基于動態(tài)背景自適應(yīng)的改進ViBe背景建模算法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及背景建模領(lǐng)域，具體涉及一種基于動態(tài)背景自適應(yīng)的改進ViBe背景 建模算法。
【背景技術(shù)】
[0002] 運動目標檢測是基于視頻的智能監(jiān)控系統(tǒng)的重要環(huán)節(jié)。常用的運動目標檢測方法 主要有背景相減法、幀間差分法和光流法。其中背景相減法是目前最常用的運動目標檢測 法，其基本思想是將當前幀圖像與事先存儲或者實時得到的背景圖像相減，若對應(yīng)像素的 差值大于某一閾值，則判此像素屬于運動目標上的一個像素，閾值操作后得到的結(jié)果直接 給出了運動目標的位置、大小、形狀等信息。但是由于該方法在使用中只考慮到像素級的更 新，可能會發(fā)生背景更新的"死鎖"問題，出現(xiàn)把靜止物體誤判為運動目標，降低檢測的準確 率。
[0003] 如專利CN101621615公開的一種自適應(yīng)背景建模及運動目標檢測方法，該算法采 用背景減除法得到差圖像，然后采用自適應(yīng)閾值進行二值化和濾波處理，得到運動目標二 值化掩模圖像，采用二值化掩模圖像和當前幀輸入圖像進行邏輯與操作檢測運動目標，然 而背景減除法得到的二值化圖像往往存在很大噪聲，針對背景的強烈擾動存在較大的誤檢 率，影響運動目標的檢測準確率。
[0004] 為解決上述現(xiàn)有技術(shù)的問題，專利CN101635852A公開了一種基于自適應(yīng)背景建 模的實時運動目標檢測方法，該方法主要基于差分圖像提取運動目標和非運動目標，而針 對非運動目標區(qū)域?qū)崟r更新，從而獲得自適應(yīng)更新的實時背景，然后再次利用差分圖像獲 得前景圖像；然而，差分圖像提取圖像前景存在很大的噪聲，針對動態(tài)背景下的前景檢測會 存在較大噪聲，仍存在較高的誤檢率。
[0005] 又如Martin Hofmann等學(xué)者提出了 PBAS算法，該算法利用連續(xù)多幀圖像的平均 距離作為動態(tài)背景的度量，針對動態(tài)背景值高的圖像像素增加閾值，降低前景的誤判率，然 而該算法很大程度上抑制了正常的前景點，針對動態(tài)背景視頻存在較高的誤檢率。
[0006] ViBe是一種像素級視頻背景建模或前景檢測的算法，其相比于其他方法有很多的 不同和優(yōu)點，具體的思想是為每個像素點存儲了一個樣本集，樣本集中采樣值就是該像素 點過去的像素值，然后將每一個新的像素值和樣本集進行比較來判斷是否屬于背景點。該 算法具體的參考文件可查閱文獻〇· Barnich and M. Van Droogenbroeck. ViBe:A universal background subtraction algorithm for video sequences[J]. IEEE Transactions on Image Processing, 20(6) :1709 - 1724, 2011.專利 CN103971386A 公開一種動態(tài)背景場景 下的前景檢測方法，該發(fā)明在ViBe算法基礎(chǔ)上采用多幀連續(xù)圖像初始化背景模型，利用背 景模型的最小距離集合判斷背景的動態(tài)性，采用空間一致性原則與模糊理論選擇更新匹配 閾值，完成前景檢測。然而，該發(fā)明采用的最小距離測度僅考慮了背景模型的距離特征，而 沒有考慮到圖像的全局特性，并且當強度較大時，動態(tài)背景往往會一直存在于前景中，無法 實時更新背景模型，因此存在一定的誤檢率。
[0007] 為解決ViBe算法無法實現(xiàn)動態(tài)背景的自適應(yīng)性、在動態(tài)背景視頻中存在較大的 誤檢率、而現(xiàn)有的算法在抑制動態(tài)背景的同時卻抑制了正常的前景像素的技術(shù)問題，申請 人提出一種新的動態(tài)背景表征方法。

【發(fā)明內(nèi)容】

[0008] 本發(fā)明針對現(xiàn)有技術(shù)的上述問題，提供一種基于動態(tài)背景自適應(yīng)的改進ViBe背 景建模算法，該方法是一種新的動態(tài)背景表征方法，準確地表征像素的動態(tài)背景性，提高前 景檢測到準確性，為目標分類和識別提供準確的目標信息。
[0009] 為解決以上技術(shù)問題，本發(fā)明的技術(shù)方案如下：
[0010] 一種基于動態(tài)背景自適應(yīng)的改進ViBe背景建模算法，包括以下步驟：
[0011] (1)采用第一幀圖像中的像素點X的像素值初始化背景模型，設(shè)置初始決策閾值 和更新率；
[0012] (2)從第二幀開始，連續(xù)提取幀差圖像中子塊的標準差Dstd作為圖像動態(tài)背景的 表述特征；
[0013] (3)根據(jù)ViBe前景修正標準差Dstd值；
[0014] (4)連續(xù)提取M幅幀差圖像子塊的標準差Dstd集合表征動態(tài)背景，進一步采用該 集合的均值作為該子塊所有像素的時空動態(tài)背景特征，即TSD特征。
[0015] (5)根據(jù)圖像像素的時空動態(tài)背景特征自適應(yīng)調(diào)整決策閾值和更新率；
[0016] (6)根據(jù)步驟（5)得到的決策閾值和更新率，利用反饋機制不斷地更新背景模型 數(shù)據(jù)；
[0017] (7)獲取視頻前景目標，并將該前景目標的圖像進行形態(tài)學(xué)后處理。
[0018] 本發(fā)明上述背景建模算法中，步驟（1)中利用第一幀圖像中的任一像素點X，采用 所述像素點X的像素值初始化背景模型，其計算公式為
[0019] B (X) = {B0 (X0)，B1 (X1)，…Bi (Xi)，…，Bn (xN)} ①
[0020] 式中，Bi(Xi)為背景模型的樣本，即將第一幀圖像的像素采樣N次作為背景模型， 初始化背景模型的N個背景值完全一樣。
[0021] 具體地，所述步驟（2)中從第二幀開始連續(xù)提取幀差圖像，提取公式為
[0022] D(i, j) = ②
[0023] 同時將幀差圖像D分為8X8像素的子塊，分別提取每個子塊的標準差Dstd作為 背景圖像該子塊所有像素的動態(tài)表述特征。
[0024] 所述步驟（3)根據(jù)ViBe算法提取到的前景，將前景像素點的Dstd值設(shè)為0,從而 的得到修正后的Dstd，實現(xiàn)降低前景塊的干擾，后續(xù)Dstd均為修正后的值。
[0025] 所述步驟（4)在提取了子塊的空間表述特征后，進一步結(jié)合時序信息連續(xù)提取M 幅幀差圖像的Dstd集合作為時空動態(tài)背景的表征，其計算公式為
[0026] S (i，j) = {DjajhDj (i，j)，…，DstdiQ, j)，... DstdM (i，j)}③
[0027] 提取上述集合的均值TSD作為背景動態(tài)性的標準函數(shù)，即為
[0028] TSD(i，j) = (Dstd〇(i，jHDja，j)…，DstdM(i，j))/M ④
[0029] 式中TSD即為時空動態(tài)背景特征（Time-space DynamicFeature, TSD特征）。 [0030] 所述步驟（5)的動態(tài)背景特征的決策閾值可以設(shè)定為
[0031] T(i, j) = T〇+n*TSD(i, j)⑤
[0032] 其中Ttl為提前預(yù)設(shè)定一個閾值，n為動態(tài)調(diào)整整數(shù)；
[0033] 動態(tài)更新率可以設(shè)定為
[0034] U(i, j) = l/(U〇+TSD(i, j)) ⑥
[0035] 其中Utl為提前預(yù)設(shè)定一個閾值。
[0036] 所述步驟（6)根據(jù)步驟（5)得到的決策閾值和更新率，利用反饋機制反復(fù)不斷地 調(diào)整參數(shù)，同時針對當前幀檢測到背景像素，利用隨機算法更新背景模型的數(shù)據(jù)。
[0037] 所述步驟（7)根據(jù)決策閾值提取視頻前景目標，將提取到的前景圖像，采用形態(tài) 學(xué)進行開運算、填洞和閉運算，從而提高算法檢測到準確性、降低噪聲的影響。
[0038] 本發(fā)明的背景建模算法克服了現(xiàn)有背景建模算法針對動態(tài)背景適應(yīng)性較差的問 題，在ViBe算法為基礎(chǔ)上提出一種新的動態(tài)背景自適應(yīng)背景建模算法，首先提取幀差圖像 子塊的標準差作為動態(tài)背景表征，利用檢測到的前景修正動態(tài)背景特征，在此基礎(chǔ)上構(gòu)造 時空動態(tài)背景特征（TSD特征），然后根據(jù)該特征自適應(yīng)調(diào)整決策閾值和更新率，極大提高 了算法在動態(tài)背景下的檢測性能，降低了誤檢率。該算法相比現(xiàn)有技術(shù)，至少包括以下優(yōu) 占.
[0039] 1)本發(fā)明的背景建模算法有效利用了幀差動態(tài)信息，將一段時間內(nèi)連續(xù)幀差圖 像子塊的標準差作為背景動態(tài)性的表征，進一步構(gòu)造并提取了時空動態(tài)背景特征（TSD特 征），該特征描述了背景像素在時序和空間上的動態(tài)性，具有較好的準確性。
[0040] 2)本發(fā)明利用算法檢測到的前景修正動態(tài)背景特征，克服了前景針對動態(tài)背景特 征的干擾，從而得到背景動態(tài)性的準確表征。
[0041] 3)根據(jù)時空動態(tài)背景特征（TSD特征）自適應(yīng)調(diào)整決策閾值，有效克服了全局閾值 對動態(tài)背景適應(yīng)性差的問題，降低了動態(tài)背景的誤檢率，提高前景檢測的準確性。
【附圖說明】
[0042] 上述僅是本發(fā)明技術(shù)方案的概述，為了能夠更清楚了解本發(fā)明的技術(shù)手段，以下 結(jié)合附圖與【具體實施方式】對本發(fā)明作進一步的詳細說明。
[0043] 圖1為本發(fā)明實施方式的背景建模算法流程圖；
[0044]圖2為動態(tài)背景視頻檢測的性能分析圖；
[0045] 圖3為6個視頻檢測的結(jié)果對比圖。
【具體實施方式】
[0046] 為使本發(fā)明實施方式的目的、技術(shù)方案和優(yōu)點表達得更加清楚明白，下面結(jié)合附 圖及具體實施例對本發(fā)明實施方式再作進一步詳細的說明。
[0047] 實施例
[0048] 本發(fā)明的背景建模算法利用幀差的時序和空間信息表征背景的動態(tài)性，融合背景 模型檢測到的前景目標圖像，利用前景修正動態(tài)背景特征，在此基礎(chǔ)上構(gòu)造并提取時空動 態(tài)背景特征（TSD特征），根據(jù)該特征自適應(yīng)調(diào)整前景決策閾值和背景模型的更新率，從而 提高算法的前景檢測性能。
[0049] 圖1為根據(jù)本發(fā)明實施方式的背景建模算法流程示意圖。如圖1所示，輸入視頻 進行算法處理，包括以下步驟：
[0050] (1)采用第一幀圖像中的像素點X的像素值初始化背景模型，設(shè)置初始決策閾值 和更新率；
[0051] 利用第一幀圖像，針對圖像中任一像素點X，采用所述像素點第一幀圖像的像素值 初始化背景模型，其