共要與8個鄰域像素進行比較，所W-共得到2X 8 = 16比特的二進制鄰域特征碼。
[0059] (2)對(1)中得到的8個2比特二進制特征碼，經(jīng)過串聯(lián)得到長度為16比特的鄰域特 征向量辭x，y)，串聯(lián)順序是：W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)。圖2為本發(fā)明實施例的鄰域特征計算方法示意圖。
[0060] 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：
[0061] (1)對于像素點（x，y)，Wn(本實施例中，值為10)個鄰域特征向量巧，吃，…Λ的集 合作為此點的背景鄰域特征模型，記為知y)=巧，ν··Α}。
[0062] (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。
[0063] (3)對于像素點(x，y)，W其m(本實施例中，值為10)個歷史灰度值11，12，。，山的集 合作為此點的背景灰度模型，記為:Mgray(X，y )=山，12，…，Im}。
[0064] (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。
[0065] 所述步驟4中的像素點鄰域特征ΚΛ',.ν)與背景鄰域特征模型Mneighbor(X，y)的相似 度5山。618化^山7)，具體通過^下步驟計算得到：
[0066] (1)對于像素點（X，y)的鄰域特征向量巧.丫〇小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焉，通過W下方法判定％X，別與P,是否是相似的鄰域特征：
[0067]
[0068] 上述公式中，t(i)是一個16位二進制數(shù)。對t(i)的16個比特位進行統(tǒng)計，若有 dneighbor(本實施例中，值為3)個及其W上的比特位是1，則判定許W，)與跨不相似，即S(i) = 0 ;若只有dneighbor個W下（不包含dneighbor個）的比特位是1，則判定Kx，y)與巧是相似的鄰域 特征，即S ( i ) = 1。
[0069] (2)利用如下公式計算像素點（x，y)的鄰域特征向量1許Χ，>·)與該點的背景鄰域特 征模型Mneighbor ( X，y )的相似度：
[0070]
[0071] 所述步驟4中的鄰域特征向量nx，.r)是否為平滑類型，通過W下方法判斷：
[0072] 對于巧：x，y)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 TsmDDth(本實施例中，值為3)個，則判定該鄰域特征向量Γ(1，1)為平滑類型；反之，則判斷該 鄰域特征向量風(fēng)X，的為非平滑類型。
[0073] 進一步的，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：
[0076] 其中，dgray是可調(diào)闊值，本實施例中，值為2。
[0077] 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：
[0078] (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 列-'、-，.'''）^概率口。618化化（本實施例中，值為0.05)加入到背景鄰域特征模型]\^8化化（義，7)中。 將鄰域特征向量叫ν，.Γ)加入背景鄰域模型的具體操作方法是:從Mneighbnr(X，y)集合中等概 率隨機選取一個鄰域特征向量并將其替換為.
[0079] (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(本實施例中，值為0.05)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)集合中等概率隨機選取一個灰度值并將其替 換為 I(x，y)。
[0080] 圖3為本發(fā)明實施例處理的一個視頻序列的其中一帖的效果圖。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。從中可W看出本發(fā)明實施例可W較好的把作為前景的運行車輛和行人與背景分離。
[0081] W上所述僅為本發(fā)明的較佳實施例而已，并不用W限制本發(fā)明，凡在本發(fā)明的精 神和原則之內(nèi)所作的任何修改、等同替換和改進等，均應(yīng)包含在本發(fā)明的保護范圍之內(nèi)。
【主權(quán)項】
1. 一種基于鄰域特征和灰度信息的背景建模方法，其特征在于，該方法為： 步驟1:輸入視頻序列的第一幀，對每個像素點(X，y)利用鄰域特征算子計算第一幀的 鄰域特征向量。 步驟2:根據(jù)第一幀的鄰域特征向量，初始化背景鄰域特征模型;根據(jù)第一幀中的像素 點的灰度值，初始化背景灰度模型； 步驟3:輸入視頻序列的下一幀，對于這一幀中的每個像素點（x，y)，利用鄰域特征算子 計算該點在這一幀中的鄰域特征向量； 步驟4:用這一幀中的鄰域特征向量與上一幀的背景鄰域特征模型比較，計算兩者的相 似度，若相似度小于閾值Inmhbor，則判斷該點為前景點；反之，若相似度大于或等于閾值 Tne31ghbcir，則分為兩種情況:1)若該點在這一幀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)若該點在這一幀中的鄰域特征向量屬于平滑類型，則進入步驟5。 步驟5:取該點在這一幀中的灰度值，與上一幀的背景灰度模型計算相似度。若相似度 小于閾值Tgray，則判斷該點為前景點;若相似度大于或等于閾值Tgray，則判斷該點為背景點。 步驟6:根據(jù)步驟3-5的判斷結(jié)果，對上一幀的背景鄰域特征模型和背景灰度模型進行 更新； 步驟7:重復(fù)步驟3-6，直到視頻的最后一幀。2. 根據(jù)權(quán)利要求1所述的方法，其特征在于，所述鄰域特征向量vv (X，y)通過以下的鄰 域特征算子計算得到： (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制鄰域特征碼code( i，j):/,/￡ and(/, /)^(0,0) 工; dTA'XVT，Icmle疋Kl __但_夢雙。;\、」丁母τ'邪·豕糸，得到的是2個比特位的二進制特 征碼。由于一共要與8個鄰域像素進行比較，所以一共得到2X8 = 16比特的二進制鄰域特征 碼。 (2) 對（1)中得到的8個2比特二進制特征碼，經(jīng)過串聯(lián)得到長度為16比特的鄰域特征向 量坷；^)，串聯(lián)順序是：以像素(x，y)為中心的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)。3. 根據(jù)權(quán)利要求1所述的方法，其特征在于，所述步驟2中的背景鄰域特征模型Mne31ghbcir (x，y)和背景灰度模型1@#(1，7)，通過以下方法初始化： (1) 對于像素點(x，y)，以η個鄰域特征向量?···Λ的集合作為此點的背景鄰域特征 模型，記為：風(fēng)__(.)：〇.') = .!1^:，"'.匕，丨。 (2) 對于視頻序列中第一幀的每個像素點（x，y)，計算其鄰域特征向量并復(fù)制η份組成 集合Mneighbor ( X，y )，作為初始的背景鄰域特征模型。 (3) 對于像素點（X，y)，以其m個歷史灰度值Ii，12，…，1?的集合作為此點的背景灰度模 型，記為:M gray(x，y) = {Ii，l2,…，Im}。 (4)對于視頻序列中第一幀的每個像素點（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。4. 根據(jù)權(quán)利要求1所述的方法，其特征在于，所述步驟4中的像素點鄰域特征Γ(λ:.>·)與背 景鄰域特征模型Mneighbor (X，y)的相似度Simne3ighb。!·(X，y)，具體通過以下步驟計算得到： (1) 對于像素點（x，y)的鄰域特征向量珂λ·，>·)，從該點的背景鄰域特征模型Mne31ghbcir(x， y)中取一個鄰域特征向量S，通過以下方法判定Kx，J)與R是否是相似的鄰域特征：上述公式中，t ( i )是一個16位二進制數(shù)。對t ( i )的16個比特位進行統(tǒng)計，若有dneighbor個 及其以上的比特位是1，則判定中,.ν·)1巧:不相似，即s(i)=0;若只有dnelghbcir個以下（不包 含dneighbor個)的比特位是1，則判定與$是相似的鄰域特征，g卩S ( i ) = 1。 (2) 利用如下公式計算像素點(x，y)的鄰域特征向量P(X,J)與該點的背景鄰域特征模型 Mneighbor ( X , y )的相似度：5. 根據(jù)權(quán)利要求1所述的方法，其特征在于，所述步驟4中的鄰域特征向量以U)是否 為平滑類型，通過以下方法判斷： 對于i?(w)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Τ_4個， 則判定該鄰域特征向量坷·^為為平滑類型；反之，則判斷該鄰域特征向量Κχ,.Γ)為非平滑 類型。6. 根據(jù)權(quán)利要求1所述的方法，其特征在于，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)，具體通過以下公式計算得到：其中，dgray是可調(diào)閾值。7. 根據(jù)權(quán)利要求1所述的方法，其特征在于，所述步驟6中的背景鄰域模型和背景灰度 模型，通過以下方法更新： (1) 背景鄰域模型的更新方法是:對于像素點（x，y)，當(dāng)前幀的鄰域特征向量以 概率Pneighbcir加入到背景鄰域特征模型MneighborUj)中。將鄰域特征向量KU)加入背景鄰 域模型的具體操作方法是:從M ne31ghbcir(X，y)集合中等概率隨機選取一個鄰域特征向量并將 其替換為- (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)以概率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： WMgray(x，y)集合中等概率隨機選取一個灰度值并將其替換為I(x，y)。
【專利摘要】本發(fā)明公開了一種基于鄰域特征和灰度信息的背景建模方法。該方法通過將像素的鄰域特征加入到背景模型當(dāng)中，提高了背景模型對于光照變化以及擾動的魯棒性。獲取輸入視頻序列的第一幀，對每個像素計算鄰域特征，初始化它的背景鄰域模型和背景灰度模型。對于視頻的后續(xù)幀，將每個像素的鄰域特征和灰度與背景鄰域模型和背景灰度模型比較，判斷像素是前景點還是背景點。最后，根據(jù)判斷結(jié)果更新背景鄰域模型和背景灰度模型。該背景建模方法模型簡單，便于實現(xiàn)，可以滿足實時智能監(jiān)控系統(tǒng)的需求。
【IPC分類】G06T7/00
【公開號】CN105631862
【申請?zhí)枴緾N201510974877
【發(fā)明人】于慧敏, 汪東旭, 楊白, 鄭偉偉
【申請人】浙江大學(xué)
【公開日】2016年6月1日
【申請日】2015年12月21日