[发明专利]基于多级分块的交通视频智能识别背景建模方法

说明书

本发明公开了一种基于多级分块的交通视频智能识别背景建模方法，用于解决现有技术中，视频监控中的背景建模方法对于前景目标物较多或者光线变化的复杂环境效果并不理想。该建模方法主要包括两个阶段：背景训练和前景提取两部分，两个阶段顺序进行，即首先通过训练阶段得出较为完整的背景模型，再进入前景检测阶段得到前景目标物。在背景训练中，本实施例融合了帧差法、对称局部二值法、分块密码本算法和分块法，采用多级的方式来对视频背景进行训练。对已经训练完成的背景采用背景差法提取前景目标物。

技术领域

本发明涉及一种视频监控中的背景建模方法，尤其是涉及一种基于多级分块的交通视频智能识别背景建模方法。

背景技术

在智能视频监控领域，为了得到较为完整的前景目标物，较多采用背景差法。场景中较为固定的部分被认为是背景，由于前景目标物的存在，直接获取背景往往不可行，只有通过背景建模的方法来重建背景。因此，背景建模是视频智能识别的一项关键技术。国内外的研究已经提出大量的建模方法。但是，在复杂环境下，如前景目标物较多，背景有扰动的情况下，这些方法得出的前景目标物不太理想，直接导致前景目标物的误检、漏检。特别是在交通场景中，前景目标物较多、天气变化造成光线突变化等情况较多，使得背景建模和前景识别较为困难。前景目标物误检和漏检直接导致对交通流参数的统计不准确，进而直接导致智能交通监测、交通流预测以及交通事故预警等方面的效率低下。如何通过建立完整的背景模型而获取较好的前景目标物识别效果在交通视频智能监控中是非常关键的。

目前，背景建模方法建立在统计学基础上，从不同的层面考虑可以做不同的分类，如从模型参数的角度有关分为参数建模和非参数建模两类，从建模面积的角度分为像素建模和子块建模两类，从时空角度分为时域建模和空域建模两类等。不同角度的考虑带来不同建模分类，每个模型从不同的分类属于不同的类型。现有技术中，使用较多的是结合不同分类的不同模型来构建联合模型，所得模型的效果较相对单一的模型好。

早期采用较多的方法是均值法和中值法。这两种方法属于时域范围的基于像素的非参数建模方法，由于方法较为简单，到目前仍然在一定程度上使用。其中，均值法累加多帧像素再对其进行平均，累加的帧数决定了背景的质量；这种方法只需要进行累加，运算速度较快，一般来说，帧数累积越多，重建的背景越接近真实效果，同时图像越模糊。中值法对多帧视频像素取中值，需要较大的空间来进行视频帧的保存。均值法和中值法中对于前景目标较少的视频，得出的背景较为接近真实背景，然而，对于前景目标物较多的视频，所得到的背景均出现拖尾现象。之后，Stauffer等的混合高斯模型(Mixture Of Gaussian，MOG)出现，这种时域范围的基于像素的参数方法由于其采用学习策略来适应背景变化，相比之前的方法有较大改进，得到广泛使用。MOG模型采用多个高斯模型来描述单个像素，通过每个高斯模型的参数更新来适应背景的逐渐变化。但是，混合高斯模型比较适合缓慢变化的背景，而对变化剧烈背景(如光照、天气的剧烈变化)容易把背景和噪声检测为前景目标，而且算法较为复杂，参数建模所需运算量巨大，所需时间较多，同时需要保存视频帧，所需空间较大。