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； 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； 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，利用置信傳播算法將所述能量函數最小化得到前景和背景的分割結 果。
2. 根據權利要求1所述的方法，其特征在于，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： 讀取所述輸入視頻的每幀圖像； 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； 根據所述各個像素的中值得到所述參考背景圖像。
3. 根據權利要求1所述的方法，其特征在于，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： 根據下式計算所述紋理變化特征：
其中，TViS所述紋理變化特征，i為當前像素，[IK(i)，Ie(i)，I B(i)]為所述當前像素 的顏色模型RGB的顏色值，j為所述當前像素對應的背景像素，[EK (j)，Ee (j)，Eb (j)]為所述 背景像素的RGB的顏色值，m e N(i)為所述當前像素的空間鄰域，n e N(j)為所述背景像 素的空間鄰域。
4. 根據權利要求3所述的方法，其特征在于，所述異類特征為亮度變化特征，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： 根據下式計算所述亮度變化特征： BVi= (α「1) I IoejI 其中，BVi為所述亮度變化特征，a i為所述當前像素的亮度與所述背景像素的亮度的 比值，為所述背景像素的RGB的顏色值，I I OE」I為原點0與&的直線距離。
5. 根據權利要求4所述的方法，其特征在于，所述異類特征為色度變化特征，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： 根據下式計算所述色度變化特征：
其中，CVi為所述色度變化特征，a i為所述當前像素的亮度與所述背景像素的亮度的 比值，[IK(i)，Ie(i)，IB(i)]為所述當前像素的RGB的顏色值，[E K(j)，Ee(j)，EB(j)]為所述 背景像素的RGB的顏色值。
6. 根據權利要求1所述的方法，其特征在于，所述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包括： 根據下式計算所述前景類的條件概率密度： p (BVIFG) = P (BVI CV> τ cv或 τν> τ τν)， ρ (CVIFG) = ρ (CVI BV> τ ^或 TV> τ τν)， ρ (TV IFG) = ρ (TV I BV> τ Βν或 CV> τ cv)， 其中，F(xiàn)G為所述前景類，p(BVlFG)為在所述前景類的條件下所述亮度變化特征的概率 密度，P(CVlFG)為在所述前景類的條件下所述色度變化特征的概率密度，p(TVlFG)為在所 述前景類的條件下所述紋理變化特征的概率密度，τ Βν為所述亮度變化特征的閾值，τ ^為 所述色度變化特征的閾值，τ TV為所述紋理變化特征的閾值。
7. 根據權利要求6所述的方法，其特征在于，所述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還包括： 從所述當前圖像中獲取可信前景區(qū)域； 對所述可信前景區(qū)域進行膨脹得到膨脹的可信前景區(qū)域； 從所述當前圖像中，將位于所述膨脹的可信前景區(qū)域之外的區(qū)域作為候選背景區(qū)域， 并且根據所述候選背景區(qū)域計算所述背景類的條件概率密度。
8. 根據權利要求1所述的方法，其特征在于，所述根據前景似然、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包括： 根據下式計算所述前景的后驗概率：
其中，Pi(FGlx)為所述前景的后驗概率，p(x|C)為所述前景似然或背景似然，Pi (C)為 所述前景的先驗概率或所述背景的先驗概率。
9. 根據權利要求8所述的方法，其特征在于，所述根據前景似然、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包括： 根據下式計算所述背景的后驗概率： Pi(BGjx) = I-Pi(FGlx) 其中，Pi(FGlx)為所述前景的后驗概率，Pi(BGlx)為所述背景的后驗概率。
10. 根據權利要求1所述的方法，其特征在于，所述利用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包括： 根據下式計算所述能量函數：
其中，f為標記過程，E(f)為所述能量函數，DJfi)為數據項，W(fi，fu)為平滑項。
【專利摘要】本發(fā)明提供的基于多視角學習的魯棒性前景檢測方法，包括：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；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；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，利用置信傳播算法將所述能量函數最小化得到前景和背景的分割結果。本發(fā)明可以在復雜挑戰(zhàn)環(huán)境下，實現(xiàn)魯棒性前景檢測。
【IPC分類】G06K9-00, G06K9-46
【公開號】CN104766065
【申請?zhí)枴緾N201510174979
【發(fā)明人】王坤峰, 王飛躍, 劉玉強, 茍超
【申請人】中國科學院自動化研究所
【公開日】2015年7月8日
【申請日】2015年4月14日