一種基于鄰域特征和灰度信息的背景建模方法
【專利說明】-種基于鄰域特征和灰度信息的背景建模方法
[0001] 本發(fā)明屬于智能視頻監(jiān)控領(lǐng)域，特別地設(shè)及一種基于鄰域特征和灰度信息的背景 建模方法。
【背景技術(shù)】
[0002] 背景建模算法是智能視頻監(jiān)控鄰域的一種常用算法，主要可W用來提取視頻中的 前景目標(biāo)，W便對視頻進(jìn)行目標(biāo)識別，行為檢測等智能化分析。它根據(jù)輸入視頻通過建模的 方法得到監(jiān)控場景的背景，然后利用當(dāng)前圖像與背景進(jìn)行比較得到前景目標(biāo)。典型的背景 建模算法有:帖間差法，均值函數(shù)法，中值函數(shù)法，高斯背景建模，W4算法，碼書模型算法，基 于貝葉斯統(tǒng)計的模型算法，內(nèi)核密度估計算法，meanshift算法等。
[0003] 雖然現(xiàn)在已經(jīng)有很多不同的背景建模方法，背景建模的效果也在不斷提升，但是 仍然不能滿足實際工程應(yīng)用的需要。運里主要有兩方面的原因：1)實際的視頻場景存在光 照變化，背景擾動等不確定因素，使得基于像素點本身的背景建模很難獲得良好的魯棒性； 2)實際應(yīng)用中，背景建模算法往往作為某些智能化分析算法(如目標(biāo)識別）的前置算法，計 算復(fù)雜度要嚴(yán)格控制，給后續(xù)算法留出足夠的計算時間。
[0004] 所W，設(shè)計一種既具有較高的魯棒性，又快速高效的背景建模方法，是很多智能監(jiān) 控鄰域技術(shù)人員努力的方向。

【發(fā)明內(nèi)容】

[0005] 為解決上述問題，本發(fā)明的目的在于提供了一種基于鄰域特征和灰度信息的背景 建模方法。該方法通過利用像素點的鄰域特征，對背景的光照變化和擾動具有較高的魯棒 性，同時計算復(fù)雜度可W滿足實時智能視頻監(jiān)控系統(tǒng)的需求。
[0006] 為實現(xiàn)上述目的，本發(fā)明的技術(shù)方案為：一種基于鄰域特征和灰度信息的背景建 模方法，該方法為：
[0007] 步驟1:輸入視頻序列的第一帖，對每個像素點（x，y)利用鄰域特征算子計算第一 帖的鄰域特征向量。
[000引步驟2:根據(jù)第一帖的鄰域特征向量，初始化背景鄰域特征模型；根據(jù)第一帖中的 像素點的灰度值，初始化背景灰度模型；
[0009] 步驟3:輸入視頻序列的下一帖，對于運一帖中的每個像素點(x，y)，利用鄰域特征 算子計算該點在運一帖中的鄰域特征向量；
[0010] 步驟4:用運一帖中的鄰域特征向量與上一帖的背景鄰域特征模型比較，計算兩者 的相似度，若相似度小于闊值TneighbDr，則判斷該點為前景點；反之，若相似度大于或等于闊 值Tneighbnr，則分為兩種情況:1 )若該點在運一帖中的鄰域特征向量屬于非平滑類型，則將該 點判斷為背景點;2)若該點在運一帖中的鄰域特征向量屬于平滑類型，則進(jìn)入步驟5。
[0011] 步驟5:取該點在運一帖中的灰度值，與上一帖的背景灰度模型計算相似度。若相 似度小于闊值Tgray，則判斷該點為前景點；若相似度大于或等于闊值Tgray，則判斷該點為背 景點。
[0012] 步驟6:根據(jù)步驟3-5的判斷結(jié)果，對上一帖的背景鄰域特征模型和背景灰度模型 進(jìn)行更新；
[0013] 步驟7:重復(fù)步驟3-6，直到視頻的最后一帖。
[0014] 進(jìn)一步的，上述步驟中的鄰域特征向量vv(x，y)通過W下的鄰域特征算子計算得 到：
[001引（1)對于像素點（X，y)，將它的灰度值I(x，y)與每個8鄰域像素的灰度值I(x+i，y+ j)帶入如下公式計算得到二進(jìn)制鄰域特征碼code(i，j):
[0016]
[0017]上述公式中，TcDde是可調(diào)闊值參數(shù)。對于每個鄰域像素，得到的是2個比特位的二 進(jìn)制特征碼。由于一共要與8個鄰域像素進(jìn)行比較，所W -共得到2X8 = 16比特的二進(jìn)制鄰 域特征碼。
[001引（2)對(1)中得到的8個2比特二進(jìn)制特征碼，經(jīng)過串聯(lián)得到長度為16比特的鄰域特 征向量p(.v，>·)，串聯(lián)順序是：?像素(x，y)為中屯、的8鄰域像素，從左上角的像素(x-l，y-l) 開始，按順時針方向串聯(lián)。
[0019]進(jìn)一步的，所述步驟帥的背景鄰域特征模型Mneighbor(X，y)和背景灰度模型Mgray (x，y)，通過W下方法初始化：
[0020] (1)對于像素點(x，y)，Wn個鄰域特征向量^^1，嗎，…成，的集合作為此點的背景鄰域 特征模型，記為：聲。gASw托舟=巧，％…馬}。
[0021] (2)對于視頻序列中第一帖的每個像素點（x，y)，計算其鄰域特征向量并復(fù)制η份 組成集合啦6^46^^，7)，作為初始的背景鄰域特征模型。
[0022] (3)對于像素點（x，y)，W其m個歷史灰度值Ιι，?2，···，Ι"的集合作為此點的背景灰 度模型，記為:Mgray(X，y) = {ll，l2，一，Im}。
[0023] (4)對于視頻序列中第一帖的每個像素點（x，y)，取其灰度值并復(fù)制m份組成集合 Mgray(X，y)，作為初始的背景灰度模型。
[0024] 進(jìn)一步的，所述步驟4中的像素點鄰域特征m..r)與背景鄰域特征模型MneighborU， y)的相似度5山。6礎(chǔ)6。,山7)，具體通過^下步驟計算得到：
[002引（1)對于像素點(X，y)的鄰域特征向量噸W，)，從該點的背景鄰域特征模型Mneighbor (X，y)中取一個鄰域特征向量巧，通過W下方法判定種X，內(nèi)與巧·是否是相似的鄰域特征：
[0026] i〇') = v〇r，3；)A巧 巧巨必姆占。,-托-V)=巧，V··，巧,}
[0027] 上述公式中，t(i)是一個16位二進(jìn)制數(shù)。對t(i)的16個比特位進(jìn)行統(tǒng)計，若有 dneighbor個及其W上的比特位是1，則判定列·?，的與巧不相似，即S ( i ) = 0 ;若只有dneighbor個W 下壞包含dneighbor個)的比特位是1，則判定巧V，Γ)與巧是相似的鄰域特征，即S ( i ) = 1。
[002引（2)利用如下公式計算像素點（x，y)的鄰域特征向量i^(.v，.v)與該點的背景鄰域特 征模型Mneighbw ( X，y )的相似度：
[0029]
[0030] 進(jìn)一步的，所述步驟4中的鄰域特征向量Γ?.ν,.ν)是否為平滑類型，通過W下方法判 斷：
[0031] 對于P(.v〇.·)的16個比特位，統(tǒng)計值為1的比特個數(shù)，若值為1的比特數(shù)小于等于 Tsmooth個，則判定該鄰域特征向量P(.Y，y)為平滑類型；反之，則判斷該鄰域特征向量巧>一，） 為非平滑類型。
[0032] 進(jìn)一步的，所述步驟5中的像素點（x，y)處的灰度值與背景灰度模型Mgray(x，y)的 相似度Simgray(X，y)，具體通過W下公式計算得到：
[0035] 其中，dgray是可調(diào)闊值。
[0036] 進(jìn)一步的，所述步驟6中的背景鄰域模型和背景灰度模型，通過W下方法更新：
[0037] (1)背景鄰域模型的更新方法是:對于像素點(x，y)，當(dāng)前帖的鄰域特征向量P(取扔 W概率Pneighbor加入到背景鄰域特征模型Mneighbor(X，y)中。將鄰域特征向量叫加入背景 鄰域模型的具體操作方法是:從Mneighbor(X，y)集合中等概率隨機(jī)選取一個鄰域特征向量并 將其替換為呵x，y)。
[0038] (2)背景灰度模型的更新方法是:對于像素點（x，y)，當(dāng)前圖像的灰度I(x，y)W概 率Pgray加入到背景灰度模型Mgray(X，y)中。將灰度值I(X，y)加入背景灰度模型的具體操作方 法是:從Mgray(x，y)集合中等概率隨機(jī)選取一個灰度值并將其替換為I(x，y)。
[0039] 本發(fā)明的有益效果是：
[0040] (1)利用像素點的鄰域特征，提高了背景模型對于光照變化和擾動的魯棒性。
[0041] (2)背景模型簡單，易于實現(xiàn)，計算速度快，可W滿足實時智能監(jiān)控系統(tǒng)的需求。
【附圖說明】
[0042] 圖1為本發(fā)明實施例的鄰域特征和灰度信息的背景建模方法的步驟流程圖；
[0043] 圖2為本發(fā)明實施例的鄰域特征示意圖。
[0044] 圖3為本發(fā)明實施例處理的一個視頻序列的其中一帖。上面一幅圖是運一帖的圖 像，下面一幅圖是運一帖的前景與背景分離結(jié)果，其中黑色為背景點，白色為前景點。
【具體實施方式】
[0045] 為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點更加清楚明白，W下結(jié)合附圖及實施例，對 本發(fā)明進(jìn)行進(jìn)一步詳細(xì)說明。應(yīng)當(dāng)理解，此處所描述的具體實施例僅用W解釋本發(fā)明，并不 用于限定本發(fā)明。
[0046] 相反，本發(fā)明涵蓋任何由權(quán)利要求定義的在本發(fā)明的精髓和范圍上做的替代、修 改、等效方法W及方案。進(jìn)一步，為了使公眾對本發(fā)明有更好的了解，在下文對本發(fā)明的細(xì) 節(jié)描述中，詳盡描述了一些特定的細(xì)節(jié)部分。對本鄰域技術(shù)人員來說沒有運些細(xì)節(jié)部分的 描述也可W完全理解本發(fā)明。
[0047] 圖1所示為本發(fā)明實施例的基于鄰域特征和灰度信息的背景建模方法的步驟流程 圖。
[0048] 步驟1:輸入視頻序列的第一帖，對每個像素點（x，y)利用鄰域特征算子計算第一 帖的鄰域特征向量。
[0049] 步驟2:根據(jù)第一帖的鄰域特征向量，初始化背景鄰域特征模型；根據(jù)第一帖中的 像素點的灰度值，初始化背景灰度模型；
[0050] 步驟3:輸入視頻序列的下一帖，對于運一帖中的每個像素點(x，y)，利用鄰域特征 算子計算運一帖的鄰域特征向量；
[0051] 步驟4:用運一帖的鄰域特征向量與上一帖的背景鄰域特征模型比較，計算兩者的 相似度，若相似度小于闊值Tneighbw(本實施例中，值為2)，則判斷該點為前景點；反之，若相 似度大于或等于闊值Tneighbnr，則分為兩種情況：1)若該點在運一帖中的鄰域特征向量屬于 非平滑類型，則將該點判斷為背景點；2)若該點在運一帖中的鄰域特征向量屬于平滑類型， 則進(jìn)入步驟5。
[0052] 步驟5:取該點在運一帖中的灰度值，與上一帖的背景灰度模型計算相似度。若相 似度小于闊值Tgray(本實施例中，值為2)，則判斷該點為前景點；若相似度大于或等于闊值 Tgray，則判斷該點為背景點。
[0053] 步驟6:根據(jù)步驟3-5的判斷結(jié)果，對上一帖的背景鄰域特征模型和背景灰度模型 進(jìn)行更新；
[0054] 步驟7:重復(fù)步驟3-6，直到視頻的最后一帖。
[0化5]上述步驟中的鄰域特征向量[?.ν,.!')通過W下的鄰域特征算子計算得到；
[0056] (1)對于像素點（x，y)，將它的灰度值I(x，y)與每個8鄰域像素的灰度值I(x+i，y+ j)帶入如下公式計算得到二進(jìn)制鄰域特征碼code(i，j):
[0化7]
[005引上述公式中，TcDde是可調(diào)闊值參數(shù)，在本實施例中，值為1。對于每個鄰域像素，得 到的是2個比特位的二進(jìn)制特征碼。由于一