基于自適應(yīng)Codebook背景模型的前景檢測方法
【技術(shù)領(lǐng)域】 [0001]
[0002] 本發(fā)明屬于計(jì)算機(jī)視覺技術(shù)鄰域,更為具體地講,涉及一種基于自適應(yīng)Codebook 背景模型的前景檢測方法。
【背景技術(shù)】
[0003] 智能視頻監(jiān)控中前景目標(biāo)檢測一般是通過檢測視頻流,將前景目標(biāo)從背景中提取 出來。序列圖像前景目標(biāo)檢測方法目前主要有三種,分別是背景減除法、幀差法和光流法。 光流法由于計(jì)算復(fù)雜很少使用,幀差法可以處理緩慢的背景改變,但由于檢測出的物體容 易出現(xiàn)斷裂和空洞,難以得到完整的運(yùn)動目標(biāo),因此人們越來越傾向于使用背景減除方法。 背景減除方法通過判斷當(dāng)前視頻序列圖像與背景模型的差別進(jìn)行前景檢測,主要難點(diǎn)在于 如何利用一段時(shí)間內(nèi)的背景像素的統(tǒng)計(jì)特征進(jìn)行準(zhǔn)確的背景建模。背景模型的好壞將直接 影響前景目標(biāo)檢測的效果。
[0004] 經(jīng)典的Codebook(碼本)背景模型作為一種量化的背景模型,根據(jù)像素點(diǎn)連續(xù)采 樣值的顏色距離和亮度范圍為每一個(gè)像素點(diǎn)生成一個(gè)Codebook,進(jìn)而建立起一幀圖像的 Codebook模型。Codebook背景模型具有很好的聚類分割性能,不涉及到浮點(diǎn)運(yùn)算,因此計(jì) 算量大大降低,占用內(nèi)存小且運(yùn)行速度更快,并通過引入緩存碼本Cache提高自適應(yīng)更新 能力。然而經(jīng)典的Codebook背景模型在實(shí)際的測試中針對光照突變以及運(yùn)動目標(biāo)陰影等 偽前景無法做到有效去除。光照突變(例如突然開燈)在實(shí)際的場景中十分普遍,運(yùn)動目 標(biāo)伴隨的陰影在單一光源場景中幾乎都有出現(xiàn),這些偽前景將極大地影響前景檢測的準(zhǔn)確 性。
[0005] 目前針對陰影消除,多利用陰影本身特性進(jìn)行后續(xù)處理;針對光照突變的引起的 偽前景檢測,文獻(xiàn)中大多采用的是對模型結(jié)構(gòu)進(jìn)行優(yōu)化。比如采用比經(jīng)典Codebook單柱體 模型更復(fù)雜準(zhǔn)確的雙柱體(DTCC)或者混合圓錐(HCC)的Codebook模型。具體可以參見 文獻(xiàn):黃金,金煒東,秦娜,周艷,劉景波.消除陰影和高亮噪聲的雙柱題Codebook前 景檢測模型[M][J].西安交通大學(xué)學(xué)報(bào),2013,47(4) :28-34以及文獻(xiàn)八11即,0〇此丨,〇1^11 ,Trivedi, "Hybrid Cone-Cylinder" Codebook Model for Foreground Detection with Shadow and Highlight Suppression[Z], University of California:San Diego-CVRR Laboratory, 2006.中的Codebook模型,都采用了更貼近現(xiàn)實(shí)場景的碼本結(jié)構(gòu),包含了更多 的像素信息,可以在特定場景下較為有效地消除高亮噪聲和陰影。但是以上這些算法需要 先驗(yàn)地確定Codebook結(jié)構(gòu)參數(shù),然后通過改變背景模型的結(jié)構(gòu)將高亮噪聲和陰影信息包 含到背景模型中。但這些算法無法實(shí)時(shí)有效地結(jié)合背景變化信息,無法做到自適應(yīng)更新背 景,且偽前景消除率不高(陰影約為61. 90%,高亮噪聲80.48% )。
【發(fā)明內(nèi)容】
[0006] 本發(fā)明的目的在于克服現(xiàn)有技術(shù)的不足,提供一種基于自適應(yīng)Codebook背景模 型的前景檢測方法,通過HOG特征來確定偽前景目標(biāo),并結(jié)合亮度范圍和互相關(guān)系數(shù)來確 定陰影區(qū)域,從而融合實(shí)時(shí)場景信息,自適應(yīng)場景變化,提高前景檢測的準(zhǔn)確度。
[0007] 為實(shí)現(xiàn)上述發(fā)明目的,本發(fā)明基于自適應(yīng)Codebook背景模型的前景檢測方法,包 括以下步驟:
[0008] Sl :采用視頻流前若干幀圖像作為Codebook背景模型的訓(xùn)練序列,訓(xùn)練得到 Codebook背景模型,然后采用每個(gè)像素點(diǎn)的碼本中權(quán)重最大的碼字對應(yīng)的像素值均值組成 背景圖像;
[0009] S2 :對待檢測圖像進(jìn)行背景減除得到前景二值圖;
[0010] S3:遍歷前景二值圖中每個(gè)前景區(qū)域,將面積小于預(yù)設(shè)閾值的前景區(qū)域刪除,并將 對應(yīng)區(qū)域的像素信息更新至Codebook背景模型;
[0011] S4 :分別得到待檢測圖像和的背景圖像的灰度圖像;對于當(dāng)前前景二值圖中每個(gè) 前景區(qū)域塊,遍歷前景區(qū)域塊中的每個(gè)像素點(diǎn),將以該像素點(diǎn)為中心、邊長為[Alg(KHd)] 的正方形區(qū)域作為像素鄰域,其中λ為預(yù)設(shè)的常數(shù),d表示該像素點(diǎn)與前景區(qū)域塊的中心 像素點(diǎn)的距離;分別計(jì)算待檢測圖像灰度圖和背景圖像灰度圖中像素鄰域?qū)?yīng)區(qū)域的HOG 特征向量,計(jì)算兩個(gè)HOG特征間的歐式距離D,如果歐式距離D大于預(yù)設(shè)閾值,說明該像素點(diǎn) 是真正的前景像素點(diǎn),否則該像素點(diǎn)是偽前景像素點(diǎn),從前景二值圖中將判定為偽前景的 像素點(diǎn)更改為背景像素點(diǎn),并將該像素點(diǎn)信息更新至Codebook背景模型;
[0012] S5 :遍歷當(dāng)前前景二值圖中前景區(qū)域塊的每個(gè)像素點(diǎn),記像素點(diǎn)(x,y)在待檢測 圖像中的亮度值為I (X,y),在背景圖像中的亮度值B(x, y),判斷是否TlOT< B(x, y)_I (X,y) < Thigh,其中TlOT、Thigh為預(yù)設(shè)的最小和最大閾值,如果不滿足,該像素點(diǎn)為真lH的前景像 素點(diǎn),否則將以像素點(diǎn)(x,y)為中心、邊長為21+1的正方形區(qū)域?yàn)橄袼剜徲?,?jì)算待檢測 圖像灰度圖和背景圖像灰度圖中像素鄰域?qū)?yīng)區(qū)域的互相關(guān)系數(shù),如果互相關(guān)系數(shù)小于預(yù) 設(shè)閾值,該像素點(diǎn)為真正的前景像素點(diǎn),否則該像素點(diǎn)為陰影像素點(diǎn),將像素點(diǎn)信息更新至 Codebook背景模型;
[0013] S6 :根據(jù)當(dāng)前的Codebook背景模型對待檢測圖像重新進(jìn)行背景減除,得到最終的 前景目標(biāo)。
[0014] 本發(fā)明基于自適應(yīng)Codebook背景模型的前景檢測方法,首先采用訓(xùn)練序列訓(xùn)練 得到Codebook背景模型,采用每個(gè)像素點(diǎn)的碼本中權(quán)重最大的碼字對應(yīng)的像素值均值組 成背景圖像,對待檢測圖像進(jìn)行背景減除得到前景二值圖,刪除面積小于預(yù)設(shè)閾值的前景 區(qū)域,將對應(yīng)像素點(diǎn)信息更新至Codebook背景模型;對每個(gè)前景區(qū)域塊中的像素點(diǎn)設(shè)置像 素鄰域,分別計(jì)算待檢測圖像灰度圖和背景圖像灰度圖中像素鄰域?qū)?yīng)區(qū)域的HOG特征向 量,如果兩個(gè)HOG特征向量的歐氏距離小于預(yù)設(shè)閾值,則該像素點(diǎn)為偽前景像素點(diǎn),將對應(yīng) 像素點(diǎn)信息更新至Codebook背景模型;再結(jié)合亮度范圍和互相關(guān)系數(shù)消除陰影,將陰影對 應(yīng)像素點(diǎn)信息更新至Codebook背景模型,根據(jù)最終的Codebook背景模型進(jìn)行前景減除得 到最終的前景目標(biāo)。
[0015] 本發(fā)明具有以下有益效果:
[0016] (1)計(jì)算前景像素鄰域在待檢測圖像和背景圖像的HOG特征向量,通過HOG特征向 量的距離判斷是否為真實(shí)前景,可以有效地排除光照突變引起的干擾;
[0017] (2)利用亮度范圍和互相關(guān)系數(shù),能夠準(zhǔn)確地確定陰影區(qū)域;
[0018] (3)通過對偽前景和陰影區(qū)域的消除,得到的前景目標(biāo)更加準(zhǔn)確;
[0019] (4)通過將偽前景和陰影區(qū)域的像素點(diǎn)更新到Codebook背景模型中,使Codebook 背景模型能夠自動適應(yīng)場景的變化,提高前景檢測的準(zhǔn)確度。
【附圖說明】
[0020] 圖1是本發(fā)明基于自適應(yīng)Codebook背景模型的前景