本發(fā)明涉及計算機視覺與視頻分析技術(shù)領(lǐng)域，尤其是一種基于背景建模的視頻移動目標(biāo)偵測方法。
背景技術(shù)：
視頻監(jiān)控系統(tǒng)廣泛的存在于安防、交通、刑偵等應(yīng)用中。大多數(shù)視頻監(jiān)控系統(tǒng)里的攝像機是固定靜止的。對于這種靜止固定下的攝像機的監(jiān)控視頻分析，建立背景模型以提取移動目標(biāo)是最基礎(chǔ)并得到最廣泛應(yīng)用的技術(shù)。然而在實際環(huán)境中，復(fù)雜的動態(tài)背景比如樹葉晃動、光照變化、陰影、水紋、雨滴、大風(fēng)造成的攝像機抖動等等都會對背景模型和移動目標(biāo)提取造成很大的干擾。過去的十幾年，有大量的背景算法模型被提出，以針對這些挑戰(zhàn)。然而在實際使用過程中，這些背景算法表現(xiàn)仍然欠佳。較簡單的基于像素在時間域上的統(tǒng)計特性的方法比如《adaptivebackgroundmixturemodelsforreal-timetracking》(stauffer，c.；grimson，w.e.l.inproceedingsoftheieeecomputersocietyconferenceoncomputervisionandpatternrecognition，fortcollins，co，usa，23-25june1999；pp.1585-1594.)和《vibe：auniversalbackgroundsubtractionalgorithmforvideosequences》(barnich，0.；vandroogenbroeck，m.ieeetrans.imageprocess.2011，20，1709-1724.)，由于沒有考慮像素在空間域上的相關(guān)性，對細(xì)微的紋理移動變化(比如非嚴(yán)格周期性的樹葉晃動、水紋波動等)都會產(chǎn)生大量的誤檢。而較復(fù)雜的基于鄰域的背景模型比如《fastbackgroundsubtractionbasedonamultilayercodebookmodelformovingobjectdetection》(guo，j.-m.；hsia，c.-h.；liu，y.-f.；shih，m.-h.；chang，c.-h.；wu，j.-y.ieeetrans.circuitssyst.videotechnol.2013，23，1809-1821)和《atexture-basedmethodformodelingthebackgroundanddetectingmovingobjects》(heikkila，m.；pietikainen，m.ieeetrans.patternanal.mach.intell.2006，28，657-662)，則因計算量龐大而無法在實時視頻監(jiān)控中得到很好的應(yīng)用。
技術(shù)實現(xiàn)要素：
本發(fā)明要解決的技術(shù)問題是提供一種基于背景建模的視頻移動目標(biāo)偵測方法，能夠解決現(xiàn)有技術(shù)的不足，對于復(fù)雜的動態(tài)背景具有較低的敏感性，同時對于正常的移動物體具有較高的檢測率。
為解決上述技術(shù)問題，本發(fā)明所采取的技術(shù)方案如下。
一種基于背景建模的視頻移動目標(biāo)偵測方法，其特征在于包括以下步驟：
a、建立三個背景子模型；基于像素的單高斯模型記為bm1，基于區(qū)域的模型記為bm2，lbp模型記為bm3；
b、將輸入圖像與bm1的單高斯模型進行比較，生成二值化的前景目標(biāo)圖；在前景目標(biāo)圖里，為0的像素為背景，為1的像素為前景；
c、在步驟b中獲得的前景目標(biāo)圖上進行進一步的過濾；bm2為每個超像素維護一個20個樣本的模型，每個樣本是該區(qū)域內(nèi)的歷史上的某個像素值；當(dāng)判斷某個像素是否為背景時，將此像素值與所在超像素的20個樣本比較，相似樣本超過閾值時，則判斷為背景；
d、對于步驟c中給出的前景目標(biāo)圖，進行形態(tài)學(xué)的開運算與閉運算，去掉孤立噪點區(qū)域和空洞區(qū)域；再進行連通域分析，獲得一個或多個連通區(qū)域，每個連通區(qū)域在理想情況下對應(yīng)一個移動物體；
e、對于每個前景連通域，計算區(qū)域內(nèi)的tlbp特征，并用一個訓(xùn)練好的分類器進行分類；如分類結(jié)果是屬于背景，則將該連通域整個從前景目標(biāo)圖中抹去；
f、根據(jù)步驟e中所獲得的前景目標(biāo)圖和當(dāng)前幀，對bm1中的單高斯背景模型進行更新；前景目標(biāo)圖中的所有前景像素點位置不參與更新；
g、根據(jù)bm1中的單高斯背景模型的背景圖，進行快速圖像分割，以更新圖像的超像素表示；根據(jù)前景目標(biāo)圖、當(dāng)前幀、超像素分割圖，再對bm2中的模型進行更新；前景目標(biāo)圖中的所有前景像素點位置不參與更新，背景像素點基于預(yù)設(shè)概率放入所屬超像素的20個背景樣本中；
h、則對tlb圖進行更新；tlb圖為每個像素點維持一個32位的存儲空間，每一位儲存相應(yīng)相鄰兩幀的比較結(jié)果；歷史記錄的最大保存量為32幀。
作為優(yōu)選，步驟b中，
將輸入圖像與bm1的單高斯模型中的背景圖進行相減并閾值判斷，生成二值化的前景目標(biāo)圖，公式如下：
式中i(x，y，t)表示(x，y)處在當(dāng)前幀(時間為t)的像素值，μ(x，y，t-1)為像素點(x，y)在時域上到前一幀為止的均值，σ(x，y，t-1)為像素點(x，y)在時域上到前一幀為止的標(biāo)準(zhǔn)方差，二者共同構(gòu)成了bm1的單高斯模型。
作為優(yōu)選，步驟c中，
根據(jù)幀圖像與bm2模型，對s1中所獲得的前景目標(biāo)圖進行修改，公式如下：
式中ni為(x，y)所屬超像素的第i個樣本；δ(x，y)定義如下：
作為優(yōu)選，步驟e中，
tlbp特征是一個512維的直方圖特征，每一維代表了一個3x3的鄰域內(nèi)的0、1組合模式，其特征值為此種0、1組合模式在該連通區(qū)域內(nèi)的過去32幀中的出現(xiàn)次數(shù)。
作為優(yōu)選，步驟e中，采用線性svm分類器。
作為優(yōu)選，步驟f中，
單高斯背景模型的更新公式如下：
μ(x，y，t)＝αμ(x，y，t-1)+(1-α)i(x，y，t)
σ2(x，y，t)＝ασ2(x，y，t-1)+(1-α)(i(x，y，t)-μ(x，y，t))2
其中α為衰減系數(shù)，代表歷史信息的重要程度。
作為優(yōu)選，步驟g中包括以下步驟，
1)前景目標(biāo)圖中的所有前景像素點位置不參與更新；
2)對于每個需要更新背景模型的像素點，以當(dāng)前幀的像素值隨機取代該像素點所屬超像素的樣本集的一個樣本值；
3)當(dāng)一個像素點被判定為背景時，它有1/rate的概率更新背景模型；rate是時間采樣因子，這里取值為16；
4)針對需要更新像素點，隨機的選擇一個該像素點鄰域的背景模型，以新的像素點更新被選中的背景模型。
作為優(yōu)選，步驟h中，
tlb圖更新公式如下：
t(x，y，t)＝(t(x，y，t-1)＜＜1)+s(i(x，y，t)-i(x，y，t-1))
其中s(x)當(dāng)x大于0時為1，否則為0。
采用上述技術(shù)方案所帶來的有益效果在于：本發(fā)明的背景模型由三個子模型構(gòu)成。一個是基于像素的單高斯模型來描述靜態(tài)背景，而對于動態(tài)背景則采用一個獨創(chuàng)性的基于區(qū)域的模型來模擬。兩者相輔相成，共同完成對背景的描述和自適應(yīng)更新。第三個子模型則是一個特殊的lbp(localbinarypattern)模型，用于進一步對某些動態(tài)背景進行過濾。不同于現(xiàn)有技術(shù)中的基于鄰域的背景模型，這里的基于區(qū)域的模型不是定義在規(guī)則形狀的鄰域上的，而是基于圖像分割的結(jié)果，可以是或大或小的不規(guī)則形狀區(qū)域(超像素)，這有利于描述復(fù)雜度和紋理各異的背景區(qū)域。本發(fā)明采用了lbp算子來描述鄰域內(nèi)的像素值在時間上的變化特性，與現(xiàn)有技術(shù)中用lbp描述紋理不同。并且與已有方法不同的是，這個tlbp模型是用來過濾已獲得的移動前景連通域，而非用于像素點是否移動前景的判斷。因此，雖然lbp本身的計算不小，但由于計算頻率較低，并不會對整個移動物體提取過程的處理速度產(chǎn)生多大的影響。
本發(fā)明通用性好、速度快，適用于包含樹葉晃動、光照變化、陰影、水紋、雨滴、大風(fēng)造成的攝像機抖動等各種動態(tài)背景的場景。
附圖說明
圖1是本發(fā)明一個具體實施方式的流程圖。
具體實施方式
參照圖1，本發(fā)明一個具體實施方式包括以下步驟：
a、建立三個背景子模型；基于像素的單高斯模型記為bm1，基于區(qū)域的模型記為bm2，lbp模型記為bm3；
b、將輸入圖像與bm1的單高斯模型進行比較，生成二值化的前景目標(biāo)圖；在前景目標(biāo)圖里，為0的像素為背景，為1的像素為前景；
c、在步驟b中獲得的前景目標(biāo)圖上進行進一步的過濾；bm2為每個超像素維護一個20個樣本的模型，每個樣本是該區(qū)域內(nèi)的歷史上的某個像素值；當(dāng)判斷某個像素是否為背景時，將此像素值與所在超像素的20個樣本比較，相似樣本超過閾值時，則判斷為背景；
d、對于步驟c中給出的前景目標(biāo)圖，進行形態(tài)學(xué)的開運算與閉運算，去掉孤立噪點區(qū)域和空洞區(qū)域；再進行連通域分析，獲得一個或多個連通區(qū)域，每個連通區(qū)域在理想情況下對應(yīng)一個移動物體；
e、對于每個前景連通域，計算區(qū)域內(nèi)的tlbp特征，并用一個訓(xùn)練好的分類器進行分類；如分類結(jié)果是屬于背景，則將該連通域整個從前景目標(biāo)圖中抹去；
f、根據(jù)步驟e中所獲得的前景目標(biāo)圖和當(dāng)前幀，對bm1中的單高斯背景模型進行更新；前景目標(biāo)圖中的所有前景像素點位置不參與更新；
g、根據(jù)bm1中的單高斯背景模型的背景圖，進行快速圖像分割，以更新圖像的超像素表示；根據(jù)前景目標(biāo)圖、當(dāng)前幀、超像素分割圖，再對bm2中的模型進行更新；前景目標(biāo)圖中的所有前景像素點位置不參與更新，背景像素點基于預(yù)設(shè)概率放入所屬超像素的20個背景樣本中；
h、則對tlb圖進行更新；tlb圖為每個像素點維持一個32位的存儲空間，每一位儲存相應(yīng)相鄰兩幀的比較結(jié)果；歷史記錄的最大保存量為32幀。
步驟b中，
將輸入圖像與bm1的單高斯模型中的背景圖進行相減并閾值判斷，生成二值化的前景目標(biāo)圖，公式如下：
式中i(x，y，t)表示(x，y)處在當(dāng)前幀(時間為t)的像素值，μ(x，y，t-1)為像素點(x，y)在時域上到前一幀為止的均值，σ(x，y，t-1)為像素點(x，y)在時域上到前一幀為止的標(biāo)準(zhǔn)方差，二者共同構(gòu)成了bm1的單高斯模型。
步驟c中，
根據(jù)幀圖像與bm2模型，對s1中所獲得的前景目標(biāo)圖進行修改，公式如下：
式中ni為(x，y)所屬超像素的第i個樣本；δ(x，y)定義如下：
步驟e中，
tlbp特征是一個512維的直方圖特征，每一維代表了一個3x3的鄰域內(nèi)的0、1組合模式，其特征值為此種0、1組合模式在該連通區(qū)域內(nèi)的過去32幀中的出現(xiàn)次數(shù)。與普通lbp不同的是，3x3鄰域的中間位置也包括在模式中，并且0代表的是當(dāng)前幀的值小于等于前一幀，1代表大于前一幀。
步驟e中，采用線性svm分類器。
步驟f中，
單高斯背景模型的更新公式如下：
μ(x，y，t)＝αμ(x，y，t-1)+(1-α)i(x，y，t)
σ2(x，y，t)＝ασ2(x，y，t-1)+(1-α)(i(x，y，t)-μ(x，y，t))2
其中α為衰減系數(shù)，代表歷史信息的重要程度。
步驟g中包括以下步驟，
1)前景目標(biāo)圖中的所有前景像素點位置不參與更新；
2)對于每個需要更新背景模型的像素點，以當(dāng)前幀的像素值隨機取代該像素點所屬超像素的樣本集的一個樣本值；
3)當(dāng)一個像素點被判定為背景時，它有1/rate的概率更新背景模型；rate是時間采樣因子，這里取值為16；
4)針對需要更新像素點，隨機的選擇一個該像素點鄰域的背景模型，以新的像素點更新被選中的背景模型。
步驟h中，
tlb圖更新公式如下：
t(x，y，t)＝(t(x，y，t-1)＜＜1)+s(i(x，y，t)-i(x，y，t-1))
其中s(x)當(dāng)x大于0時為1，否則為0。
本實施例在視頻摘要、視頻信息結(jié)構(gòu)化、入侵檢測等多個視頻分析項目中得到了應(yīng)用，取得了較滿意的結(jié)果。在《changedetection.net：“anewchangedetectionbenchmarkdataset》(goyette，n.；jodoin，p.m.；porikli，f.；konrad，j；ishwar，p.inproc.ieeeworkshoponchangedetection(cdw-2012)atcvpr-2012，providence，ri，16-21jun.，2012)中的dynamicbackground和camerajitter兩組共10個視頻的測試中，誤檢目標(biāo)數(shù)目相比現(xiàn)有技術(shù)中的最好的《vibe：auniversalbackgroundsubtractionalgorithmforvideosequences》(barnich，0.；vandroogenbroeck，m.ieeetrans.imageprocess.2011，20，1709-1724.)，也降低了86％以上，而正確目標(biāo)的檢測率則維持不變。
以上顯示和描述了本發(fā)明的基本原理和主要特征和本發(fā)明的優(yōu)點。本行業(yè)的技術(shù)人員應(yīng)該了解，本發(fā)明不受上述實施例的限制，上述實施例和說明書中描述的只是說明本發(fā)明的原理，在不脫離本發(fā)明精神和范圍的前提下，本發(fā)明還會有各種變化和改進，這些變化和改進都落入要求保護的本發(fā)明范圍內(nèi)。本發(fā)明要求保護范圍由所附的權(quán)利要求書及其等效物界定。