專利名稱：一種自適應(yīng)內(nèi)核密度估計(jì)運(yùn)動(dòng)檢測(cè)裝置和方法
技術(shù)領(lǐng)域：
本發(fā)明涉及視頻分析領(lǐng)域中的背景模型生成，采用自適應(yīng)閾值選 擇方法進(jìn)行像素分類。根據(jù)本發(fā)明的技術(shù)方案，閾值的選擇能夠自適 應(yīng)地進(jìn)行，且能適應(yīng)不同的場景。在此基礎(chǔ)上，本發(fā)明進(jìn)一步提出了 背景更新模型來更新背景。同時(shí)，本發(fā)明還利用幀間差分背景模型和 內(nèi)核密度估計(jì)分類結(jié)果來進(jìn)行突變背景檢測(cè)，較好地解決了背景突變 時(shí)所存在的運(yùn)動(dòng)目標(biāo)誤檢測(cè)問題。
背景技術(shù)：
從視頻序列中分離出運(yùn)動(dòng)目標(biāo)，是計(jì)算機(jī)視覺中的重要研究內(nèi) 容，可以應(yīng)用到交通監(jiān)測(cè)、人的行為識(shí)別和人機(jī)交互等領(lǐng)域。背景減
除技術(shù)(Background subtraction)是攝像機(jī)靜止條件下的一種應(yīng)用廣 泛的運(yùn)動(dòng)檢測(cè)技術(shù)，為此研究人員提出了不同的方法(參見參考文獻(xiàn) [1] ) 。 Elgamma等提出了基于內(nèi)核密度估計(jì)(Kernel Density Estimation, KDE)的非參數(shù)背景模型(參見參考文獻(xiàn)[2])，該方法能 夠適應(yīng)不同的場景；不同于高斯混合模型(GMO，它充分利用最近的歷 史幀信息來更新背景模型，能夠適應(yīng)復(fù)雜的像素分布密度，克服像素 值在短時(shí)間內(nèi)發(fā)生的頻繁變化，因此能得到較準(zhǔn)確的估計(jì)結(jié)果。但是， 在參考文獻(xiàn)[2]中，通過給定的假正率(False Positive)來選擇閾值， 這需要有場景的先驗(yàn)知識(shí)，對(duì)于不同的場景需要人工干預(yù)，重新選擇。 Anurag Mittal和Nikos Paragios根據(jù)設(shè)定的誤報(bào)率(false alarm rate)和漏報(bào)率(miss probability)，通過訓(xùn)練樣本調(diào)整閾值(參見 參考文獻(xiàn)[3])，使用該閾值在給定的條件下能夠獲得相對(duì)好的分類結(jié) 果。但當(dāng)場景改變時(shí)，需要重新選擇樣本進(jìn)行訓(xùn)練，才能得到適用于 該場景的閾值。 發(fā)明內(nèi)容本發(fā)明的目的是提供一種自適應(yīng)的內(nèi)核密度估計(jì)運(yùn)動(dòng)檢測(cè)方案。 首先這種方案，對(duì)概率直方圖進(jìn)行分析，提出了一種自適應(yīng)的閾值選 擇方法，該方法不需要對(duì)樣本進(jìn)行訓(xùn)練，可以根據(jù)場景的不同，自適 應(yīng)調(diào)整閾值。針對(duì)背景更新機(jī)制，本發(fā)明提出了用于更新背景模型的 方法，能夠得到更為合理的背景，有利于運(yùn)動(dòng)目標(biāo)的檢測(cè)。此外，本
發(fā)明還提出了一種利用幀間差分背景模型和KDE分類結(jié)果的突變背景 檢測(cè)裝置和方法，較好地解決了背景發(fā)生突變時(shí)的運(yùn)動(dòng)目標(biāo)誤檢測(cè)問 題。
為了實(shí)現(xiàn)上述目的，根據(jù)本發(fā)明的第一方案，提出了一種自適應(yīng) 內(nèi)核密度估計(jì)運(yùn)動(dòng)檢測(cè)裝置，包括接收單元，用于接收輸入的視頻 幀；初始化單元，用于初始化背景模型和幀間差分背景模型；概率計(jì) 算統(tǒng)計(jì)單元，用于針對(duì)當(dāng)前視頻幀的每個(gè)像素，根據(jù)背景樣本，計(jì)算 該像素的內(nèi)核密度估計(jì)概率，并統(tǒng)計(jì)當(dāng)前幀的像素的內(nèi)核密度估計(jì)概 率直方圖；分類單元，利用內(nèi)核密度估計(jì)概率直方圖自適應(yīng)地求取分 類類閾值，如果某一像素的內(nèi)核密度估計(jì)概率小于所述閾值，則確定 該像素為前景像素；否則，為背景像素。
優(yōu)選地，所述分類單元首先對(duì)內(nèi)核密度估計(jì)概率直方圖進(jìn)行平滑 和差分，得到差分直方圖，然后在差分直方圖上，尋找內(nèi)核密度估計(jì) 概率直方圖變化趨勢(shì)變緩的起點(diǎn)g和緩慢變化的終點(diǎn)《，最后根據(jù)g 和《，確定所述分類閾值。
優(yōu)選地，所述自適應(yīng)內(nèi)核密度估計(jì)運(yùn)動(dòng)檢測(cè)裝置還包括背景更
新單元，用于對(duì)內(nèi)核密度估計(jì)概率大于所述分類閾值的像素進(jìn)行背景
市抓 更新c
優(yōu)選地，所述背景更新單元按照先進(jìn)先出的原則順序更新背景樣本。
優(yōu)選地，所述自適應(yīng)內(nèi)核密度估計(jì)運(yùn)動(dòng)檢測(cè)裝置還包括突變背 景更新單元，用于根據(jù)幀間差分背景模型和分類單元的結(jié)果，判斷是 否出現(xiàn)了突變像素，并在突變像素滿足預(yù)定條件時(shí)，對(duì)突變像素進(jìn)行 突變背景更新。
優(yōu)選地，當(dāng)幀間差分背景模型確定一像素為背景，而分類單元確
6定該像素為前景時(shí)，所述突變背景更新單元判斷該像素為突變像素。
優(yōu)選地，所述突變背景更新單元對(duì)所有突變像素進(jìn)行連通域分 析，提取連通域的多個(gè)預(yù)定特征，當(dāng)且僅當(dāng)連通域的預(yù)定特征滿足預(yù) 定條件時(shí)，所述突變背景更新單元才對(duì)與該連通域相關(guān)的突變像素進(jìn) 行突變背景更新。
優(yōu)選地，所述突變背景更新單元以當(dāng)前視頻幀后的預(yù)定多個(gè)視頻 幀來更新背景樣本。
優(yōu)選地，所述自適應(yīng)內(nèi)核密度估計(jì)運(yùn)動(dòng)檢測(cè)裝置還包括運(yùn)動(dòng)處 理單元，用于對(duì)檢測(cè)到的前景像素進(jìn)行連通域分析，并結(jié)合運(yùn)動(dòng)目標(biāo) 的先驗(yàn)知識(shí)，對(duì)于屬于同一個(gè)目標(biāo)的區(qū)域進(jìn)行合并，對(duì)于屬于不同目 標(biāo)的區(qū)域進(jìn)行分割，從而得到完整的運(yùn)動(dòng)目標(biāo)。
為了實(shí)現(xiàn)上述目的，根據(jù)本發(fā)明的第二方案，提出了一種自適應(yīng) 內(nèi)核密度估計(jì)運(yùn)動(dòng)檢測(cè)方法，包括接收步驟，接收輸入的視頻幀； 初始化步驟，初始化背景模型和幀間差分背景模型；概率計(jì)算統(tǒng)計(jì)步 驟，針對(duì)當(dāng)前視頻幀的每個(gè)像素，根據(jù)背景樣本，計(jì)算該像素的內(nèi)核 密度估計(jì)概率，并統(tǒng)計(jì)當(dāng)前幀的像素的內(nèi)核密度估計(jì)概率直方圖；分 類步驟，利用內(nèi)核密度估計(jì)概率直方圖自適應(yīng)地求取分類閾值，如果 某一像素的內(nèi)核密度估計(jì)概率小于所述閾值，則確定該像素為前景像 素；否則，為背景像素。
優(yōu)選地，在所述分類步驟中，首先對(duì)內(nèi)核密度估計(jì)概率直方圖進(jìn) 行平滑和差分，得到差分直方圖，然后在差分直方圖上，尋找內(nèi)核密 度估計(jì)概率直方圖變化趨勢(shì)變緩的起點(diǎn)g和緩慢變化的終點(diǎn)A，最后 根據(jù)《和A，確定所述分類閾值。
優(yōu)選地，所述自適應(yīng)內(nèi)核密度估計(jì)運(yùn)動(dòng)檢測(cè)方法還包括背景更 新步驟，對(duì)內(nèi)核密度估計(jì)概率大于所述分類閾值的像素進(jìn)行背景更新。
優(yōu)選地，在所述背景更新步驟中，按照先進(jìn)先出的原則順序更新 背景樣本。
優(yōu)選地，所述自適應(yīng)內(nèi)核密度估計(jì)運(yùn)動(dòng)檢測(cè)方法還包括突變背 景更新步驟，根據(jù)幀間差分背景模型和分類步驟的結(jié)果，判斷是否出 現(xiàn)了突變像素，并在突變像素滿足預(yù)定條件時(shí)，對(duì)突變像素進(jìn)行突變<image>image see original document page 8</image>
具體實(shí)施例方式
下面參照附圖對(duì)本發(fā)明的優(yōu)選實(shí)施例進(jìn)行詳細(xì)說明，在描述過程 中省略了對(duì)于本發(fā)明來說是不必要的細(xì)節(jié)和功能，以防止對(duì)本發(fā)明的 理解造成混淆。
圖l示出了根據(jù)本發(fā)明的自適應(yīng)內(nèi)核密度估計(jì)運(yùn)動(dòng)檢測(cè)方法的整 體流程圖。以下將參考

圖1，對(duì)根據(jù)本發(fā)明的自適應(yīng)內(nèi)核密度估計(jì)運(yùn) 動(dòng)檢測(cè)方法的各個(gè)步驟進(jìn)行詳細(xì)描述。
1. 初始化模型參數(shù)(步驟S100和S102)
對(duì)輸入的視頻幀(步驟sioo)，初始化背景模型、幀間差分背景
模型，初始化系統(tǒng)的其他參數(shù)，例如采樣的視頻幀數(shù)為50。(步驟 S102)。
2. 計(jì)算內(nèi)核密度估計(jì)(KDE)概率(步驟S104)
假定視頻幀中有#個(gè)像素點(diǎn)，每個(gè)像素點(diǎn)有^個(gè)歷史采樣作為對(duì) 應(yīng)像素的背景樣本，則第i個(gè)像素點(diǎn)的第J'個(gè)背景樣本的像素值為Jcu.， hl...M、 y-l…AT。在t時(shí)刻視頻幀中第i個(gè)像素點(diǎn)的像素值為;^),.，
則t時(shí)刻像素點(diǎn)J'概率Pr(x(^)可以通過公式(1)進(jìn)行估計(jì)-
pr("^)=+|;,(^xn) (1)
其中:c((^.為f時(shí)刻視頻幀中第i個(gè)像素點(diǎn)的第J個(gè)背景樣本的像素
值，K為核估計(jì)子，如果K取正態(tài)分布iV(Oj:)，公式(l)變形為如下 所示的公式(2):<formula>formula see original document page 10</formula>,
其中^為像素的顏色分量特征維數(shù)，x(/L為x(^的第w個(gè)顏色 。對(duì)于RGB格式的彩色圖像，像素的顏色分量可以取R、 G、 B像 素值，假設(shè)像素的R、 G、 B相互獨(dú)立，這樣，此時(shí)的特征維數(shù)^/為3; a,^，附=1...3為第J'個(gè)像素對(duì)應(yīng)的R、 G、 B顏色分量的核寬，則構(gòu)成
的第i個(gè)像素對(duì)應(yīng)的三維核寬矩陣S,為 <formula>formula see original document page 10</formula>
3.統(tǒng)計(jì)像素分布得到概率直方圖(步驟S106)
按照公式(2),計(jì)算輸入視頻幀中t時(shí)刻l個(gè)像素的概率Pr(;c(^)，
為了計(jì)算方便，將公式(2)修改為如下所示的公式(3)，計(jì) 算W個(gè)采樣的概率和-
<formula>formula see original document page 10</formula>(3)
，附
按照參考文獻(xiàn)[2]中的方法進(jìn)行估計(jì)第i個(gè)像素點(diǎn)的核寬tr^，當(dāng) 所有核寬cr^的最大可能取值cr^和最小可能取值cTa確定后，在任意
時(shí)刻t對(duì)于像素的^個(gè)采樣來說，t時(shí)刻視頻幀中的第i個(gè)像素點(diǎn)概 率Pr("^)的可能最大值Pr^可由公式(4)確定
<formula>formula see original document page 10</formula>(4)
Pr(jc(/),)可能取值的最小值Pr^，不僅取決于c^M，還由公式(3)中指數(shù)項(xiàng)決定，可以取0。把
乘以比例因子，行量化，得到 [O,Pr」。然后，遍歷所有像素的概率，形成概率分布直方圖/n^p (如 公式(5)所示)
to》) (5)
圖2示出了像素的概率分布及其直方圖。如圖2所示，(a)為原 始圖像，場景中的運(yùn)動(dòng)目標(biāo)為行人，(b)為(a)的概率分布，x軸方向 對(duì)應(yīng)圖像的寬度方向，y軸方向?qū)?yīng)圖像的高度方向，z軸代表概率值 的大小，(c)為(b)的俯視圖，x軸方向?qū)?yīng)圖像的寬度方向，y軸方向 對(duì)應(yīng)圖像的高度方向，(d)概率直方圖/^ ，u軸表示像素的概率值取
值，v軸表示概率等于該取值的像素?cái)?shù)目。 4. 自適應(yīng)閾值的選擇(步驟S108)
用高斯核函數(shù)對(duì)/^,p進(jìn)行平滑得到/^;(圖2中的(d))。對(duì) ^;^及/w《》'+ l)按照公式(6)進(jìn)行差分，在此用預(yù)定小閾值" 來進(jìn)一步去除干擾，得到差分直方圖&X^ (如公式(6)所示)
r / 、 / 、、 (6) 力#=* (/n'w戸+1) _ to (o)
圖3示出了局部概率直方圖、差分直方圖和分割結(jié)果。如圖3所 示，(a)為圖2(d)的局部放大圖，(b)為由公式(6)得到的與圖2(d)對(duì) 應(yīng)的差分直方圖，(c)為(b)的局部放大圖，圖中u軸表示像素的概率 值取值，v軸表示概率等于該取值的像素?cái)?shù)目。(d)為選取差分直方圖 的第一個(gè)零點(diǎn)作為分類閾值(該點(diǎn)為直方圖變化趨于穩(wěn)定的點(diǎn)，圖3(c) 中為6)的分割結(jié)果，x軸方向?qū)?yīng)圖像的寬度方向，y軸方向?qū)?yīng)圖
像的高度方向。
為此，如下選取分類閾值77//:
1)通過差分直方圖M^^ (圖3中的(b))尋找直方圖由陡變
& / (0=緩的轉(zhuǎn)折點(diǎn)《(圖3 (c)中標(biāo)出)，即i^滿足下式:
<formula>formula see original document page 12</formula>(7)
toW/(z0-tow(z'+1)
2) 在差分直方圖/^。# (圖3中的(b))上從《開始向右側(cè)尋 找變化趨勢(shì)變緩的起點(diǎn)《(圖3 (c)中標(biāo)出)；
3) 在差分直方圖/H^^ (圖3中的(b))上從g開始向右側(cè)尋 找緩慢變化的終點(diǎn)^ (圖3 (c)中標(biāo)出)，直到尸_ (可以由場景中的 先驗(yàn)知識(shí)得到，為目標(biāo)在整個(gè)場景中所占的最大比例，圖3 (c)中標(biāo) 出)止；
4) 當(dāng)77z/取Pj寸會(huì)帶來漏掉部分前景目標(biāo)，當(dāng)77z/取Pj寸會(huì)把部 分背景誤撿測(cè)為前景，為此按照公式(8)進(jìn)行處理，確定適當(dāng)?shù)姆诸?閾值7%/，其中a為大于l的系數(shù)
圖4示出了像素的概率處于不同范圍時(shí)的分割結(jié)果:
(8)
(a) 0SPr(x(^)<戶￡時(shí)的結(jié)果，從圖中可以看出運(yùn)動(dòng)目標(biāo)(行人)
的部分像素出現(xiàn)缺失，但噪音很?。?b)為i^Pr(^),.h尸,時(shí)的結(jié)果，
原來由運(yùn)動(dòng)到靜止的目標(biāo)(欄桿)也被檢測(cè)出來，且存在較多噪聲；(c) 為Pi:(;c(f),^A時(shí)的分割結(jié)果，從圖中可以看出只有少量屬于前景的像
素被檢測(cè)為背景；(d)為釆用公式(8)求取閾值并按照公式(9)進(jìn)行分類 的結(jié)果，運(yùn)動(dòng)目標(biāo)(行人)漏檢測(cè)像素很少，有少量屬于背景的像素被 當(dāng)作前景來檢測(cè)。圖中x軸方向?qū)?yīng)圖像的寬度方向，y軸方向?qū)?yīng) 圖像的高度方向。
5. 像素分類(步驟S110)
依據(jù)像素的概率值，按照下式(9)進(jìn)行分類，如果某一像素的概 率值小于分類閾值7V,則確定該像素為運(yùn)動(dòng)像素，并將該像素輸出至運(yùn)動(dòng)處理單元進(jìn)行處理。
Pr(x(^)〈W ⑨
否則按照第6步進(jìn)行背景更新。 6.背景更新模型(步驟S120)
由公式(3)得到的像素概率，實(shí)際上反映了該像素和背景的相似 程度?？紤]在t時(shí)刻概率Pr(x(A)，顯然如果Pr(x(^)小于分類閾值
7%/，像素x(^為前景，在背景更新時(shí)不做考慮；如果Pr(x(^)大于
分類閾值77z/，像素x(《為背景，可以直接把該像素更新到背景中去， 即按照公式(10)進(jìn)行更新
1zy Pr(x(V).)2 77z/
V V /J (10)
0 e/se
在得到當(dāng)前幀用于更新背景的概率Pi;^A)之后，就可以按照先 入先出的原則順序進(jìn)行更新背景樣本。例如在f-l時(shí)刻更新第/個(gè)像素 的第卜1個(gè)背景樣本斗L,，則在^時(shí)刻更新第z個(gè)像素的第)個(gè)背景
樣本x(A,假設(shè)在卜1時(shí)刻更新第^個(gè)像素的第y-i個(gè)背景樣本
,，貝U/時(shí)刻的樣本更新如公式(11)所示，其中Z:l...M:
々L = Pr* )* x W + (1 - PrA" W,))"(卜(11)
如果更新了第/個(gè)像素的背景樣本，則按照參考文獻(xiàn)[2]中的方法重新 估計(jì)第f個(gè)像素的核寬巧,
例如，在卜l時(shí)刻更新第/個(gè)像素的第9個(gè)背景樣本x(f)"，則在？時(shí)刻更新第/個(gè)像素的第10個(gè)背景樣本x(f),，,。。假設(shè)x(^為130，
P"義WJ為1， 4卜Ou。為l20，則更新后的背景樣本為
:c(f)no=l*130 + (l-1)"20 = 130。
圖5示出了采用背景更新得到的背景和前景檢測(cè)結(jié)果 (a)為原始視頻中的一幀，(b)為該時(shí)刻更新得到的背景，(c)為
采用本文算法得到的分割結(jié)果，圖中的白色像素為檢測(cè)到的運(yùn)動(dòng)目標(biāo)。 按照第7步進(jìn)行背景突變檢測(cè)，并進(jìn)行相應(yīng)的更新。
7.突變背景的檢測(cè)、更新模型(步驟S114、 S116和S118) 設(shè)5(/)、 C(/)、 Z^')分別對(duì)應(yīng)位置像素i的背景像素值、當(dāng)前幀 像素值和前一幀的像素值，其中"7為一個(gè)預(yù)先設(shè)定的小閾值， 用來統(tǒng)計(jì)背景發(fā)生變化的計(jì)數(shù)變量(如公式(12)所示)-'0 (,) + l z/血(C(/)-5(/))>^1 C"(/)=〗 &a^(C(/) —Al (12)
當(dāng)Oz(z')滿足公式(13)時(shí)，則認(rèn)為該像素/是背景，需要以當(dāng)
前像素值C(/)來更新對(duì)應(yīng)位置的背景像素值萬(z')，其中t力i^為更新率
5
(13)
背景更新的快慢取決于更新率t力么由于不涉及復(fù)雜的運(yùn)算，因 此運(yùn)行速度很快。當(dāng)^^取值較小時(shí)，會(huì)把前景更新到背景中去，從
而檢測(cè)不到前景目標(biāo)；當(dāng)更新率較高時(shí)，變化的背景可能不會(huì)得到及 時(shí)更新，誤把背景當(dāng)作前景目標(biāo)。在本發(fā)明中，只是利用上述更新方 案的快速更新特性，作為背景發(fā)生變化的依據(jù)，因此"i"的選擇不易 太高，例如，可以選取以下數(shù)值30 40之間的整數(shù)值，如30、 35、40等。
屬于背景的像素，在背景未被更新之前，可能會(huì)被KDE檢測(cè)為前 景，可以利用這種特性來檢測(cè)背景的顯著變化，如公式(14)所示， 其中B表示背景像素集合，S^用來表示背景發(fā)生突變與否的掩碼，
=1L M
1 ^ " & Pr (x(A ) < 7Tz/ 0 ete
(14)
如果萬^為1，說明背景已經(jīng)發(fā)生了突變。否則，背景沒有發(fā)生 突變。
通過公式(14)所檢測(cè)到的背景發(fā)生突變的像素，不應(yīng)立即作為更 新KDE背景樣本的依據(jù)。突變的背景一般表現(xiàn)為區(qū)域性，面積較大。 為提高系統(tǒng)的魯棒性，對(duì)滿足公式(14)的所有突變像素進(jìn)行連通域分 析，提取連通域的面積、個(gè)數(shù)、最大長度、最大寬度等特征。當(dāng)這些 特征滿足背景突變的條件(例如，連通域的面積大于場景的預(yù)定比例、 個(gè)數(shù)大于場景中的最大目標(biāo)個(gè)數(shù)、最大長度大于場景中的最大目標(biāo)長 度、寬度大于場景中的最大目標(biāo)寬度等)時(shí)，才認(rèn)為背景確實(shí)發(fā)生了 突變，從而減少干擾，提高系統(tǒng)準(zhǔn)確性。
當(dāng)背景確實(shí)發(fā)生突變時(shí)，用當(dāng)前幀開始后的vV幀圖像更新背景中 的樣本，保證背景模型得到及時(shí)更新，提高檢測(cè)的魯棒性。同時(shí)，本 發(fā)明也能解決背景更新中的死鎖情況(deadlock situations)(參見參 考文獻(xiàn)[2， 4])。
圖6是根據(jù)本發(fā)明的自適應(yīng)內(nèi)核密度估計(jì)運(yùn)動(dòng)檢測(cè)裝置的整體方 框圖。
具體地，根據(jù)本發(fā)明的自適應(yīng)內(nèi)核密度估計(jì)運(yùn)動(dòng)檢測(cè)裝置500包 括接收單元510、初始化單元520、概率計(jì)算統(tǒng)計(jì)單元530、分類單 元540、突變背景更新單元550、背景更新單元560和運(yùn)動(dòng)處理單元 570。接收單元510用于接收輸入的視頻幀。初始化單元520用于初始 化背景模型、幀間差分背景模型，以及初始化系統(tǒng)的其他參數(shù)，例如 采樣的視頻幀數(shù)為50。
概率計(jì)算統(tǒng)計(jì)單元530用于針對(duì)當(dāng)前幀的每個(gè)像素，根據(jù)背景樣 本，計(jì)算該像素的內(nèi)核密度估計(jì)概率，并統(tǒng)計(jì)當(dāng)前幀的像素的內(nèi)核密 度估計(jì)概率直方圖。
分類單元540利用內(nèi)核密度估計(jì)概率直方圖自適應(yīng)地求取分類閾 值，如果某一像素的內(nèi)核密度估計(jì)概率小于所述分類閾值，則確定該 像素為前景像素，并將該像素輸出至運(yùn)動(dòng)處理單元570;如果該像素 的內(nèi)核密度估計(jì)概率大于所述分類閾值，則確定該像素為背景像素， 則將該像素輸出至背景更新單元560。
背景更新單元560用于對(duì)內(nèi)核密度估計(jì)概率大于所述分類閾值的 像素進(jìn)行背景更新。在所述背景更新過程中，背景更新單元560按照 先進(jìn)先出的原則順序更新背景樣本。
突變背景更新單元550用于根據(jù)幀間差分背景模型和分類單元的 結(jié)果，判斷是否出現(xiàn)了突變像素，并在突變像素滿足預(yù)定條件時(shí)，對(duì) 突變像素進(jìn)行突變背景更新。
運(yùn)動(dòng)處理單元570用于對(duì)檢測(cè)到的前景像素進(jìn)行連通域分析，并 結(jié)合運(yùn)動(dòng)目標(biāo)的先驗(yàn)知識(shí)，如目標(biāo)的最大和最小寬度、最大和最小高 度、最大和最小面積等，對(duì)于屬于同一個(gè)目標(biāo)的區(qū)域進(jìn)行合并，對(duì)于 屬于不同目標(biāo)的區(qū)域進(jìn)行分割，從而得到完整的運(yùn)動(dòng)目標(biāo)。
至此已經(jīng)結(jié)合優(yōu)選實(shí)施例對(duì)本發(fā)明進(jìn)行了描述。應(yīng)該理解，本領(lǐng) 域技術(shù)人員在不脫離本發(fā)明的精神和范圍的情況下，可以進(jìn)行各種其 它的改變、替換和添加。因此，本發(fā)明的范圍不局限于上述特定實(shí)施 例，而應(yīng)由所附權(quán)利要求所限定。參考文獻(xiàn)列表 M Piccardi, Background subtraction techniques: 'a review. Systems. Man and Cybernetics [J], 2004. 4: 3099-3104; A.Elgammal，D. Hanvood,and L. S.Davis, Non_ parametric model for background subtraction [C]. Proc. ECCV 2000. 751-767; AnuragMittal， NikosParagios. Motion-Based Background Subtraction using Adaptive Kernel Density Estimation. [C]. CVPR， 2004. 11(2): 302-309; Hanzi Wang， David Suter. A consensus-based method for tracking: Modeling background scenario and foreground 卿e眼nce Pattern Recognition. 2007. 40:1091-1105.
權(quán)利要求
1. 一種自適應(yīng)內(nèi)核密度估計(jì)運(yùn)動(dòng)檢測(cè)裝置，包括接收單元，用于接收輸入的視頻幀；初始化單元，用于初始化背景模型和幀間差分背景模型；概率計(jì)算統(tǒng)計(jì)單元，用于針對(duì)當(dāng)前視頻幀的每個(gè)像素，根據(jù)背景樣本，計(jì)算該像素的內(nèi)核密度估計(jì)概率，并統(tǒng)計(jì)當(dāng)前幀的像素的內(nèi)核密度估計(jì)概率直方圖；分類單元，利用內(nèi)核密度估計(jì)概率直方圖自適應(yīng)地求取分類閾值，如果某一像素的內(nèi)核密度估計(jì)概率小于所述分類閾值，則確定該像素為前景像素；否則，該像素為背景像素。
2. 根據(jù)權(quán)利要求1所述的自適應(yīng)內(nèi)核密度估計(jì)運(yùn)動(dòng)檢測(cè)裝置， 其特征在于所述分類單元首先對(duì)內(nèi)核密度估計(jì)概率直方圖進(jìn)行平滑和差分， 得到差分直方圖，然后在差分直方圖上，尋找內(nèi)核密度估計(jì)概率直方 圖變化趨勢(shì)變緩的起點(diǎn)g和緩慢變化的終點(diǎn)A，最后根據(jù)g和A，確 定所述分類閾值。
3. 根據(jù)權(quán)利要求1或2所述的自適應(yīng)內(nèi)核密度估計(jì)運(yùn)動(dòng)檢測(cè)裝 置，其特征在于還包括-背景更新單元，用于對(duì)內(nèi)核密度估計(jì)概率大于所述分類閾值的像 素進(jìn)行背景更新。
4. 根據(jù)權(quán)利要求3所述的自適應(yīng)內(nèi)核密度估計(jì)運(yùn)動(dòng)檢測(cè)裝置， 其特征在于所述背景更新單元按照先進(jìn)先出的原則順序更新背景樣 本。
5. 根據(jù)權(quán)利要求1 4之一所述的自適應(yīng)內(nèi)核密度估計(jì)運(yùn)動(dòng)檢測(cè) 裝置，其特征在于還包括突變背景更新單元，用于根據(jù)幀間差分背景模型和分類單元的結(jié) 果，判斷是否出現(xiàn)了突變像素，并在突變像素滿足預(yù)定條件時(shí)，對(duì)突 變像素進(jìn)行突變背景更新。
6. 根據(jù)權(quán)利要求5所述的自適應(yīng)內(nèi)核密度估計(jì)運(yùn)動(dòng)檢測(cè)裝置， 其特征在于當(dāng)幀間差分背景模型確定一像素為背景，而分類單元確定 該像素為前景時(shí)，所述突變背景更新單元判斷該像素為突變像素。
7. 根據(jù)權(quán)利要求5或6所述的自適應(yīng)內(nèi)核密度估計(jì)運(yùn)動(dòng)檢測(cè)裝 置，其特征在于所述突變背景更新單元對(duì)所有突變像素進(jìn)行連通域分 析，提取連通域的多個(gè)預(yù)定特征，當(dāng)且僅當(dāng)連通域的預(yù)定特征滿足預(yù) 定條件時(shí)，所述突變背景更新單元才對(duì)與該連通域相關(guān)的突變像素進(jìn) 行突變背景更新。
8. 根據(jù)權(quán)利要求7所述的自適應(yīng)內(nèi)核密度估計(jì)運(yùn)動(dòng)檢測(cè)裝置， 其特征在于所述突變背景更新單元以當(dāng)前視頻幀后的預(yù)定多個(gè)視頻幀 來更新背景樣本。
9. 根據(jù)權(quán)利要求1 8之一所述的自適應(yīng)內(nèi)核密度估計(jì)運(yùn)動(dòng)檢測(cè) 裝置，其特征在于還包括運(yùn)動(dòng)處理單元，用于對(duì)檢測(cè)到的前景像素進(jìn)行連通域分析，并結(jié) 合運(yùn)動(dòng)目標(biāo)的先驗(yàn)知識(shí)，對(duì)于屬于同一個(gè)目標(biāo)的區(qū)域進(jìn)行合并，對(duì)于 屬于不同目標(biāo)的區(qū)域進(jìn)行分割，從而得到完整的運(yùn)動(dòng)目標(biāo)。
10. —種自適應(yīng)內(nèi)核密度估計(jì)運(yùn)動(dòng)檢測(cè)方法，包括 接收步驟，接收輸入的視頻幀；初始化步驟，初始化背景模型和幀間差分背景模型； 概率計(jì)算統(tǒng)計(jì)步驟，針對(duì)當(dāng)前視頻幀的每個(gè)像素，根據(jù)背景樣本，計(jì)算該像素的內(nèi)核密度估計(jì)概率，并統(tǒng)計(jì)當(dāng)前幀的像素的內(nèi)核密度估計(jì)概率直方圖；分類步驟，利用內(nèi)核密度估計(jì)概率直方圖自適應(yīng)地求取分類閾 值，如果某一像素的內(nèi)核密度估計(jì)概率小于所述分類閾值，則確定該 像素為前景像素；否則，為背景像素。
11. 根據(jù)權(quán)利要求io所述的自適應(yīng)內(nèi)核密度估計(jì)運(yùn)動(dòng)檢測(cè)方法，其特征在于在所述分類步驟中，首先對(duì)內(nèi)核密度估計(jì)概率直方圖進(jìn)行平滑和 差分，得到差分直方圖，然后在差分直方圖上，尋找內(nèi)核密度估計(jì)概 率直方圖變化趨勢(shì)變緩的起點(diǎn)g和緩慢變化的終點(diǎn)& ，最后根據(jù)A和g，確定所述分類閾值。
12. 根據(jù)權(quán)利要求10或11所述的自適應(yīng)內(nèi)核密度估計(jì)運(yùn)動(dòng)檢測(cè)方法，其特征在于還包括背景更新步驟，對(duì)內(nèi)核密度估計(jì)概率大于所述分類閾值的像素進(jìn) 行背景更新。
13. 根據(jù)權(quán)利要求12所述的自適應(yīng)內(nèi)核密度估計(jì)運(yùn)動(dòng)檢測(cè)方法， 其特征在于在所述背景更新步驟中，按照先進(jìn)先出的原則順序更新背 景樣本。
14. 根據(jù)權(quán)利要求10 13之一所述的自適應(yīng)內(nèi)核密度估計(jì)運(yùn)動(dòng) 檢測(cè)方法，其特征在于還包括突變背景更新步驟，根據(jù)幀間差分背景模型和分類步驟的結(jié)果， 判斷是否出現(xiàn)了突變像素，并在突變像素滿足預(yù)定條件時(shí)，對(duì)突變像 素進(jìn)行突變背景更新。
15. 根據(jù)權(quán)利要求14所述的自適應(yīng)內(nèi)核密度估計(jì)運(yùn)動(dòng)檢測(cè)方法， 其特征在于在所述突變背景更新步驟中，當(dāng)幀間差分背景模型確定一 像素為背景，而分類步驟確定該像素為前景時(shí)，判斷該像素為突變像 素。
16. 根據(jù)權(quán)利要求14或15所述的自適應(yīng)內(nèi)核密度估計(jì)運(yùn)動(dòng)檢測(cè) 方法，其特征在于在所述突變背景更新步驟中，對(duì)所有突變像素進(jìn)行 連通域分析，提取連通域的多個(gè)預(yù)定特征，當(dāng)且僅當(dāng)連通域的預(yù)定特 征滿足預(yù)定條件時(shí)，才對(duì)與該連通域相關(guān)的突變像素進(jìn)行突變背景更 新。
17. 根據(jù)權(quán)利要求16所述的自適應(yīng)內(nèi)核密度估計(jì)運(yùn)動(dòng)檢測(cè)方法， 其特征在于在所述突變背景更新步驟中，以當(dāng)前視頻幀后的預(yù)定多個(gè) 視頻幀來更新背景樣本。
18. 根據(jù)權(quán)利要求10 17之一所述的自適應(yīng)內(nèi)核密度估計(jì)運(yùn)動(dòng) 檢測(cè)方法，其特征在于還包括運(yùn)動(dòng)處理步驟，對(duì)檢測(cè)到的前景像素進(jìn)行連通域分析，并結(jié)合運(yùn) 動(dòng)目標(biāo)的先驗(yàn)知識(shí)，對(duì)于屬于同一個(gè)目標(biāo)的區(qū)域進(jìn)行合并，對(duì)于屬于 不同目標(biāo)的區(qū)域進(jìn)行分割，從而得到完整的運(yùn)動(dòng)目標(biāo)。
全文摘要
本發(fā)明提出了一種自適應(yīng)內(nèi)核密度估計(jì)運(yùn)動(dòng)檢測(cè)裝置和方法。根據(jù)本發(fā)明的自適應(yīng)內(nèi)核密度估計(jì)運(yùn)動(dòng)檢測(cè)裝置包括接收單元，用于接收輸入的視頻幀；初始化單元，用于初始化背景模型和幀間差分背景模型；概率計(jì)算統(tǒng)計(jì)單元，用于針對(duì)當(dāng)前視頻幀的每個(gè)像素，根據(jù)背景樣本，計(jì)算該像素的內(nèi)核密度估計(jì)概率，并統(tǒng)計(jì)當(dāng)前幀的像素的內(nèi)核密度估計(jì)概率直方圖；分類單元，利用內(nèi)核密度估計(jì)概率直方圖自適應(yīng)地求取分類閾值，如果某一像素的內(nèi)核密度估計(jì)概率小于所述閾值，則確定該像素為前景像素，否則該像素為背景像素。
文檔編號(hào)H04N7/26GK101448151SQ20071017822
公開日2009年6月3日 申請(qǐng)日期2007年11月28日 優(yōu)先權(quán)日2007年11月28日
發(fā)明者劉昌平, 劉迎建, 徐東彬, 磊 黃 申請(qǐng)人:漢王科技股份有限公司