[发明专利]一种基于置信度加权融合和视觉注意的前景提取算法

说明书

本发明公开了一种基于置信度加权融合和视觉注意的前景提取算法。首先为背景模型中样本颜色值和纹理值赋予置信度。在分类时分别统计当前像素与样本值之间的颜色级距离和纹理距离小于等于当前帧距离阈值的样本置信度之和；然后对这两个置信度之和赋予不同权值相加，当其大于等于判定值时，当前像素点为背景，否则为前景。然后自适应更新置信度和权值；其次，对视频序列平均划分M个子序列，将子序列中上一帧检测的前景作为静止前景检测的感兴趣区域R，计算R区域颜色显著性和纹理相似度。R区域会被循环检测是否为静止前景，直至子序列最后一帧或被检测为背景为止。本发明公开的算法能有效克服颜色伪装问题，对静止前景检测具有较好的鲁棒性。

技术领域

本发明属于计算机视觉技术领域，具体涉及前景检测，可应用于学校、广场等公共场合下的智能安防视频监控中。

背景技术

基于背景建模算法的前景检测的一般步骤在于将当前帧数据信息与背景模型对比提取出前景目标，然后更新背景模型。背景建模的难点在于如何克服颜色伪装和运动目标突然静止等问题提取完整的前景目标。目前提出的算法包括基于像素点和区域级的方法，也有基于颜色信息和纹理特征的背景建模方法，这些方法都有其特定的优势，保证了实时性，但是大多数不能克服颜色伪装和目标突然静止等问题。

在基于区域级建模中，刘翠微等提出利用在线子空间的学习方法用于模型更新，2015年，Beaugendre等人提出了一种自适应区域传播的背景建模方法。2017年Maity等人将块的统计特征提取技术用于检测前景。这些方法都具有区域级建模的缺点，即无法获得精确的前景和轮廓，故而效果不佳。

Olivier Barnich等人于2009年提出基于像素点的背景减除法(ViBe)后，基于像素点的背景建模方法得到重大发展，能够有效处理区域级建模带来的问题。2014年，Pierre-Luc St-Charles等人提出了基于像素值和LBSP纹理特征的前景检测算法。而后又提出了基于局部自适应灵敏度分割(SuBSENSE)算法。诸如此类的算法对于一般性场景下的前景检测具有很好的效果，然而在颜色伪装和静止目标前景问题上表现较差，因为此类方法首先进行颜色级前景判断，如果出现颜色伪装则无法检测出来，当目标出现静止情况时，例如遗忘的物体和小憩的人，由于空间扩散和随机更新等策略，会被迅速更新为背景。所以提出一种面向颜色伪装和静止目标的前景检测算法具有重要意义。

发明内容

发明目的：针对背景减除法不能克服颜色伪装问题提取完整前景和无法检测到静止前景目标的问题，本发明提出了一种基于置信度加权融合和视觉注意的前景提取算法，通过加权融合颜色和纹理置信度克服颜色伪装问题，并利用视觉注意机制和显著性检测提取静止前景目标，优化了前景检测方式，从而能够提取精准的前景，具有更高的鲁棒性。

技术方案：本发明提出了一种基于置信度加权融合和视觉注意的前景提取算法，包括以下步骤：

(1)在前N帧初始化背景模型；

(2)采用颜色和纹理置信度自适应加权融合的方式检测运动前景目标；

(3)更新样本颜色维度和纹理维度的置信度和权值；

(4)构建视觉注意机制检测短时静止前景，并修正和融合前景检测结果；

(5)依据前景检测结果指导更新背景模型。

进一步，所述步骤(1)，通过收集前N帧像素信息建立背景模型B(x)，模型由N个样本构成，结构如下：

B(x)＝{B₁(x)，B₂(x)，...，B_i(x)，...，B_N(x)}