一种图像处理方法及装置与流程

本发明实施例涉及多媒体技术领域，尤其涉及一种图像处理方法及装置。

背景技术：

随着智慧城市和公共安全需求的日益增长，城市中的监控摄像头的数量也日益增多，采用人工的视频监控方式已经远远不能够满足需求，目前智能视频监控技术得到了广泛的关注和研究，也成为了当前的研究热点。对于监控视频，人们往往关注图像的前景，因此在实际处理过程中，通过建立背景模型，从监控视频中消除不感兴趣的复杂背景，提取出前景，使后续处理任务都集中到前景上，从而减少后续处理任务的计算量，节约系统资源同时提高任务准确性。而建立一个准确的背景模型，对于准确有效的提取前景尤为重要。

监控场景中建立背景模型的经典过程是：通过对监控视频每个像素点沿时间轴进行统计估计，学习每个像素点的背景模型，之后利用该背景模型识别出监控视频的前景，进而传递给后续任务进行处理。这种背景模型建立方式没有针对性，很容易将前景学习为背景，或者将背景学习为前景，准确度不高。

技术实现要素：

本发明实施例提供一种图像处理方法及装置，可以提高建立的背景模型的准确性。

第一方面，本发明实施例提供一种图像处理方法，其中，该图像处理方法包括:获取监控视频的第一图像帧，该第一图像帧可以是监控视频中的任意图像帧。可以采用视觉任务模块对该第一图像帧的图像数据进行计算，从而获得该第一图像帧所包含的目标，需要说明的是，此处的目标可以是第一图像帧中的前景和/或背景，第一图像帧可以包括至少一个前景，比如，第一图像帧包括的前景为:行人和车辆。

进一步查找与目标对应的第一参数学习率，不同的目标可以对应不同的第一参数学习率，比如，车辆对应的第一参数学习率与行人对应的第一参数学习率不同。该第一参数学习率用于表示目标对应区域中像素点上出现的新增模型更新称为该目标对应区域中像素点的背景模型的速率。第一参数学习率可以根据目标的属性信息确定，该属性信息可以是目标的运动速度，轮廓大小等等。

采用所查找到的第一参数学习率更新监控视频中该目标对应区域中像素点的背景模型。通过使用与目标对应的第一参数学习率更新监控视频中该目标对应区域中像素点的背景模型，可以避免将监控视频中的前景学习为背景，或者背景学习为前景的情况发生，从而提高所建立的背景模型的准确性。

在一种可能的设计中，所述目标包括前景和/或背景，若目标包括前景，查找与前景对应的第一参数学习率，若目标包括背景，查找与背景对应的第一参数学习率。其中，前景对应的第一参数学习率小于背景对应的第一参数学习率。可选的，不同属性类别的前景可以对应不同的第一参数学习率，比如，行人对应的第一参数学习率和车辆对应的第一参数学习率不同。

在一种可能的设计中，采用第一参数学习率更新监控视频中的背景模型后，可以进一步对背景模型进行校正。比如，继续获取监控视频的第二图像帧，该第二图像帧在第一图像帧之后，第一图像帧与第二图像帧之间可以相隔n帧图像，n大于1。根据更新后的背景模型对第二图像帧进行前景提取处理，并确定该第二图像帧中的前景所在的预测区域；同时采用视觉任务模块对第二图像帧的图像数据进行计算，并确定该第二图像帧中的前景所在的实际区域。

若预测区域与实际区域之间的误差满足误判条件，则根据预测区域和实际区域，确定误判区域，可选的，误判条件可以是预测区域与实际区域之间的误差面积大于一定的阈值。进一步更新误判区域中像素点的背景模型。

通过计算误判区域，进一步提高监控视频中所建立的背景模型的准确性。

在一种可能的设计中，误判区域包括第一区域和/或第二区域，第一区域包括实际区域覆盖的像素点，且预测区域未覆盖的像素点所组成的区域，即前景被学习为背景，第二区域包括实际区域未覆盖的像素点，且预测区域覆盖的像素点所组成的区域，即背景被学习为前景。更新误判区域中像素点的背景模型时，若误判区域包括第一区域，则减少该第一区域中像素点的背景模型中所包含的模型数量。若误判区域包括第二区域，则增加第二区域中前景对应的第一参数学习率，并采用增加后的第一参数学习率更新第二区域中像素点的背景模型。

采用这种方式，可以将误判区域中前景误学习为背景的像素点，尽快重新学习出前景，将误判区域中背景误学习为前景的像素点，尽快将前景重新学习为背景。

在一种可能的设计中，增加第二区域中前景对应的第一参数学习率的增加方式可以是，获取与该前景对应的第二参数学习率，即预先存储不同属性类别的前景对应的第二参数学习率，后续直接查找与该前景对应的第二参数学习率。第二参数学习率用于表示所述前景对应区域中像素点上出现的新增模型更新成为所述前景对应区域中像素点的背景模型的速率。通常为了尽快将误学习为前景的区域重新学习为背景，该前景对应的第二参数学习率大于该前景对应的第一参数学习率。进一步采用该第二参数学习率更新监控视频中该第二区域中像素点的背景模型。

通过使用不同前景对应的第二参数学习率，可以尽快将误学习为前景的区域重新学习为背景，从而提高背景模型的准确性。

在一种可能的设计中，获取监控视频的第三图像帧，该第三图像帧在第一图像帧之后。根据更新后的背景模型对该第三图像帧进行前景提取处理，获得前景图像，该前景图像是去除了第三图像帧中的背景，保留了第三图像帧中的前景所形成的图像。

采用多个不同的形态学参数分别对该前景图像进行形态学处理，获得每个形态学参数对应的结果图像。获取该每个形态学参数对应的结果图像中图像质量最好的结果图像，并将该图像质量最好的结果图像对应的形态学参数确定为目标形态学参数。将形态学处理的参数设置为该目标形态学参数，在后续多个图像帧的形态学处理过程中均可以采用该目标形态学参数。

通过采用不同形态学参数对图像帧进行形态学处理，找到图像质量最好结果图像对应的目标形态学参数，从而提高后续所得到的结果图像的图像质量。

第二方面，本发明实施例提供了一种图像处理装置，该图像处理装置被配置为实现上述第一方面中所执行的方法和功能，由硬件/软件实现，其硬件/软件包括与上述功能相应的模块。

第三方面，本申请实施例提供了一种图像处理装置，包括：处理器、存储器和通信总线，其中，通信总线用于实现处理器和存储器之间连接通信，处理器执行存储器中存储的程序用于实现上述第一方面提供的一种图像处理方法中的步骤。

第四方面，本申请实施例提供了一种计算机可读存储介质，计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述第一方面的方法。

第五方面，本申请提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述第一方面的方法。

本发明实施例中，采用第一图像帧中与目标对应的第一参数学习率更新监控视频中该目标对应区域中像素点的背景模型，并且该第一参数学习率为根据目标的属性信息确定，不同的目标可以选择不同的第一参数学习率，比如，该目标为前景，为了避免该前景学习为背景，则对应的第一参数学习率略小，该目标为背景，为了能够尽快学习到新的背景模型，则对应的第一参数学习率略大，因此采用本发明实施例可以避免将监控视频中的前景学习为背景，并且提高建立的背景模型的准确性。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例所需要使用的附图进行说明。

图1是本发明实施例提供的一种组件结构示意图；

图2是本发明实施例提供的一种图像处理方法的流程示意图；

图3是本发明实施例提供的目标数据库的示意图；

图4是本发明实施例提供的一种组件结构示意图；

图5是本发明实施例提供的另一种组件结构示意图；

图6是本发明实施例提供的又一种组件结构示意图；

图7是本发明实施例提供的又一种组件结构示意图；

图8是本发明实施例提供的一种图像处理装置的结构示意图；

图9是本发明实施例提供的另一种图像处理装置的结构示意图。

具体实施方式

下面结合本发明实施例中的附图对本发明实施例进行描述。

本发明实施例中的前景可以是图像帧中监控系统所关注的人或者物体等等，前景不仅可以是动态的，还可以是静态的。

本发明实施例中的背景可以是图像帧中除前景外的部分所构成的图像。

需要说明的是，背景和前景是相对的概念，所关注的人或者物体发生变化，相应的，一个图像帧中的前景和背景就会发生变化，比如，若所关注的是高速公路上的汽车，则汽车是前景，而路面以及周围的环境(包括行人)是背景；若所关注的是高速公路上的行人，则行人是前景，而汽车、路面以及周围的环境是背景。

本发明实施例中的模型是指对图像帧中的像素点进行统计观测所得到的，用于表示该像素点的特征的数学模型。

本发明实施例中的背景模型是指对监控视频进行一定时间的观测，对图像帧每个像素点沿时间轴进行统计估计，形成每个像素点的背景模型，像素点的背景模型可以表示该像素点的背景特征，该背景模型用于识别图像帧中的前景。比如，平均背景模型、帧差模型、混合高斯模型等等均为典型的背景模型。

本发明实施例中的形态学参数是指：监控视频中的图像帧经过背景建模之后可以得到一个初步的前景图像，但该前景图像中可能会存在一些噪声和区域空洞的情况，因此往往需要在背景建模之后对前景图像进行后处理操作，比如形态学膨胀、腐蚀等后处理操作，在这些后处理操作中所设置的参数为形态学参数。

本发明实施例中的参数学习率(包括第一参数学习率和第二参数学习率)用于表示目标对应区域中像素点上出现的新增模型更新成为该目标对应区域中像素点的背景模型的速率，目标可以是图像帧中的前景和/或背景。

其中，第一参数学习率用于在学习背景模型时，避免将背景学习为前景，以及避免将前景学习为背景，控制新增模型更新成为背景模型的速率。比如，对于目标是背景的，则第一参数学习率可以略大，以使该背景尽快被学习为背景模型；对于目标是前景的，则第一参数学习率可以略小，以避免该前景被学习为背景，具体第一参数学习率的值可以根据前景的属性信息确定，其中，属性信息可以包括前景的轮廓大小、行为方式和运动速度等等。比如，车辆的第一参数学习率大于行人的第一参数学习率，猫的第一参数学习率大于大象的第一参数学习率。

其中，第二参数学习率用于在利用背景模型进行前景检测过程中，出现误判时(将背景学习为前景的场景)，采用第二参数学习率以进行纠正，即将前景重新快速地学习为背景。因此第二参数学习率大于第一参数学习率。

新增模型可以是像素点上新出现的模型，该模型可以与该像素点对应的目标关联，并且该新增模型以一定大小的第一参数学习率学习到该像素点的背景模型中。比如，某个像素点的背景模型为a，由于行人经过该像素点，因此该像素点所学习的背景模型中会包含行人的新增模型b，即该像素点的背景模型中包括a和b，只是a的权重较大，即占主导地位，而b由于是新增模型，所占权重较小。

可选的，参数学习率可以是新增模型所占权重的增长速率，该新增模型所占权重最终以该新增模型在该像素点消失为止，即到某一个图像帧，该像素点中不再出现该新增模型。比如，新增模型b可以是以0.1的速率进行增长(0.1、0.2、0.3....等等，每个权重可以是针对一个图像帧的计算结果)，或者新增模型可以是以0.2的速率进行增长(0.2、0.4、0.6...等等，每个权重可以是针对一个图像帧的计算结果)。从上述可见，参数学习率越大，该新增模型越快被学习为背景模型(即在背景模型中占主导地位)。需要说明的是，在实际不同的应用场景中，需要根据不同的目标设置不同的参数学习率。比如，在学习背景模型场景中，背景的第一参数学习率大于前景的第一参数学习率，不同属性信息的前景具体不同的第一参数学习率。在误判场景中，即将背景学习为前景的场景，则需要快速将所学习的前景学习为背景，所设置的第二参数学习率比较大，即相同前景对应的第二参数学习率大于第一参数学习率。可选的，所有前景对应的第二参数学习率可以相同，也可以不同。

本发明实施例的应用场景可以是利用背景建模进行视频预处理的智能监控系统中，该智能监控系统对摄像头采集的监控视频进行处理。如图1所示，该智能监控系统包括视频图像模块2001、背景建模模块2002、后处理模块2003、视觉任务模块2004和结果图像模块2005五个模块组成基本视频处理系统。视频图像模块2001是该场景的输入部分，是由摄像头采集到的连续图像帧。背景建模模块2002是对输入的图像帧进行建模，并基于所建立的背景模型提取前景。背景建模模块2002通常包括前景提取模块2021和模型更新模块2022两个部分，前景提取模块2021用来分离图像帧的前景和背景，模型更新模块2022是通过对图像帧学习背景模型的参数。后处理模块2003是对背景建模的结果进行进一步处理，消除所提取的前景图像中存在的噪声，后处理模块2003中的腐蚀2031和膨胀2032是两种常用的形态学后处理操作。视觉任务模块2004是智能监控系统中的核心任务执行部分，主要包括前景检测(2041)、前景分割(2042)和前景追踪(2043)等任务。结果图像模块2005是智能监控系统的输出部分，图像中对监控前景的区域进行了划分和标注。

本发明实施例在基本视频处理系统基础上新增加视觉任务模块2006，通过视觉任务模块2006可以对图像帧进行计算，得到图像帧中所包含的前景和/或背景。进一步从目标数据库2009中查找与前景对应的第一参数学习率，查找与背景对应的第一参数学习率，利用所查找的第一参数学习率对模型更新模块2022的背景模型进行更新。即背景对应区域像素点的背景模型的参数学习率更新为背景对应的第一参数学习率，前景对应区域像素点的背景模型的参数学习率更新为相应前景对应的第一参数学习率。

进一步可选的，原始的图像帧经过视觉任务模块2006的处理，会得到带有前景的结果图像，该结果图像中的前景所在的区域为实际区域，获取原始的图像帧经过背景建模处理后的带有前景的结果图像2005，该结果图像中的前景所在的区域为预测区域，通过比较实际区域和预测区域的前景信息，获得误判区域。该误判区域包括将前景学习为背景的区域，和/或，将背景学习为前景的区域。

若是将背景学习为前景，从目标数据库2009查找与该前景对应的第二参数学习率，第二参数学习率通常较大，可以加快将该前景学习成为背景的速率。若是将前景学习为背景，减少背景模型中的模型数量，重新学习，形成更加准确的背景模型。

结合图1所示的应用场景，参见图2，本发明实施例提供了一种图像处理方法流程图，该方法包括：

s10，获取监控视频的第一图像帧；

本发明实施例中，监控视频可以是视角固定的摄像头采集的视频，或者，监控视频可以是截取的一段视频。第一图像帧可以是监控视频中的任意一个图像帧。

s11，对所述第一图像帧的图像数据进行计算，获得所述第一图像帧所包含的目标，所述目标包括前景和/或背景；

本发明实施例中，可以采用视觉任务模块对该第一图像帧的图像数据进行计算，获得该第一图像帧所包含的目标以及目标所处的位置。在本申请实施例中，所关注的目标可以仅仅包括该第一图像帧所包含的至少一个前景，或者，所关注的目标可以包括该第一图像帧所包含的至少一个前景以及背景。

可选的，如图4所述，原始的第一图像帧4201直接通过视觉任务模块4202的前景检测、前景分割以及前景追踪处理，获得结果图像4203，通过该结果图像4203可以得到第一图像帧所包含的前景，即可以收集该第一图像帧的前景信息4204，同时通过该结果图像也可以得到背景所在的区域。

具体可选的，视觉任务模块中存储需要关注的前景的特征，例如尺度不变特征变换(scaleinvariantfeaturetransform，sift)、方向梯度直方图(histogramoforientedgradients，hog)等传统图像特征，或深度神经网络提取的深度特征。当视觉任务模块接收到第一图像帧后，视觉任务模块会根据视觉任务的具体类型对第一图像帧进行扫描、分割等处理，将第一图像帧划分为多个候选区域，之后将每个候选区域与存储的需要关注的前景的特征进行匹配。若匹配成功，则将该候选区域标注为前景所在的区域。在处理所有候选区域之后，第一图像帧中被标注的区域就是第一图像帧中的前景所在的区域，未被标注的区域为背景所在的区域。同时通过该前景的特征可以得到该前景的类型，或者，视觉任务模块中存储该前景的类型。前景的类型可以用于表示该前景的分类，比如表示该前景为车或者人等等。

s12，查找与所述目标对应的第一参数学习率，所述第一参数学习率用于表示所述目标对应区域中像素点上出现的新增模型更新成为所述目标对应区域中像素点的背景模型的速率，所述第一参数学习率为根据所述目标的属性信息确定；

本发明实施例中，在目标数据库中查找与目标对应的第一参数学习率，该目标数据库中存储各种目标对应的第一参数学习率，比如，各种不同属性信息的前景对应不同的第一参数学习率，背景对应一种第一参数学习率。第一参数学习率用于表示所述目标对应区域中像素点上出现的新增模型更新成为所述目标对应区域中像素点的背景模型的速率，这里以一个像素点的背景模型作为举例说明，a模型为以101为中心的正态分布曲线模型，b模型是以104为中心的正态分布曲线模型，a模型是该像素点的背景模型，由于该像素点出现新的物体或者人，该新的物体或者人可以是前景，或者该新的物体或者人可以是变化后的背景。当该像素点出现新的物体或者人时，即存在新增模型。比如，这里以b模型是该新增模型。为了能够快速更新背景模型，该新增模型b以一定的比重增长速率被学习在该像素点的背景模型中，其中，该比重增长速率即是第一参数学习率。比如，与该目标对应的第一参数学习率为0.1，则该像素点的背景模型更新为：0.9a+0.1b、0.8a+0.2b、0.7a+0.3b...一直到该新的物体或者人不再出现在该像素点。可见，第一参数学习率的大小决定了该新增模型更新成为背景模型的速率，需要说明的是，新增模型更新成为背景模型指该新增模型占背景模型的主导地位，即权重比较大。

在实际场景中，需要根据目标的属性信息确定该第一参数学习率，比如，对于背景对应的第一参数学习率可以略大，以便于尽快的学习到新的背景，增加前景检测的准确性。对于运动速度比较快的前景对应的第一参数学习率大于运动速度比较慢的前景对应的第一参数学习率，对于轮廓比较大，且运动速度比较慢的前景对应的第一参数学习率需要非常小，否则，在背景模型学习过程中，很容易将前景学习为背景。对于根据目标的属性信息确定第一参数学习率的方法上述仅为举例，本发明实施例对此不作限定，比如还可以是其他属性信息。

目标数据库中记录了每一种目标的最优参数学习率(即第一参数学习率)、模型数量等信息。在目标数据库中，一些目标的类别还可以包括子类别的信息，根据任务的精度要求，对目标的类别进行更细致的划分。如图3所示，即是本发明实施例提供的一种收集目标数据库中的信息的示意图，如图所示，目标的类别可以划分为：背景、行人、机动车、自行车等等，每一种目标的类别对应一种第一参数学习率以及模型数量。可选的，目标的类别还可以进一步划分为子类别，目标数据库中记录每一种子类别的第一参数学习率以及模型数量之间的对应关系。如图所示，机动车可以划分为轿车、卡车以及大巴车等等，每一种子类别可以对应不同的第一参数学习率以及模型数量。比如，目标数据库可以采用下面的方式进行描述：

database＝{objectinfo|object∈allobjects}

objectinfo＝(learningrate，maxmodel，subobject，...)

其中，database为目标数据库，allobjects为任务所关注的全部目标的集合，其中包含一个特殊的目标：背景(background)，objectinfo为某一种目标的信息，learningrate记录了目前最优的第一参数学习率，maxmodel记录了目前最佳的模型数量，subobject记录了该目

标的子类别的信息。

其中，查找与目标对应的第一参数学习率的查找形式可以采用如下形式表示：

objt(i，j)＝{objectinfo|object＝taskt(i，j)}

其中，taskt(i,j)为第t时刻像素点(i,j)的计算结果，结果通常被标记为某种具体的目标，比如该目标的类型；objt(i,j)为通过查询目标数据库得到的，第t时刻像素点(i,j)的目标信息，该目标信息可以包括与目标对应的第一参数学习率以及模型数量。

s13，采用所述第一参数学习率更新所述监控视频中所述目标对应区域中像素点的背景模型。

本发明实施例中，当查询到与目标对应的第一参数学习率后，即可以采用该第一参数学习率更新监控视频中该目标对应区域中像素点的背景模型。需要说明的是，当监控视频的第一图像帧中包括多个前景时，不同前景可能对应不同的第一参数学习率，在更新背景模型时，采用前景对应的第一参数学习率更新该前景对应区域中像素点的背景模型。比如，第一图像帧包括前景1和前景2，前景1在监控视频的区域1，前景2在监控视频的区域2，前景1对应的第一参数学习率为a1，前景2对应的第一参数学习率为a2，则采用a1更新区域1的像素点的背景模型，采用a2更新区域2的像素点的背景模型。需要说明的是，采用背景对应的第一参数学习率更新背景所在区域的像素点的背景模型。其中，更新背景模型的形式可以采用如下形式进行表示：

update(modelt(i,j),objt(i,j))

其中，modelt(i,j)为第t时刻像素点(i,j)的背景模型，update(modelt(i,j),objt(i,j))函数根据objt(i,j)的信息更新像素点(i,j)的背景模型。

采用上述方法，对不同目标采用不同的第一参数学习率更新相应区域的像素点的背景模型，可以减少将背景学习为前景，或者将前景学习为背景的情况发生。需要说明的是，由于步骤s11中采用视觉任务对第一图像帧进行计算，以得到第一图像帧所包含的目标，计算过程复杂，为了提高处理效率，通常步骤s11可以按照比较大的周期执行，可以不需要每一帧图像帧均执行，当确定相应的第一参数学习率后，在一段时间周期内，均可以采用该第一参数学习率对背景模型进行学习。

进一步可选的，本发明实施例的图像处理方法还可以包括步骤s14～s18；

s14，获取所述监控视频的第二图像帧；

s15，根据更新后的所述背景模型对所述第二图像帧进行前景提取处理，并确定所述第二图像帧中的前景所在的预测区域；

本发明实施例中，第二图像帧可以是在第一图像帧之后的图像帧，且第二图像帧与第一图像帧之间可以间隔一定个数的图像帧。采用更新后的背景模型对第二图像帧进行前景提取处理，获得包含前景的结果图像，根据该结果图像即可确定该第二图像帧中的前景所在的预测区域。

具体可选的，如图5所示，第二图像帧4303经过混合高斯模型4302的前景提取处理后，获得前景图像4301，将该前景图像输入视觉任务4304模块对其进行前景检测、前景分割以及前景追踪等处理，获得包含前景的结果图像4305，通过该结果图像4305即可确定前景所在的预测区域。如图5所示，结果图像4305中的虚线框即是前景所在的预测区域。需要说明的是，视觉任务4304对前景图像进行处理之前可以通过后处理模块，对该前景图像进行腐蚀和膨胀处理。

s16，对所述第二图像帧的图像数据进行计算，并确定所述第二图像帧中的前景所在的实际区域；

本发明实施例中，步骤s15是通过所建立的背景模型对第二图像帧进行处理，步骤s16是直接对该原始的第二图像帧进行视觉任务计算处理，从而确定该第二图像帧中的前景所在的实际区域。

具体可选的，如图6所示，原始的第二图像帧4303直接通过视觉任务模块4304的前景检测、前景分割以及前景追踪等处理，从而得到包含前景的结果图像4306。通过该结果图像4306可以确定前景所在的实际区域。

需要说明的是，步骤s16中对第二图像帧的计算过程可以参照步骤s11，重复之处在此不再赘述。

s17，若所述预测区域与所述实际区域之间的误差满足误判条件，根据所述预测区域和所述实际区域，确定误判区域，所述误判区域包括第一区域和/或第二区域，所述第一区域包括所述实际区域覆盖的像素点，且所述预测区域未覆盖的像素点所组成的区域，所述第二区域包括所述实际区域未覆盖的像素点，且所述预测区域覆盖的像素点所组成的区域；

本发明实施例中，根据预测区域和实际区域，可以确定是否存在误判。误判条件可以是预测区域与实际区域之间的误差的阈值，即预测区域与所述实际区域之间的误差大于该阈值，则满足误判条件。其中，误判区域可以包括第一区域和/或第二区域。第一区域可以是前景的实际区域覆盖的像素点，且预测区域未覆盖的像素点组成的区域，即前景学习为背景的区域。第二区域可以是前景的实际区域未覆盖的像素点，且预测区域覆盖的像素点组成的区域，即背景学习为前景的区域。

可选的，可以采用如下形式表示误判区域：

mfsett＝{(i，j)|maskt(i，j)＝oandobjt(i，j)≠background}

mbsett＝{(i，j)|maskt(i，j)＝255andobjt(i，j)＝background}

bgst(i,j)为第t时刻像素点(i,j)的背景建模结果，即通过背景模型确定的结果；

maskt(i,j)为第t时刻像素点(i,j)的二值结果；

objt(i,j)为第t时刻像素点(i,j)的视觉任务计算结果；

mfsett记录了第t时刻所有被误判为背景的前景的像素点；

mbsett记录了第t时刻所有被误判为前景的背景的像素点。

s18，更新所述误判区域中像素点的背景模型。

本发明实施例中，当确定误判区域后，则说明该误判区域的像素点的背景模型需要进一步优化。可选的，若误判区域包括第一区域，即将前景学习为背景的区域，则需要将学习为背景的区域重新学习为前景，比如，重新学习该第一区域的背景模型，或者，减少该第一区域中像素点的背景模型中所包含的模型数量，这样尽快重新学习出前景，纠正背景模型。若误判区域包括第二区域，即将背景学习为前景的区域，则需要将学习为前景的区域尽快学习为背景，比如，增加该第二区域中前景对应的第一参数学习率，并采用增加后的第一参数学习率更新第二区域中像素点的背景模型。可选的，增加第一参数学习率的增加程度可以灵活配置，比如，统一设置为相同的较大的参数学习率；或者，不同的前景对应不同的第二参数学习率，并采用第二参数学习率更新监控视频中第二区域的像素点的背景模型，相同前景对应的第二参数学习率大于该前景对应的第一参数学习率。可选的，不同前景对应的不同第二参数学习率之间的对应关系也可以存储在目标数据库中。

如图6所示，通过比较结果图像4401和结果图像4402，计算得到误判区域4403，进一步根据误判区域和目标数据库中存储的第二参数学习率更新混合高斯模型4404中的模型更新模块4442。

进一步可选的，本发明实施例的图像处理方法还可以包括步骤s19～s23；

s19，获取所述监控视频的第三图像帧；

s20，根据更新后的所述背景模型对所述第三图像帧进行前景提取处理，获得前景图像；

s21，采用多个不同的形态学参数分别对所述前景图像进行形态学处理，获得每个所述形态学参数对应的结果图像；

s22，获取每个所述形态学参数对应的结果图像中图像质量最好的结果图像，并将该图像质量最好的结果图像对应的形态学参数作为目标形态学参数；

s23，将所述形态学处理的参数设置为所述目标形态学参数。

本发明实施例中，监控视频的图像帧经过背景建模之后可以得到一个初步的前景图像，但该前景图像中可能会存在一些噪声数据和区域空洞的情况，因此往往需要在背景建模之后对前景图像进行后处理操作，进一步完善背景建模的结果。后处理操作包括形态学膨胀、腐蚀等操作，后处理操作过程中需要设置形态学参数，通常不好的形态学参数可能会使得背景建模的结果变得更差，本申请实施例中需要获得最佳的目标形态学参数。

获取监控视频中的第三图像帧，第三图像帧可以是在第一图像帧之后的图像帧，采用更新后的背景模型对第三图像帧进行前景提取处理，并获得前景图像。采用预设的多个不同的形态学参数分别对该前景图像进行形态学处理，从而获得各个形态学参数对应的结果图像。比较各个形态学参数对应的结果图像，将图像质量最好的结果图像对应的形态学参数确定为最佳的目标形态学参数，后续对结果图像处理时，即可采用该目标形态学参数进行处理。

上述操作可以采用下面的形式进行表示：

maskt(i,j)＝morph(maskt(i,j),kernelt)

kernelt+1＝max(score(maskt，kernelt)，kernelt∈lib

其中，morph(maskt(i,j),kernelt)是对maskt(i,j)进行参数为kernelt的形态学操作；

score函数用来评价背景建模结果，即前景图像的质量，数值越大代表图像质量越好；

kernelt表示第t时刻的形态学参数；

kernelt+1表示第t+1时刻的形态学参数，即目标形态学参数；

lib中记录了所有可选的形态学参数。

如图7所示，第三图像帧通过混合高斯模型4501进行处理后，得到前景图像，进一步将该前景图像输入到后处理操作模块4502进行腐蚀和膨胀的形态学处理，后处理操作模块4502采用多种形态学参数分别对前景图像进行处理，并对各个形态学参数处理的结果进行评价，从而选取最佳的目标形态学参数。进一步采用目标形态学参数更新后处理操作模块4502中的形态学参数。

请参照图8，为本发明实施例提供的一种图像处理装置的结构示意图，如图所示，该图像处理装置包括获取模块701、计算模块702、查找模块703以及更新模块704；其中，各个模块的详细描述如下：

获取模块701，用于获取监控视频的第一图像帧；

计算模块702，用于对所述第一图像帧的图像数据进行计算，获得所述第一图像帧所包含的目标；

查找模块703，用于查找与所述目标对应的第一参数学习率，所述第一参数学习率用于表示所述目标对应区域中像素点上出现的新增模型更新成为所述目标对应区域中像素点的背景模型的速率，所述第一参数学习率为根据所述目标的属性信息确定；

更新模块704，用于采用所述第一参数学习率更新所述监控视频中所述目标对应区域中像素点的背景模型。

可选的，所述目标包括前景和/或背景；

若所述目标包括所述前景；

所述查找模块具体用于查找与所述前景对应的第一参数学习率；

若所述目标包括所述背景；

所述查找模块具体用于查找与所述背景对应的第一参数学习率；

其中，所述前景对应的第一参数学习率小于所述背景对应的第一参数学习率。

可选的，所述目标包括所述前景，本发明实施例的图像处理装置还可以包括第一确定模块；

所述获取模块701还用于获取所述监控视频的第二图像帧；

所述第一确定模块，用于根据更新后的所述背景模型对所述第二图像帧进行前景提取处理，并确定所述第二图像帧中的前景所在的预测区域；

所述第一确定模块还用于对所述第二图像帧的图像数据进行计算，并确定所述第二图像帧中的前景所在的实际区域；

所述第一确定模块还用于若所述预测区域与所述实际区域之间的误差满足误判条件，根据所述预测区域和所述实际区域，确定误判区域；

所述更新模块704还用于更新所述误判区域中像素点的背景模型。

可选的，所述误判区域包括第一区域和/或第二区域，所述第一区域包括所述实际区域覆盖的像素点，且所述预测区域未覆盖的像素点所组成的区域，所述第二区域包括所述实际区域未覆盖的像素点，且所述预测区域覆盖的像素点所组成的区域；所述更新模块更新所述误判区域中像素点的背景模型包括：

若所述误判区域包括所述第一区域，减少所述第一区域中像素点的背景模型中所包含的模型数量；若所述误判区域包括所述第二区域，增加所述第二区域中所述前景对应的第一参数学习率，并采用增加后的所述第一参数学习率更新所述第二区域中像素点的背景模型。

可选的，所述更新模块增加所述第二区域中所述前景对应的第一参数学习率，并采用增加后的所述第一参数学习率更新所述第二区域中像素点的背景模型，包括：

获取与所述前景对应的第二参数学习率，所述第二参数学习率用于表示所述前景对应区域中像素点上出现的新增模型更新成为所述前景对应区域中像素点的背景模型的速率，所述前景对应的所述第二参数学习率大于所述前景对应的所述第一参数学习率；

采用所述第二参数学习率更新所述监控视频中所述第二区域中像素点的背景模型。

可选的，本发明实施例的图像处理装置还可以包括前景提取模块、形态学处理模块、第二确定模块以及设置模块；

所述获取模块701还用于获取所述监控视频的第三图像帧；

所述前景提取模块，用于根据更新后的所述背景模型对所述第三图像帧进行前景提取处理，获得前景图像；

所述形态学处理模块，用于采用多个不同的形态学参数分别对所述前景图像进行形态学处理，获得每个所述形态学参数对应的结果图像；

所述第二确定模块，用于获取每个所述形态学参数对应的结果图像中图像质量最好的结果图像，并将该图像质量最好的结果图像对应的形态学参数确定为目标形态学参数；

所述设置模块，用于将所述形态学处理的参数设置为所述目标形态学参数。

需要说明的是，各个模块的实现还可以对应参照图2所示的方法实施例的相应描述，执行上述实施例中所执行的方法和功能。

请继续参考图9，图9是本申请实施例提出的一种图像处理装置的结构示意图。如图所示，该图像处理装置可以包括：至少一个处理器801，至少一个通信接口802，至少一个存储器803和至少一个通信总线804。

其中，处理器801可以是中央处理器单元，通用处理器，数字信号处理器，专用集成电路，现场可编程门阵列或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框，模块和电路。所述处理器也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，数字信号处理器和微处理器的组合等等。通信总线804可以是外设部件互连标准pci总线或扩展工业标准结构eisa总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图8中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。通信总线804用于实现这些组件之间的连接通信。其中，本申请实施例中设备的通信接口802用于与其他节点设备进行信令或数据的通信。存储器803可以包括易失性存储器，例如非挥发性动态随机存取内存(nonvolatilerandomaccessmemory，nvram)、相变化随机存取内存(phasechangeram，pram)、磁阻式随机存取内存(magetoresistiveram，mram)等，还可以包括非易失性存储器，例如至少一个磁盘存储器件、电子可擦除可编程只读存储器(electricallyerasableprogrammableread-onlymemory，eeprom)、闪存器件，例如反或闪存(norflashmemory)或是反及闪存(nandflashmemory)、半导体器件，例如固态硬盘(solidstatedisk，ssd)等。存储器803可选的还可以是至少一个位于远离前述处理器801的存储装置。存储器803中存储一组程序代码，且处理器801执行存储器803中所执行的程序用于实现以下操作：

获取监控视频的第一图像帧；

对所述第一图像帧的图像数据进行计算，获得所述第一图像帧所包含的目标；

查找与所述目标对应的第一参数学习率，所述第一参数学习率用于表示所述目标对应区域中像素点上出现的新增模型更新成为所述目标对应区域中像素点的背景模型的速率，所述第一参数学习率为根据所述目标的属性信息确定；

采用所述第一参数学习率更新所述监控视频中所述目标对应区域中像素点的背景模型。

可选的，所述目标包括前景和/或背景；

若所述目标包括所述前景；

所述查找与所述目标对应的第一参数学习率，包括：

查找与所述前景对应的第一参数学习率；

若所述目标包括所述背景；

所述查找与所述目标对应的第一参数学习率，包括：

查找与所述背景对应的第一参数学习率；

其中，所述前景对应的第一参数学习率小于所述背景对应的第一参数学习率。

可选的，所述处理器801还用于执行如下操作：

获取所述监控视频的第二图像帧；

根据更新后的所述背景模型对所述第二图像帧进行前景提取处理，并确定所述第二图像帧中的前景所在的预测区域；

对所述第二图像帧的图像数据进行计算，并确定所述第二图像帧中的前景所在的实际区域；

若所述预测区域与所述实际区域之间的误差满足误判条件，根据所述预测区域和所述实际区域，确定误判区域；

更新所述误判区域中像素点的背景模型。

可选的，所述误判区域包括第一区域和/或第二区域，所述第一区域包括所述实际区域覆盖的像素点，且所述预测区域未覆盖的像素点所组成的区域，所述第二区域包括所述实际区域未覆盖的像素点，且所述预测区域覆盖的像素点所组成的区域。

可选的，处理器801还用于执行如下操作：

若所述误判区域包括所述第一区域，减少所述第一区域中像素点的背景模型中所包含的模型数量；

若所述误判区域包括所述第二区域，增加所述第二区域中所述前景对应的第一参数学习率，并采用增加后的所述第一参数学习率更新所述第二区域中像素点的背景模型。

可选的，处理器801还用于执行如下操作：

获取与所述前景对应的第二参数学习率，所述第二参数学习率用于表示所述前景对应区域中像素点上出现的新增模型更新成为所述前景对应区域中像素点的背景模型的速率，所述前景对应的所述第二参数学习率大于所述前景对应的所述第一参数学习率；

采用所述第二参数学习率更新所述监控视频中所述第二区域中像素点的背景模型。

可选的，处理器801还用于执行如下操作：

获取所述监控视频的第三图像帧；

根据更新后的所述背景模型对所述第三图像帧进行前景提取处理，获得前景图像；

采用多个不同的形态学参数分别对所述前景图像进行形态学处理，获得每个所述形态学参数对应的结果图像；

获取每个所述形态学参数对应的结果图像中图像质量最好的结果图像，并将该图像质量最好的结果图像对应的形态学参数确定为目标形态学参数；

将所述形态学处理的参数设置为所述目标形态学参数。

本领域技术人员应该可以意识到，在上述一个或多个示例中，本发明所描述的功能可以用硬件、软件、固件或它们的任意组合来实现。当使用软件实现时，可以将这些功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。计算机可读介质包括计算机存储介质和通信介质，其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是通用或专用计算机能够存取的任何可用介质。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的技术方案的基础之上，所做的任何修改、等同替换、改进等，均应包括在本发明的保护范围之内。