一種動(dòng)態(tài)場景中基于區(qū)域均值核密度估計(jì)的運(yùn)動(dòng)目標(biāo)檢測方法，首先進(jìn)行背景模型的初始化。在背景建模過程中利用訓(xùn)練樣本，考慮視頻幀中像素點(diǎn)的時(shí)序特性和像素點(diǎn)鄰域內(nèi)的空間特性，建立描述動(dòng)態(tài)復(fù)雜場景的時(shí)空背景模型；其次，在運(yùn)動(dòng)目標(biāo)檢測過程中，利用新的視頻幀樣本對(duì)背景模型進(jìn)行不斷地更新。采用區(qū)域核密度估計(jì)方法適應(yīng)瞬時(shí)性背景變化，采用單高斯背景模型適應(yīng)持續(xù)性背景變化。兩種模型相結(jié)合能夠快速、準(zhǔn)確適應(yīng)背景的不斷變化，同時(shí)提高了方法執(zhí)行效率；最后，提出基于鄰域信息量的方法進(jìn)行前景檢測方法，進(jìn)一步消除檢測過程中背景區(qū)域的噪聲點(diǎn)和運(yùn)動(dòng)目標(biāo)空洞，更加完整的提取前景中的運(yùn)動(dòng)物體。本發(fā)明專利技術(shù)可廣泛應(yīng)用于室外場景中的智能監(jiān)控系統(tǒng)或軍事禁區(qū)的可疑運(yùn)動(dòng)目標(biāo)的報(bào)警，具有廣闊的市場前景和應(yīng)用價(jià)值。
【技術(shù)實(shí)現(xiàn)步驟摘要】
本專利技術(shù)涉及智能視頻監(jiān)控系統(tǒng)中運(yùn)動(dòng)目標(biāo)檢測的算法，尤其涉及一種動(dòng)態(tài)場景中 基于區(qū)域均值核密度估計(jì)的運(yùn)動(dòng)目標(biāo)檢測算法。
技術(shù)介紹
運(yùn)動(dòng)目標(biāo)檢測是目標(biāo)識(shí)別、跟蹤以及后期物體行為理解的基礎(chǔ)，是智能監(jiān)控系統(tǒng) 中的關(guān)鍵問題。在視頻監(jiān)控系統(tǒng)中都使用固定攝像頭對(duì)目標(biāo)區(qū)域進(jìn)行監(jiān)視，因此大多檢測 算法假設(shè)在靜止背景下，僅考慮光照、陰影等背景變換。但是在真實(shí)復(fù)雜場景中，靜止場景 的假設(shè)是不存在的，例如噴泉、搖曳的樹葉、水波等均導(dǎo)致背景的動(dòng)態(tài)變化。此外，攝像機(jī) 也可能由于各種原因發(fā)生輕微抖動(dòng)。因此，動(dòng)態(tài)場景下運(yùn)動(dòng)目標(biāo)檢測算法已成為計(jì)算機(jī)視 覺領(lǐng)域研究的熱點(diǎn)，受到廣泛關(guān)注。目前，背景減除法是運(yùn)動(dòng)檢測中最常使用的一種方法，基本原理是通過將當(dāng)前幀 圖像與背景圖像進(jìn)行相減運(yùn)算并閾值化來實(shí)現(xiàn)運(yùn)動(dòng)檢測。基于背景減除法的運(yùn)動(dòng)檢測效果 主要取決于背景模型及其更新算法的優(yōu)劣，其中背景模型分為基于像素點(diǎn)的背景模型和基 于區(qū)域或整體視頻幀的背景模型。基于像素點(diǎn)的背景建模方法應(yīng)用最為廣泛，其典型算法為混合高斯模型。它將 每個(gè)像素的顏色或者灰度值用K個(gè)高斯分布的混合建模，其優(yōu)點(diǎn)是模型簡單，執(zhí)行效率 高，但是它需要預(yù)先設(shè)定混合高斯的數(shù)目，而且當(dāng)實(shí)際密度函數(shù)具有很大數(shù)量的峰值， 或者峰值經(jīng)常變化時(shí)，其性能不佳。進(jìn)而，Elgammal等人在“Non-parametric model for backgroundsubtraction，， (the 6th European Conference on Computer Version, Springer, Dublin, Ireland, 2000,751-767)中提出 了核密度估計(jì)(Kernel Density Estimation, KDE)的建模方法，利用最近的歷史樣本通過非參數(shù)估計(jì)的方法建立背景模 型。此方法不需要高斯模型的假設(shè)，非常靈活，能夠動(dòng)態(tài)適應(yīng)復(fù)雜的密度函數(shù)的變化。 Sheikh 等人在Bayesian modelingof dynamic scenes for object detection，，(IEEE transactions on pattern analysis andmachine intelligence,2005,27(11) 1778-1792)中進(jìn)一步對(duì)KDE方法進(jìn)行改進(jìn)，在建立背景模型的基礎(chǔ)上建立前景模型，同 時(shí)建模過程中使用包含顏色和位置信息的五維向量空間。這兩種方法雖然使檢測率大大 提高，但在背景更新過程需要消耗很大的內(nèi)存存儲(chǔ)歷史樣本，且更新速度慢。以上基于單 像素建模的方法存在的主要問題是忽略了一幀圖像中像素間存在的空間相關(guān)性。因此 許多學(xué)者提出了基于區(qū)域或整體視頻幀的背景建模方法。Oliver等人在“A Bayesian computer vision system for modeling human interactions (IEEETransaction on Pattern Analysis and Machine Intelligence, 2000, 22 (8) :831_843)中對(duì)整幅背景圖像 進(jìn)行特征分解得到k幀的背景模型，考慮了背景模型的空間相關(guān)性。Eng等人在“Robust human detection within a highly dynamic aquatic environment in realtime (IEEE Transactions on Image Processing. 2006,15(6) 1583-1600)中提出將圖像分為互不交4疊區(qū)域并進(jìn)行聚類，建立基于區(qū)域的背景模型。 綜上所述，現(xiàn)有的檢測算法包含如下問題基于像素點(diǎn)的背景模型更新方法僅考 慮了背景的時(shí)域特性，且在動(dòng)態(tài)場景背景不斷變化的情況下，如果采用某一函數(shù)或多函數(shù) 的混合方法并不能準(zhǔn)確描述像素點(diǎn)的時(shí)域特性，如果采用核密度估計(jì)方法雖然無需估計(jì)和 確定函數(shù)，直接利用樣本進(jìn)行背景的描述，但其在更新過程中，執(zhí)行效率低，無法滿足實(shí)時(shí) 要求；基于區(qū)域或整體視頻幀的方法僅僅考慮了背景的空間相關(guān)性，其執(zhí)行效率高，但檢測 準(zhǔn)確度低于基于像素的檢測方法。
技術(shù)實(shí)現(xiàn)思路
本專利技術(shù)的技術(shù)解決問題為克服現(xiàn)有技術(shù)的不足，提出一種動(dòng)態(tài)場景中基于區(qū)域 均值核密度估計(jì)的運(yùn)動(dòng)目標(biāo)檢測方法。該方法結(jié)合像素點(diǎn)的時(shí)間和空間特性，建立時(shí)空背 景模型和確定快速更新策略，進(jìn)一步提出了鄰域信息量的前景檢測方法，提高了運(yùn)動(dòng)目標(biāo) 檢測的準(zhǔn)確性和檢測效率。本專利技術(shù)的技術(shù)解決方案一種動(dòng)態(tài)場景中基于區(qū)域均值核密度估計(jì)的運(yùn)動(dòng)目標(biāo)檢 測方法，其特征在于包含時(shí)空背景建模、背景變化分類更新策略、鄰域信息量運(yùn)動(dòng)目標(biāo)前景 檢測三部分。時(shí)空背景模型能夠很好的描述動(dòng)態(tài)復(fù)雜場景。但隨著光照、天氣等導(dǎo)致背景 不斷變化，基于背景變化分類的更新策略能夠保證背景模型的實(shí)時(shí)性。盡管利用準(zhǔn)確的背 景模型，提高了運(yùn)動(dòng)目標(biāo)提取的準(zhǔn)確性，但背景中仍然會(huì)包含少量噪聲點(diǎn)和背景模型中未 定義的像素點(diǎn)，因此，基于鄰域信息量前景檢測方法，能夠更加完整的提取前景中的運(yùn)動(dòng)物 體。運(yùn)動(dòng)目標(biāo)檢測方法的步驟如下(1)基于樣本背景視頻幀利用區(qū)域均值的核密度估計(jì)方法建立初始的背景模型， 具體實(shí)現(xiàn)如下(1. 1)區(qū)域均值重編碼設(shè)樣本背景視頻幀數(shù)為N，且視頻幀序列中某一位置的像素點(diǎn)所組成樣本序列為 Xn = Ix1, X2,... ,Xi,... ,XN}, Xi為第i幀圖像中的該位置的像素點(diǎn)，Xn為第N幀中的某一個(gè)像素點(diǎn)，N為自然數(shù)，Xi的區(qū)域均值為Σ P為窗口大小，R(P)為窗口在第r xreR{P)i幀圖像中所圍成的區(qū)域，\為區(qū)域內(nèi)某一像素點(diǎn)，XN進(jìn)行區(qū)域均值編碼后的樣本序列為(1. 2)利用區(qū)域均值的核密度估計(jì)方法建立初始的背景模型當(dāng)前時(shí)刻t所在視頻幀中某一像素點(diǎn)_的背景函數(shù)為=，式X^/=1為該像素點(diǎn)屬于背景的概率，α i為權(quán)重系數(shù)，K。為核函數(shù)，σ為核半徑，I為瓦 樣本序列中第i個(gè)值。(1. 3)對(duì)視頻幀中每個(gè)位置的像素點(diǎn)通過步驟(1. 2)中的公式計(jì)算背景概率，最 終建立整個(gè)視頻幀的背景模型；(2)當(dāng)有新的視頻幀進(jìn)入系統(tǒng)，需要對(duì)當(dāng)前的背景模型進(jìn)行更新以適應(yīng)動(dòng)態(tài)場景5中背景的不斷變化；當(dāng)前時(shí)刻t所在視頻幀中的某一像素點(diǎn)；的背景更新模型按下式計(jì)算Κ ) = /^—1!；^^ —Q + G-^WG)，式中β為混合權(quán)重，G為高斯函數(shù)，上述公式 /=1中前半部分是利用區(qū)域均值核密度估計(jì)函數(shù)K。適應(yīng)瞬時(shí)背景變化進(jìn)行背景模型更新，后 半部分是利用單高斯函數(shù)G適應(yīng)持續(xù)性背景變化進(jìn)行背景模型更新；所述瞬時(shí)背景變化是 指由于風(fēng)、光線、水波、鐘擺所導(dǎo)致的同一像素點(diǎn)每一幀都會(huì)產(chǎn)生差異；所述持續(xù)背景變化 是指在長時(shí)間的監(jiān)控過程中背景中會(huì)出現(xiàn)新的靜止物體、靜止物體消失、由于光照隨著時(shí) 間變化所導(dǎo)致的背景持續(xù)的變化；區(qū)域均值核密度函數(shù)K。的更新速率為P k，即經(jīng)過1/Pk個(gè)幀后，重新計(jì)算區(qū)域均 值核密度函數(shù)K。的分布，具體實(shí)現(xiàn)如下直接利用樣本信息，為每個(gè)像素維護(hù)一個(gè)樣本隊(duì) 列，隊(duì)列長度為N ；該隊(duì)列采用盲目更新策略，其不做任何判斷直接將每一幀中的新樣本更 新到樣本隊(duì)列中，然后丟棄最早樣本；當(dāng)?shù)竭_(dá)更新時(shí)刻，利用最新樣本重新計(jì)算K。。高斯函數(shù)G的更新速率為P g，即經(jīng)過1/P 8本文檔來自技高網(wǎng)...
【技術(shù)保護(hù)點(diǎn)】
一種動(dòng)態(tài)場景中基于區(qū)域均值核密度估計(jì)的運(yùn)動(dòng)目標(biāo)檢測方法，其特征在于步驟如下：（１）基于樣本背景視頻幀利用區(qū)域均值的核密度估計(jì)方法建立初始的背景模型，具體實(shí)現(xiàn)如下：（１．１）區(qū)域均值重編碼設(shè)樣本背景視頻幀數(shù)為Ｎ，且視頻幀序列中某一位置的像素點(diǎn)所組成樣本序列為Ｘ↓［Ｎ］＝｛ｘ↓［１］，ｘ↓［２］，．．．，ｘ↓［ｉ］，．．．，ｘ↓［Ｎ］｝，ｘ↓［ｉ］為第ｉ幀圖像中的該位置的像素點(diǎn)，ｘ↓［Ｎ］為第Ｎ幀中的某一個(gè)像素點(diǎn)，Ｎ為自然數(shù)，ｘ↓［ｉ］的區(qū)域均值為＊＝１／Ｐ↑［２］＊ｘ↓［ｒ］，Ｐ為窗口大小，Ｒ（Ｐ）為窗口在第ｉ幀圖像中所圍成的區(qū)域，ｘ↓［ｒ］為區(qū)域內(nèi)某一像素點(diǎn)，Ｘ↓［Ｎ］進(jìn)行區(qū)域均值編碼后的樣本序列為＊＊＊；（１．２）利用區(qū)域均值的核密度估計(jì)方法建立初始的背景模型當(dāng)前時(shí)刻ｔ所在視頻幀中某一像素點(diǎn)ｘ↓［ｔ］的背景函數(shù)為ｐ（＊）＝＊α↓［ｉ］Ｋ↓［σ］＊＊＊，式中ｐ（＊）為該像素點(diǎn)屬于背景的概率，α↓［ｉ］為權(quán)重系數(shù)，Ｋ↓［σ］為核函數(shù)，σ為核半徑，＊為＊樣本序列中第ｉ個(gè)值。（１．３）對(duì)視頻幀中每個(gè)位置的像素點(diǎn)通過步驟（１．２）中的公式計(jì)算背景概率，最終建立整個(gè)視頻幀的背景模型；（２）當(dāng)有新的視頻幀進(jìn)入系統(tǒng)，需要對(duì)當(dāng)前的背景模型進(jìn)行更新以適應(yīng)動(dòng)態(tài)場景中背景的不斷變化；當(dāng)前時(shí)刻ｔ所在視頻幀中的某一像素點(diǎn)＊的背景更新模型按下式計(jì)算：ｐ（＊）＝βＮ↑［－１］＊Ｋ↓［σ］＊＊＊＋（１－β）Ｇ（＊），式中β為混合權(quán)重，Ｇ為高斯函數(shù)，上述公式中前半部分是利用區(qū)域均值核密度估計(jì)函數(shù)Ｋσ適應(yīng)瞬時(shí)背景變化進(jìn)行背景模型更新，后半部分是利用單高斯函數(shù)Ｇ適應(yīng)持續(xù)性背景變化進(jìn)行背景模型更新；所述瞬時(shí)背景變化是指由于風(fēng)、光線、水波、鐘擺所導(dǎo)致的同一像素點(diǎn)每一幀都會(huì)產(chǎn)生差異；所述持續(xù)背景變化是指在長時(shí)間的監(jiān)控過程中背景中會(huì)出現(xiàn)新的靜止物體、靜止物體消失、由于光照隨著時(shí)間變化所導(dǎo)致的背景持續(xù)的變化；區(qū)域均值核密度函數(shù)Ｋ↓［σ］的更新速率為ρ↓［ｋ］，即經(jīng)過１／ρ↓［ｋ］個(gè)幀后，重新計(jì)算區(qū)域均值核密度 函數(shù)Ｋ↓［σ］的分布，具體實(shí)現(xiàn)如下：直接利用樣本信息，為每個(gè)像素維護(hù)一個(gè)樣本隊(duì)列，隊(duì)列長度為Ｎ；該隊(duì)列采用盲目更新策略，其不做任何判斷直接將每一幀中的新樣本更新到樣本隊(duì)列中，然后丟棄最早樣本；當(dāng)?shù)竭_(dá)更新時(shí)刻，利用最新樣本重新計(jì)算Ｋ↓［σ］。高斯函數(shù)Ｇ的更新速率為ρ↓［ｇ］，即經(jīng)過１／ρ↓［ｇ］個(gè)幀后，對(duì)高斯函數(shù)的均值和方差兩個(gè)參數(shù)進(jìn)行更新，所述均值的更...
【技術(shù)特征摘要】
一種動(dòng)態(tài)場景中基于區(qū)域均值核密度估計(jì)的運(yùn)動(dòng)目標(biāo)檢測方法，其特征在于步驟如下(1)基于樣本背景視頻幀利用區(qū)域均值的核密度估計(jì)方法建立初始的背景模型，具體實(shí)現(xiàn)如下(1.1)區(qū)域均值重編碼設(shè)樣本背景視頻幀數(shù)為N，且視頻幀序列中某一位置的像素點(diǎn)所組成樣本序列為XN＝{x1，x2，...，xi，...，xN}，xi為第i幀圖像中的該位置的像素點(diǎn)，xN為第N幀中的某一個(gè)像素點(diǎn)，N為自然數(shù)，xi的區(qū)域均值為P為窗口大小，R(P)為窗口在第i幀圖像中所圍成的區(qū)域，xr為區(qū)域內(nèi)某一像素點(diǎn)，XN進(jìn)行區(qū)域均值編碼后的樣本序列為；(1.2)利用區(qū)域均值的核密度估計(jì)方法建立初始的背景模型當(dāng)前時(shí)刻t所在視頻幀中某一像素點(diǎn)xt的背景函數(shù)為式中為該像素點(diǎn)屬于背景的概率，αi為權(quán)重系數(shù)，Kσ為核函數(shù)，σ為核半徑，為樣本序列中第i個(gè)值。(1.3)對(duì)視頻幀中每個(gè)位置的像素點(diǎn)通過步驟(1.2)中的公式計(jì)算背景概率，最終建立整個(gè)視頻幀的背景模型；(2)當(dāng)有新的視頻幀進(jìn)入系統(tǒng)，需要對(duì)當(dāng)前的背景模型進(jìn)行更新以適應(yīng)動(dòng)態(tài)場景中背景的不斷變化；當(dāng)前時(shí)刻t所在視頻幀中的某一像素點(diǎn)的背景更新模型按下式計(jì)算 式中β為混合權(quán)重，G為高斯函數(shù)，上述公式中前半部分是利用區(qū)域均值核密度估計(jì)函數(shù)Kσ適應(yīng)瞬時(shí)背景變化進(jìn)行背景模型更新，后半部分是利用單高斯函數(shù)G適應(yīng)持續(xù)性背景變化進(jìn)行背景模型更新；所述瞬時(shí)背景變化是指由于風(fēng)、光線、水波、鐘擺所導(dǎo)致的同一像素點(diǎn)每一幀都會(huì)產(chǎn)生差異；所述持續(xù)背景變化是指在長時(shí)間的監(jiān)控過程中背景中會(huì)出現(xiàn)新的靜止物體、靜止物體消失、由于光照隨著時(shí)間變化所導(dǎo)致的背景持續(xù)的變化；區(qū)域均值核密度函數(shù)Kσ的更新速率為ρk，即經(jīng)過1/ρk個(gè)幀后，重新計(jì)算區(qū)域均值核密度 函數(shù)Kσ的分布，具體實(shí)現(xiàn)如下直接利用樣本信息，為每個(gè)像素維護(hù)一個(gè)樣本隊(duì)列，隊(duì)列長度為N；該隊(duì)列采用盲目更新策略，其不做任何判斷直接將每一幀中的新樣本更新到樣本隊(duì)列中，然后丟棄最早樣本；當(dāng)?shù)竭_(dá)更新時(shí)刻，利用最新樣本重新計(jì)算Kσ。高斯函數(shù)G的更新速率為ρg，即經(jīng)過1/ρg個(gè)幀后，對(duì)高斯函數(shù)的均值和方差兩個(gè)參數(shù)進(jìn)行更新，所述均值的更新方法為；所述方差的更新方法為；式中，γ為混合權(quán)重，μt為t...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：郝久月，李超，楊曉輝，熊璋，
申請(qǐng)(專利權(quán))人：北京航空航天大學(xué)，
類型：發(fā)明
國別省市：11[中國|北京]
還沒有人留言評(píng)論。發(fā)表了對(duì)其他瀏覽者有用的留言會(huì)獲得科技券。