一种ViBe算法参数的优化处理方法及装置与流程

一种vibe算法参数的优化处理方法及装置
技术领域
1.本发明涉及数据优化技术领域，具体涉及一种vibe算法参数的优化处理方法及装置。


背景技术：

2.vibe算法是一种比较先进的前景提取算法，与其他背景模型算法不同之处在于，vibe算法只需要一帧图像即可实现背景模型初始化。
3.现有的vibe算法检测效果良好，速度快，但是也存在着一些问题：首先，在建立背景模型时，vibe算法选择首帧图像中的像素点为中心的3
×
3邻域，共8个像素点的方式，填充样本集数为20的背景模型，虽然这样占用内存小，速度快，但是也有缺点：一是容易产生“鬼影”，“鬼影”对动目标的检测存在极大影响，必须快速消除。二是样本存在重复现象，邻域8个像素点要去填充样本数20的样本集，使得像素点与样本存在重复的大量的计算，样本集空间重复样本较多。其次，现有的vibe算法对动态背景的适应性比较差，容易受到动态背景的影响，从而导致出现大量误检，对检测工作带来不利影响。


技术实现要素：

4.针对现有技术中的问题，本发明实施例提供一种vibe算法参数的优化处理方法及装置，能够至少部分地解决现有技术中存在的问题。
5.一方面，本发明提出一种vibe算法参数的优化处理方法，包括：
6.将vibe算法选择的邻域进行扩充，得到扩充后的邻域；
7.根据所述扩充后的邻域构建背景模型样本集，根据所述背景模型样本集、当前帧图像信息和应用场景相关预设因子，计算动态背景复杂度参数；
8.根据所述vibe算法的像素自适应阈值和所述动态背景复杂度参数的比较结果，对所述像素自适应阈值进行自适应计算，并将自适应计算得到的像素自适应阈值作为优化得到的vibe算法参数。
9.其中，所述将vibe算法选择的邻域进行扩充，得到扩充后的邻域，包括：
10.将vibe算法选择的邻域扩充至5
×
5邻域。
11.其中，所述当前帧图像信息包括当前帧图像像素信息和当前帧图像尺寸信息；相应的，所述根据所述背景模型样本集、当前帧图像信息和应用场景相关预设因子，计算动态背景复杂度参数，包括：
12.根据所述背景模型样本集、所述当前帧图像像素信息和所述当前帧图像尺寸信息和所述应用场景相关预设因子，计算动态背景复杂度参数。
13.其中，所述根据所述vibe算法的像素自适应阈值和所述动态背景复杂度参数的比较结果，对所述像素自适应阈值进行自适应计算，包括：
14.若确定所述像素自适应阈值大于所述动态背景复杂度参数，则采用如下第一计算公式对所述像素自适应阈值进行自适应计算：
[0015][0016]
其中，r(x)为所述像素自适应阈值、为所述动态背景复杂度参数。
[0017]
其中，所述根据所述vibe算法的像素自适应阈值和所述动态背景复杂度参数的比较结果，对所述像素自适应阈值进行自适应计算，包括：
[0018]
若确定所述像素自适应阈值小于等于所述动态背景复杂度参数，则采用如下第二计算公式对所述像素自适应阈值进行自适应计算：
[0019][0020]
其中，r(x)为所述像素自适应阈值、为所述动态背景复杂度参数。
[0021]
其中，所述vibe算法参数的优化处理方法还包括：
[0022]
若确定则对r(x)进行自适应调整，以使
[0023]
其中，基于上述vibe算法参数的优化处理方法的图像检测方法，包括：
[0024]
获取待检测图像；
[0025]
基于预设图像检测模型对所述待检测图像进行图像检测，得到图像检测结果；所述预设图像检测模型为包含优化得到的vibe算法参数的vibe算法。
[0026]
一方面，本发明提出一种vibe算法参数的优化处理装置，包括：
[0027]
扩充单元，用于将vibe算法选择的邻域进行扩充，得到扩充后的邻域；
[0028]
计算单元，用于根据所述扩充后的邻域构建背景模型样本集，根据所述背景模型样本集、当前帧图像信息和应用场景相关预设因子，计算动态背景复杂度参数；
[0029]
优化单元，用于根据所述vibe算法的像素自适应阈值和所述动态背景复杂度参数的比较结果，对所述像素自适应阈值进行自适应计算，并将自适应计算得到的像素自适应阈值作为优化得到的vibe算法参数。
[0030]
再一方面，本发明实施例提供一种电子设备，包括：处理器、存储器和总线，其中，
[0031]
所述处理器和所述存储器通过所述总线完成相互间的通信；
[0032]
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如下方法：
[0033]
将vibe算法选择的邻域进行扩充，得到扩充后的邻域；
[0034]
根据所述扩充后的邻域构建背景模型样本集，根据所述背景模型样本集、当前帧图像信息和应用场景相关预设因子，计算动态背景复杂度参数；
[0035]
根据所述vibe算法的像素自适应阈值和所述动态背景复杂度参数的比较结果，对所述像素自适应阈值进行自适应计算，并将自适应计算得到的像素自适应阈值作为优化得到的vibe算法参数。
[0036]
本发明实施例提供一种非暂态计算机可读存储介质，包括：
[0037]
所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如下方法：
[0038]
将vibe算法选择的邻域进行扩充，得到扩充后的邻域；
[0039]
根据所述扩充后的邻域构建背景模型样本集，根据所述背景模型样本集、当前帧图像信息和应用场景相关预设因子，计算动态背景复杂度参数；
[0040]
根据所述vibe算法的像素自适应阈值和所述动态背景复杂度参数的比较结果，对所述像素自适应阈值进行自适应计算，并将自适应计算得到的像素自适应阈值作为优化得到的vibe算法参数。
[0041]
本发明实施例提供的vibe算法参数的优化处理方法及装置，将vibe算法选择的邻域进行扩充，得到扩充后的邻域；根据所述扩充后的邻域构建背景模型样本集，根据所述背景模型样本集、当前帧图像信息和应用场景相关预设因子，计算动态背景复杂度参数；根据所述vibe算法的像素自适应阈值和所述动态背景复杂度参数的比较结果，对所述像素自适应阈值进行自适应计算，并将自适应计算得到的像素自适应阈值作为优化得到的vibe算法参数，能够消除鬼影，避免样本重复，以及提高对动态背景的适应性，进而提高检测准确性。
附图说明
[0042]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：
[0043]
图1是现有技术提供的vibe算法的3
×
3邻域说明示意图。
[0044]
图2是本发明一实施例提供的vibe算法参数的优化处理方法的流程示意图。
[0045]
图3是本发明另一实施例提供的vibe算法参数的优化处理方法的流程示意图。
[0046]
图4是本发明另一实施例提供的vibe算法的前景检测说明示意图。
[0047]
图5是本发明一实施例提供的vibe算法的5
×
5邻域说明示意图。
[0048]
图6是本发明一实施例提供的vibe算法参数的优化处理装置的结构示意图。
[0049]
图7为本发明实施例提供的电子设备实体结构示意图。
具体实施方式
[0050]
为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互任意组合。
[0051]
图2是本发明一实施例提供的vibe算法参数的优化处理方法的流程示意图，如图2所示，本发明实施例提供的vibe算法参数的优化处理方法，包括：
[0052]
步骤s1：将vibe算法选择的邻域进行扩充，得到扩充后的邻域。
[0053]
步骤s2：根据所述扩充后的邻域构建背景模型样本集，根据所述背景模型样本集、当前帧图像信息和应用场景相关预设因子，计算动态背景复杂度参数。
[0054]
步骤s3：根据所述vibe算法的像素自适应阈值和所述动态背景复杂度参数的比较结果，对所述像素自适应阈值进行自适应计算，并将自适应计算得到的像素自适应阈值作为优化得到的vibe算法参数。
[0055]
在上述步骤s1中，装置将vibe算法选择的邻域进行扩充，得到扩充后的邻域。装置可以是执行该方法的计算机设备，例如可以包括服务器。
[0056]
vibe的全称是，视频背景提取(visual background extractor，vibe)，该算法是
一种像素级的前景检测算法，其原理是：通过提取像素点(x,y)周围的像素值建立像素点的样本集，然后再将下一帧图像(x,y)处的像素值与样本集中的像素值进行比较，根据比较结果，确定前景像素点或背景像素点。
[0057]
如图3所示，vibe算法对于输入视频中的前景目标提取过程主要分为五步：视频输入、背景模型初始化、前景检测、背景模型更新和得到前景目标。
[0058]
视频输入，是指输入视频至vibe算法。
[0059]
背景模型初始化：
[0060]
vibe算法利用每个像素点与其8邻域内每个像素点的像素值相似的时空分布特征建立背景模型，选择以该像素点为中心的3
×
3像素矩阵中的8个邻域像素点像素值，从中进行多次的随机选择填充样本集空间。
[0061]
对于图像尺寸是m
×
n的图像中的某一个像素点x，其像素值设置为p(x)，对应的样本集记为s(x)，则表达式如式(3-1)：
[0062]
s(x)＝{v1,v2,......vn}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3-1)
[0063]
其中，vi表示背景模型中的像素值，n表示的是样本集大小，一般取值n＝20，总样本集大小为m
×n×
n。
[0064]
建立样本集后，将x与其8邻域内每个像素点组成样本的采样空间nb(x)，在采样空间内随机选择像素点进行背景模型初始化，初始化背景模型公式如式(3-2)：
[0065]
m(x)＝{vi(x)|x∈nb(x)}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3-2)
[0066]
式中的vi(x)与vi相对应。
[0067]
前景检测：
[0068]
在背景模型完成之后，需要进行前景检测。如图4所示，以v(x)为圆心，r为半径的圆形区域称为sr(p(x))，v1,v2,......v6是点v(x)的样本集中的背景样本点的像素值。假设在某个t时刻，v(x)的像素值是p(x)，样本集是s(x)＝{v1,v2,......v6}，计算点v与样本集中的像素值v
t
之间的欧式距离dist({v
t
|v
t
∈m},v)，如dist({v
t
|v
t
∈m},v)小于分类阈值rx，则令背景样本点的u值(u值为本领域通用术语)加1，当u的值大于或者等于背景样本点个数阈值u
min
时，则判断该像素点为背景点，公式整理如式(3-3)和(3-4):
[0069][0070][0071]
由以上可知，对于vibe算法在前景检测中主要有三个阈值参数，分别是样本集大小n、分类阈值rx和背景样本点个数阈值u
min
，一般取值为：n＝20，rx＝20，u
min
＝2。
[0072]
背景模型更新：
[0073]
在前景像素和背景像素分类完成之后，要进行背景模型更新，一般更新机制分为保守更新机制和前景点计数更新机制。分别说明如下：
[0074]
1、保守更新：只要判定为前景目标的点，就不会被更新到背景模型中，该策略优势在于：可以较好的检测出运动的目标，但缺点是，容易“死锁”而产生“鬼影”。例如：如果一个静止目标被当做了前景目标，会在整个更新的过程中被认为是运动像素，而产生死锁，当某
个运动目标进入视频场景后变为静止状态时，保守机制会一直判定该点为运动目标，从而产生“鬼影”。
[0075]
鬼影：指的是vibe算法会把原来属于背景的像素点检测为前景像素，即背景中某个静止的像素点被判定为运动像素点，从而产生“鬼影”区域，在进行目标检测的时候会检测到两个前景目标，一个是实际的运动目标，而另一个是实际上的背景像素点，影响检测效果。另外，如果当静止的目标已经开始运动了，但是模型还没来得及更新，运动的目标被检测成了静止目标，使得检测运动目标时出现了虚假的前景，这样也会产生“鬼影”。
[0076]
2、前景点计数：是统计像素被判定为前景像素的次数，并将连续判定y次的前景像素点保留，并更新为背景像素点。
[0077]
得到前景目标：是指得到图像检测结果，即针对前景目标的图像检测结果。
[0078]
本发明实施例从背景模型初始化建立和分类阈值rx两个方面进行改进，快速消除“鬼影”，同时提高动态背景适应性。
[0079]
首先，在背景模型初始化时，将vibe算法选择的邻域进行扩充，得到扩充后的邻域，将vibe算法选择的邻域扩充至5
×
5邻域，即选择5
×
5邻域的24个像素点建立样本集空间，通过计算邻域像素点到中心像素点的距离权值贡献率，发现5
×
5邻域像素点比3
×
3邻域像素点更优，推导理论如下：
[0080]
如图5所示，是5
×
5邻域，如图1所示，8个像素值随机的选取作为样本值，一个像素单元的尺寸为1，则8个像素点到中心像素点的距离均为1。如图5所示，24个像素点采用距离权值的方式，计算每个像素点到中心像素点的距离，其距离大小展示如图5中所示。
[0081]
根据距离权值计算邻域每个像素点被选择为样本集中样本的概率，与当前的像素点距离越近，则权值越大，被选进样本集中的概率也就越大。如式(3-5)：
[0082][0083]
其中，k表示第k个像素点，sk表示第k个像素点的权值，1mk表示的是，第k个像素点到中心像素点的距离的倒数。根据上述公式，计算3
×
3像素矩阵和5
×
5像素矩阵的贡献率比值：
[0084][0085]
由此可知，3
×
3像素矩阵和5
×
5像素矩阵的贡献率比值为61.31％，所以相比较之下5
×
5像素矩阵贡献率更高。
[0086]
在上述步骤s2中，装置根据所述扩充后的邻域构建背景模型样本集，根据所述背景模型样本集、当前帧图像信息和应用场景相关预设因子，计算动态背景复杂度参数。
[0087]
在前景检测过程中，分类阈值rx是判定像素点属于前景还是背景的重要依据，现有算法rx的值是固定的，需要人工设定，如rx设置的过小，则会因背景变化产生误检；如设置过大，则会无法检测出前景目标。为了更灵活的适应动态背景的变化，使用基于动态背景
复杂度参数确定像素自适应阈值的方法。
[0088]
引入动态背景复杂度参数设置d(x)是视频的当前帧图像像素信息，即像素点x的像素值(是基于扩充后的邻域获取的，与上述基于扩充前的邻域获取的p(x)不同，但获取方式相同)，d
ij
(x)是背景模型样本集，即像素点x的样本集(是基于扩充后的邻域获取的，与上述基于扩充前的邻域获取的s(x)不同，但获取方式相同)，即在背景模型初始化时建立的样本集。
[0089]
θ是抑制系数，即应用场景相关预设因子，可选为0～1之间的数值，和应用场景相关，应用场景确定该数值就确定，如果应用场景为安防，则可选为与安防应用场景对应的数值。
[0090]
m和n表示当前帧图像尺寸信息，即图像的大小是m
×
n，当前帧图像信息可以包括当前帧图像像素信息和当前帧图像尺寸信息。
[0091]
动态背景复杂度参数可以根据动态背景的变化程度调整至合适的值，根据所述扩充后的邻域构建背景模型样本集，根据所述背景模型样本集、当前帧图像信息和应用场景相关预设因子，计算动态背景复杂度参数，包括：
[0092]
根据所述背景模型样本集、所述当前帧图像像素信息和所述当前帧图像尺寸信息和所述应用场景相关预设因子，计算动态背景复杂度参数，表达式如下：
[0093][0094]
其中，各参数可参照上述说明，不再赘述。
[0095]
在上述步骤s3中，装置根据所述vibe算法的像素自适应阈值和所述动态背景复杂度参数的比较结果，对所述像素自适应阈值进行自适应计算，并将自适应计算得到的像素自适应阈值作为优化得到的vibe算法参数。
[0096]
其中，的值是根据环境的复杂程度自动变化的，如果环境中的背景变化比较大，则值越大，反之，则值小。一般对于分类阈值rx的调整规则可以引用下述规则：
[0097][0098]
式中，r(x)是改进后的像素自适应阈值(与现有分类阈值r相区分)，根据变化而变化，如果要使r(x)不是以固定的速度收敛，而是根据差值的大小进行变速调节，所以阈值调节量λ设置为变化值，令λ为：
[0099][0100]
由式(3-8)可得λ值是介于0和1之间的，所以令系数代入式(3-9)中得：
[0101][0102]
把(3-10)代入式(3-8)中得：
[0103][0104]
即，所述根据所述vibe算法的像素自适应阈值和所述动态背景复杂度参数的比较结果，对所述像素自适应阈值进行自适应计算，包括：
[0105]
若确定所述像素自适应阈值大于所述动态背景复杂度参数，则采用如下第一计算公式对所述像素自适应阈值进行自适应计算：
[0106][0107]
若确定所述像素自适应阈值小于等于所述动态背景复杂度参数，则采用如下第二计算公式对所述像素自适应阈值进行自适应计算：
[0108][0109]
其中，r(x)为所述像素自适应阈值、为所述动态背景复杂度参数。
[0110]
对式(3-11)进行化简可得：
[0111][0112]
由式(3-12)可知，为防止像素自适应阈值计算出现异常，当r(x)大于等于2倍时，调整它为小于2倍的优选为1.5倍的
[0113]
即若确定则对r(x)进行自适应调整，以使
[0114]
对改进后的vibe算法总结如下：
[0115]
(1)背景初始化：对输入的初始化图像，选取第一帧图像建立背景模型，采用像素中心5
×
5的邻域像素值作为样本值，对像素中心邻域5
×
5的25个像素点求欧式距离值d，由于d越大，则与当前的像素点距离越近时权值越大，被选进样本集中的概率也就越大，所以接着对d从大到小进行排序，选择前20个像素点作为样本值，克服了现存的样本值重复率高的缺点，同时相比较于3
×
3模型新增了样本的多样性，再结合保守背景更新和前景点计数更新相结合的更新机制消除鬼影。
[0116]
(2)前景检测：将r(x)初始值设置为20，后续根据式(3-12)自适应变化公式计算出新的r(x)替代初始值。设置u
min
为2，如果当前像素值到样本点之间的欧式距离小于r(x)，且小于r(x)的背景点数的个数大于等于2时，判定为背景像素，否则判定为前景像素。
[0117]
(3)背景更新：采用保守更新和前景点计数相结合的更新机制。一方面，保守更新机制可以使得背景模型只能由背景像素点更新，另一方面，通过结合前景点计数的更新机制可以将长时间停留在背景中的运动物体更新为背景，防止保守更新产生死锁现象。
[0118]
本发明实施例提供的vibe算法参数的优化处理方法，将vibe算法选择的邻域进行扩充，得到扩充后的邻域；根据所述扩充后的邻域构建背景模型样本集，根据所述背景模型样本集、当前帧图像信息和应用场景相关预设因子，计算动态背景复杂度参数；根据所述vibe算法的像素自适应阈值和所述动态背景复杂度参数的比较结果，对所述像素自适应阈值进行自适应计算，并将自适应计算得到的像素自适应阈值作为优化得到的vibe算法参
数，能够消除鬼影，避免样本重复，以及提高对动态背景的适应性，进而提高检测准确性。
[0119]
进一步地，所述将vibe算法选择的邻域进行扩充，得到扩充后的邻域，包括：
[0120]
将vibe算法选择的邻域扩充至5
×
5邻域。可参照上述说明，不再赘述。
[0121]
本发明实施例提供的vibe算法参数的优化处理方法，将vibe算法选择的邻域扩充至5
×
5邻域，可以避免样本重复，同时，由于领域扩充不至于过大，还可以兼顾运算响应速度。
[0122]
进一步地，所述当前帧图像信息包括当前帧图像像素信息和当前帧图像尺寸信息；相应的，所述根据所述背景模型样本集、当前帧图像信息和应用场景相关预设因子，计算动态背景复杂度参数，包括：
[0123]
根据所述背景模型样本集、所述当前帧图像像素信息和所述当前帧图像尺寸信息和所述应用场景相关预设因子，计算动态背景复杂度参数。可参照上述说明，不再赘述。
[0124]
本发明实施例提供的vibe算法参数的优化处理方法，进一步准确并可量化计算动态背景复杂度参数，进一步能够消除鬼影，避免样本重复，以及提高对动态背景的适应性，进而提高检测准确性。
[0125]
进一步地，所述根据所述vibe算法的像素自适应阈值和所述动态背景复杂度参数的比较结果，对所述像素自适应阈值进行自适应计算，包括：
[0126]
若确定所述像素自适应阈值大于所述动态背景复杂度参数，则采用如下第一计算公式对所述像素自适应阈值进行自适应计算：
[0127][0128]
其中，r(x)为所述像素自适应阈值、为所述动态背景复杂度参数。可参照上述说明，不再赘述。
[0129]
本发明实施例提供的vibe算法参数的优化处理方法，采用第一计算公式对像素自适应阈值进行自适应计算，进一步提高对动态背景的适应性，进而提高检测准确性。
[0130]
进一步地，所述根据所述vibe算法的像素自适应阈值和所述动态背景复杂度参数的比较结果，对所述像素自适应阈值进行自适应计算，包括：
[0131]
若确定所述像素自适应阈值小于等于所述动态背景复杂度参数，则采用如下第二计算公式对所述像素自适应阈值进行自适应计算：
[0132][0133]
其中，r(x)为所述像素自适应阈值、为所述动态背景复杂度参数。可参照上述说明，不再赘述。
[0134]
本发明实施例提供的vibe算法参数的优化处理方法，采用第二计算公式对像素自适应阈值进行自适应计算，进一步提高对动态背景的适应性，进而提高检测准确性。
[0135]
进一步地，所述vibe算法参数的优化处理方法还包括：
[0136]
若确定则对r(x)进行自适应调整，以使可参照上述说明，不再赘述。
[0137]
本发明实施例提供的vibe算法参数的优化处理方法，能够有效防止像素自适应阈值计算出现异常。
[0138]
进一步地，基于上述vibe算法参数的优化处理方法的图像检测方法，包括：
[0139]
获取待检测图像；
[0140]
基于预设图像检测模型对所述待检测图像进行图像检测，得到图像检测结果；所述预设图像检测模型为包含优化得到的vibe算法参数的vibe算法。可以将待检测视频输入预设图像检测模型，预设图像检测模型对待检测视频的每一帧的待检测图像进行图像检测，输出图像检测结果，即针对前景目标的图像检测结果。
[0141]
传统的银行网点内的安防系统都需要人力值班，需要较高的人力成本，并且容易出现漏检和误检，监测系统本身也无法做到第一时间自动检测和报警。
[0142]
动目标检测常用于医疗、交通视频监控以及智能安防监测系统。动目标检测：是一种将前景和背景进行分离的检测方式，即从序列图像中把变化区域从背景图像中提取出来。其中背景指的是除了前景之外固定不变的部分，例如大楼、树木等，前景指的是在背景为静止状态下，此时运动的物体称之为前景，例如视频中运动的人、车、动物等。
[0143]
在对安防智能监控系统中的视频进行动目标检测时，使用现有的vibe算法，视频帧图像中会存在“鬼影”，其严重影响监测效果和质量，本发明实施例对现有的vibe算法进行改进，并将其应用于上述应用场景中，能够获得更好的动目标检测效果，以提高监测系统的监测质量。
[0144]
本发明实施例提供的vibe算法参数的优化处理方法，通过使用预设图像检测模型对待检测图像进行图像检测，能够消除鬼影，避免样本重复，以及提高对动态背景的适应性，进而提高检测准确性。
[0145]
需要说明的是，本发明实施例提供的vibe算法参数的优化处理方法可用于金融领域，也可用于除金融领域之外的任意技术领域，本发明实施例对vibe算法参数的优化处理方法的应用领域不做限定。
[0146]
图6是本发明一实施例提供的vibe算法参数的优化处理装置的结构示意图，如图6所示，本发明实施例提供的vibe算法参数的优化处理装置，包括扩充单元601、计算单元602和优化单元603，其中：
[0147]
扩充单元601用于将vibe算法选择的邻域进行扩充，得到扩充后的邻域；计算单元602用于根据所述扩充后的邻域构建背景模型样本集，根据所述背景模型样本集、当前帧图像信息和应用场景相关预设因子，计算动态背景复杂度参数；优化单元603用于根据所述vibe算法的像素自适应阈值和所述动态背景复杂度参数的比较结果，对所述像素自适应阈值进行自适应计算，并将自适应计算得到的像素自适应阈值作为优化得到的vibe算法参数。
[0148]
具体的，装置中的扩充单元601用于将vibe算法选择的邻域进行扩充，得到扩充后的邻域；计算单元602用于根据所述扩充后的邻域构建背景模型样本集，根据所述背景模型样本集、当前帧图像信息和应用场景相关预设因子，计算动态背景复杂度参数；优化单元603用于根据所述vibe算法的像素自适应阈值和所述动态背景复杂度参数的比较结果，对所述像素自适应阈值进行自适应计算，并将自适应计算得到的像素自适应阈值作为优化得到的vibe算法参数。
[0149]
本发明实施例提供的vibe算法参数的优化处理装置，将vibe算法选择的邻域进行扩充，得到扩充后的邻域；根据所述扩充后的邻域构建背景模型样本集，根据所述背景模型
样本集、当前帧图像信息和应用场景相关预设因子，计算动态背景复杂度参数；根据所述vibe算法的像素自适应阈值和所述动态背景复杂度参数的比较结果，对所述像素自适应阈值进行自适应计算，并将自适应计算得到的像素自适应阈值作为优化得到的vibe算法参数，能够消除鬼影，避免样本重复，以及提高对动态背景的适应性，进而提高检测准确性。
[0150]
进一步地，所述扩充单元601具体用于：
[0151]
将vibe算法选择的邻域扩充至5
×
5邻域。
[0152]
本发明实施例提供的vibe算法参数的优化处理装置，将vibe算法选择的邻域扩充至5
×
5邻域，可以避免样本重复，同时，由于领域扩充不至于过大，还可以兼顾运算响应速度。
[0153]
进一步地，所述当前帧图像信息包括当前帧图像像素信息和当前帧图像尺寸信息；相应的，所述计算单元602具体用于：
[0154]
根据所述背景模型样本集、所述当前帧图像像素信息和所述当前帧图像尺寸信息和所述应用场景相关预设因子，计算动态背景复杂度参数。
[0155]
本发明实施例提供的vibe算法参数的优化处理装置，进一步准确并可量化计算动态背景复杂度参数，进一步能够消除鬼影，避免样本重复，以及提高对动态背景的适应性，进而提高检测准确性。
[0156]
进一步地，所述优化单元603具体用于：
[0157]
若确定所述像素自适应阈值大于所述动态背景复杂度参数，则采用如下第一计算公式对所述像素自适应阈值进行自适应计算：
[0158][0159]
其中，r(x)为所述像素自适应阈值、为所述动态背景复杂度参数。
[0160]
本发明实施例提供的vibe算法参数的优化处理装置，采用第一计算公式对像素自适应阈值进行自适应计算，进一步提高对动态背景的适应性，进而提高检测准确性。
[0161]
进一步地，所述优化单元603具体用于：
[0162]
若确定所述像素自适应阈值小于等于所述动态背景复杂度参数，则采用如下第二计算公式对所述像素自适应阈值进行自适应计算：
[0163][0164]
其中，r(x)为所述像素自适应阈值、为所述动态背景复杂度参数。
[0165]
本发明实施例提供的vibe算法参数的优化处理装置，采用第二计算公式对像素自适应阈值进行自适应计算，进一步提高对动态背景的适应性，进而提高检测准确性。
[0166]
进一步地，所述vibe算法参数的优化处理装置还用于：
[0167]
若确定则对r(x)进行自适应调整，以使
[0168]
本发明实施例提供的vibe算法参数的优化处理装置，能够有效防止像素自适应阈值计算出现异常。
[0169]
进一步地，基于上述vibe算法参数的优化处理装置的图像检测装置，具体用于：
[0170]
获取待检测图像；
[0171]
基于预设图像检测模型对所述待检测图像进行图像检测，得到图像检测结果；所
述预设图像检测模型为包含优化得到的vibe算法参数的vibe算法。
[0172]
本发明实施例提供的vibe算法参数的优化处理装置，通过使用预设图像检测模型对待检测图像进行图像检测，能够消除鬼影，避免样本重复，以及提高对动态背景的适应性，进而提高检测准确性。
[0173]
本发明实施例提供vibe算法参数的优化处理装置的实施例具体可以用于执行上述各方法实施例的处理流程，其功能在此不再赘述，可以参照上述方法实施例的详细描述。
[0174]
图7为本发明实施例提供的电子设备实体结构示意图，如图7所示，所述电子设备包括：处理器(processor)701、存储器(memory)702和总线703；
[0175]
其中，所述处理器701、存储器702通过总线703完成相互间的通信；
[0176]
所述处理器701用于调用所述存储器702中的程序指令，以执行上述各方法实施例所提供的方法，例如包括：
[0177]
将vibe算法选择的邻域进行扩充，得到扩充后的邻域；
[0178]
根据所述扩充后的邻域构建背景模型样本集，根据所述背景模型样本集、当前帧图像信息和应用场景相关预设因子，计算动态背景复杂度参数；
[0179]
根据所述vibe算法的像素自适应阈值和所述动态背景复杂度参数的比较结果，对所述像素自适应阈值进行自适应计算，并将自适应计算得到的像素自适应阈值作为优化得到的vibe算法参数。
[0180]
本实施例公开一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法，例如包括：
[0181]
将vibe算法选择的邻域进行扩充，得到扩充后的邻域；
[0182]
根据所述扩充后的邻域构建背景模型样本集，根据所述背景模型样本集、当前帧图像信息和应用场景相关预设因子，计算动态背景复杂度参数；
[0183]
根据所述vibe算法的像素自适应阈值和所述动态背景复杂度参数的比较结果，对所述像素自适应阈值进行自适应计算，并将自适应计算得到的像素自适应阈值作为优化得到的vibe算法参数。
[0184]
本实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储计算机程序，所述计算机程序使所述计算机执行上述各方法实施例所提供的方法，例如包括：
[0185]
将vibe算法选择的邻域进行扩充，得到扩充后的邻域；
[0186]
根据所述扩充后的邻域构建背景模型样本集，根据所述背景模型样本集、当前帧图像信息和应用场景相关预设因子，计算动态背景复杂度参数；
[0187]
根据所述vibe算法的像素自适应阈值和所述动态背景复杂度参数的比较结果，对所述像素自适应阈值进行自适应计算，并将自适应计算得到的像素自适应阈值作为优化得到的vibe算法参数。
[0188]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0189]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0190]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0191]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0192]
在本说明书的描述中，参考术语“一个实施例”、“一个具体实施例”、“一些实施例”、“例如”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
[0193]
以上所述的具体实施例，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例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。