或者破壞視頻系統(tǒng)來逃避監(jiān)控，然后進(jìn)行違法行為。

解決方案：通過監(jiān)控平臺的底層功能判斷當(dāng)前場景是否劇烈變化，如果出現(xiàn)劇烈變化，那么說明情況異常，向監(jiān)控者報警。

表1不同類型的前景像素點和背景像素點的數(shù)量統(tǒng)計表

表2在不同檢測方法下，不同錯誤率的信息統(tǒng)計表