图像处理装置和方法及监控系统与流程

本发明涉及图像处理，尤其涉及例如前景检测和监控。

背景技术：

在图像处理中，一方面，图像(例如，视频中的一个图像)通常由若干视觉元素构成，所述视觉元素是对图像的表现有贡献的可视特性。其中，一个视觉元素例如可以是一个像素、表示一组像素的离散余弦变换(dct)块或表示具有相似属性(例如，相似纹理、相似颜色、相似亮度)的一组像素的超像素。另一方面，尤其是在前景检测中，现有的背景减除(backgroundsubtraction)技术通常被用于通过将视频中的当前图像与基于视频中的当前图像之前的某一持续时间内的图像获得的背景图像进行比较而将当前图像中的视觉元素分类为“前景”或“背景”。其中，“前景”是指在视频上捕获的场景中出现的瞬态对象。此类瞬态对象可包括例如运动的人或运动的汽车。场景中的其余部分被视为“背景”。

然而，在某些情形下，会出现假前景检测。例如，在一种情形下，如果当前图像中的水波或随风而动的树叶的视觉元素与背景图像中的对应视觉元素相比具有某些变化，则会将实际上为背景的水波或树叶错误地检测为前景。例如，在另一种情形下，如果使用准确性较低的图像分割算法来获得超像素(即，视觉元素)，即从当前图像中获得的视觉元素可能无法与从当前图像的先前图像中获得的对应视觉元素保持恒定不变，则当前图像中的视觉元素与背景图像中的对应视觉元素相比也将具有某些变化，因而也将导致假前景检测。

因此，为了尽可能多地消除上述假前景检测，“movingobjectsdetectionandsegmentationbasedonbackgroundsubtractionandimageover-segmentation”(yun-fangzhu,<journalofsoftware>vol.6,no.7,july,2011)中公开了一种示例性技术。对于当前图像中的一个视觉元素，该示例性技术根据该视觉元素的背景置信度将该视觉元素检测为前景或背景。更具体而言，在该视觉元素的背景置信度大于阈值的情况下，将该视觉元素检测为背景。其中，该视觉元素的背景置信度为第一数量与第二数量的比值，所述第一数量表示当前图像中与该视觉元素相邻并且与该视觉元素具有相同颜色的视觉元素的数量，而所述第二数量表示当前图像中与该视觉元素相邻并且被检测为前景的视觉元素的数量。

然而，在与一个待检测视觉元素相邻的一组视觉元素被错误地检测为前景的情况下，上述第一数量和上述第二数量都将变大，从而将使得该待检测视觉元素的背景置信度变小并且小于阈值。因此，不能尽可能多地消除上述假前景检测，从而导致不能尽可能好地改善前景检测。

技术实现要素：

因此，鉴于上面的背景技术中的记载，本公开内容旨在解决上述问题中的至少一点。

根据本发明的一个方面，提供一种图像处理装置，所述图像处理装置包括：获取单元，被配置为获取输入视频中的当前图像并且获取包括背景图像和视觉元素的分类信息的背景模型，其中所述视觉元素的分类信息包括前景和背景；分类单元，被配置为根据所述当前图像和所述背景模型中的所述背景图像，将所述当前图像中的视觉元素分类为前景或背景；相似性度量确定单元，被配置为确定所述当前图像中的组与所述背景模型中的组之间的相似性度量，其中所述当前图像中的所述组中的视觉元素是所述当前图像中被所述分类单元分类为前景的视觉元素，其中所述背景模型中的所述组中的视觉元素是分类信息为前景的视觉元素，并且其中所述背景模型中的所述组中的所述视觉元素是与所述当前图像中的所述组中的所述视觉元素的对应部分相邻的视觉元素；以及验证单元，被配置为根据所述相似性度量确定单元确定的所述相似性度量，验证所述当前图像中被所述分类单元分类为前景的所述视觉元素是否被错误地分类。

其中，所述背景模型中的所述背景图像是根据所述当前图像的至少一个先前图像获得的。并且，所述背景模型中的所述视觉元素的分类信息是根据所述当前图像的至少一个先前图像中被验证为前景或背景的视觉元素获得的。

利用本发明，前景检测的准确性将得到改善。

根据以下参照附图的描述，本发明的其他特性特征和优点将显而易见。

附图说明

包含在说明书中并构成本说明书的一部分的附图例示本发明的实施例，并与文字描述一起用于解释本发明的原理。

图1是示意性地示出可实现根据本发明实施例的技术的硬件配置的框图。

图2是例示根据本发明实施例的图像处理装置的配置的框图。

图3a至图3h示意性地示出根据本发明的当前图像的先前图像中的视觉元素的前景/背景分类结果及背景模型中的视觉元素的前景/背景分类信息。

图4示意性地示出根据本发明实施例的图像处理的流程图。

图5示意性地示出根据本发明的如图4所示的步骤s420的流程图。

图6示意性地示出根据本发明的如图4所示的步骤s430的流程图。

图7a至图7b示意性地示出根据本发明的当前图像及背景模型中的视觉元素的前景/背景分类信息。

图8例示根据本发明的示例性监控器的布置。

具体实施方式

下面将参照附图详细描述本发明的示例性实施例。应注意，下面的描述实质上仅为说明性和示例性的，并且决不意图限制本发明及其应用或用途。除非另有具体说明，否则实施例中阐述的组件和步骤的相对布置、数值表达式和数值并不限制本发明的范围。另外，本领域技术人员已知的技术、方法和设备可能不会被详细地讨论，但在适当的情形中其应当是本说明书的一部分。

请注意，相似的附图标记和字母指代附图中相似的项目，因此，一旦一个项目在一个附图中被定义，则不必在下面的附图中对其进行讨论。

一般而言，在视频上捕获的场景中，一个真对象(即，前景)不可能在视频中突然出现或消失。也就是说，真对象在视频中将具有一个运动轨迹。因此，在视频的当前图像中的一组视觉元素(例如，一个视觉元素或一个以上视觉元素)为前景的情况下，通常，当前图像的至少一个先前图像中的与该组中的视觉元素的对应部分相邻的视觉元素也将为前景。因此，发明人发现，在前景检测中，对于视频的当前图像中包括至少一个被分类为前景的视觉元素的一组视觉元素，可将所述当前图像的先前图像中被验证为前景且与该组中的视觉元素的对应部分相邻的视觉元素作为一个参照，来验证该组中的视觉元素是否被错误地分类。

因此，在本发明中，在视频的当前图像中的视觉元素被分类为前景或背景之后，对于被分类为前景的视觉元素，将考虑这些视觉元素与先前图像中被验证为前景且与这些视觉元素的对应部分相邻的视觉元素之间的相似性，以验证这些视觉元素是否被错误地分类。例如，对于当前图像中包括至少一个被分类为前景的视觉元素的一个视觉元素组，该组中越多的视觉元素与先前图像中被验证为前景且与该组中的视觉元素的对应部分相邻的视觉元素相似(诸如，这些视觉元素的纹理/颜色/亮度相似)，则该组中的视觉元素被正确分类的概率就越高，即，该组中的视觉元素为真对象的概率就越高。因此，在该组中越少的视觉元素与先前图像中被验证为前景且与该组中的视觉元素的对应部分相邻的视觉元素相似的情况下，该组中的视觉元素将被验证为被错误地分类。

因此，根据本发明，即使在视频的某些图像中背景包括运动(例如，水波或随风而动的树叶)或者即使使用准确性较低的图形分割算法来获得用于前景检测的视觉元素，但是由于将使用在先前处理中获得的已验证的前景/背景分类结果作为参照来进行后续处理，因此可有效地消除假前景检测。因此，前景检测的准确性将得到改善。

(硬件配置)

首先将参照图1描述可实现下文中描述的技术的硬件配置。

硬件配置100例如包括中央处理单元(cpu)110、随机存取存储器(ram)120、只读存储器(rom)130、硬盘140、输入设备150、输出设备160、网络接口170和系统总线180。此外，在一种实现方式中，硬件配置100可由电脑实现，诸如平板电脑、笔记本电脑、台式电脑或其他合适的电子设备。在另一种实现方式中，硬件配置100可由监控器实现，诸如数码相机、摄像机、网络相机或其他合适的电子设备。其中，在硬件配置100由监控器实现的情况下，硬件配置100还包括例如光学系统190。

在一种实现方式中，根据本发明的图像处理由硬件或固件配置并且用作硬件配置100的模块或组件。例如，将在下文参照图2详细描述的图像处理装置200用作硬件配置100的模块或组件。在另一种实现方式中，根据本发明的图像处理由存储在rom130或硬盘140中且由cpu110执行的软件配置。例如，将在下文参照图4详细描述的过程400用作存储在rom130或硬盘140中的程序。

cpu110是任意合适的可编程控制设备(诸如，处理器)，并且可通过执行存储在rom130或硬盘140(诸如，存储器)中的各种应用程序来执行下文中要描述的各种功能。ram120用于临时存储从rom130或硬盘140加载的程序或数据，并且也被用作cpu110在其中执行各种过程(诸如，实施将在下文参照图4至图6详细描述的技术)以及其他可用功能的空间。硬盘140存储诸如操作系统(os)、各种应用、控制程序、视频、视频的每一个图像的处理结果和/或预定义数据(例如，阈值(ths))等多种信息。

在一种实现方式中，输入设备150用于允许用户与硬件配置100交互。在一个实例中，用户可通过输入设备150输入图像/视频/数据。在另一实例中，用户可通过输入设备150触发本发明的对应处理。此外，输入设备150可采用多种形式，诸如按钮、键盘或触摸屏。在另一种实现方式中，输入设备150用于接收从诸如数码相机、摄像机和/或网络相机等专门电子设备输出的图像/视频。另外，在硬件配置100由监控器实现的情况下，硬件配置100中的光学系统190将直接捕获监控位置的图像/视频。

在一种实现方式中，输出设备160用于向用户显示处理结果(诸如，前景)。而且，输出设备160可采用诸如阴极射线管(crt)或液晶显示器等各种形式。在另一种实现方式中，输出设备160用于将处理结果输出到后续处理，诸如监控分析是否向用户发出警报等。

网络接口170提供用于将硬件配置100连接到网络的接口。例如，硬件配置100可经由网络接口170与经由网络连接的其他电子设备进行数据通信。可选地，可以为硬件配置100提供无线接口以进行无线数据通信。系统总线180可以提供用于在cpu110、ram120、rom130、硬盘140、输入设备150、输出设备160和网络接口170等之间相互传输数据的数据传输路径。虽然被称为总线，但是系统总线180并不限于任何特定的数据传输技术。

上述硬件配置100仅仅是说明性的，并且决不意图限制本发明、其应用或用途。而且，为了简明起见，图1中只示出一个硬件配置。但是，根据需要也可以使用多个硬件配置。

(图像处理)

接下来将参照图2至图7b描述根据本发明的图像处理。

图2是例示根据本发明实施例的图像处理装置200的配置的框图。其中，图2中所示的一些或全部模块可由专用硬件实现。如图2所示，图像处理装置200包括获取单元210、分类单元220、相似性度量确定单元230和验证单元240。

另外，图2中所示的存储设备250存储视频及视频的每一个图像的处理结果(即，视觉元素的已验证的前景/背景分类结果)。例如，视频由用户输入或从专门电子设备(例如，相机)输出或由图1中所述的光学系统捕获。可选地，视频和处理结果可存储在不同的存储设备中。在一种实现方式中，存储设备250为图1中所示的rom130或硬盘140。在另一种实现方式中，存储设备250是经由网络(未示出)与图像处理装置200连接的服务器或外部存储设备。

首先，在一种实现方式中，例如，在图1中所示的硬件配置100由电脑实现的情况下，输入设备150接收从专门电子设备(例如，相机)输出或由用户输入的视频。接着，输入设备150经由系统总线180将所接收视频传输到图像处理装置200。在另一种实现方式中，例如，在硬件配置100由监控器实现的情况下，图像处理装置200直接接收由光学系统190捕获的视频。

然后，如图2中所示，一方面，获取单元210从所接收视频(即，输入视频)中获取当前图像。例如，当前图像为第t个图像，其中，t为自然数且2≤t≤t，t为输入视频的图像总数。另一方面，获取单元210从存储设备250中获取背景模型。其中，背景模型包括背景图像及视觉元素的分类信息。其中，视觉元素的分类信息包括前景和背景。在下文中，“视觉元素的分类信息”将被视为“视觉元素的前景/背景分类信息”。

背景模型中的背景图像是根据第t个图像的至少一个先前图像获得的。即，背景图像是根据视频中的第t个图像之前的某一持续时间内的至少一个图像获得的，并且所述某一持续时间不受限制并且基于实验统计和/或经验设置。在一个实例中，背景图像是第t个图像的先前图像的平均图像。在另一实例中，背景图像是第t个图像的先前图像中的任何一个。在又一实例中，背景图像是根据基于例如高斯模型(gaussianmodel)为每一个像素生成的模型实时获得的。然而，显然不必局限于此。

背景模型中的视觉元素的前景/背景分类信息是根据第t个图像的至少一个先前图像中被验证为前景或背景的视觉元素获得的。在一个实例中，视觉元素的前景/背景分类信息是通过对第t个图像的先前图像中的视觉元素的已验证的前景/背景分类结果求平均值获得的。在另一实例中，视觉元素的前景/背景分类信息是第t个图像的先前图像中的任何一个图像中的视觉元素的已验证的前景/背景分类结果。在又一实例中，视觉元素的前景/背景分类信息是根据基于例如高斯模型为每一个视觉元素生成的模型实时获得的。然而，显然不必局限于此。

例如，假设视觉元素为超像素，并且假设背景模型中的视觉元素的前景/背景分类信息是根据第t个图像的三个先前图像中的视觉元素的已验证的前景/背景分类结果获得的，其中，所述第t个图像的所述三个先前图像例如为图3a中所示的第(t-3)个图像、图3b中所示的第(t-2)个图像和图3c中所示的第(t-1)个图像，其中图3a至图3c中所示的图像中的一个块代表一个视觉元素，其中每一个块中的“b”或“f”代表该视觉元素被验证为“背景”或“前景”，因此，在执行求平均值运算的情况下，所获得的背景模型中的视觉元素的前景/背景分类信息例如如图3d中所示。同样地，例如，在视觉元素为dct块的情况下，图3e至图3g显示第t个图像的三个先前图像，并且图3h显示在执行求平均值运算的情况下，所获得的背景模型中的视觉元素的前景/背景分类信息。另外，在视觉元素为像素的情况下，背景模型中的视觉元素的前景/背景分类信息可以相同方式获得。

另外，在选择第t个图像的先前图像中的一个作为背景模型中的背景图像的情况下，且在选择第t个图像的先前图像中的一个图像中的视觉元素的已验证的前景/背景分类结果作为背景模型中的视觉元素的前景/背景分类信息的情况下，这两个先前图像可以是相同图像或不同图像。

返回至图2，在获取单元210获取第t个图像和背景模型之后，分类单元220根据第t个图像和背景模型中的背景图像将所述第t个图像中的视觉元素分类为前景或背景。

然后，相似性度量确定单元230确定第t个图像中的组(即，视觉元素组)与背景模型中的组(即，视觉元素组)之间的相似性度量。其中，背景模型中的组中的视觉元素是分类信息为前景的视觉元素，并且，其中背景模型中的组中的视觉元素是与第t个图像中的组中的视觉元素的对应部分相邻的视觉元素。其中，可根据诸如用户设置的方式、通过对第t个图像中被分类单元220分类为前景的视觉元素进行聚类而确定的方式等任何方式来确定第t个图像中的组。其中，第t个图像中的每一个组包括至少一个视觉元素，并且每一个组中的视觉元素为第t个图像中被分类单元220分类为前景的视觉元素。其中，对于第t个图像中的任何一个组，该组中的每一个视觉元素对应于背景模型中该视觉元素的一个对应部分。而且，对于该组中的任何一个视觉元素，该视觉元素的对应部分为在背景模型中的位置与该视觉元素在第t个图像中的位置相同的部分。其中，对于第t个图像中的任何一个组，与该组对应的相似性度量越大，该组中的视觉元素被正确分类的概率就越高，即，该组中的视觉元素为真对象的概率就越高。

然后，验证单元240根据相似性度量确定单元230确定的相似性度量，验证第t个图像中被分类单元220分类为前景的视觉元素是否被错误地分类。

最后，在验证单元240对第t个图像中的视觉元素进行验证之后，一方面，验证单元240将第t个图像中的视觉元素的已验证的前景/背景分类结果传输到存储设备250，从而可更新存储在存储设备250中的对应信息并且可根据所更新的信息获取用于下一图像(例如，第(t+1)个图像)的背景模型。另一方面，验证单元240经由系统总线180将第t个图像中的视觉元素的已验证的前景/背景分类结果传输到图1中所示的输出设备160以向用户显示第t个图像中的前景，或将第t个图像中的前景输出到后续处理，诸如监控分析等。

另外，通常在前景检测中将输入视频的第1个图像中的视觉元素默认为背景。

图4中所示的流程图400是图2中所示的图像处理装置200的对应过程。

如图4中所示，在获取步骤s410中，获取单元210从输入视频中获取第t个图像并且从存储设备250中获取包括背景图像和视觉元素的前景/背景分类信息的背景模型。其中，2≤t≤t。

在分类步骤s420中，分类单元220根据第t个图像和背景模型中的背景图像，将第t个图像中的视觉元素分类为前景或背景。在一种实现方式中，分类单元220参照图5将第t个图像中的视觉元素分类为前景或背景。

如图5中所示，在步骤s421中，对于第t个图像中每一个视觉元素，分类单元220计算该视觉元素与背景图像中的对应视觉元素之间的相似性度量。其中，对应视觉元素为在背景图像中的位置与该视觉元素在第t个图像中的位置相同的视觉元素。在下文中，第t个图像中的视觉元素与背景图像中的对应视觉元素之间的相似性度量将被视为“第t个图像中的视觉元素与背景图像中的对应视觉元素之间的视觉距离(visualdistance)”。其中，对于第t个图像中的任何一个视觉元素，对应的视觉距离越大，该视觉元素与背景图像中的对应视觉元素之间的差异(即，变化)越大，即，该视觉元素为前景的概率越高。

在一种实现方式中，对于第t个图像中的每一个视觉元素，根据该视觉元素及背景图像中的对应视觉元素的特征值来计算这两个视觉元素之间的视觉距离。例如，这两个视觉元素的特征值之间的绝对差被视为对应的视觉距离。显然不必局限于此。其中，一个图像中的一个视觉元素的特征值可根据图像中该视觉元素的通道特征确定。例如，在图像处于ycbcr色彩空间的情况下，一个视觉元素包括y(亮度)通道特征、cb(蓝色)通道特征和cr(红色)通道特征。在图像处于rgb色彩空间的情况下，一个视觉元素包括红色通道特征、绿色通道特征和蓝色通道特征。

返回至图5，在步骤s422中，分类单元220根据预定义阈值(例如，th1)和从步骤s421中获得的视觉距离，将第t个图像中的视觉元素分类为前景或背景。以第t个图像中的一个视觉元素为例，在步骤s421中获得的对应视觉距离大于th1的情况下，分类单元220将该视觉元素分类为前景。否则，将该视觉元素分类为背景。

返回至图4，在相似性度量确定步骤s430中，相似性度量确定单元230确定第t个图像中的组与背景模型中的组之间的相似性度量。其中，背景模型中的组中的视觉元素是分类信息为前景的视觉元素，并且，其中背景模型中的组中的视觉元素是与第t个图像中的组中的视觉元素的对应部分相邻的视觉元素。在一种实现方式中，对于第t个图像中的任何一个组，相似性度量确定单元230参照图6确定与该组对应的相似性度量。

如图6中所示，在步骤s431中，对于第t个图像中的一个组中的第i个视觉元素，其中1≤i≤i并且i为该组中的视觉元素总数，相似性度量确定单元230根据背景模型中的一个组中的视觉元素，确定与第i个视觉元素对应的相似性度量。其中，背景模型中的那个组中的视觉元素是分类信息为前景的视觉元素，并且，其中背景模型中的那个组中的视觉元素是与第i个视觉元素的对应部分相邻的视觉元素。其中，对于第t个图像中的那个组中的任何一个视觉元素，与该视觉元素对应的相似性度量越大，该视觉元素为前景的概率就越高。

以图7a中所示的第t个图像及图7b中所示的背景模型中的视觉元素的前景/背景分类信息为例，其中视觉元素例如为超像素。如图7a中所示，第t个图像的每一个视觉元素中的“b”或“f”例如表示该视觉元素在分类步骤s420中被分类单元220分类为“背景”或“前景”，并且正在确定对应相似性度量的组例如包括视觉元素710-740。以该组中的视觉元素710为例，相似性度量确定单元230如下确定与视觉元素710对应的相似性度量。其中，对于该组中的视觉元素710，视觉元素710的对应部分是图7b中所示的视觉元素750，并且背景模型中分类信息为前景且与视觉元素750相邻的视觉元素为例如图7b中所示的视觉元素760-780。

因此，首先，对于视觉元素760-780中的每一个，以视觉元素760为例，相似性度量确定单元230根据视觉元素710及视觉元素760的特征值确定这两个视觉元素之间的相似性度量。例如，这两个视觉元素的特征值之间的绝对差被视为对应的相似性度量。显然不必局限于此。如上所述，一个图像中的一个视觉元素的特征值可根据图像中该视觉元素的通道特征确定。因此，视觉元素710的特征值根据其在第t个图像中的通道特征确定。视觉元素760的特征值根据第t个图像的先前图像中的视觉元素的特征值确定，其中，先前图像中的这些视觉元素的位置与视觉元素760的位置相同并且使用这些视觉元素的前景/背景分类结果来确定视觉元素760的前景/背景分类信息。

然后，在相似性度量确定单元230确定视觉元素710与视觉元素760之间的相似性度量(例如，称为sim1)、视觉元素710与视觉元素770之间的相似性度量(例如，称为sim2)及视觉元素710与视觉元素780之间的相似性度量(例如，称为sim3)之后，相似性度量确定单元230根据所确定的相似性度量(即，sim1、sim2和sim3)确定与视觉元素710对应的相似性度量。在一个实例中，将sim1至sim3的平均值确定为与视觉元素710对应的相似性度量。在另一实例中，将sim1至sim3中值最大的一个相似性度量确定为与视觉元素710对应的相似性度量。然而，显然不必局限于此。

返回至图6，在步骤s432中，相似性度量确定单元230判断是否已处理了该组中的所有视觉元素。即，判断i是否大于i。如果否，在步骤s433中，相似性度量确定单元230设置i＝i+1并且重复上述步骤s431-s432。否则，过程进入到步骤s434。

在步骤s434中，相似性度量确定单元230根据在步骤s431中确定的相似性度量，确定与第t个图像中的那个组对应的相似性度量。在一种实现方式中，相似性度量确定单元230如下确定与该组对应的相似性度量。首先，相似性度量确定单元230通过计算该组中对应相似性度量大于预定义阈值(例如，th2)的视觉元素的数量来获得一个计数。然后，相似性度量确定单元230通过计算所述计数与该组中视觉元素总数的比值，确定与该组对应的相似性度量。例如，比值通过使用以下公式(1)计算：

另外，在该组仅包括一个视觉元素的情况下，相似性度量确定单元230直接将与该视觉元素对应的相似性度量视为与该组对应的相似性度量。

返回至图4，在验证步骤s440中，验证单元240根据在相似性度量确定步骤s430中确定的相似性度量，验证第t个图像中在分类步骤s420中被分类为前景的视觉元素是否被错误地分类。

在一种实现方式中，对于第t个图像中的任何一个组，验证单元240根据预定义阈值(例如，th3)和与该组对应的相似性度量，验证该组中的视觉元素是否被错误地分类。如上所述，对于第t个图像中的任何一个组，与该组对应的相似性度量越大，该组中的视觉元素为真对象的概率就越高。因此，例如，在使用上述公式(1)计算与该组对应的相似性度量(即，比值)并且所述相似性度量小于th3的情况下，意味着该组中的视觉元素为真对象的概率较低，验证单元240验证该组中的视觉元素被错误地分类。即，该组中被分类单元220分类为前景的视觉元素是假前景。否则，在与该组对应的相似性度量(即，比值)不小于th3的情况下，验证单元240验证该组中的视觉元素为真前景(即，真对象)。换言之，对于任何一个组中的视觉元素，验证单元240如下验证视觉元素：

如图4中所示，在验证单元240在验证步骤s440中对第t个图像中的视觉元素进行验证之后，一方面，验证单元240将第t个图像中的视觉元素的已验证的前景/背景分类结果传输至图2中所示的存储设备250或图1中所示的输出设备160。另一方面，在步骤s450中，图像处理装置200判断是否已处理了输入视频中的所有图像。即，判断t是否大于t。如果否，在步骤s460中，图像处理装置200设置t＝t+1并且重复上述步骤s410-s450。否则，图4中所示的过程将结束。

根据本发明，由于将使用在先前处理中获得的已验证的前景/背景分类结果作为参照来进行后续处理，因此可有效地消除假前景检测。因此，前景检测的准确性将得到改善。

(监控系统)

如上所述，本发明可由电脑(例如，平板电脑、笔记本电脑或台式电脑)实现或可由监控器(例如，数码相机、摄像机或网络相机)实现。以本发明由网络相机实现为例，在网络相机被触发本发明的对应处理后，网络相机可将对应处理结果(即，前景)输出到后续处理，诸如监控分析是否向用户发出警报。因此，作为本发明的示例性应用，接下来将参照图8描述示例性监控器(例如，网络相机)。图8例示根据本发明的示例性监控器800的布置。如图8中所示，监控器800包括光学系统810和上述图像处理装置200。

另外，图8中所示的存储设备820存储所捕获的视频及所捕获的视频的每一个图像的处理结果(即，视觉元素的前景/背景分类结果)。在一种实现方式中，存储设备820是监控器800的内部存储设备。在另一种实现方式中，存储设备820是经由网络(未示出)与监控器800连接的服务器或外部存储设备。

如图8中所示，首先，光学系统810连续捕获监控位置(例如，违章停车区域)的视频并且将所捕获的视频存储至存储设备820。

然后，图像处理装置200参照图2至图7b验证所捕获视频的图像中的视觉元素为前景或背景，并且将所述视觉元素的已验证的前景/背景分类结果存储至存储设备820。

以监控器800向用于执行监控分析的处理器输出检测到的前景为例，假设监控位置为违章停车区域并且预定义警报规则为在汽车或其他对象停放在违章停车区域的情况下向用户发出警报，也就是说，违章停车区域为背景并且违章停车区域中出现的汽车或其他对象为前景。因此，监控器800将连续捕获违章停车区域的视频并且参照图8对所捕获的视频执行前景检测。并且，在检测到汽车的情况下，监控器800将向处理器输出汽车，从而处理器可向用户发出警报。如上所述，在违章停车区域中有树木并且在某一时间段内树叶随风而动的情况下，监控器800不会错误地将运动的树叶检测为前景，因此，处理器将不会向用户发出错误警报。

上述所有单元都是用于实现本公开中所述处理的示例性和/或优选模块。这些单元可以是硬件单元(诸如，现场可编程门阵列(fpga)、数字信号处理器、专用集成电路等)和/或软件模块(诸如，计算机可读程序)。上面没有详尽地描述用于实现各步骤的单元。然而，当存在执行某一过程的步骤的情况下，可以存在用于实现该同一过程的对应功能模块或单元(通过硬件和/或软件实现)。通过描述的步骤和对应于这些步骤的单元的所有组合的技术方案包括在本申请的公开内容中，只要它们所构成的技术方案是完整的、适用的即可。

可以以多种方式来实施本发明的方法和装置。例如，可以通过软件、硬件、固件或其任何组合来实施本发明的方法和装置。除非另有具体说明，否则上述方法的步骤顺序仅旨在是说明性的，并且本发明的方法的步骤不局限于上述具体描述的顺序。此外，在一些实施例中，本发明还可以被实施为在记录介质中记录的程序，包括用于实现根据本发明的方法的机器可读指令。因此，本发明也涵盖存储用于实现根据本发明的方法的程序的记录介质。

虽然已经通过示例详细展示了本发明的一些具体实施例，但是本领域的技术人员应该理解，上述示例仅旨在是说明性的，并不限制本发明的范围。本领域的技术人员应该理解，上述实施例可以在不脱离本发明的范围和精神的情况下被修改。本发明的范围由所附权利要求约束。