一种基于邻域特征和灰度信息的背景建模方法
【专利说明】-种基于邻域特征和灰度信息的背景建模方法
[0001] 本发明属于智能视频监控领域，特别地设及一种基于邻域特征和灰度信息的背景 建模方法。
【背景技术】
[0002] 背景建模算法是智能视频监控邻域的一种常用算法，主要可W用来提取视频中的 前景目标，W便对视频进行目标识别，行为检测等智能化分析。它根据输入视频通过建模的 方法得到监控场景的背景，然后利用当前图像与背景进行比较得到前景目标。典型的背景 建模算法有:帖间差法，均值函数法，中值函数法，高斯背景建模，W4算法，码书模型算法，基 于贝叶斯统计的模型算法，内核密度估计算法，meanshift算法等。
[0003] 虽然现在已经有很多不同的背景建模方法，背景建模的效果也在不断提升，但是 仍然不能满足实际工程应用的需要。运里主要有两方面的原因：1)实际的视频场景存在光 照变化，背景扰动等不确定因素，使得基于像素点本身的背景建模很难获得良好的鲁棒性； 2)实际应用中，背景建模算法往往作为某些智能化分析算法(如目标识别）的前置算法，计 算复杂度要严格控制，给后续算法留出足够的计算时间。
[0004] 所W，设计一种既具有较高的鲁棒性，又快速高效的背景建模方法，是很多智能监 控邻域技术人员努力的方向。
【发明内容】
[0005] 为解决上述问题，本发明的目的在于提供了一种基于邻域特征和灰度信息的背景 建模方法。该方法通过利用像素点的邻域特征，对背景的光照变化和扰动具有较高的鲁棒 性，同时计算复杂度可W满足实时智能视频监控系统的需求。
[0006] 为实现上述目的，本发明的技术方案为：一种基于邻域特征和灰度信息的背景建 模方法，该方法为：
[0007] 步骤1:输入视频序列的第一帖，对每个像素点（x，y)利用邻域特征算子计算第一 帖的邻域特征向量。
[000引步骤2:根据第一帖的邻域特征向量，初始化背景邻域特征模型；根据第一帖中的 像素点的灰度值，初始化背景灰度模型；
[0009] 步骤3:输入视频序列的下一帖，对于运一帖中的每个像素点(x，y)，利用邻域特征 算子计算该点在运一帖中的邻域特征向量；
[0010] 步骤4:用运一帖中的邻域特征向量与上一帖的背景邻域特征模型比较，计算两者 的相似度，若相似度小于阔值TneighbDr，则判断该点为前景点；反之，若相似度大于或等于阔 值Tneighbnr，则分为两种情况:1 )若该点在运一帖中的邻域特征向量属于非平滑类型，则将该 点判断为背景点;2)若该点在运一帖中的邻域特征向量属于平滑类型，则进入步骤5。
[0011] 步骤5:取该点在运一帖中的灰度值，与上一帖的背景灰度模型计算相似度。若相 似度小于阔值Tgray，则判断该点为前景点；若相似度大于或等于阔值Tgray，则判断该点为背 景点。
[0012] 步骤6:根据步骤3-5的判断结果，对上一帖的背景邻域特征模型和背景灰度模型 进行更新；
[0013] 步骤7:重复步骤3-6，直到视频的最后一帖。
[0014] 进一步的，上述步骤中的邻域特征向量vv(x，y)通过W下的邻域特征算子计算得 到：
[001引（1)对于像素点（X，y)，将它的灰度值I(x，y)与每个8邻域像素的灰度值I(x+i，y+ j)带入如下公式计算得到二进制邻域特征码code(i，j):
[0016]
[0017]上述公式中，TcDde是可调阔值参数。对于每个邻域像素，得到的是2个比特位的二 进制特征码。由于一共要与8个邻域像素进行比较，所W -共得到2X8 = 16比特的二进制邻 域特征码。
[001引（2)对(1)中得到的8个2比特二进制特征码，经过串联得到长度为16比特的邻域特 征向量p(.v，>·)，串联顺序是：?像素(x，y)为中屯、的8邻域像素，从左上角的像素(x-l，y-l) 开始，按顺时针方向串联。
[0019]进一步的，所述步骤帥的背景邻域特征模型Mneighbor(X，y)和背景灰度模型Mgray (x，y)，通过W下方法初始化：
[0020] (1)对于像素点(x，y)，Wn个邻域特征向量^^1，吗，…成，的集合作为此点的背景邻域 特征模型，记为：聲。gASw托舟=巧，％…馬}。
[0021] (2)对于视频序列中第一帖的每个像素点（x，y)，计算其邻域特征向量并复制η份 组成集合啦6^46^^，7)，作为初始的背景邻域特征模型。
[0022] (3)对于像素点（x，y)，W其m个历史灰度值Ιι，?2，···，Ι"的集合作为此点的背景灰 度模型，记为:Mgray(X，y) = {ll，l2，一，Im}。
[0023] (4)对于视频序列中第一帖的每个像素点（x，y)，取其灰度值并复制m份组成集合 Mgray(X，y)，作为初始的背景灰度模型。
[0024] 进一步的，所述步骤4中的像素点邻域特征m..r)与背景邻域特征模型MneighborU， y)的相似度5山。6础6。,山7)，具体通过^下步骤计算得到：
[002引（1)对于像素点(X，y)的邻域特征向量吨W，)，从该点的背景邻域特征模型Mneighbor (X，y)中取一个邻域特征向量巧，通过W下方法判定种X，内与巧·是否是相似的邻域特征：
[0026] i〇') = v〇r，3；)A巧 巧巨必姆占。,-托-V)=巧，V··，巧,}
[0027] 上述公式中，t(i)是一个16位二进制数。对t(i)的16个比特位进行统计，若有 dneighbor个及其W上的比特位是1，则判定列·?，的与巧不相似，即S ( i ) = 0 ;若只有dneighbor个W 下坏包含dneighbor个)的比特位是1，则判定巧V，Γ)与巧是相似的邻域特征，即S ( i ) = 1。
[002引（2)利用如下公式计算像素点（x，y)的邻域特征向量i^(.v，.v)与该点的背景邻域特 征模型Mneighbw ( X，y )的相似度：
[0029]
[0030] 进一步的，所述步骤4中的邻域特征向量Γ?.ν,.ν)是否为平滑类型，通过W下方法判 断：
[0031] 对于P(.v〇.·)的16个比特位，统计值为1的比特个数，若值为1的比特数小于等于 Tsmooth个，则判定该邻域特征向量P(.Y，y)为平滑类型；反之，则判断该邻域特征向量巧>一，） 为非平滑类型。
[0032] 进一步的，所述步骤5中的像素点（x，y)处的灰度值与背景灰度模型Mgray(x，y)的 相似度Simgray(X，y)，具体通过W下公式计算得到：
[0035] 其中，dgray是可调阔值。
[0036] 进一步的，所述步骤6中的背景邻域模型和背景灰度模型，通过W下方法更新：
[0037] (1)背景邻域模型的更新方法是:对于像素点(x，y)，当前帖的邻域特征向量P(取扔 W概率Pneighbor加入到背景邻域特征模型Mneighbor(X，y)中。将邻域特征向量叫加入背景 邻域模型的具体操作方法是:从Mneighbor(X，y)集合中等概率随机选取一个邻域特征向量并 将其替换为呵x，y)。
[0038] (2)背景灰度模型的更新方法是:对于像素点（x，y)，当前图像的灰度I(x，y)W概 率Pgray加入到背景灰度模型Mgray(X，y)中。将灰度值I(X，y)加入背景灰度模型的具体操作方 法是:从Mgray(x，y)集合中等概率随机选取一个灰度值并将其替换为I(x，y)。
[0039] 本发明的有益效果是：
[0040] (1)利用像素点的邻域特征，提高了背景模型对于光照变化和扰动的鲁棒性。
[0041] (2)背景模型简单，易于实现，计算速度快，可W满足实时智能监控系统的需求。
【附图说明】
[0042] 图1为本发明实施例的邻域特征和灰度信息的背景建模方法的步骤流程图；
[0043] 图2为本发明实施例的邻域特征示意图。
[0044] 图3为本发明实施例处理的一个视频序列的其中一帖。上面一幅图是运一帖的图 像，下面一幅图是运一帖的前景与背景分离结果，其中黑色为背景点，白色为前景点。
【具体实施方式】
[0045] 为了使本发明的目的、技术方案及优点更加清楚明白，W下结合附图及实施例，对 本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用W解释本发明，并不 用于限定本发明。
[0046] 相反，本发明涵盖任何由权利要求定义的在本发明的精髓和范围上做的替代、修 改、等效方法W及方案。进一步，为了使公众对本发明有更好的了解，在下文对本发明的细 节描述中，详尽描述了一些特定的细节部分。对本邻域技术人员来说没有运些细节部分的 描述也可W完全理解本发明。
[0047] 图1所示为本发明实施例的基于邻域特征和灰度信息的背景建模方法的步骤流程 图。
[0048] 步骤1:输入视频序列的第一帖，对每个像素点（x，y)利用邻域特征算子计算第一 帖的邻域特征向量。
[0049] 步骤2:根据第一帖的邻域特征向量，初始化背景邻域特征模型；根据第一帖中的 像素点的灰度值，初始化背景灰度模型；
[0050] 步骤3:输入视频序列的下一帖，对于运一帖中的每个像素点(x，y)，利用邻域特征 算子计算运一帖的邻域特征向量；
[0051] 步骤4:用运一帖的邻域特征向量与上一帖的背景邻域特征模型比较，计算两者的 相似度，若相似度小于阔值Tneighbw(本实施例中，值为2)，则判断该点为前景点；反之，若相 似度大于或等于阔值Tneighbnr，则分为两种情况：1)若该点在运一帖中的邻域特征向量属于 非平滑类型，则将该点判断为背景点；2)若该点在运一帖中的邻域特征向量属于平滑类型， 则进入步骤5。
[0052] 步骤5:取该点在运一帖中的灰度值，与上一帖的背景灰度模型计算相似度。若相 似度小于阔值Tgray(本实施例中，值为2)，则判断该点为前景点；若相似度大于或等于阔值 Tgray，则判断该点为背景点。
[0053] 步骤6:根据步骤3-5的判断结果，对上一帖的背景邻域特征模型和背景灰度模型 进行更新；
[0054] 步骤7:重复步骤3-6，直到视频的最后一帖。
[0化5]上述步骤中的邻域特征向量[?.ν,.!')通过W下的邻域特征算子计算得到；
[0056] (1)对于像素点（x，y)，将它的灰度值I(x，y)与每个8邻域像素的灰度值I(x+i，y+ j)带入如下公式计算得到二进制邻域特征码code(i，j):
[0化7]
[005引上述公式中，TcDde是可调阔值参数，在本实施例中，值为1。对于每个邻域像素，得 到的是2个比特位的二进制特征码。由于一