[發(fā)明專利]一種視頻圖像目標(biāo)的智能化分割方法

有效

• 申請?zhí)枺?/td>: 201911187932.0
• 申請日: 2019-11-28
• 公開（公告）號: CN111160099B
• 公開（公告）日: 2023-03-24
• 發(fā)明（設(shè)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(quán)）人: 福建省星云大數(shù)據(jù)應(yīng)用服務(wù)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(wù)所(普通合伙) 35212
• 代理人: 林燕

1.一種視頻圖像目標(biāo)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(jìn)行的方式，包括如下步驟：

步驟1：設(shè)監(jiān)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(dāng)1≤n≤T₁f時，為建立背景模型建立階段；

當(dāng)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(zhuǎn)換到Y(jié)UV顏色空間，得到亮度分量Y_n和兩個色差分量U_n、V_n，轉(zhuǎn)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(chuàng)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(nèi)的視頻幀重復(fù)執(zhí)行上述步驟；

濾除最大連續(xù)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(jié)束，轉(zhuǎn)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(nèi)的視頻幀重復(fù)執(zhí)行上述步驟；

前景檢測階段結(jié)束，轉(zhuǎn)到步驟3。

2.如權(quán)利要求1所述的一種視頻圖像目標(biāo)的智能化分割方法，其特征在于：

所述步驟3，具體包括：

參數(shù)初始化：n＝1，L＝0，其中L表示背景模型中聚類中心的數(shù)目，對幀號從1到T₁f的每一幀圖像進(jìn)行以下循環(huán)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(shè)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(nèi)的監(jiān)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(zhuǎn)換到Y(jié)UV空間；設(shè)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(jù)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(jìn)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(dāng)環(huán)境光照發(fā)生變化時，像素值在經(jīng)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(dāng)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(gòu)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(xué)習(xí)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(dāng)前幀在內(nèi)的最近一段未獲匹配圖像序列的幀數(shù)，τ_jh表示整個背景建模周期T₁內(nèi)所有未獲匹配圖像序列的幀數(shù)的最大值；設(shè)某像素在周期T₁內(nèi)共有m段未獲匹配圖像序列，各段序列的幀數(shù)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(chuàng)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(xù)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(jié)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(jù)實驗數(shù)據(jù)確定的；設(shè)采樣點A的背景模型為C_A，聚類中心數(shù)目為L_A，各聚類中心的最大連續(xù)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(nèi)從采樣點A多次經(jīng)過，時間隨機，得到采樣點A的背景模型C'_A，聚類中心數(shù)目為L'_A，各聚類中心的最大連續(xù)未獲匹配時間長度為τ'_i,i＝1,2,…,L'_A，則最大連續(xù)未獲匹配時間長度的閾值為：

同理，可根據(jù)采樣點B、C的像素值序列計算采樣點B、C處的最大連續(xù)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(dǎo)致多次實驗計算得到的d₃取值不盡相同，也可按照經(jīng)驗將d₃的值設(shè)置為背景建模階段幀數(shù)的一半，即：

背景模型建立階段結(jié)束，轉(zhuǎn)到步驟4的前景檢測階段。

3.如權(quán)利要求2所述的一種視頻圖像目標(biāo)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(jìn)行以下循環(huán)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(jié)束，轉(zhuǎn)到步驟3的背景模型建立階段。