[發(fā)明專利]一種貝葉斯?全概率聯(lián)合估計模型的運動目標前景檢測方法

在審

• 申請?zhí)枺?/td>: 201710025770.5
• 申請日: 2017-01-13
• 公開（公告）號: CN106846356A
• 公開（公告）日: 2017-06-13
• 發(fā)明（設(shè)計）人: 葛偉;陳志浩;陳林
• 申請（專利權(quán)）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(xué)知識產(chǎn)權(quán)代理有限公司44245
• 代理人: 羅觀祥

技術(shù)領(lǐng)域

本發(fā)明涉及運動目標前景檢測方法，特別是涉及貝葉斯-全概率聯(lián)合估計模型的運動目標前景檢測方法，屬于圖像信息處理技術(shù)領(lǐng)域。

背景技術(shù)

在視頻處理中，背景一般由靜止和周期性運動的對象組成。但是，隨著時間的變化，背景可能經(jīng)歷兩種不同類型的變化，其中之一是由自然光線引起的變化，例如，從白天到黑夜照明的變化；另外，則是一些突發(fā)的環(huán)境變化。突發(fā)變化又分為全局突發(fā)變化和局部突發(fā)變化，全局突發(fā)變化可能由開關(guān)燈，天氣突然轉(zhuǎn)陰，照相機的視角發(fā)生變化等引起的；局部突變化則可能是因為移除或者新增了某些背景物體，例如，把一張椅子移動到不同的位置，除此之外，前景物體可能轉(zhuǎn)化為背景物體，例如汽車駛?cè)胪＼噲霾⑼？俊Ｒ虼耍尘暗牟煌糠謶?yīng)該由不同類型的特征描述。

傳統(tǒng)的前景檢測算法能夠較好地檢測出簡單視頻場景的運動目標，然而當視頻背景變得復(fù)雜時并不能準確的分割出前景目標。因此，為了建立一個能夠適應(yīng)大部分場景的前景檢測模型，本發(fā)明提出BTP‐JE模型(即貝葉斯‐全概率聯(lián)合估計模型)。貝葉斯模型是一種不確定性知識的推理和描述，在圖像分割中發(fā)揮著重要的作用。貝葉斯采用“逆概率”思想，推算出特征向量屬于背景或前景的概率，而全概率則是計算在某一像素點，出現(xiàn)某一特征的概率。通過對貝葉斯準則和全概率公式的結(jié)合，能夠很好地檢測處于復(fù)雜背景中的運動物體。

發(fā)明內(nèi)容

本發(fā)明目的是通過改進傳統(tǒng)方法，滿足復(fù)雜背景情況下運動目標前景檢測的準確性，提供一種貝葉斯‐全概率估計模型的運動目標前景檢測方法。

為實現(xiàn)上述目的，本發(fā)明采用如下技術(shù)方案：

一種貝葉斯‐全概率運動目標前景檢測方法，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：

如果特征向量滿足：

則把這個像素歸為背景，其中ψ為像素點；

當背景中出現(xiàn)大量的前景物體時，背景將長時間被前景物體覆蓋，導(dǎo)致(2‐2)式中的兩個條件并不能得到滿足，為在擁堵背景環(huán)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?yōu)椋?/p>

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(lián)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(shù)N₁，滿足：

自然地，N值依賴于所選取的特征向量和位數(shù)L，對于每一種特征向量，用表示特征統(tǒng)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：

當一個像素與穩(wěn)定的背景相關(guān)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(guān)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