[发明专利]一种基于高斯背景模型的静态目标分割的方法

说明书

技术领域

本发明涉及先进制造与自动化领域，更具体的说，涉及可以将静态前景目标分割提取出来的高斯背景模型的方法。

背景技术

在视频监控中，为了提取出目标物体，常常采用构建背景模型的方式。而最为典型的就是高斯背景模型算法（Chris Stauffer and W. Eric L. Grimson, “Learning Patterns of Activity Using Real-Time Tracking,” IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 22, no. 8, pp. 747–757, 2000. 使用实时跟踪方法进行模式行为学习），它可以为每个像素点构建几个高斯分布，进行匹配判定是否属于前景，并不断更新高斯分布的参数，进而有效地解决了背景的噪声、光照等问题。

自高斯背景模型提出以后，它被广泛应用于各种视频处理算法中。高斯背景模型对背景变化的学习能力和适应能力都非常出色，可以即时迅速的将运动物体和背景分离出来。然而，当目标物体停止维持静态一段时间后，高斯背景模型会自动将该物体更新到背景上，进而丢失目标。这在监控领域是不可以接受的，而为此频繁调节高斯背景模型的学习速度并不能很好的解决这一问题。

目前的一种方法（Xiaodong Cai, Falah Ali, E. Stipidis, Background Modeling for Detecting Move-then-stop Arbitrary-long time Video Objects, 2009 10th WIAMIS，检测视频中任意时间移动停止物体的背景模型）提出采用根据阈值判定停止更新高斯背景模型的方式，可以识别不超过一定时间的静止物体，但对于超过一定时间的物体效果并不理想，而且停止更新本身并不能有效地滤除光照和阴影等变化产生的影响。

发明内容

本发明的目的在于针对现有技术的不足，提出一种基于高斯背景模型的静态目标分割的方法，是目前高斯背景模型的改进算法，该方法能同时解决静态物体被更新到背景模型和不受光照阴影等影响的问题。

本发明以高斯背景模型和EM改进算法（P. Kaewtrakulpong, R. Bowden, An Improved Adaptive Background Mixture Model for Realtime Tracking with Shadow Detection, In Proc. 2nd European Workshop on Advanced Video Based Surveillance Systems, AVBS01, Sept. 2001，实时跟踪自适应背景混合模型的改进和阴影检测）为基础（EM算法是 Dempster，Laind，Rubin 于 1977 年提出的求参数极大似然估计的一种方法，即期望最大化算法），基于OpenCV代码库（全称是：Open Source Computer Vision Library，即开源计算机视觉库，由一系列 C 函数和少量 C++ 类构成，实现了图像处理和计算机视觉方面的很多通用算法），加入了一种参数还原算法，从而改进了模型本身不适应静态物体的缺憾，并可以有效地适应光照等因素变化。

本发明的技术方案：首先建立高斯背景模型，并即时通过EM算法对高斯背景模型参数进行更新。在更新结束后通过连通域提取去掉远小于目标区域面积的区域，将之后剩下的区域作为前景区域，每个像素代入条件判断，若目标区域的像素重复属于统一高斯分布次数超过一定阈值，则对该像素高斯分布进行参数还原，还原后继续参与高斯背景模型的更新，进而可以有效分割出静态目标物体，并能够适应光度和阴影的变化。

本发明的基于高斯背景模型的静态物体分割算法包括以下几个步骤：

1．  根据预存背景图片或视频的第一帧图像构建高斯背景模型，载入模型对应初始参数，分配内存空间，初始化模型的一些结构参数。

2．  当第二帧或其他帧载入后，对每个像素和背景点对应像素进行匹配，根据匹配结果进行参数更新。参数更新公式选择根据是否到达学习速率的帧数决定。每次匹配同一分布则该点重复次数加一，不匹配则清零。

3．  对每个点的高斯分布权值和方差的比值由大到小进行排序。根据匹配分布对应权值及其之前权值和是否大于阈值决定该点是否匹配背景，不匹配则为前景点。