[发明专利]一种前景检测方法及装置

说明书

技术领域

本发明涉及视频监控技术领域，尤其涉及一种前景检测方法及装置。

背景技术

智能视频监控系统是采用图像处理、模式识别和计算机视觉技术，通过在监控系统中增加智能视频分析模块，借助计算机强大的数据处理能力对视频图像进行自动分析识别，从而实现全自动、实时监控的智能系统，具有重要的实际应用意义。

前景检测（也称作运动目标检测）是智能视频监控系统的核心技术之一。所谓的前景检测，是指将运动目标对应的区域从视频图像序列中提取出来，例如针对具体的交通监控来说，就是将场景中的行人和车辆等从视频图像序列中提取出来。需要说明的是，背景是指场景中非兴趣物体组成的较为稳定的场景结构；前景是指场景中感兴趣的运动目标组成的场景结构。前景与背景是相对的概念，以高速公路为例：如果对高速公路上来来往往的汽车感兴趣，则汽车是前景，而路面以及周围的环境是背景；如果仅对闯入高速公路的行人感兴趣，则闯入者是前景，而包括汽车在内的其他事物均为背景。

目前前景检测算法大体上可以分为三类：(1)背景差分算法；(2)时间差分算法；(3)光流算法。从实时监控的角度出发，一般采用背景差分算法。在背景差分算法中，基于混合高斯模型的混合高斯背景建模算法，能够在一定程度上适应背景缓慢变化（背景渐变）的情况，例如树叶摇晃、水纹波动等。混合高斯模型使用K（一般取3到5）个高斯模型来表示视频图像中各个像素点的分布，在新一帧视频图像获得后更新混合高斯模型，用当前帧视频图像中的每个像素点与混合高斯模型匹配，如果成功则判定该像素点为背景点，否则，判定该像素点为前景点。混合高斯模型主要由方差和均值两个参数决定。对均值和方差的学习，采取不同的学习机制，将直接影响到混合高斯模型的稳定性、精确性和收敛性。经典的混合高斯背景建模算法在前景检测方面已经得到了广泛地应用，但是该算法以颜色作为特征描述符，因而对光照具有敏感性，特别是光照突变的情况下，误检率剧烈上升。

在现实生活中，环境是复杂多变的，动态变化的背景都会较大程度地影响前景检测的效果。基于混合高斯模型的混合高斯背景建模算法，很难适应光照突变、流云等背景突发变化（背景瞬变）的情况，从而影响了前景检测的准确性。

发明内容

本发明实施例提供一种前景检测方法及装置，能够自适应背景突发变化的情况，提升前景检测的准确性。

本发明实施例提供的前景检测方法，包括：

在新一帧视频图像获得后，按照设定的分块规则将当前帧视频图像划分为无重叠的若干图像子块；

针对当前帧视频图像中的每一个图像子块，分别执行如下操作：

根据构建的纹理特征模型，判断当前图像子块在纹理特征上是前景块还是背景块，所述纹理特征模型表示视频图像的各个图像子块中所有像素点的像素二值码集合；

根据构建的历史运动图像、以及混合颜色特征模型，判断当前图像子块在颜色特征上是前景块还是背景块，所述混合颜色特征模型包括混合高斯模型和均一分布模型，所述混合高斯模型表示图像子块为背景块的概率，所述均一分布模型表示图像子块为前景块的概率；

若当前图像子块在颜色特征和纹理特征上均判定为前景块，则判定当前图像子块为前景块，否则，判定当前图像子块为背景块。

本发明实施例提供的前景检测装置，包括：

图像分块模块，用于在新一帧视频图像获得后，按照设定的分块规则将当前帧视频图像划分为无重叠的若干图像子块；

纹理判断模块，用于针对当前帧视频图像中的每一个图像子块，根据构建的纹理特征模型，判断当前图像子块在纹理特征上是前景块还是背景块，所述纹理特征模型表示图像子块中所有像素点的像素二值码集合；

颜色判断模块，用于针对当前帧视频图像中的每一个图像子块，根据构建的历史运动图像、以及混合颜色特征模型，判断当前图像子块在颜色特征上是前景块还是背景块，所述混合颜色特征模型包括混合高斯模型和均一分布模型，其中混合高斯模型表示图像子块为背景块的概率，均一分布模型表示图像子块为前景块的概率；

混合判定模块，用于若所述纹理判断模块判定当前图像子块在颜色特征上为前景块且所述颜色判断模块判定当前图像子块在纹理特征上为前景块，则判定当前图像子块为前景块，否则，判定当前图像子块为背景块。