[发明专利]一种用于背景建模的训练图像序列的收敛方法

说明书

本发明公开了一种用于背景建模的训练图像序列的收敛方法，首先找出训练数据中的所有唯一数据并剔除一次，得到经过去噪的训练数据。然后每次从去噪训练数据的开头以长度为1，2，…，N得到N个子序列并分别求解方差；设置滑动窗口起始位置为方差序列的起始数据，每计算完窗口中方差子序列的方差后便将窗口向右滑动一次。最后得到双重方差序列，双重方差序列便是以一个“归一化”的标准来判断数据序列的收敛性。该方法以数字特征—方差为基础，从数据本身的特性出发，以一个简单易行的方式得到数据序列的收敛点，提高了背景模型在训练时的效率；同时采用灰度值个数减一的方法对训练数据进行去噪，提高了训练数据的质量，从而保证了模型的准确性。

技术领域

本发明属于计算机视觉技术领域，尤其涉及一种运用于训练背景模型时的训练数据的收敛方法。

背景技术

在计算机视觉领域，背景建模主要用于对前景目标的检测与识别，更进一步地可对检测的目标进行一些高级操作，如姿态判断、动作分析等。因此，背景模型的建立作为首要任务，其准确性对后续的应用起到至关重要的作用。从灵长类动物对目标(即前景)的理解来看，不同于背景且具有可移动性的对象，如动物、交通工具、短暂停留的物体等，都可以理解为前景。帧差法(differencing of adjacent frames)作为最初的背景模型是由RAMESH JAIN和H.-H.NAGEL(文献1)提出的，根据对前景的理解，对于在静态场景中检测运动目标会有效果，但是如果背景中存在动态物体的话，该方法将不能适应，因为该模型没有获取到背景在时间轴上的演变属性。在现实场景中，尤其在室外，动态的背景对象如风中摇摆的树木、荡漾的水面、摆动的旗帜、喷泉和电梯等，都不是一帧图像可以刻画和描述的，而是需要对连续多帧图像的学习来实现对背景的“理解”，即对模型参数的学习。根据模型的不同，需要求解的参数也各不相同。

统计学方法以对象的发生数据为基础，在研究对象的不确定性(uncertainty)方面具有优势，目前主要分为有参估计和无参估计。单高斯模型的代表Pfinder(文献2)是Christopher Wren等人提出的有参模型，在背景学习时通过将一段相对较长的“空背景(empty background)”视频帧作为数据源来学习模型关于每个像素的颜色属性，如方差等。在此基础上，对其扩展的混合高斯模型(MoG)得到众多科研人员的青睐和长足的发展，最近的归一化区域混合高斯模型(regularized region MoG,RRMoG)(文献3)通过引入一个动量项(momentum term)来加快RRMoG的收敛速度，并证明该速率为O(1/k²)，因此提高了算法的性能。然而，该方法假定了一些局限性条件，如估计函数含有一个Lipschitz连续梯度，且具有光滑、可凸和可微属性等，这在面对现实场景中的数据时有些不具可操作性。AhmedElgammal等人提出的无参估计模型(文献4)在处理复杂场景如杂乱的树林、波动的物体等时，可以不用关心参数问题，并具有很高的灵敏度。在此基础上，Pierre-Luc St-Charles等人(文献5)通过引入时空信息和LBSP(local binary similarity pattern)特征来增加模型的鲁棒性，并使用循环反馈的方式来更新模型的参数，从而使得模型具有更高的适应性。这些方法都取得了不错的结果，但是，在模型训练时，它们都是简单地采用最近的一段长度为N的背景数据作为训练数据，基于这样的一种假设：只有最近的信息才会对当前产生影响，过去的信息不会产生影响。这其中忽略了一个问题：最近的信息有可能存在重复，即模型训练有可能不需要N个数据，因此存在着效率问题；同时，忽略了噪声在模型训练时的影响。

相关文献：

【文献1】R.Jain and H.Nagel,“On the Analysis of Accumulative DifferencePictures from Image Sequences of Real World Scenes”,IEEE Trans.PatternAnalysis and Machine Intelligence,1979.