[發明專利]一種背景差分和前景探測的方法

有效

• 申請號: 201611121727.0
• 申請日: 2016-12-08
• 公開（公告）號: CN106709906B
• 公開（公告）日: 2019-07-23
• 發明（設計）人: 袁志勇;張貴安;童倩倩
• 申請（專利權）人: 武漢大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/194
• 代理公司: 武漢科皓知識產權代理事務所(特殊普通合伙) 42222
• 代理人: 魏波

本發明公開了一種背景差分和前景探測的方法，首先構建米諾向量，用于保存每個像素的參考數據和統計信息；定義背景圖像的每一個位置的動態性，設定動態等級級數，根據動態等級劃分規則，將動態性歸屬為某一動態等級；采用動態KDE算法獲取最優帶寬；給每一個像素設計一個自適應的閾值，閾值的取值與像素的動態性相關；利用俄羅斯方塊更新方案對米諾向量中的參考數據最底層進行消除操作，從而消除噪聲干擾，提高了參考數據的質量。實驗結果表明了該新方法在前景探測應用上的有效性，和最新方法相比，在三項指標中有一項優于所有方法，其他兩項略低于最新方法。

技術領域

本發明屬于計算機視覺技術領域，尤其涉及一種在準確高效的背景差分和前景檢測建模的方法。

背景技術

在計算機視覺應用中，準確的背景差分模型是前景提取的一個基本且重要的步驟。通常情況下，在觀察和評估一個待分類的圖像之前，通過集合和研究一系列連續的圖像即可生成初始化的背景模型。但是這種選取一個固定參考窗口的方法對靜態背景可能奏效，卻忽視了對具有動態性變化范圍的動態背景的研究。對于固定參考窗口的大小，設定一個上限值可以避免對動態背景的遺漏，但是會增加計算負擔尤其是有復雜計算成分的(如高斯)。通過對有動態性的背景進行分析發現，動態部分往往占據整個背景的一部分，或者說，整個背景可利用動態性分成不同的級別。根據區域所屬的動靜級別的不同而設定不同的閾值，動態區域，比如搖擺的樹葉，蕩漾的水波等，在面對一個新的像素要決定其是否為背景時，具有一個比較寬的容忍度，可以接納的范圍比較大，從而可以設定為較大的閾值；而靜態區域(也稱之為穩定區域)的變化范圍較窄，在是否接受一個新的像素為背景時顯得比較謹慎，通常只有非常靠近它的主體范圍時才會被考慮，否則被歸類為前景。因此，此時的閾值在充分考慮到實際的情形，即有時超出一個小的范圍也是可以的，應該設為較小的值，以滿足穩定的背景區域偶爾的波動。

在過去的十年里，如何保持一個穩定的背景模型，準確建立表征靜態或動態場景中對象的外觀(通常指背景差分)吸引了眾多研究者的關注。最初，背景差分模型的原理是簡單的計算兩個圖像幀之間的差別(文獻1)，其中一個幀是單純的背景圖像，另一個則是當前幀。但是這種簡單的計算在遇到背景變化時會發生錯誤。因此，面對數據集的不確定性，研究者們提出了基于統計學的技術來分析背景模型。Wren等人使用了一個單一高斯來對背景建模(文獻2)，假設場景對Pfinder是相對靜止的。但Stauffer和Grimson等人發現Pfinder對于室外場景并不起效(文獻3)，他們使用混合高斯來對像素值建模，該方法對后來的諸多改進方法是具有里程碑式意義的(文獻4-8)。這些改進的方法在很多場景中取得了很多進展。然而，研究者往往無法通過參數化的方法來對自然場景的特征建模。Elgammal等人選擇一個正態函數作為核函數(文獻9)，然后通過假設帶寬為對角矩陣來降低計算概率密度P_r的復雜度，并且通過平均絕對偏差來評估樣本像素的連續灰度值。對于一個在t時刻的像素，他們給P_r(x_t)設置了一個全局閾值th。如果P_r(x_t)<th，該像素被認為是前景否則為背景。Elgammal等人結合了兩種更新機制(選擇更新和盲更新)用于更新模型，并且計算檢測結果的交集來消除錯誤的前景。Mittall和Paragios(文獻10)等人定義了一個由球形估計算子和樣本點估計算子(文獻11)組成的混合密度估計量。在分類過程中，他們使用了一種統計近似方法(如采樣方法)來獲得一個增量的自適應閾值從而實現較低的錯誤警示和高的檢測率。Yaser Sheikh和Mubarak Shah等人認為(文獻12)，空間上鄰近像素的相關性是很重要，他們顯式地對背景和前景建模，該方法對動態元素如相機振動，水波等取得了高質量的檢測結果。除了這些統計方法，研究者還提出了很多其他方法，如光流法(文獻13)，超像素法(文獻14)，動態紋理發(文獻15、16)，二進制模型(文獻17、18)，套索法(文獻19)等。