一种动态背景场景下的前景检测方法
【专利摘要】一种动态背景场景下的前景检测方法，采用多帧连续图像初始化背景模型，通过自适应的方式更新匹配阈值，并在更新过程引入空间一致性判断与模糊理论，完成前景检测。本发明以ViBe算法为基础，通过多帧图像初始化、匹配阈值自适应更新、空间一致性原则以及模糊理论大大改善了算法在动态背景下的性能，降低了误检率。
【专利说明】一种动态背景场景下的前景检测方法
【技术领域】
[0001]本发明属于图像处理【技术领域】，涉及视频图像处理，为一种动态背景场景下基于背景运动信息和模糊理论的前景检测方法。
【背景技术】
[0002]运动目标检测是计算机视觉应用中的关键技术，在智能视频监控、图像压缩等领域有重要研究价值，它的目的是在序列图像中检测出变化的区域并将运动的目标从背景图像中提取出来，为后续的运动目标识别、跟踪以及行为分析提供了支持。
[0003]目前常见的运动目标检测算法有:光流法、背景差分法、帧间差分法等，其中背景差分法是常用且实时性好的一种算法，其检测性能的好坏很大程度上依赖于背景模型的准确性。影响背景模型准确性的因素有很多，包括动态背景、光线渐变、相机抖动、阴影等，其中动态背景是最常见且影响最大的因素。
[0004]为了建立有效的背景模型以适应动态背景，研究人员提出了不同的背景建模方法。Stauffer 等人于 2000 年在〈〈IEEE Transaction on Pattern Analysis and MachineIntelligence》上发表的《Learning Patterns of Activity Using Real-time Tracking》提出了混合高斯算法(MOG)，用多个高斯模态描述背景模型，克服了单高斯模型的缺点，提高了算法对动态背景的适应能力，但是学习速率的选择无法兼顾动态背景的抑制和正确前景的提取。Maddalena等人于2008年在《IEEE Transactions on Image Processing》上发表的〈〈A Self-Organizing Approach to Background Subtraction for Visual SurveillanceApplications》提出了基于人工神经网络的背景模型(SOBS)，通过自组织的方式学习运动信息，能够处理光线变化、遮挡、动态背景等复杂场景，但是有比较大的运算代价。Barnich等人于 2011 年在《IEEE Transaction on Image Processing》发表的《ViBe:A universalbackground subtraction algorithm for video sequences》提出了基于像素的非参数化随机样本模型(ViBe)，采用像素样本值建立背景模型，将检测帧的像素值与对应的模型匹配，通过固定阈值判断其属于前景还是背景，对于匹配上的像素采用随机更新机制更新该像素及其邻域的背景模型。该方法运算简单，在静态背景场景下有不错的检测效果，但其固定的参数限制了算法对于动态背景(水面波纹、树叶晃动等)的自适应能力，其邻域扩散的更新策略会造成运动较慢的前景目标过快的融入背景，增加了错误检测，其单帧输入图像初始化策略在输入图像含有前景目标的情况下会产生“鬼影”空洞，影响背景模型的准确性。
【发明内容】
[0005]本发明要解决的问题是:现有的前景检测方法中，ViBe算法具有良好的应用前景，但其对动态背景适应性较差，无法有效地区分运动前景和动态背景，会将动态背景误检为运动前景，影响后续的运动分析。
[0006]本发明的技术方案为:一种动态背景场景下的前景检测方法，采用背景运动信息和模糊理论进行动态场景下的前景检测，包括以下步骤:
[0007]I)多帧图像进行模型初始化:
[0008]对于多帧连续图像，根据时间一致性原则，对于当前帧It中的任一像素点X，采用所述像素点在前N帧图像中的像素值初始化背景模型M(X):
[0009]M (X) = Iv1 (X)，…，Vi (X)，…，vN (X)} = {It_N (X)，…，Im (X)}
[0010]式中，Vi(x)为背景模型的样本，Iw(X)为像素点X在第t-Ι帧的像素值；
[0011]2)通过ViBe算法构建前景二值图:
[0012]以步骤I)获得的背景模型M(X)以及当前帧，采用ViBe背景分割算法获得运动目标的前景二值图F(X)，具体为:
[0013]对于当前帧It中的任意一像素点X，其像素值为V(X)，背景模型为M(X)，在欧式空间中，定义一个以v(x)为中心，R(X)为半径的球体SK(X) (v(x)), R(x)为模型匹配阈值，SE(X) (v(x))表示所有与V(X)距离小于RU)的像素值的集合，用M(X)落在球体Sk(x)(v(X))内的样本个数#{Μ(χ) H SK(x)(v(X))}来描述v(x)与背景模型M(x)的相似度，对于给定的阈值 #min，如果 #{M(x) H SK(x)(v(X))}〈#min，则 ν(χ)为前景，记为 “I”；如果 # {Μ (X) n SE(x)(ν (χ))} >#mln,则ν (χ)为背景，记为“0”，像素点X与背景模型M(X)匹配，前景二值图F (X)表示为:
[0014]
【权利要求】
1.一种动态背景场景下的前景检测方法，其特征是采用背景运动信息和模糊理论进行动态场景下的前景检测，包括以下步骤: 1)多帧图像进行模型初始化: 对于多帧连续图像，根据时间一致性原则，对于当前帧It中的任一像素点X，采用所述像素点在前N帧图像中的像素值初始化背景模型M(X):
M (X) — {ν? (X) ,..., Vi (X) ,..., Vn (X) } 一 {I t-N (X)，...，11-1 (X) I 式中，Vi(X)为背景模型的样本，Im(X)为像素点X在第t-ι帧的像素值； 2)通过ViBe算法构建前景二值图: 以步骤I)获得的背景模型M(X)以及当前帧，采用ViBe背景分割算法获得运动目标的前景二值图F(X)，具体为: 对于当前帧It中的任意一像素点X，其像素值为v(X)，背景模型为M(X)，在欧式空间中，定义一个以v(x)为中心，R(X)为半径的球体SK(X) (v(x)), R(x)为模型匹配阈值，Seω(ν(χ))表示所有与ν(χ)距离小于RU)的像素值的集合，用M(X)落在球体SK(x)(v(X))内的样本个数#{Μ(χ) H SK(x)(v(X))}来描述v(x)与背景模型M(x)的相似度，对于给定的阈值 #min，如果 #{M(x) H SK(x)(v(X))}〈#min，则 ν(χ)为前景，记为 “I”；如果 # {Μ (X) n SE(x)(ν (x))} >#mln,则ν (x)为背景，记为“O”，像素点X与背景模型M(X)匹配，前景二值图F (X)表示为:
【文档编号】G06T7/20GK103971386SQ201410241185
【公开日】2014年8月6日 申请日期:2014年5月30日 优先权日:2014年5月30日
【发明者】陈星明, 廖娟, 李勃, 王江, 邱中亚, 隆迪, 陈启美 申请人:南京大学