本發(fā)明涉及領(lǐng)域，具體涉及一種多層背景模型的運動目標檢測方法。

背景技術(shù)：

智能視頻監(jiān)控為當今社會的治安管理和維護社會穩(wěn)定起到了重要作用，被廣泛應用于民用和軍工業(yè)中。在復雜背景下運動目標檢測算法仍存在如下不足：

（1）背景模型初始化時間過長；

（2）背景模型的更新系數(shù)設(shè)定不具有通用性；

（3）單層背景模型難以處理復雜背景干擾問題。

技術(shù)實現(xiàn)要素：

本發(fā)明要解決的技術(shù)問題是提供一種多層背景模型的運動目標檢測方法。

一種多層背景模型的運動目標檢測方法，包括以下步驟：

s1：采集運動目標視頻圖像，并對視頻圖像進行預處理；

s2：從視頻序列的第一幀中提取每個像素的鄰域樣本，用于初始化背景模型，只需一幀圖像即可完成背景模型的初始化；

s3：引入隨機采樣技術(shù)，隨機選取一個不匹配的碼字，采用新的背景像素取而代之，避免錯誤分類的碼字長時間駐留在背景模型中；

s4：采用多層背景模型策略，每個像素經(jīng)過多層背景模型的逐層驗證，保證了背景模型的精確性。

進一步的，多層背景模型的創(chuàng)建和更新過程如下：

1）基于鄰域初始化方法創(chuàng)建主模型m(x)，同時，分別創(chuàng)建空的一級緩存h(x)和二級緩存模型u(x)；

2）對于t時刻給定的輸入像素，在m(x)中尋找與匹配的碼字,如果在m(x)中，則認為屬于背景像素，采用epam方法對主模型m(x)進行更新，否則跳轉(zhuǎn)到步驟3）；

3）如果沒有找到匹配的碼字，按以下步驟進行處理：

a）將像素標記為前景像素；

b）在一級緩存模型h(x)中查找匹配碼字，如果找到匹配的碼字，則使用epam方法對h(x)進行更新．否則采用創(chuàng)建一個新的碼字插入到一級緩存模型h(x)中；

c）在二級緩存模型u(x)中尋找與匹配的碼字，如果找到匹配的碼字，則使用epam算法對模型u(x)進行更新，否則使用創(chuàng)建一個新的碼字插入到二級緩存模型u(x)中；

4）采用像素分類器2，將漏檢的真實背景碼字提升到主模型m(x)中，過程如下所示：

a）移除二級緩存模型u(x)中碼字的最長時間間隔大于的所有碼字；將u(x)中碼字的最長時間間隔大于的所有碼字提升到h(x)中，同時刪除h(x)中碼字的最大時間間隔大于的所有碼字；

b）移除一級緩存模型h(x)中碼字的最長時間間隔大于的所有碼字；將h(x)中碼字的最長時間間隔大于的所有碼字提升到m(x)中，同時刪除m(x)中碼字的最大時間間隔大于的所有碼字；

5）對于新的像素跳轉(zhuǎn)到步驟2）進行處理。

本發(fā)明的有益效果是：

本發(fā)明采用從第一幀圖像每個像素的鄰域中選取樣本，對背景模型進行初始化的方案，算法的初始化過程得到了簡化和加速；通過采用epam背景模型更新策略，避免了被錯誤分類的像素長期保留在背景模型中；由于多層背景模型方法的使用，即在初始化階段創(chuàng)建一個主模型，在檢測階段創(chuàng)建兩個緩存模型，通過緩存模型的逐層驗證，將漏檢的背景像素提升到主模型，增強了主模型的精確性，提高了算法在復雜背景下的魯棒性。

具體實施方式

以下具體實施例對本發(fā)明作進一步闡述，但不作為對本發(fā)明的限定。

一種多層背景模型的運動目標檢測方法，包括以下步驟：

s1：采集運動目標視頻圖像，并對視頻圖像進行預處理；

s2：從視頻序列的第一幀中提取每個像素的鄰域樣本，用于初始化背景模型，只需一幀圖像即可完成背景模型的初始化；

s3：引入隨機采樣技術(shù)，隨機選取一個不匹配的碼字，采用新的背景像素取而代之，避免錯誤分類的碼字長時間駐留在背景模型中；

s4：采用多層背景模型策略，每個像素經(jīng)過多層背景模型的逐層驗證，保證了背景模型的精確性。

多層背景模型的創(chuàng)建和更新過程如下：

1）基于鄰域初始化方法創(chuàng)建主模型m(x)，同時，分別創(chuàng)建空的一級緩存h(x)和二級緩存模型u(x)；

2）對于t時刻給定的輸入像素，在m(x)中尋找與匹配的碼字,如果在m(x)中，則認為屬于背景像素，采用epam方法對主模型m(x)進行更新，否則跳轉(zhuǎn)到步驟3）；

3）如果沒有找到匹配的碼字，按以下步驟進行處理：

a）將像素標記為前景像素；

b）在一級緩存模型h(x)中查找匹配碼字，如果找到匹配的碼字，則使用epam方法對h(x)進行更新．否則采用創(chuàng)建一個新的碼字插入到一級緩存模型h(x)中；

c）在二級緩存模型u(x)中尋找與匹配的碼字，如果找到匹配的碼字，則使用epam算法對模型u(x)進行更新，否則使用創(chuàng)建一個新的碼字插入到二級緩存模型u(x)中；

4）采用像素分類器2，將漏檢的真實背景碼字提升到主模型m(x)中，過程如下所示：

a）移除二級緩存模型u(x)中碼字的最長時間間隔大于的所有碼字；將u(x)中碼字的最長時間間隔大于的所有碼字提升到h(x)中，同時刪除h(x)中碼字的最大時間間隔大于的所有碼字；

b）移除一級緩存模型h(x)中碼字的最長時間間隔大于的所有碼字；將h(x)中碼字的最長時間間隔大于的所有碼字提升到m(x)中，同時刪除m(x)中碼字的最大時間間隔大于的所有碼字；

5）對于新的像素跳轉(zhuǎn)到步驟2）進行處理。