专利名称：一种基于混合高斯背景重构的自适应背景减去方法
技术领域：
本发明涉及计算机视觉技术，特别是涉及一种基于混合高斯背景重构的自适应背景减去方法。
背景技术：
随着科学技术的发展以及人们对安全防范意识的不断增强，具有智能分析功能的新一代视频监控系统，开始在安全监控领域发挥非常积极的作用，已经开始渗入到我们的日常生活当中。智能视频监控是指在不需要人为干预的情况下，利用计算机视觉分析方法对视频序列进行自动分析，实现运动目标检测、分类、识别、跟踪等，并在此基础上，通过预先设定的规则对目标的行为进行分析，从而为采取进一步措施提供参考(比如在对象进入设防区 时自动报警)。其中，运动检测的目的是通过对监控视频图像序列的分析，确定监控场景中有无运动目标，进而把运动区域(也称前景区域)从检测图像中提取出来。对运动区域准确有效地分割是进行运动目标跟踪、分类和识别等后续处理的基本前提。目前，应用比较广泛运动检测方法是背景减除法。背景减除法首先为背景图像建立背景模型，然后通过比较检测图像和背景模型的差异，来判断场景中是否存在运动目标。背景模型能否正确有效地反映实时背景，会直接影响运动检测的准确性。但由于在复杂的场景中，通常会存在各种外界因素的干扰(如光照变化、摄像机轻微抖动、动态的背景元素等等)，严重影响运动目标分割的精度。为了提高运动目标的检测精度，现有基于混合高斯背景重构的自适应背景减去方法提供了一种能够适应复杂背景和光照变化的自适应背景差分方法，该方法首先获取视频帧，进行利用混合高斯模型方法进行背景建模初始化；然后利用当前帧与背景帧的R、G、B分量差值建立噪声模型泊松分布，并统计其直方图，对所得的直方图计算相关方差；最后，对所得的相关方差进行排序，寻找出最大值，作为当前帧的R、G、B分量的分割阈值，进行二值化，得到前景帧。该方法具有很高的实时性和鲁棒性，有效的解决了运动目标检测精度易受到是动态背景扰动和光照变化的影响的问题，达到设计目的。现有技术有一种基于混合高斯模型的运动目标检测方法，正在审理中。首先采集视频帧；提取初始背景帧，进行背景模型的初始化，建立HSV分量模型；当前帧跟背景帧相差分，得前景帧；对所得到的前景帧进行二值化处理；根据所述的前景帧，引入更新因子更新混合高斯背景模型的权值、均值和方差；利用Jeffrey值判断是否为运动目标前景；利用混合高斯阴影模型去除所述运动目标前景的阴影。但以上技术只是提出了在HSV彩色空间进行混合高斯模型进行背景建模，并没有对当前帧进行自适应二值化。由于从混合高斯模型建模方法得到的前景帧，对复杂背景下的光照变化比较敏感，所以严重影响运动目标分割的精度
发明内容
本发明提供了一种基于混合高斯背景重构的自适应背景减去方法，该方法能够实现复杂场景下的运动目标精确检测，解决了在复杂的场景中，通常会存在各种外界因素的干扰(如光照变化、摄像机轻微抖动、动态的背景元素等等)，严重影响运动目标分割的精度的问题。为了实现上述目的，本发明包括如下技术特征包括首先获取视频帧，进行利用混合高斯模型方法进行背景建模初始化；然后利用当前帧与背景帧的R、G、B分量差值建立噪声模型泊松分布，并统计其直方图，对所得的直方图计算相关方差；最后，对所得的相关方差进行排序，寻找出最大值，作为当前帧的R、G、B分量的分割阈值，进行二值化，得到前景帧；所述从获取视频帧，利用混合高斯模型进行建模初始化；所述噪声模型泊松分布是利用当前帧与背景帧的R、G、B分量的差值直方图建立，统计其相关方差，利用最大的相关方差对当前帧进行二值化，得到前景帧。
与现有的方法相比，本发明提出了首先获取视频帧，进行利用混合高斯模型方法进行背景建模初始化；然后利用当前帧与背景帧的R、G、B分量差值建立噪声模型泊松分布，并统计其直方图，对所得的直方图计算相关方差；最后，对所得的相关方差进行排序，寻找出最大值，作为当前帧的R、G、B分量的分割阈值，进行二值化，得到前景帧。该方法具有很高的实时性和鲁棒性，有效的解决了运动目标检测精度易受到是动态背景扰动和光照变化的影响的问题。
图为本发明的总体流程图。
具体实施例方式本发明设计了一种基于混合高斯背景重构的自适应背景减去方法，该方法能够实现复杂场景下的运动目标精确检测，解决了在复杂的场景中，通常会存在各种外界因素的干扰(如光照变化、摄像机轻微抖动、动态的背景元素等等)，严重影响运动目标分割的精度的问题。如附图所示，该方法流程图包括采集视频帧、利用混合高斯模型进行背景建模；然后，分别统计当前帧与背景帧的差值直方图，并建立噪声模型泊松分布，对其计算相关方差，寻找出其最大值；最后，利用其相关方差最大值分别对R、G、B分量进行二值化，得到前景中贞。具体实现为包括采集视频帧，并提取初始背景帧，进行背景模型的初始化；然后利用当前帧与背景帧的R、G、B分量差值建立噪声模型泊松分布，并统计其直方图，对所得的直方图计算相关方差；最后，对所得的相关方差进行排序，寻找出最大值，作为当前帧的R、G、B分量的分割阈值，进行二值化，得到前景帧。所述从获取视频帧，利用混合高斯模型进行建模初始化；所述噪声模型泊松分布是利用当前帧与背景帧的R、G、B分量的差值直方图建立，统计其相关方差，利用最大的相关方差对当前帧进行二值化，得到前景帧。由上述可见，本发明一个具体实施例为对复杂场景中的运动目标进行检测。进一步的，通过采集视频帧，并提取初始背景帧，进行背景模型的初始化；然后利用当前帧与背景帧的R、G、B分量差值建立噪声模型泊松分布，并统计其直方图，对所得的直方图计算相关方差；最后，对所得的相关方差进行排序，寻找出最大值，作为当前帧的R、G、B分量的分割阈值，进行二值化，得到前景帧。能够实现复杂场景下的运动目标精确检测，解决了在复杂的场景中，通常会存在各种外界因素的干扰(如光照变化、摄像机轻微抖动、动态的背景元素等等)，严重影响运动目标分割的精度的问题。因此，容易理解，以 上所述仅为本发明的较佳实施例，并非用于限定本发明的精神和保护范围，任何熟悉本领域的技术人员所做出的等同变化或替换，都应视为涵盖在本发明的保护范围之内。
权利要求
1.一种基于混合高斯背景重构的自适应背景减去方法，其特征在于包括首先获取视频帧，进行利用混合高斯模型方法进行背景建模初始化；然后利用当前帧与背景帧的R、G、B分量差值建立噪声模型泊松分布，并统计其直方图，对所得的直方图计算相关方差；最后，对所得的相关方差进行排序，寻找出最大值，作为当前帧的R、G、B分量的分割阈值，进行二值化，得到前景帧。
2.根据权利要求I所述的基于混合高斯背景重构的自适应背景减去方法，其特征在于所述从获取视频帧，利用混合高斯模型进行建模初始化。
3.根据权利要求I所述的基于混合高斯背景重构的自适应背景减去方法，其特征在于根据所述噪声模型泊松分布是利用当前帧与背景帧的R、G、B分量的差值直方图建立，统计其相关方差，利用最大的相关方差对当前帧进行二值化，得到前景帧。
全文摘要
本发明公开了一种基于混合高斯背景重构的自适应背景减去方法，首先采集视频帧，并提取初始背景帧，进行背景模型的初始化；然后利用当前帧与背景帧的R、G、B分量差值建立噪声模型泊松分布，并统计其直方图，对所得的直方图计算相关方差；最后，对所得的相关方差进行排序，寻找出最大值，作为当前帧的R、G、B分量的分割阈值，进行二值化，得到前景帧。该方法能够适应动态背景扰动和光照变化的影响，实时检测出视频中存在的运动目标，同时具有很好的鲁棒性。
文档编号H04N5/14GK102903123SQ201210337329
公开日2013年1月30日 申请日期2012年9月8日 优先权日2012年9月8日
发明者毛亮, 汪刚, 李子岩 申请人:佳都新太科技股份有限公司