亚洲成年人黄色一级片,日本香港三级亚洲三级,黄色成人小视频,国产青草视频,国产一区二区久久精品,91在线免费公开视频,成年轻人网站色直接看

一種多層背景模型的運動目標檢測方法與流程

文檔序號:11251909閱讀:544來源:國知局

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。

當前第1頁1 2 
網(wǎng)友詢問留言 已有0條留言
  • 還沒有人留言評論。精彩留言會獲得點贊!
1