基于多視角學習的魯棒性前景檢測方法
【技術領域】
[0001] 本發(fā)明涉及智能視頻監(jiān)控技術，特別是涉及一種基于多視角學習的魯棒性前景檢 測方法。
【背景技術】
[0002] 智能視頻監(jiān)控是一種重要的信息采集手段，而前景檢測或背景消減是智能視頻監(jiān) 控研宄中一個很有挑戰(zhàn)性的底層問題。在前景檢測的基礎上，可以實現(xiàn)目標跟蹤、識別、異 常檢測等其他應用。前景檢測的基本原則是將視頻場景的當前圖像與背景模型相比較，檢 測有顯著區(qū)別的區(qū)域。雖然看似簡單，前景檢測在實際應用中經(jīng)常遇到三種挑戰(zhàn)：運動陰 影、光照變化和圖像噪聲。運動陰影是由于光源被前景目標遮擋造成的，在晴天時為硬陰 影，在陰天時為軟陰影。無論何種形式，運動陰影容易被檢測為前景，干擾對被分割前景目 標的尺寸和形狀信息的提取。光照變化在交通場景中很常見。例如，隨著太陽在天空中移 動，光照也緩慢變化；當太陽進入或移出云層時，光照也可能發(fā)生快速變化。另外，在圖像的 采集、壓縮和傳輸過程中，不可避免會引入噪聲。如果信噪比太低，將難以從背景場景中區(qū) 分出前景目標。
[0003] 我們將前景檢測技術分為稀疏模型、參數(shù)模型、非參數(shù)模型、機器學習模型等。稀 疏模型主要利用主成分分析和矩陣分解的各種變體，將背景建模為低秩表示，將前景建模 為稀疏離群點。但是這類方法的計算復雜性較高，并且難以檢測與背景顏色相似的前景。參 數(shù)模型利用某種概率分布來建模背景。非參數(shù)模型在概率密度估計中具有更高的靈活性。 機器學習模型利用支持向量機、神經(jīng)網(wǎng)絡等機器學習方法進行前景和背景的分類。
[0004] 現(xiàn)有技術存在以下問題。第一，只利用亮度特征，但是亮度特征對光照變化和運動 陰影比較敏感。第二，只建立背景模型，將前景像素識別為離群點，難以區(qū)分與背景顏色相 似的前景。第三，沒有利用視頻序列中的時空一致性約束。

【發(fā)明內容】

[0005] 本發(fā)明提供的基于多視角學習的魯棒性前景檢測方法，可以準確地實現(xiàn)前景和背 景的分割。
[0006] 根據(jù)本發(fā)明的一方面，提供一種基于多視角學習的魯棒性前景檢測方法，包括：
[0007] 將輸入視頻通過時域中值濾波方法獲取參考背景圖像，對當前圖像和所述參考背 景圖像進行迭代搜索和多尺度融合獲取異類特征；
[0008] 利用所述異類特征的條件獨立性計算前景類的條件概率密度和背景類的條件概 率密度，并且根據(jù)前景似然、背景似然和先驗概率利用貝葉斯規(guī)則計算前景的后驗概率和 背景的后驗概率；
[0009] 通過所述前景的后驗概率、所述背景的后驗概率和時空一致性約束構建馬爾科夫 隨機場模型的能量函數(shù)，利用置信傳播算法將所述能量函數(shù)最小化得到前景和背景的分割 結果。
[0010] 本發(fā)明實施例提供的基于多視角學習的魯棒性前景檢測方法，可以根據(jù)前景似 然、背景似然和先驗概率利用貝葉斯規(guī)則計算前景的后驗概率和背景的后驗概率，并通過 前景的后驗概率、背景的后驗概率和時空一致性約束構建馬爾科夫隨機場模型的能量函 數(shù)，從而利用置信傳播算法準確地實現(xiàn)前景和背景的分割。
【附圖說明】
[0011] 圖1為本發(fā)明實施例提供的基于多視角學習的魯棒性前景檢測方法流程圖；
[0012] 圖2為本發(fā)明實施例提供的輸入視頻圖像和參考背景圖像示意圖；
[0013] 圖3為本發(fā)明實施例提供的金字塔搜索模板示意圖；
[0014] 圖4為本發(fā)明實施例提供的基于迭代搜索和多尺度融合的紋理變化特征示意圖；
[0015] 圖5為本發(fā)明實施例提供的RGB顏色模型示意圖；
[0016] 圖6為本發(fā)明實施例提供的亮度變化特征和色度變化特征示意圖；
[0017] 圖7為本發(fā)明實施例提供的候選背景獲取方法流程圖；
[0018] 圖8為本發(fā)明實施例提供的異類特征頻率直方圖；
[0019] 圖9為本發(fā)明實施例提供的圖像標記結果示意圖；
[0020] 圖10為本發(fā)明實施例提供的前景和背景的分割結果示意圖。
【具體實施方式】
[0021] 下面結合附圖對本發(fā)明實施例提供的基于多視角學習的魯棒性前景檢測方法進 行詳細描述。
[0022] 圖1為本發(fā)明實施例提供的基于多視角學習的魯棒性前景檢測方法流程圖。
[0023] 參照圖1，在步驟S101，將輸入視頻通過時域中值濾波方法獲取參考背景圖像，對 當前圖像和所述參考背景圖像進行迭代搜索和多尺度融合獲取異類特征。
[0024] 在步驟S102,利用所述異類特征的條件獨立性計算前景類的條件概率密度和背景 類的條件概率密度，并且根據(jù)前景似然、背景似然和先驗概率利用貝葉斯規(guī)則計算前景的 后驗概率和背景的后驗概率。
[0025] 在步驟S103,通過所述前景的后驗概率、所述背景的后驗概率和時空一致性約束 構建馬爾科夫隨機場模型的能量函數(shù)，利用置信傳播算法將所述能量函數(shù)最小化得到前景 和背景的分割結果。
[0026] 進一步地，所述將輸入視頻通過時域中值濾波方法獲取參考背景圖像包括：
[0027] 讀取所述輸入視頻的每幀圖像；
[0028] 將所述每幀圖像通過時域中值濾波方法獲取閾值時間窗口內各個像素的中值；
[0029] 根據(jù)所述各個像素的中值得到所述參考背景圖像。
[0030] 這里，閾值時間窗口為500幀圖像的持續(xù)時間，具體參照如圖2所示的本發(fā)明實 施例提供的輸入視頻圖像和參考背景圖像示意圖，（a)為輸入視頻圖像，（b)為參考背景圖 像。
[0031] 進一步地，所述異類特征為紋理變化特征，所述對當前圖像和所述參考背景圖像 進行迭代搜索和多尺度融合獲取異類特征包括：
[0032] 根據(jù)公式（1)計算所述紋理變化特征：
【主權項】
1. 一種基于多視角學習的魯棒性前景檢測方法，其特征在于，所述方法包括： 將輸