一种基于Codebook背景差分法的前景检测方法
一种基于Codebook背景差分法的前景检测方法
【专利摘要】本发明公开了一种基于Codebook背景差分法的前景检测方法，包括如下步骤：对视频序列进行预处理，并对目标边缘进行增强；对预处理后的视频序列利用Codebook方法进行背景建模；利用Codebook方法对该视频序列进行背景更新；将当前帧与背景帧通过Codebook背景差分法进行前景检测，获得当前场景中的运动目标，本发明实现了对高压输电线路异物入侵的前景检测，比传统的目标检测算法具有更高的精确度和鲁棒性。
【专利说明】—种基于Codebook背景差分法的前景检测方法
【技术领域】
[0001]本发明涉及一种基于Codebook背景差分法的前景检测方法，特别是涉及一种对高压输电线路异物入侵的基于Codebook背景差分法的前景检测方法。
【背景技术】
[0002]高压输电线路是电力系统的重要设施，作为电网的核心组成部分，其安全性和可靠性关乎到整个电力系统的稳定。智能电网要求在线监测系统引进视频监控技术，实现高压输电线路实时监测的目标。传统的人工巡线方式受巡检人员的主观因素影响较大，容易出现漏检和误检等情况，难以保证检测结果的准确性。同时会耗费大量人力物力，不能满足实时在线监测的要求。不能及时有效的排除输电线路及杆塔的安全隐患，导致输电线路及杆塔时常会有故障发生，诸如输电线路断线、杆塔倾斜等严重的电网安全事故，造成重大国民经济损失。
[0003]动态系统下视频监控过程的整体框架一般包括以下几个步骤:系统环境建模、运动目标检测、目标分类、目标跟踪、目标行为理解和多摄像机信息融合。而目标检测的目的是在图像序列中把运动目标(例如吊车等异物)对应的检测区域分割出来。在提取出前景目标(运动目标)后，只需要把注意力放在前景区域的处理上，而可以不去考虑其他不包含有用信息的区域。然而MOG (高斯混合模型)和非参数模型由于内存的限制，不能应用在长时间需要大量抽样背景情形下，比如丛林中刮大风，下大雪场景等，不适用于高压输电线路的前景检测。
【发明内容】
[0004]为克服上述现有技术存在的不足，本发明之一目的在于提供一种基于Codebook背景差分法的前景检测方法，其通过对于每一个像素建立一个编码本，统计像素值的统计信息，通过对像素值历史所在区域的统计来建立像素值的分布区域，并以当前帧对应像素的值相对于分布区域的位置来区分像素值是属于前景目标还是背景，实现了对高压输电线路异物入侵的前景检测，比传统的目标检测算法具有更高的精确度和鲁棒性。
[0005]为达上述及其它目的，本发明提出一种基于Codebook背景差分法的前景检测方法，包括如下步骤:
[0006]步骤一，对视频序列进行预处理，并对目标边缘进行增强；
[0007]步骤二，对预处理后的视频序列利用Codebook方法进行背景建模；
[0008]步骤三,利用Codebook方法对该视频序列进行背景更新；
[0009]步骤四，将当前帧与背景帧通过Codebook背景差分法进行前景检测，获得当前场景中的运动目标。
[0010]进一步地,步骤二进一步包括如下步骤:
[0011]步骤2.1，对视频序列中的每个像素建立一个编码本，该编码本由一些boxes组成；[0012]步骤2.2，在每一个轴上的每一个box用两组阈值进行定义，该两组阈值为边界阈值和学习阈值，每一组阈值均由两个元素组成，分别为最大值和最小值；
[0013]步骤2.3，如果像素(x，y)在新的背景模型B的值B(x,y)落到像素(x，y)的第i
个box的学习阈值之间，则第i个box的边界阈值μ将膨胀以包含进新背景模型的值B(x，y)，而学习阈值则根据新值B(x，y)的边界(B(x，y)-g，B(x，y)+g)与学习阈值
(Ti——
I,TIeiim —λ)的位置关系进行调整；[0014]步骤2.4，如果新的背景样本B(x，y)在像素(x，y)的N个box的学习阈值之外，将开始产生一个新的box,像素(X，y)的第N+1个box来对新的值进行存储。
[0015]进一步地,在步骤2.3中，当B(x，y)_g ,\、千T1leum j时，z减一，否则不变，当
B0i>y)+g大于T/L? —A时，—A加一，否则也不变，其中g为学习范围阈值，表不box的学习范围。
[0016]进一步地，新建的box的最大边界阈值与最小边界阈值相等，均等
于当前背景模型值B(x，y)，而最大学习阈值T=,.；1— h和最小学习阈值;分别初始化为B(x；y)+g和B(x，y)_g,其中g为box的学习范围。
[0017]进一步地，学习阈值的范围大于边界阈值的范围，box的学习阈值包含边界阈值。
[0018]进一步地,步骤三包括box的建立和陈旧的box的删除两个步骤,该box的建立与步骤二中建立新box的过程相同。
[0019]进一步地，该陈旧box的删除的步骤以消极时间为依据，每一个box具有一个状态变量Tleave,用于记录最近一次新测量值进入该box距离现在的时间，称其为消极时间，当消极时间超过所设定的阈值Tlast时，则把该box从背景模型中删除。
[0020]进一步地，阈值Tlast的值为背景建模时学习时间或帧数的一半。
[0021]进一步地，于步骤四中，将当前帧中(x，y)位置的像素值F(x，y)与背景模型中相同位置的像素的N个boxes进行范围比对操作以区分当前像素是属于前景目标还是背景。
[0022]进一步地，通过对当前帧中每一个像素进行相同的操作，即可获得一个二值前景图像掩膜Fmask,其中像素值为255的区域代表前景目标区域，像素值为O的区域代表背景区域。
[0023]与现有技术相比，本发明一种基于Codebook背景差分法的前景检测方法通过对于每一个像素建立一个编码本，统计像素值的统计信息，通过对像素值历史所在区域的统计来建立像素值的分布区域，并以当前帧对应像素的值相对于分布区域的位置来区分像素值是属于前景目标还是背景，实现了对高压输电线路异物入侵的前景检测，比传统的目标检测算法具有更高的精确度和鲁棒性。
【专利附图】
【附图说明】
[0024]图1为本发明一种基于Codebook背景差分法的前景检测方法的步骤流程图；
[0025]图2为本发明较佳实施例的整体流程图。【具体实施方式】
[0026]以下通过特定的具体实例并结合【专利附图】
【附图说明】本发明的实施方式，本领域技术人员可由本说明书所揭示的内容轻易地了解本发明的其它优点与功效。本发明亦可通过其它不同的具体实例加以施行或应用，本说明书中的各项细节亦可基于不同观点与应用，在不背离本发明的精神下进行各种修饰与变更。
[0027]图1为本发明一种基于Codebook背景差分法的前景检测方法的步骤流程图。如图1所示，本发明一种基于Codebook背景差分法的前景检测方法，包括如下步骤:
[0028]步骤101，对视频序列进行预处理，除去噪声等无用信息，并对目标边缘进行增强。
[0029]步骤102，对预处理后的视频序列利用Codebook方法进行背景建模。
[0030]具体地说,步骤102包括如下步骤:
[0031]步骤2.1，对视频序列中的每个像素建立一个编码本(Codebook)，包括一个或者一组码元。编码本Codebook由一些boxes组成，boxes可以理解为像素值的一个动态的区间范围，这些boxes包含很长时间不变的像素值。需说明的是，在本发明较佳实施例中，Codebook方法是对每个像素点进行抽样，根据颜色扭曲尺度和亮度边界聚类到码本集合，并不是所有的像素点拥有相同数量的码本数量。通过码本表示的聚类子不需要对应单个高斯或者其他的参数分布(即使在某个像素点的分布是单一高斯分布的)，而是利用对应那个像素的一些码本。
[0032]步骤2.2，在每一个轴上的每一个box用两组阈值(边界阈值和学习阈值)进行定义。每一组阈值均由两个元素组成，分别为最大值和最小值，即box由以下四个阈值进行定义，最大边界阈值TbM h、最小边界阈值Tbra l、最大学习阈值Tleam h、最小学习阈值Tleam l，其中学习阈值的范围要大于边界阈值的范围，box的学习阈值包含边界阈值。
[0033]步骤2.3，如果像素(X，y)在新的背景模型B的值B(x，y)落到像素(x，y)的第i个
(i=0, L…，N) box的学习阈值之间，则第i个box的边界阈值7；将膨胀以包含进
新背景模型的值8(?)，而学习阈值则根据新值B(x，y)的边界(B(x，y)-g，B(x，y)+g)与学习
阈值?_ —/，7；.—Λ)的位置关系进行调整，当B(d-g小于时，TL'nj减一，否
则不变，当^时，Ilra J加一，否则也不变，其中g为学习范围阈值，表示box的学习范围，经验值为10。
[0034]步骤2.4，如果新的背景样本B(x，y)在像素(x，y)的N个box的学习阈值之外，将开始产生一个新的box,像素(X，y)的第N+1个box来对新的值进行存储。新建的box的最大
边界阈值^+^与最小边界阈值T=Z1z相等，均等于当前背景模型值B(x，y)，而最大学习阈
值和最小学习阈值分别初始化为B(x，y)+g和B(x，y)_g，其中g为box的学习范围，同样采用10。
[0035]步骤103，利用Codebook方法对视频序列进行背景更新，即建立好实时更新的背景模型。背景更新主要包括如下两个步骤:box的建立和陈旧的box的删除。CodeBook背景更新中增加新box的过程与背景建模时建立新box的过程相同，这里不再重复。陈旧box的删除，以消极时间为依据，每一个box具有一个状态变量T1mtc，用于记录最近一次新测量值进入该box距离现在的时间(或帧数)，称其为消极时间。当消极时间超过所设定的阈值Tlast时，则把该box从背景模型中删除，这里设定Tlast的值为背景建模时学习时间(或帧数)的一半。
[0036]步骤104，将当前帧与背景帧通过Codebook背景差分法进行前景检测，就可以获得当前场景中的运动目标。在建立好了实时更新的背景模型后，通过使用当前帧与背景帧进行“做差”，就可以获得当前场景中的运动目标。在CodeBook背景差分法中，其“做差”的方法与中值和均值法的做差有所不同。在中值法(或均值法)中，其做差的操作是逐帧对像素值进行减操作，把像素灰度值的差值的绝对值作为结果像素值，而在CodeBook背景差分法中，是把当前帧中(X，y)位置的像素值F(x，y)，与背景模型中相同位置的像素的N个boxes进行范围比对操作。
[0037]通过对比当前值？(?)是否在背景模型中某一个box的边界阈值范围内，来区
分当前像素是属于前景目标还是背景。通过对当前帧中每一个像素进行相同的操作，即可获得一个二值前景图像掩膜Fmask,其中像素值为255的区域代表前景目标区域，像素值为O的区域代表背景区域。
[0038]以下将通过一具体 实施例来进一步说明本发明:高压输电线路下的异物入侵(如吊车等)会对高压输电线路造成危险。目前影响输电线路(电网)安全和稳定的主要因素之一就是在输电线路附近存在的多种外力破坏隐患，其中主要包括线路保护的警戒区域内的异物入侵，违章建筑、取土与采石，吊车野蛮施工、自然灾害和树木灾害等，克服外力破坏是目前线路安全和稳定的关键因素，更是线路巡视维护的主要工作。
[0039]因此，为了实时准确地检测出异物，本实施例主要采用如下方案:首先，利用CodeBook方法形成一个Codebook (编码本)以描绘背景中像素的起伏，将一个像素当前的观测值和先前的观测值做比较，如果两个值很接近，则它就被判定为是先前观测值所表示的那种颜色下的扰动，如果两个值不接近，则产生一组新的与该像素相关的码本。结果可以想象为一束漂浮在颜色空间的斑点，每一个斑点代表一个像素值的范围。本发明构造的背景能够克服扰动的背景物体，并能够很好的检测出缓慢运动的目标。
[0040]图2为本发明较佳实施例的整体流程图。其包括CodeBook背景建模、背景更新及CodeBook前景检测技术，其中，背景初始化是否成功以背景学习阈值为依据，当建立背景所使用的连续图像帧的数量超过背景学习阈值时，判定背景初始化成功，根据场景的情况来选择背景建模所需的学习帧数，经验帧数为50-300帧；是否背景更新的判断依据为背景更新阈值，采用更新计数器对从上一次背景更新时刻到当前时刻所经过的帧数(时间)进行记录，当计数器的记录超过更新阈值时，用新模型代替旧模型，实现背景更新，更新阈值设为3-5 秒。
[0041 ] 如图2所示，本实施例的流程为:
[0042](I)获取视频序列，转至(2 )或直接转至(7 );
[0043](2)进行Codebook背景建模,转至(3)；
[0044](3)判断是否初始化成功，若成功，转至(4)，否则转至(2)；
[0045](4)确定是否背景更新，若需要背景更新，则转至(5)，否则转至(6)；[0046](5) Codebook 背景更新,转至(6);
[0047](6)建立背景模型，转至(7)；
[0048](7 ) Codebook 前景提取，转至(8 );
[0049](8)判断目标前景。
[0050]综上所述，本发明一种基于Codebook背景差分法的前景检测方法通过对于每一个像素建立一个编码本，统计像素值的统计信息，通过对像素值历史所在区域的统计来建立像素值的分布区域，并以当前帧对应像素的值相对于分布区域的位置来区分像素值是属于前景目标还是背景，实现了对高压输电线路异物入侵的前景检测，比传统的目标检测算法具有更高的精确度和鲁棒性。
[0051]本发明具有如下优点:
[0052](I)在不影响分割效果的前提下，对背景模型进行高度压缩，从而大大降低了计算量和存储空间；多个实验数据表明，为一段5分钟、速度为30fps的室外视频片段建立码本模型，平均每个像素只需要6.5个码字；
[0053](2)因为光线的变化通常体现在亮度上，因此采用亮度和色度分开计算的方法，简单而又有效地解决了局部或全局光线变化对背景产生的影响；
[0054](3)码本构建阶段允许前景的存在，但不会对前景建模；背景分割阶段引入缓冲码本进行更新，自适应性较好。
[0055]上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何本领域技术人员均可在不违背本发明的精神及范畴下，对上述实施例进行修饰与改变。因此，本发明的权利保护范围，应如权利要求书所列。
【权利要求】
1.一种基于Codebook背景差分法的前景检测方法，包括如下步骤: 步骤一，对视频序列进行预处理，并对目标边缘进行增强； 步骤二，对预处理后的视频序列利用Codebook方法进行背景建模； 步骤三，利用Codebook方法对该视频序列进行背景更新； 步骤四，将当前帧与背景帧通过Codebook背景差分法进行前景检测，获得当前场景中的运动目标。
2.如权利要求1所述的一种基于Codebook背景差分法的前景检测方法，其特征在于，步骤二进一步包括如下步骤: 步骤2.1，对视频序列中的每个像素建立一个编码本，该编码本由一些boxes组成；步骤2.2，在每一个轴上的每一个box用两组阈值进行定义，该两组阈值为边界阈值和学习阈值，每一组阈值均由两个元素组成，分别为最大值和最小值； 步骤2.3，如果像素(x，y)在新的背景模型B的值B(x，y)落到像素(x，y)的第i个box的学习阈值之间，则第i个box的边界阈值将膨胀以包含进新背景模型的值B(x，y)，而学习阈值则根据新值B(x，y)的边界(B(x，y)-g，B(x，y)+g)与学习阈值CIearn — I，^Iearn —U的位置关系进行调整； 步骤2.4，如果新的背景样本8(?)在像素(x，y)的N个box的学习阈值之外，将开始产生一个新的box,像素(X，y)的第N+1个box来对新的值进行存储。
3.如权利要求2所述的一种基于Codebook背景差分法的前景检测方法，其特征在于:在步骤 2.3 中，当 B(x，y)-g 小于 T1lettrn — z 时，Tleum — 1 减一，否则不变，当 B(x，y)+g 大千T1leurn — h时，— /(加一，否则也不变，其中S为学习范围阈值，表不box的学习范围。
4.如权利要求3所述的一种基于Codebook背景差分法的前景检测方法,其特征在于:新建的box的最大边界阈值T=τ+—与最小边界阈值7；'^相等，均等于当前背景模型值B(x,y)，而最大学习阈值T=,.；1— h和最小学习阈值T=,.；1—；分别初始化为B(?)+g和B(?)-g，其中g为box的学习范围。
5.如权利要求2所述的一种基于Codebook背景差分法的前景检测方法,其特征在于:学习阈值的范围大于边界阈值的范围，box的学习阈值包含边界阈值。
6.如权利要求2所述的一种基于Codebook背景差分法的前景检测方法,其特征在于:步骤三包括box的建立和陈旧的box的删除两个步骤,该box的建立与步骤二中建立新box的过程相同。
7.如权利要求6所述的一种基于Codebook背景差分法的前景检测方法,其特征在于:该陈旧box的删除的步骤以消极时间为依据，每一个box具有一个状态变量Tleave,用于记录最近一次新测量值进入该box距离现在 的时间，称其为消极时间，当消极时间超过所设定的阈值Tlast时，则把该box从背景模型中删除。
8.如权利要求7所述的一种基于Codebook背景差分法的前景检测方法,其特征在于:阈值Tlast的值为背景建模时学习时间或帧数的一半。
9.如权利要求2所述的一种基于Codebook背景差分法的前景检测方法，其特征在于:于步骤四中，将当前帧中(x，y)位置的像素值F(x，y)与背景模型中相同位置的像素的N个boxes进行范围比对操作以区分当前像素是属于前景目标还是背景。
10.如权利要求9所述的一种基于Codebook背景差分法的前景检测方法,其特征在于:通过对当前帧中每一个像素进行相同的操作，即可获得一个二值前景图像掩膜Fmask,其中像素值为255的区 域代表前景目标区域，像素值为O的区域代表背景区域。
【文档编号】G06T7/20GK103914842SQ201410136069
【公开日】2014年7月9日 申请日期:2014年4月4日 优先权日:2014年4月4日
【发明者】程伟臻, 徐漫涛, 程武超, 王雪松, 赵德明, 姚晓龙 申请人:上海电机学院
【专利摘要】本发明公开了一种基于Codebook背景差分法的前景检测方法，包括如下步骤：对视频序列进行预处理，并对目标边缘进行增强；对预处理后的视频序列利用Codebook方法进行背景建模；利用Codebook方法对该视频序列进行背景更新；将当前帧与背景帧通过Codebook背景差分法进行前景检测，获得当前场景中的运动目标，本发明实现了对高压输电线路异物入侵的前景检测，比传统的目标检测算法具有更高的精确度和鲁棒性。
【专利说明】—种基于Codebook背景差分法的前景检测方法
【技术领域】
[0001]本发明涉及一种基于Codebook背景差分法的前景检测方法，特别是涉及一种对高压输电线路异物入侵的基于Codebook背景差分法的前景检测方法。
【背景技术】
[0002]高压输电线路是电力系统的重要设施，作为电网的核心组成部分，其安全性和可靠性关乎到整个电力系统的稳定。智能电网要求在线监测系统引进视频监控技术，实现高压输电线路实时监测的目标。传统的人工巡线方式受巡检人员的主观因素影响较大，容易出现漏检和误检等情况，难以保证检测结果的准确性。同时会耗费大量人力物力，不能满足实时在线监测的要求。不能及时有效的排除输电线路及杆塔的安全隐患，导致输电线路及杆塔时常会有故障发生，诸如输电线路断线、杆塔倾斜等严重的电网安全事故，造成重大国民经济损失。
[0003]动态系统下视频监控过程的整体框架一般包括以下几个步骤:系统环境建模、运动目标检测、目标分类、目标跟踪、目标行为理解和多摄像机信息融合。而目标检测的目的是在图像序列中把运动目标(例如吊车等异物)对应的检测区域分割出来。在提取出前景目标(运动目标)后，只需要把注意力放在前景区域的处理上，而可以不去考虑其他不包含有用信息的区域。然而MOG (高斯混合模型)和非参数模型由于内存的限制，不能应用在长时间需要大量抽样背景情形下，比如丛林中刮大风，下大雪场景等，不适用于高压输电线路的前景检测。
【发明内容】
[0004]为克服上述现有技术存在的不足，本发明之一目的在于提供一种基于Codebook背景差分法的前景检测方法，其通过对于每一个像素建立一个编码本，统计像素值的统计信息，通过对像素值历史所在区域的统计来建立像素值的分布区域，并以当前帧对应像素的值相对于分布区域的位置来区分像素值是属于前景目标还是背景，实现了对高压输电线路异物入侵的前景检测，比传统的目标检测算法具有更高的精确度和鲁棒性。
[0005]为达上述及其它目的，本发明提出一种基于Codebook背景差分法的前景检测方法，包括如下步骤:
[0006]步骤一，对视频序列进行预处理，并对目标边缘进行增强；
[0007]步骤二，对预处理后的视频序列利用Codebook方法进行背景建模；
[0008]步骤三,利用Codebook方法对该视频序列进行背景更新；
[0009]步骤四，将当前帧与背景帧通过Codebook背景差分法进行前景检测，获得当前场景中的运动目标。
[0010]进一步地,步骤二进一步包括如下步骤:
[0011]步骤2.1，对视频序列中的每个像素建立一个编码本，该编码本由一些boxes组成；[0012]步骤2.2，在每一个轴上的每一个box用两组阈值进行定义，该两组阈值为边界阈值和学习阈值，每一组阈值均由两个元素组成，分别为最大值和最小值；
[0013]步骤2.3，如果像素(x，y)在新的背景模型B的值B(x,y)落到像素(x，y)的第i
个box的学习阈值之间，则第i个box的边界阈值μ将膨胀以包含进新背景模型的值B(x，y)，而学习阈值则根据新值B(x，y)的边界(B(x，y)-g，B(x，y)+g)与学习阈值
(Ti——
I,TIeiim —λ)的位置关系进行调整；[0014]步骤2.4，如果新的背景样本B(x，y)在像素(x，y)的N个box的学习阈值之外，将开始产生一个新的box,像素(X，y)的第N+1个box来对新的值进行存储。
[0015]进一步地,在步骤2.3中，当B(x，y)_g ,\、千T1leum j时，z减一，否则不变，当
B0i>y)+g大于T/L? —A时，—A加一，否则也不变，其中g为学习范围阈值，表不box的学习范围。
[0016]进一步地，新建的box的最大边界阈值与最小边界阈值相等，均等
于当前背景模型值B(x，y)，而最大学习阈值T=,.；1— h和最小学习阈值;分别初始化为B(x；y)+g和B(x，y)_g,其中g为box的学习范围。
[0017]进一步地，学习阈值的范围大于边界阈值的范围，box的学习阈值包含边界阈值。
[0018]进一步地,步骤三包括box的建立和陈旧的box的删除两个步骤,该box的建立与步骤二中建立新box的过程相同。
[0019]进一步地，该陈旧box的删除的步骤以消极时间为依据，每一个box具有一个状态变量Tleave,用于记录最近一次新测量值进入该box距离现在的时间，称其为消极时间，当消极时间超过所设定的阈值Tlast时，则把该box从背景模型中删除。
[0020]进一步地，阈值Tlast的值为背景建模时学习时间或帧数的一半。
[0021]进一步地，于步骤四中，将当前帧中(x，y)位置的像素值F(x，y)与背景模型中相同位置的像素的N个boxes进行范围比对操作以区分当前像素是属于前景目标还是背景。
[0022]进一步地，通过对当前帧中每一个像素进行相同的操作，即可获得一个二值前景图像掩膜Fmask,其中像素值为255的区域代表前景目标区域，像素值为O的区域代表背景区域。
[0023]与现有技术相比，本发明一种基于Codebook背景差分法的前景检测方法通过对于每一个像素建立一个编码本，统计像素值的统计信息，通过对像素值历史所在区域的统计来建立像素值的分布区域，并以当前帧对应像素的值相对于分布区域的位置来区分像素值是属于前景目标还是背景，实现了对高压输电线路异物入侵的前景检测，比传统的目标检测算法具有更高的精确度和鲁棒性。
【专利附图】
【附图说明】
[0024]图1为本发明一种基于Codebook背景差分法的前景检测方法的步骤流程图；
[0025]图2为本发明较佳实施例的整体流程图。【具体实施方式】
[0026]以下通过特定的具体实例并结合【专利附图】
【附图说明】本发明的实施方式，本领域技术人员可由本说明书所揭示的内容轻易地了解本发明的其它优点与功效。本发明亦可通过其它不同的具体实例加以施行或应用，本说明书中的各项细节亦可基于不同观点与应用，在不背离本发明的精神下进行各种修饰与变更。
[0027]图1为本发明一种基于Codebook背景差分法的前景检测方法的步骤流程图。如图1所示，本发明一种基于Codebook背景差分法的前景检测方法，包括如下步骤:
[0028]步骤101，对视频序列进行预处理，除去噪声等无用信息，并对目标边缘进行增强。
[0029]步骤102，对预处理后的视频序列利用Codebook方法进行背景建模。
[0030]具体地说,步骤102包括如下步骤:
[0031]步骤2.1，对视频序列中的每个像素建立一个编码本(Codebook)，包括一个或者一组码元。编码本Codebook由一些boxes组成，boxes可以理解为像素值的一个动态的区间范围，这些boxes包含很长时间不变的像素值。需说明的是，在本发明较佳实施例中，Codebook方法是对每个像素点进行抽样，根据颜色扭曲尺度和亮度边界聚类到码本集合，并不是所有的像素点拥有相同数量的码本数量。通过码本表示的聚类子不需要对应单个高斯或者其他的参数分布(即使在某个像素点的分布是单一高斯分布的)，而是利用对应那个像素的一些码本。
[0032]步骤2.2，在每一个轴上的每一个box用两组阈值(边界阈值和学习阈值)进行定义。每一组阈值均由两个元素组成，分别为最大值和最小值，即box由以下四个阈值进行定义，最大边界阈值TbM h、最小边界阈值Tbra l、最大学习阈值Tleam h、最小学习阈值Tleam l，其中学习阈值的范围要大于边界阈值的范围，box的学习阈值包含边界阈值。
[0033]步骤2.3，如果像素(X，y)在新的背景模型B的值B(x，y)落到像素(x，y)的第i个
(i=0, L…，N) box的学习阈值之间，则第i个box的边界阈值7；将膨胀以包含进
新背景模型的值8(?)，而学习阈值则根据新值B(x，y)的边界(B(x，y)-g，B(x，y)+g)与学习
阈值?_ —/，7；.—Λ)的位置关系进行调整，当B(d-g小于时，TL'nj减一，否
则不变，当^时，Ilra J加一，否则也不变，其中g为学习范围阈值，表示box的学习范围，经验值为10。
[0034]步骤2.4，如果新的背景样本B(x，y)在像素(x，y)的N个box的学习阈值之外，将开始产生一个新的box,像素(X，y)的第N+1个box来对新的值进行存储。新建的box的最大
边界阈值^+^与最小边界阈值T=Z1z相等，均等于当前背景模型值B(x，y)，而最大学习阈
值和最小学习阈值分别初始化为B(x，y)+g和B(x，y)_g，其中g为box的学习范围，同样采用10。
[0035]步骤103，利用Codebook方法对视频序列进行背景更新，即建立好实时更新的背景模型。背景更新主要包括如下两个步骤:box的建立和陈旧的box的删除。CodeBook背景更新中增加新box的过程与背景建模时建立新box的过程相同，这里不再重复。陈旧box的删除，以消极时间为依据，每一个box具有一个状态变量T1mtc，用于记录最近一次新测量值进入该box距离现在的时间(或帧数)，称其为消极时间。当消极时间超过所设定的阈值Tlast时，则把该box从背景模型中删除，这里设定Tlast的值为背景建模时学习时间(或帧数)的一半。
[0036]步骤104，将当前帧与背景帧通过Codebook背景差分法进行前景检测，就可以获得当前场景中的运动目标。在建立好了实时更新的背景模型后，通过使用当前帧与背景帧进行“做差”，就可以获得当前场景中的运动目标。在CodeBook背景差分法中，其“做差”的方法与中值和均值法的做差有所不同。在中值法(或均值法)中，其做差的操作是逐帧对像素值进行减操作，把像素灰度值的差值的绝对值作为结果像素值，而在CodeBook背景差分法中，是把当前帧中(X，y)位置的像素值F(x，y)，与背景模型中相同位置的像素的N个boxes进行范围比对操作。
[0037]通过对比当前值？(?)是否在背景模型中某一个box的边界阈值范围内，来区
分当前像素是属于前景目标还是背景。通过对当前帧中每一个像素进行相同的操作，即可获得一个二值前景图像掩膜Fmask,其中像素值为255的区域代表前景目标区域，像素值为O的区域代表背景区域。
[0038]以下将通过一具体 实施例来进一步说明本发明:高压输电线路下的异物入侵(如吊车等)会对高压输电线路造成危险。目前影响输电线路(电网)安全和稳定的主要因素之一就是在输电线路附近存在的多种外力破坏隐患，其中主要包括线路保护的警戒区域内的异物入侵，违章建筑、取土与采石，吊车野蛮施工、自然灾害和树木灾害等，克服外力破坏是目前线路安全和稳定的关键因素，更是线路巡视维护的主要工作。
[0039]因此，为了实时准确地检测出异物，本实施例主要采用如下方案:首先，利用CodeBook方法形成一个Codebook (编码本)以描绘背景中像素的起伏，将一个像素当前的观测值和先前的观测值做比较，如果两个值很接近，则它就被判定为是先前观测值所表示的那种颜色下的扰动，如果两个值不接近，则产生一组新的与该像素相关的码本。结果可以想象为一束漂浮在颜色空间的斑点，每一个斑点代表一个像素值的范围。本发明构造的背景能够克服扰动的背景物体，并能够很好的检测出缓慢运动的目标。
[0040]图2为本发明较佳实施例的整体流程图。其包括CodeBook背景建模、背景更新及CodeBook前景检测技术，其中，背景初始化是否成功以背景学习阈值为依据，当建立背景所使用的连续图像帧的数量超过背景学习阈值时，判定背景初始化成功，根据场景的情况来选择背景建模所需的学习帧数，经验帧数为50-300帧；是否背景更新的判断依据为背景更新阈值，采用更新计数器对从上一次背景更新时刻到当前时刻所经过的帧数(时间)进行记录，当计数器的记录超过更新阈值时，用新模型代替旧模型，实现背景更新，更新阈值设为3-5 秒。
[0041 ] 如图2所示，本实施例的流程为:
[0042](I)获取视频序列，转至(2 )或直接转至(7 );
[0043](2)进行Codebook背景建模,转至(3)；
[0044](3)判断是否初始化成功，若成功，转至(4)，否则转至(2)；
[0045](4)确定是否背景更新，若需要背景更新，则转至(5)，否则转至(6)；[0046](5) Codebook 背景更新,转至(6);
[0047](6)建立背景模型，转至(7)；
[0048](7 ) Codebook 前景提取，转至(8 );
[0049](8)判断目标前景。
[0050]综上所述，本发明一种基于Codebook背景差分法的前景检测方法通过对于每一个像素建立一个编码本，统计像素值的统计信息，通过对像素值历史所在区域的统计来建立像素值的分布区域，并以当前帧对应像素的值相对于分布区域的位置来区分像素值是属于前景目标还是背景，实现了对高压输电线路异物入侵的前景检测，比传统的目标检测算法具有更高的精确度和鲁棒性。
[0051]本发明具有如下优点:
[0052](I)在不影响分割效果的前提下，对背景模型进行高度压缩，从而大大降低了计算量和存储空间；多个实验数据表明，为一段5分钟、速度为30fps的室外视频片段建立码本模型，平均每个像素只需要6.5个码字；
[0053](2)因为光线的变化通常体现在亮度上，因此采用亮度和色度分开计算的方法，简单而又有效地解决了局部或全局光线变化对背景产生的影响；
[0054](3)码本构建阶段允许前景的存在，但不会对前景建模；背景分割阶段引入缓冲码本进行更新，自适应性较好。
[0055]上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何本领域技术人员均可在不违背本发明的精神及范畴下，对上述实施例进行修饰与改变。因此，本发明的权利保护范围，应如权利要求书所列。
【权利要求】
1.一种基于Codebook背景差分法的前景检测方法，包括如下步骤: 步骤一，对视频序列进行预处理，并对目标边缘进行增强； 步骤二，对预处理后的视频序列利用Codebook方法进行背景建模； 步骤三，利用Codebook方法对该视频序列进行背景更新； 步骤四，将当前帧与背景帧通过Codebook背景差分法进行前景检测，获得当前场景中的运动目标。
2.如权利要求1所述的一种基于Codebook背景差分法的前景检测方法，其特征在于，步骤二进一步包括如下步骤: 步骤2.1，对视频序列中的每个像素建立一个编码本，该编码本由一些boxes组成；步骤2.2，在每一个轴上的每一个box用两组阈值进行定义，该两组阈值为边界阈值和学习阈值，每一组阈值均由两个元素组成，分别为最大值和最小值； 步骤2.3，如果像素(x，y)在新的背景模型B的值B(x，y)落到像素(x，y)的第i个box的学习阈值之间，则第i个box的边界阈值将膨胀以包含进新背景模型的值B(x，y)，而学习阈值则根据新值B(x，y)的边界(B(x，y)-g，B(x，y)+g)与学习阈值CIearn — I，^Iearn —U的位置关系进行调整； 步骤2.4，如果新的背景样本8(?)在像素(x，y)的N个box的学习阈值之外，将开始产生一个新的box,像素(X，y)的第N+1个box来对新的值进行存储。
3.如权利要求2所述的一种基于Codebook背景差分法的前景检测方法，其特征在于:在步骤 2.3 中，当 B(x，y)-g 小于 T1lettrn — z 时，Tleum — 1 减一，否则不变，当 B(x，y)+g 大千T1leurn — h时，— /(加一，否则也不变，其中S为学习范围阈值，表不box的学习范围。
4.如权利要求3所述的一种基于Codebook背景差分法的前景检测方法,其特征在于:新建的box的最大边界阈值T=τ+—与最小边界阈值7；'^相等，均等于当前背景模型值B(x,y)，而最大学习阈值T=,.；1— h和最小学习阈值T=,.；1—；分别初始化为B(?)+g和B(?)-g，其中g为box的学习范围。
5.如权利要求2所述的一种基于Codebook背景差分法的前景检测方法,其特征在于:学习阈值的范围大于边界阈值的范围，box的学习阈值包含边界阈值。
6.如权利要求2所述的一种基于Codebook背景差分法的前景检测方法,其特征在于:步骤三包括box的建立和陈旧的box的删除两个步骤,该box的建立与步骤二中建立新box的过程相同。
7.如权利要求6所述的一种基于Codebook背景差分法的前景检测方法,其特征在于:该陈旧box的删除的步骤以消极时间为依据，每一个box具有一个状态变量Tleave,用于记录最近一次新测量值进入该box距离现在 的时间，称其为消极时间，当消极时间超过所设定的阈值Tlast时，则把该box从背景模型中删除。
8.如权利要求7所述的一种基于Codebook背景差分法的前景检测方法,其特征在于:阈值Tlast的值为背景建模时学习时间或帧数的一半。
9.如权利要求2所述的一种基于Codebook背景差分法的前景检测方法，其特征在于:于步骤四中，将当前帧中(x，y)位置的像素值F(x，y)与背景模型中相同位置的像素的N个boxes进行范围比对操作以区分当前像素是属于前景目标还是背景。
10.如权利要求9所述的一种基于Codebook背景差分法的前景检测方法,其特征在于:通过对当前帧中每一个像素进行相同的操作，即可获得一个二值前景图像掩膜Fmask,其中像素值为255的区 域代表前景目标区域，像素值为O的区域代表背景区域。
【文档编号】G06T7/20GK103914842SQ201410136069
【公开日】2014年7月9日 申请日期:2014年4月4日 优先权日:2014年4月4日
【发明者】程伟臻, 徐漫涛, 程武超, 王雪松, 赵德明, 姚晓龙 申请人:上海电机学院
相关技术
网友询问留言
已有0条留言
- 还没有人留言评论。精彩留言会获得点赞！
1