[發明專利]基于多級分塊的交通視頻智能識別背景建模方法

有效

• 申請號: 201510955922.2
• 申請日: 2015-12-17
• 公開（公告）號: CN105631405B
• 公開（公告）日: 2018-12-07
• 發明（設計）人: 謝寒;蔣陽升
• 申請（專利權）人: 謝寒;蔣陽升
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06T7/11;G06T7/187;G06T7/194
• 代理公司: 成都頂峰專利事務所(普通合伙) 51224
• 代理人: 任遠高

本發明公開了一種基于多級分塊的交通視頻智能識別背景建模方法，用于解決現有技術中，視頻監控中的背景建模方法對于前景目標物較多或者光線變化的復雜環境效果并不理想。該建模方法主要包括兩個階段：背景訓練和前景提取兩部分，兩個階段順序進行，即首先通過訓練階段得出較為完整的背景模型，再進入前景檢測階段得到前景目標物。在背景訓練中，本實施例融合了幀差法、對稱局部二值法、分塊密碼本算法和分塊法，采用多級的方式來對視頻背景進行訓練。對已經訓練完成的背景采用背景差法提取前景目標物。

技術領域

本發明涉及一種視頻監控中的背景建模方法，尤其是涉及一種基于多級分塊的交通視頻智能識別背景建模方法。

背景技術

在智能視頻監控領域，為了得到較為完整的前景目標物，較多采用背景差法。場景中較為固定的部分被認為是背景，由于前景目標物的存在，直接獲取背景往往不可行，只有通過背景建模的方法來重建背景。因此，背景建模是視頻智能識別的一項關鍵技術。國內外的研究已經提出大量的建模方法。但是，在復雜環境下，如前景目標物較多，背景有擾動的情況下，這些方法得出的前景目標物不太理想，直接導致前景目標物的誤檢、漏檢。特別是在交通場景中，前景目標物較多、天氣變化造成光線突變化等情況較多，使得背景建模和前景識別較為困難。前景目標物誤檢和漏檢直接導致對交通流參數的統計不準確，進而直接導致智能交通監測、交通流預測以及交通事故預警等方面的效率低下。如何通過建立完整的背景模型而獲取較好的前景目標物識別效果在交通視頻智能監控中是非常關鍵的。

目前，背景建模方法建立在統計學基礎上，從不同的層面考慮可以做不同的分類，如從模型參數的角度有關分為參數建模和非參數建模兩類，從建模面積的角度分為像素建模和子塊建模兩類，從時空角度分為時域建模和空域建模兩類等。不同角度的考慮帶來不同建模分類，每個模型從不同的分類屬于不同的類型。現有技術中，使用較多的是結合不同分類的不同模型來構建聯合模型，所得模型的效果較相對單一的模型好。

早期采用較多的方法是均值法和中值法。這兩種方法屬于時域范圍的基于像素的非參數建模方法，由于方法較為簡單，到目前仍然在一定程度上使用。其中，均值法累加多幀像素再對其進行平均，累加的幀數決定了背景的質量；這種方法只需要進行累加，運算速度較快，一般來說，幀數累積越多，重建的背景越接近真實效果，同時圖像越模糊。中值法對多幀視頻像素取中值，需要較大的空間來進行視頻幀的保存。均值法和中值法中對于前景目標較少的視頻，得出的背景較為接近真實背景，然而，對于前景目標物較多的視頻，所得到的背景均出現拖尾現象。之后，Stauffer等的混合高斯模型(Mixture Of Gaussian，MOG)出現，這種時域范圍的基于像素的參數方法由于其采用學習策略來適應背景變化，相比之前的方法有較大改進，得到廣泛使用。MOG模型采用多個高斯模型來描述單個像素，通過每個高斯模型的參數更新來適應背景的逐漸變化。但是，混合高斯模型比較適合緩慢變化的背景，而對變化劇烈背景(如光照、天氣的劇烈變化)容易把背景和噪聲檢測為前景目標，而且算法較為復雜，參數建模所需運算量巨大，所需時間較多，同時需要保存視頻幀，所需空間較大。