[發明專利]一種視頻圖像目標的智能化分割方法

有效

• 申請號: 201911187932.0
• 申請日: 2019-11-28
• 公開（公告）號: CN111160099B
• 公開（公告）日: 2023-03-24
• 發明（設計）人: 林欣郁;鄒建紅;張毅;高元榮;陳米思;肖曉柏;朱含杉;陳華輝;陳思添;謝月萍
• 申請（專利權）人: 福建省星云大數據應用服務有限公司
• 主分類號: G06V20/40
• 分類號: G06V20/40;H04N7/18
• 代理公司: 福州市京華專利代理事務所(普通合伙) 35212
• 代理人: 林燕

1.一種視頻圖像目標的智能化分割方法，其特征在于：采用背景模型建立階段和前景檢測階段交替進行的方式，包括如下步驟：

步驟1：設監控視頻的幀率為fFPS，幀序號為n，T₁和T₂分別為背景模型建立階段和前景檢測階段的周期；

當1≤n≤T₁f時，為建立背景模型建立階段；

當T₁f≤n≤(T₁+T₂)f時，為前景檢測階段；

步驟2：將像素x_n＝(R,G,B)的像素值由RGB顏色空間轉換到YUV顏色空間，得到亮度分量Y_n和兩個色差分量U_n、V_n，轉換公式如下：

步驟3：建立基于像素值時間序列聚類的背景模型，包括：

計算待檢測像素與聚類中心的亮度距離和色差距離；

確定閾值；

尋找與待檢測像素匹配的聚類中心；

若存在匹配的聚類中心，則將待檢測像素歸為聚類中心代表的類別，并更新聚類中心；若不存在匹配的聚類中心或聚類中心集合為空集，則創建一個新的聚類中心，同時更新其他聚類中心；

對背景建模周期內的視頻幀重復執行上述步驟；

濾除最大連續未獲匹配時間長度超過閾值的聚類中心，得到聚類中心集合的背景模型，背景模型建立階段結束，轉到步驟4；

步驟4：前景檢測階段，包括：

在背景模型中尋找與待檢測像素匹配的聚類中心；

若存在匹配的聚類中心，則視待檢測像素為背景，并更新背景模型；

若不存在匹配的聚類中心，則視待檢測像素為前景；

對前景檢測周期內的視頻幀重復執行上述步驟；

前景檢測階段結束，轉到步驟3。

2.如權利要求1所述的一種視頻圖像目標的智能化分割方法，其特征在于：

所述步驟3，具體包括：

參數初始化：n＝1，L＝0，其中L表示背景模型中聚類中心的數目，對幀號從1到T₁f的每一幀圖像進行以下循環操作：

(i)計算亮度距離和色差距離；

亮度距離為：YUV空間中的兩像素色差距離等于一個像素到過另一個像素且與Y軸平行的直線的垂線段的長度；

色差距離為：YUV空間中的兩像素亮度距離等于它們的亮度分量的比值與1的差的絕對值；

設待檢測像素x_m與背景模型聚類中心c_i的連線與Y軸平行，則它們的U、V分量分別相等，亮度距離f₁為：

色差距離f₂為：

f₂(x_m,c_i)＝0 (3)

待檢測像素x'_m與聚類中心c_i的亮度距離f₁為：

色差距離f₂為：

(ii)確定閾值：

選取固定攝像機在一個時間段內的監控視頻，并從視頻圖像中選取固定的三個像素位置A、B、C作為采樣點，每5分鐘記錄一次各采樣點的像素值并轉換到YUV空間；設采樣點A的像素值序列為(Y_j,U_j,V_j),j＝1,2,…,M，聚類中心的像素值為通過求極值方式求解公式(6)、(7)，即可確定采樣點A的聚類中心

A點處亮度距離閾值的計算公式為：

A點處色差距離閾值的計算公式為：

同理，可根據采樣點B、C的像素值序列計算采樣點B、C處的亮度閾值和色差閾值d_1B、d_2B、d_1C、d_2C；進一步，得到亮度距離閾值d₁和色差距離閾值d₂：

(iii)尋找與x_n匹配的聚類中心；匹配條件如公式(12)所示；在聚類中心集合C_n-1＝{c_i|i＝1,2,…,L}中，聚類中心c_i的亮度為色差分量為和當環境光照發生變化時，像素值在經過背景模型聚類中心c_i且與Y軸近似平行的直線上移動；若檢測到像素值與c_i的亮度距離小于閾值d₁，則判斷此像素為背景像素；判斷像素值是否位于過c_i且與Y軸近似平行的直線上的條件是它們的色差距離是否小于閾值d₂；當c_i確定后，通過與之匹配而判斷為背景像素的待檢測像素的集合構成一個半徑為d₂、高度為2d₁、中心為c_i的圓柱體；

(iv)若存在匹配的聚類中心c_i，則將x_n歸為第i類背景像素，并更新c_i：

其中，α、β分別為亮度分量和色差分量的學習速率；同時更新其它未獲得匹配的聚類中心c_j：τ_jc←τ_jc+1，τ_jh←max{τ_jh,τ_jc}，1≤j≤L且j≠i；τ_jc表示包含當前幀在內的最近一段未獲匹配圖像序列的幀數，τ_jh表示整個背景建模周期T₁內所有未獲匹配圖像序列的幀數的最大值；設某像素在周期T₁內共有m段未獲匹配圖像序列，各段序列的幀數分別為(τ_jc)_j，則：

(v)若不存在匹配的聚類中心或則L←L+1，創建一個新的聚類中心c_L＝x_n，τ_Lh←n-1，τ_Lc←0；同時更新其他聚類中心c_j：τ_jc←τ_jc+1，τ_jh←max{τ_jh,τ_jc}，1≤j≤L-1；

利用公式(15)濾除那些最大連續未獲匹配時間長度超過閾值d₃的聚類中心，背景建模階段結束，得到聚類中心集合C_n的背景模型，

C_n←{c_i|c_i∈C_n,τ_ih＜d₃} (15)

其中，閾值d₃是根據實驗數據確定的；設采樣點A的背景模型為C_A，聚類中心數目為L_A，各聚類中心的最大連續未獲匹配時間長度為τ_i,i＝1,2,…,L_A，其最大值為：

在時間段T₁f內從采樣點A多次經過，時間隨機，得到采樣點A的背景模型C'_A，聚類中心數目為L'_A，各聚類中心的最大連續未獲匹配時間長度為τ'_i,i＝1,2,…,L'_A，則最大連續未獲匹配時間長度的閾值為：

同理，可根據采樣點B、C的像素值序列計算采樣點B、C處的最大連續未獲匹配時間長度的閾值d_3B、d_3C，則：

由于隨機因素的影響導致多次實驗計算得到的d₃取值不盡相同，也可按照經驗將d₃的值設置為背景建模階段幀數的一半，即：

背景模型建立階段結束，轉到步驟4的前景檢測階段。

3.如權利要求2所述的一種視頻圖像目標的智能化分割方法，其特征在于：

所述步驟4，具體包括：

對幀號從T₁f到(T₁+T₂)f的每一幀圖像進行以下循環操作：

(i)在背景模型C_n-1＝{c_i|i＝1,2,…,L}中尋找與待檢測像素x_n匹配的聚類中心，匹配條件為：

其中，d₄表示亮度距離閾值，d₅表示色差距離閾值；檢測階段的亮度距離閾值、色差距離閾值可以和建模階段的取值不同，即允許d₄≠d₁、d₅≠d₂；

(ii)若存在匹配的聚類中心c_i，則視x_n為背景，并更新背景模型：

(iii)若不存在匹配的聚類中心，則視x_n為前景；

前景檢測階段結束，轉到步驟3的背景模型建立階段。