[发明专利]一种背景差分和前景探测的方法

说明书

本发明公开了一种背景差分和前景探测的方法，首先构建米诺向量，用于保存每个像素的参考数据和统计信息；定义背景图像的每一个位置的动态性，设定动态等级级数，根据动态等级划分规则，将动态性归属为某一动态等级；采用动态KDE算法获取最优带宽；给每一个像素设计一个自适应的阈值，阈值的取值与像素的动态性相关；利用俄罗斯方块更新方案对米诺向量中的参考数据最底层进行消除操作，从而消除噪声干扰，提高了参考数据的质量。实验结果表明了该新方法在前景探测应用上的有效性，和最新方法相比，在三项指标中有一项优于所有方法，其他两项略低于最新方法。

技术领域

本发明属于计算机视觉技术领域，尤其涉及一种在准确高效的背景差分和前景检测建模的方法。

背景技术

在计算机视觉应用中，准确的背景差分模型是前景提取的一个基本且重要的步骤。通常情况下，在观察和评估一个待分类的图像之前，通过集合和研究一系列连续的图像即可生成初始化的背景模型。但是这种选取一个固定参考窗口的方法对静态背景可能奏效，却忽视了对具有动态性变化范围的动态背景的研究。对于固定参考窗口的大小，设定一个上限值可以避免对动态背景的遗漏，但是会增加计算负担尤其是有复杂计算成分的(如高斯)。通过对有动态性的背景进行分析发现，动态部分往往占据整个背景的一部分，或者说，整个背景可利用动态性分成不同的级别。根据区域所属的动静级别的不同而设定不同的阈值，动态区域，比如摇摆的树叶，荡漾的水波等，在面对一个新的像素要决定其是否为背景时，具有一个比较宽的容忍度，可以接纳的范围比较大，从而可以设定为较大的阈值；而静态区域(也称之为稳定区域)的变化范围较窄，在是否接受一个新的像素为背景时显得比较谨慎，通常只有非常靠近它的主体范围时才会被考虑，否则被归类为前景。因此，此时的阈值在充分考虑到实际的情形，即有时超出一个小的范围也是可以的，应该设为较小的值，以满足稳定的背景区域偶尔的波动。

在过去的十年里，如何保持一个稳定的背景模型，准确建立表征静态或动态场景中对象的外观(通常指背景差分)吸引了众多研究者的关注。最初，背景差分模型的原理是简单的计算两个图像帧之间的差别(文献1)，其中一个帧是单纯的背景图像，另一个则是当前帧。但是这种简单的计算在遇到背景变化时会发生错误。因此，面对数据集的不确定性，研究者们提出了基于统计学的技术来分析背景模型。Wren等人使用了一个单一高斯来对背景建模(文献2)，假设场景对Pfinder是相对静止的。但Stauffer和Grimson等人发现Pfinder对于室外场景并不起效(文献3)，他们使用混合高斯来对像素值建模，该方法对后来的诸多改进方法是具有里程碑式意义的(文献4-8)。这些改进的方法在很多场景中取得了很多进展。然而，研究者往往无法通过参数化的方法来对自然场景的特征建模。Elgammal等人选择一个正态函数作为核函数(文献9)，然后通过假设带宽为对角矩阵来降低计算概率密度P_r的复杂度，并且通过平均绝对偏差来评估样本像素的连续灰度值。对于一个在t时刻的像素，他们给P_r(x_t)设置了一个全局阈值th。如果P_r(x_t)<th，该像素被认为是前景否则为背景。Elgammal等人结合了两种更新机制(选择更新和盲更新)用于更新模型，并且计算检测结果的交集来消除错误的前景。Mittall和Paragios(文献10)等人定义了一个由球形估计算子和样本点估计算子(文献11)组成的混合密度估计量。在分类过程中，他们使用了一种统计近似方法(如采样方法)来获得一个增量的自适应阈值从而实现较低的错误警示和高的检测率。Yaser Sheikh和Mubarak Shah等人认为(文献12)，空间上邻近像素的相关性是很重要，他们显式地对背景和前景建模，该方法对动态元素如相机振动，水波等取得了高质量的检测结果。除了这些统计方法，研究者还提出了很多其他方法，如光流法(文献13)，超像素法(文献14)，动态纹理发(文献15、16)，二进制模型(文献17、18)，套索法(文献19)等。