[發明專利]一種貝葉斯?全概率聯合估計模型的運動目標前景檢測方法

在審

• 申請號: 201710025770.5
• 申請日: 2017-01-13
• 公開（公告）號: CN106846356A
• 公開（公告）日: 2017-06-13
• 發明（設計）人: 葛偉;陳志浩;陳林
• 申請（專利權）人: 廣東萬安科技股份有限公司
• 主分類號: G06T7/207
• 分類號: G06T7/207;G06T7/194;G06T7/90
• 代理公司: 廣州市華學知識產權代理有限公司44245
• 代理人: 羅觀祥

1.一種貝葉斯‐全概率運動目標前景檢測方法，其特征在于包括如下步驟：

(1)背景、前景信息特征選取

對于運動目標的背景對象，利用貝葉斯估計法則，特征向量ξ_t來自背景b和前景f的后驗概率滿足：

$\left\{\begin{array}{c}p\left(c\right|{\mathrm{\ξ}}_t)=\frac{p\left({\mathrm{\ξ}}_t\right|c,\mathrm{\ψ})p(c,\mathrm{\ψ})}{p({\mathrm{\ξ}}_t,\mathrm{\ψ})},c=borf\\ P\left({\mathrm{\ξ}}_t\right|\mathrm{\ψ})=P\left({\mathrm{\ξ}}_t\right|b,\mathrm{\ψ})\·P\left(b\right|\mathrm{\ψ})+P\left({\mathrm{\ξ}}_t\right|f,\mathrm{\ψ})\·P\left(f\right|\mathrm{\ψ})\end{array}\right.---(2-1)$

如果特征向量滿足：

$\left\{\begin{array}{c}P\left({\mathrm{\ξ}}_t\right|b,\mathrm{\ψ})\>P\left({\mathrm{\ξ}}_t\right|f,\mathrm{\ψ})\\ P\left(b\right|\mathrm{\ψ})\>P\left(f\right|\mathrm{\ψ})\end{array}\right.---(2-2)$

則把這個像素歸為背景，其中ψ為像素點；

當背景中出現大量的前景物體時，背景將長時間被前景物體覆蓋，導致(2‐2)式中的兩個條件并不能得到滿足，為在擁堵背景環境下更好地分離前景和背景，引入背景誤差控制變量，將式(2‐2)變為：

P(ξ_t|b,ψ)＞P(ξ_t|f,ψ)-ε₁，P(b|ψ)＞P(f|ψ)-ε₂ (2‐3)

其中ε_i,i＝1,2，稱為背景誤差控制變量；

把式(2‐1)與全概率公式代入式(2‐3)得到如下BTP‐JE模型：

2P(ξ_t|b,ψ)·P(b|ψ)＞P(ξ_t|ψ)+P(ξ_t|b,ψ)ε₁-(1-P(b|ψ))ε₂ (2‐4)

對于L位n維的特征向量，P(ξ_t|ψ)或P(ξ_t|b,ψ)的聯合直方圖包含Lⁿ個bins；

令i＝1,2,...,N為特征直方圖中的前N個bins并按降序排列，對于給定的比例值M₁，M₂＝1-M₁，存在比較小的正整數N₁，滿足：

$\left\{\begin{array}{c}\underset{i=1}{\overset{N_1}{\Σ}}P\left({\mathrm{\ξ}}_t^i\right|b,\mathrm{\ψ})\>M_1\\ \underset{i=1}{\overset{N_1}{\Σ}}P\left({\mathrm{\ξ}}_t^i\right|f,\mathrm{\ψ})\<M_2\end{array}\right.---(2-5)$

自然地，N值依賴于所選取的特征向量和位數L，對于每一種特征向量，用表示特征統計表，其中i＝1,2,...N₂(N₂＞N₁)，記錄了在像素ψ(x,y)，時刻t處N₂個最重要的值，表中的每一個元素由三個部分組成：

$\left\{\begin{array}{c}{p}_{\mathrm{\ξ}}^{t,i}=P({\mathrm{\ξ}}_t^i,\mathrm{\ψ}),\\ p_{\mathrm{\ξ}b}^{t,i}=P\left({\mathrm{\ξ}}_t^{i+1}\right|b,\mathrm{\ψ}),\\ {\mathrm{\ξ}}_t^i={\[a_1^i,...,a_n^i\]}^T.\end{array}\right.---(2-6)$

當一個像素與穩定的背景相關時，選取顏色作為特征向量，采用HSV顏色空間對圖像進行處理，ξ_t用ω_t＝[h_t,s_t,v_t]^T代替；當像素與運動背景相關時，顏色共生特性被選為特征向量，ξ_t用ωω_t＝[h_t-1,s_t-1,v_t-1,h_t,s_t,v_t]^T代替；

(2)背景和前景像素點的分類

時間差分將變化的像素分為兩種類型，如果F_td(ψ,t)＝1，這個像素被認為是運動的像素，且屬于運動的物體，否則它是一個與靜止物體有關的像素；進一步單獨劃分為背景或前景；對于靜止的像素或運動的像素，將特征向量ξ_t與前N₁個從對應背景的特征統計表格中獲取的特征向量做比較，重新獲取相似特征；令得到條件概率公式(1‐7)：

$P\left(b|\mathrm{\ψ}\right)=p_b^{\mathrm{\ψ},t},P\left({\mathrm{\ξ}}_t|\mathrm{\ψ}\right)={\mathrm{\Σ}}_{j\∈M\left({\mathrm{\ξ}}_t\right)}{p}_{\mathrm{\ξ}}^{\mathrm{\ψ},t,j},P\left({\mathrm{\ξ}}_t|b,\mathrm{\ψ}\right)={\mathrm{\Σ}}_{j\∈M\left({\mathrm{\ξ}}_t\right)}{p}_{\mathrm{\ξ}b}^{\mathrm{\ψ},t,j}---\left(1-7\right)$

中匹配特征集合定義為：

$M\left({\mathrm{\ξ}}_t\right)=\{k:\∀m\∈\{1,...,n\},|a_m-a_m^k|\≤\mathrm{\δ}\}---(1-8)$

其中δ為控制變量；

(3)前景物體的提取

利用形態學運算去除離散的點，輸出圖像O(ψ,t)，提取前景物體；用特征向量ξ_t將像素分類前景或背景，對應特征統計用式(1‐9)更新：

其中i＝1,2,...N₂，α₂稱之為學習速率，用來控制特征學習的速度；當在t時刻，從最后分離反饋為ψ(x,y)為背景，則否則當式(1‐7)中的ξ_tⁱ和ξ_t相匹配時，否則如果沒有中的元素和ξ_t匹配時，則表中的第N₂個元素變為：

$p_{\mathrm{\ξ}}^{\mathrm{\ψ},t+1,N_2}={\mathrm{\α}}_2,p_{\mathrm{\ξ}b}^{\mathrm{\ψ},t+1,N_2}={\mathrm{\α}}_2,{\mathrm{\ξ}}_t^{N_2}={\mathrm{\ξ}}_t---(1-10)$

當背景突然變化時，新的背景特征出現，且在變化后立即占據主導地位；由式(1‐3)和(1‐5)得，當滿足條件(1‐11)時，在ψ(x,y)處檢測到新的背景特征；

$P\left(f\right|\mathrm{\ψ})\underset{i=1}{\overset{N_1}{\Σ}}P\left({\mathrm{\ξ}}_t^i\right|f,\mathrm{\ψ})\>T---(1-11)$

其中T是一個比率值，決定什么時候新的特征被認為是背景；由式(1‐1)和式(1‐6)，式(1‐11)將演變成

當背景突然變化時，新的背景特征隨即出現，則特征統計用以下式子進行更新：

$\left\{\begin{array}{c}{p}_b^{\mathrm{\ψ},t+1}=1-p_b^{\mathrm{\ψ},t}\\ p_{\mathrm{\ξ}}^{\mathrm{\ψ},t+1,i}=(1-{\mathrm{\α}}_2)p_b^{\mathrm{\ψ},t,i}+{\mathrm{\α}}_2{M}_{\mathrm{\ξ}}^{\mathrm{\ψ},t,i}\\ p_{\mathrm{\ξ}b}^{\mathrm{\ψ},t+1,i}=(p_{\mathrm{\ξ}}^{\mathrm{\ψ},t,i}-p_b^{\mathrm{\ψ},t}\·p_{\mathrm{\ξ}b}^{\mathrm{\ψ},t,i})/p_b^{\mathrm{\ψ},t+1}\end{array}\right.---(1-13)$

(4)學習速率α₂的選取

收斂于1；同時，學習速率參數α₂滿足關系其中n為測試視頻的幀數，T為測試視頻時間；

(5)更新參考背景圖像

如果ψ為無關緊要變化的像素點，則B_ω(ψ,t+1)＝(1-α₁)B_ω(ψ,t)+α₁I_ω(ψ,t)被用來對背景進行更新，其中ω∈(h,s,v)，α₁為無限脈沖反應濾波參數；如果O(ψ,t)＝0，F_td(ψ,t)＝1或者F_bd(ψ,t)＝1，B_ω(ψ,t+1)＝I_ω(ψ,t),ω∈(h,s,v)則被用來對參考背景進行更新，這樣參考圖像就能夠適應背景的突然變化。