專利名稱：：圖像平面中檢測物體的方法與系統(tǒng)的制作方法
技術(shù)領(lǐng)域：
：本發(fā)明有關(guān)于一種圖像平面(imageplane)中檢測物體(objectdetection)的方法與系統(tǒng)。
背景技術(shù)：
：物體檢測在多種視頻應(yīng)用上扮演重要的角色，例如計算機(jī)視覺(computervision)和視頻監(jiān)督(videosurveillance)系統(tǒng)。通常，物體檢測是視頻系統(tǒng)成功的主要因素之一。在日本專利61003591的文獻(xiàn)里，將背景畫面(backgroundpicture)存于第一個畫面存儲器(picturememory)，將目前含有物體的畫面存于第二個畫面存儲器，兩個畫面存儲器中的數(shù)據(jù)相減結(jié)果就是景象改變(scenechange)的地方，也就是物體存在的地方。幾篇美國專利和公開的文獻(xiàn)里，也有提到物體檢測的技術(shù)。例如美國專利US5099322利用物體檢測器(objectdetector)來檢測連續(xù)兩張畫面突然的變化(abruptchange)，并由計算特征(featurecomputing)通過決策處理器(decisionprocessor)來決定是否有景象改變的地方。而美國專利US6999604是利用色彩標(biāo)準(zhǔn)化裝置(colornormalizer)將畫面中的色彩標(biāo)準(zhǔn)化，再用色彩轉(zhuǎn)換器(colortransformer)進(jìn)行色彩轉(zhuǎn)換，如此可將圖像增強(qiáng)并強(qiáng)化畫面中類似物體的區(qū)域而有益于檢測物體；并與預(yù)先設(shè)定的物體顏色直方圖(colorhistogram)進(jìn)行對比，再利用模糊適應(yīng)法則(fuzzyadaptivealgorithm)找出畫面中的移動物體。美國專利公開文獻(xiàn)2004/0017938公開的技術(shù)是預(yù)先設(shè)定物體的顏色特性，在檢測時，滿足顏色預(yù)定值即判斷為物體。美國專利公開文獻(xiàn)US2005/0111696公開的技術(shù)是在低照度下，以長期曝光的方式拍攝目前畫面，并與先前拍攝的參考畫面比較，而檢測到改變處。美國專利公開文獻(xiàn)2004/0086152將圖像分成幾個模塊(block)，對比目前圖像模塊與前一張圖像相應(yīng)模塊的頻域轉(zhuǎn)換系數(shù)的差異，當(dāng)差異值超過某一閾值時表示此模塊有改變。高斯混合模型(GaussianMixtureModel，GMM)通常用來模型化每一像素(pixel)或區(qū)域(region)，以使背景模型(backgroundmodel)適應(yīng)于變化的亮度值(changingillumination)，不適合此模型的像素值就視為前景(foreground)。DedeogluY.等人在2005年公開的文獻(xiàn)“HumanActionRecognitionUsingGaussianMixtureModelBasedBackgroundSegmentation”中，利用高斯混合模型來實時檢測移動的物體(real-timemovingobjectdetection)。隱馬爾可夫模型(HiddenMarkovModell，HMM)用來模型化非靜態(tài)程序(non-stationaryprocess)，將時間軸上的連續(xù)性約束(continuityconstraint)放入連續(xù)像素的強(qiáng)度(intensity)來考慮。也就是說，如果一個像素被檢測為前景，就期待此像素在一段時間內(nèi)仍為前景。此隱馬爾可夫模型的好處主要有(1)不需要選擇訓(xùn)練數(shù)據(jù)(trainingdata)，(2)通過不同的隱藏式狀態(tài)(state)，可得知來自混合前景符號(symbol)與背景符號的序列的前景與背景的統(tǒng)計特征(statisticalcharacteristics)。一個隱馬爾可夫模型H可以用下列的方式表示H＝(N，M，A，π，P)其中，N是狀態(tài)的個數(shù)(numberofstates)，M是符號的個數(shù)(numberofsymbols)，A是狀態(tài)轉(zhuǎn)移概率矩陣(statetransitionprobabilitymatrix)，A＝{aij，i，j＝1，...N}，aij是從狀態(tài)i轉(zhuǎn)移到狀態(tài)j的概率，π＝{π1，...，πN}，πi是狀態(tài)i發(fā)生的初始概率，P＝(p1，...，pn)，pi是狀態(tài)i發(fā)生的概率。J.Kato等人在“AnHMM-BasedSegmentationMethodforTrafficMonitoringMovies，”IEEETrans.PAMI，Vol.24，No.9，pp.1291-1296，2002提出的方法里，對每一個像素，利用灰階值，在時間軸上建立個別像素的隱馬爾可夫模型，并含有三個狀態(tài)，背景狀態(tài)，前景狀態(tài)和陰影狀態(tài)，來檢測物體。圖1為一示意圖，說明傳統(tǒng)的隱馬爾可夫模型化的流程。參考圖1，一般隱馬爾可夫模型化有三個步驟(1)隱馬爾可夫模型參數(shù)初始化(initialize)，如步驟101所示；(2)訓(xùn)練階段用Baum-Welch算法估計及更新隱馬爾可夫模型參數(shù)，如步驟103所示；(3)利用Viterbi算法及前步驟所求得的隱馬爾可夫模型參數(shù)，估計輸入數(shù)據(jù)的狀態(tài)(背景狀態(tài)或前景狀態(tài))，如步驟105所示。Baum-Welch算法是用來訓(xùn)練隱馬爾可夫模型的參數(shù)。利用此Baum-Welch算法，狀態(tài)轉(zhuǎn)移概率矩陣A、每一狀態(tài)i的初始概率πi、和每一狀態(tài)i發(fā)生的概率pi就能夠根據(jù)前一個樣本訓(xùn)練出來并更新。此算法是一種迭代的(iterative)最大似然(maximalikelihood)的方法。所以用來估計及更新隱馬爾可夫模型參數(shù)會造成大量的時間消耗(timeconsuming)。
發(fā)明內(nèi)容本發(fā)明的目的在于利用隱馬爾可夫模型增進(jìn)空間上的物體掩碼(objectmask)強(qiáng)健性(robustness)，以前一個時刻所求得的物體掩碼協(xié)助估測此刻的隱馬爾可夫模型參數(shù)，以隱馬爾可夫模型再次預(yù)估目前時刻的背景(物體)與前景(物體)，能有效的得到穩(wěn)定強(qiáng)健的物體檢測結(jié)果，使得此刻所求得的物體掩碼更趨近于實際物體的范圍，而背景結(jié)果也更加能排除誤判的情況。本發(fā)明針對一個畫面建立隱馬爾可夫模型，不同于公知技術(shù)對每一個像素建立個別的隱馬爾可夫模型。本發(fā)明僅有兩個狀態(tài)，背景狀態(tài)和前景狀態(tài)。陰影的問題由亮度高斯混合模型的結(jié)果與彩度高斯混合模型的結(jié)果融合后即可獲得解決。為實現(xiàn)上述目的，本發(fā)明提供一種圖像平面中檢測物體的方法，該方法包括下列步驟首先，針對一個畫面建立一個隱馬爾可夫模型，并初始化此隱馬爾可夫模型的參數(shù)；然后，在目前時刻(currenttime)的圖像空間軸上，利用前一個時刻(previoustime)所求得的物體掩碼Ωh(t-1)，更新目前時刻的隱馬爾可夫模型參數(shù)；根據(jù)此更新的目前時刻的隱馬爾可夫模型參數(shù)及一解碼算法，再估測(re-estimate)目前時刻的物體掩碼。如上所述的圖像平面中檢測物體的方法，其中該方法是以兩種狀態(tài)，背景狀態(tài)S1與前景狀態(tài)S2，和兩種符號，背景符號α與前景符號β，來建立該隱馬爾可夫模型。如上所述的圖像平面中檢測物體的方法，其中該初始化該隱馬爾可夫模型參數(shù)的步驟包括設(shè)定背景狀態(tài)S1下的前景符號的概率P1(x＝α)、背景狀態(tài)S1下的背景符號的概率P1(x＝β)、狀態(tài)S1及狀態(tài)S2的初始概率和狀態(tài)轉(zhuǎn)移概率矩陣{aij，i，j＝1，2}，aij是從狀態(tài)Si轉(zhuǎn)移到狀態(tài)Sj的概率。如上所述的圖像平面中檢測物體的方法，其中該更新目前時刻的隱馬爾可夫模型的參數(shù)的步驟還包括將該待更新掩碼Ω(t)表示為前景掩碼去除前一時刻所求的前景掩碼Ωh(t-1)之后的二進(jìn)制掩碼；以及該待更新掩碼Ω(t)在背景狀態(tài)下的前景符號的概率被近似為ξ，亦即P1(x＝α)＝ξ，其中ξ代表在Ω(t)中，前景符號所占的比例。如上所述的圖像平面中檢測物體的方法，其中該再估測該目前時刻的物體掩碼的步驟還包括以一維的方式讀取前一個時刻所求得的二維物體掩碼Ω(t)；利用該解碼算法去估計目前時刻的圖像像素(x，y)的一維狀態(tài)Ωf1(x，y，t)，其中如果該前一個時刻所求得的該待更新掩碼Ω(t)的前景符號與背景符號模糊的部分符合背景的統(tǒng)計模型，此部分則被視為背景；以及轉(zhuǎn)換該估計出的Ωf1(x，y，t)的一維狀態(tài)為二維物體掩碼。如上所述的圖像平面中檢測物體的方法，其中該前一個時刻所求得的二維物體掩碼用原始分辨率來讀取。如上所述的圖像平面中檢測物體的方法，其中該前一個時刻所求得的二維物體掩碼是將輸入信號的取樣縮小后的結(jié)果。如上所述的圖像平面中檢測物體的方法，其中該狀態(tài)轉(zhuǎn)移概率矩陣的設(shè)定還包括當(dāng)i≠j時，aii＞aij。如上所述的圖像平面中檢測物體的方法，其中對于以該輸入信號的取樣縮小后的結(jié)果去估測的狀態(tài)序列Ωh′(t)，該方法還包括將該狀態(tài)序列Ωh′(t)的取樣放大，以取得該物體掩碼的步驟。如上所述的圖像平面中檢測物體的方法，其中該解碼算法為一種Viterbi算法。本發(fā)明還提供一種圖像平面中檢測物體的系統(tǒng)，該系統(tǒng)包含一隱馬爾可夫模型，其由已初始化的多個參數(shù)配置而成并與一物體片段切割單元耦合，λ代表該隱馬爾可夫模型的該多個參數(shù)的集合；一估計參數(shù)單元(parameterestimationunit)，利用前一個時刻t-1所求得的物體掩碼Ωh(t-1)，求得一待更新掩碼Ω(t)，更新目前時刻t的隱馬爾可夫模型的參數(shù)λ(t)；一估計狀態(tài)單元(stateestimationunit)，根據(jù)該參數(shù)λ(t)，由一解碼器估計出一相對應(yīng)的狀態(tài)序列；一轉(zhuǎn)換與存儲物體掩碼單元(unitforrestoringstatestoobjectmask)，將該狀態(tài)序列轉(zhuǎn)換成一物體掩碼Ωh(t)并將其存儲；以及一延遲緩沖器(delaybuffer)，將該前一個時刻t-1的物體掩碼Ωh(t-1)傳送給該估計參數(shù)單元。如上所述的圖像平面中檢測物體的系統(tǒng)，其中該隱馬爾可夫模型由下列參數(shù)配置而成，并以H＝(N，M，A，π，P1，P2)來表示N是狀態(tài)的個數(shù)，且N＝2，該兩種狀態(tài)分別為背景狀態(tài)S1與前景狀態(tài)S2；M是符號的個數(shù)，且M＝2，該兩種符號分別為背景符號α與前景符號β；A是狀態(tài)轉(zhuǎn)移概率矩陣，A＝{aij，i，j＝1，...N}，aij是從狀態(tài)i轉(zhuǎn)移到狀態(tài)j的概率；π＝{π1，...，πN}，πi是狀態(tài)i發(fā)生的初始概率；以及P1及P2分別是背景狀態(tài)S1及前景狀態(tài)S2的概率分布函數(shù)(probabilitydensityfunction，PDF)。P1(x＝β)代表當(dāng)背景狀態(tài)時，隨機(jī)出現(xiàn)的符號為背景符號‘β’；P2(x＝α)代表當(dāng)前景狀態(tài)時，隨機(jī)出現(xiàn)的符號為前景符號‘α’的概率；P2(x＝β)代表當(dāng)背景狀態(tài)時，隨機(jī)出現(xiàn)的符號為背景符號‘β’的概率。如上所述的圖像平面中檢測物體的系統(tǒng)，其中該解碼器是一種Viterbi解碼器。如上所述的圖像平面中檢測物體的系統(tǒng)，其中該物體掩碼Ωh是一種二進(jìn)制畫面數(shù)據(jù)。本發(fā)明可以快速估計出隱馬爾可夫模型參數(shù)，并有效地得到穩(wěn)定強(qiáng)健的物體檢測結(jié)果，使得所求得的物體掩碼更趨近于實際物體的范圍，而背景結(jié)果也能更加排除誤判的情況。配合附圖、實施例的下述詳細(xì)說明及權(quán)利要求，將對上述及本發(fā)明的其它目的與優(yōu)點做進(jìn)一步的說明。圖1為一示意圖，說明傳統(tǒng)的隱馬爾可夫模型化的流程。圖2為說明相應(yīng)于圖像的物體掩碼的二維表示法可用一維的信號來表示的示意圖。圖3為一狀態(tài)圖，說明本發(fā)明范例中隱馬爾可夫模型所使用的狀態(tài)。圖4為一流程圖，說明本發(fā)明的圖像平面中物體檢測的方法的主要運(yùn)作程序。圖5為一方塊示意圖，補(bǔ)充說明圖4中各步驟的運(yùn)作。圖6是本發(fā)明的范例中的一個系統(tǒng)方塊示意圖。其中，附圖標(biāo)記說明如下101隱馬爾可夫模型參數(shù)初始化103用Baum-Welch算法估計及更新隱馬爾可夫模型參數(shù)105利用Viterbi算法及前步驟所求得的隱馬爾可夫模型參數(shù)，估計輸入數(shù)據(jù)的狀態(tài)Ωf1相應(yīng)于一圖像的物體掩碼的二維表示法ωf1圖像的物體掩碼的一維表示法0背景1前景S1背景狀態(tài)S2前景狀態(tài)a11從背景狀態(tài)S1轉(zhuǎn)移到背景狀態(tài)S1的概率a12從背景狀態(tài)S1轉(zhuǎn)移到前景狀態(tài)S2的概率a21從前景狀態(tài)S2轉(zhuǎn)移到背景狀態(tài)S1的概率a22從前景狀態(tài)S2轉(zhuǎn)移到前景狀態(tài)S2的概率401針對一個畫面建立一個隱馬爾可夫模型，并初始化此隱馬爾可夫模型的參數(shù)λ(t)403在目前時刻的空間軸上，利用前一個時刻所求得的物體掩碼Ωh(t-1)，更新目前時刻的隱馬爾可夫模型的參數(shù)λ(t)405根據(jù)此參數(shù)λ(t)及一解碼算法，再估測目前時刻的物體掩碼Ωh(t-1)前一個時刻所求得的物體掩碼Ωh(t)目前時刻所求得的物體掩碼601隱馬爾可夫模型603估計參數(shù)單元605估計狀態(tài)單元607轉(zhuǎn)換與存儲物體掩碼單元609延遲緩沖器611物體片段切割單元具體實施例方式圖2說明相應(yīng)于圖像的物體掩碼的二維表示法可用一維的信號來表示。其中，0代表背景，1代表前景，Ωf1是相應(yīng)于一圖像的物體掩碼的二維表示法，圖像的物體掩碼若用一維的信號ωf1表示呈現(xiàn)(稱之為ID序列)，則可視為一個非穩(wěn)定程序的隨機(jī)程序(randomprocess)，包含了多個狀態(tài)，每個狀態(tài)包含各自的隨機(jī)子程序(subprocess)。本發(fā)明的物體檢測中，此二維物體掩碼的ID信號表示法(IDsignalrepresentation)有兩種狀態(tài)，如圖3所示，S1是背景狀態(tài)，S2是前景狀態(tài)，每一種狀態(tài)都是一個具有靜態(tài)(stationary)統(tǒng)計特性的馬爾可夫鏈(Markovchain)，因此，一個掩碼(亦即一維的隨機(jī)程序ωf1，以一個ID序列來表示)可用一個隱馬爾可夫模型來表示其信號特性。值得注意的是，本發(fā)明中，目前時刻的一個畫面的物體掩碼僅建立一個隱馬爾可夫模型。而此隱馬爾可夫模型可用H＝(N，M，A，π，P1，P2)來表示，其中N＝2(也就是背景狀態(tài)S1與前景狀態(tài)S2)，M＝2(也就是背景符號‘β’與前景符號‘α’)，A是狀態(tài)轉(zhuǎn)移概率矩陣，A＝{aij，i，j＝1，...N}，aij是從狀態(tài)i轉(zhuǎn)移到狀態(tài)j的概率，π＝{π1，...，πN}，πi是狀態(tài)i發(fā)生的初始概率，P1及P2分別是狀態(tài)S1及狀態(tài)S2的概率分布函數(shù)。而P1(x＝x)代表處于背景狀態(tài)時，隨機(jī)出現(xiàn)的符號為前景符號‘x’的概率；P2(x＝x)代表處于前景狀態(tài)時，隨機(jī)出現(xiàn)的符號為前景符號‘x’的概率；符號x包括前景符號‘α’和背景符號‘β’。因此，在圖3所示的本發(fā)明范例中隱馬爾可夫模型所使用的狀態(tài)圖里，a12是從背景狀態(tài)S1轉(zhuǎn)移到前景狀態(tài)S2的概率，而a21是從前景狀態(tài)S2轉(zhuǎn)移到背景狀態(tài)S1的概率，而a11是從背景狀態(tài)S1轉(zhuǎn)移到背景狀態(tài)S1的概率，a22是從前景狀態(tài)S2轉(zhuǎn)移到前景狀態(tài)S2的概率。為了快速估計出隱馬爾可夫模型參數(shù)，本發(fā)明將″再估測背景掩碼″(re-estimatingbackgroundmask)化為一種隱馬爾可夫模型訓(xùn)練問題來解決，在既有的隱馬爾可夫模型的訓(xùn)練階段使用新的方法，以取得模型參數(shù)。圖4以一流程圖說明本發(fā)明的圖像平面中檢測物體的方法的主要運(yùn)作程序。參考圖4，本發(fā)明首先針對一個畫面建立一個隱馬爾可夫模型，并初始化此隱馬爾可夫模型的參數(shù)，如步驟401所示。然后，在目前時刻的圖像空間軸上，利用前一個時刻所求得的物體掩碼Ωh(t-1)，求得待更新掩碼Ω(t)，更新目前時刻的隱馬爾可夫模型的參數(shù)λ(t)，如步驟403所示。根據(jù)此參數(shù)λ(t)及一解碼算法，再估測目前時刻的物體掩碼，如步驟405所示。圖5為一方塊示意圖，再補(bǔ)充說明圖4中各步驟的具體運(yùn)作。如圖5所示，輸入圖像經(jīng)物體片段切割程序(objectsegmentation)處理后，在步驟401中初始化此隱馬爾可夫模型的參數(shù)包括設(shè)定狀態(tài)轉(zhuǎn)移概率矩陣、背景狀態(tài)下前景符號出現(xiàn)的概率P1(x＝α)、背景狀態(tài)下背景符號出現(xiàn)的概率P1(x＝β)、和背景狀態(tài)S1及前景狀態(tài)S2的初始概率。值得注意的是，此狀態(tài)轉(zhuǎn)移概率矩陣{aij，i，j＝1，2}的設(shè)定在i≠j時，aii＞aij。步驟403中，將待更新掩碼Ω(t)表示為前景掩碼Ωf1(t)去除前一時刻t-1所求的前景掩碼Ωh(t-1)之后的二進(jìn)制掩碼(binarymask)，亦即令ξ代表在Ω(t)中，前景符號所占的比例(occupy-ratio)，則Ω(t)在背景狀態(tài)下的前景符號的概率被近似為ξ，亦即P1(x＝α)＝ξ。因此，待更新掩碼Ω(t)在背景狀態(tài)下的背景符號的概率為P1(x＝β)＝1-P1(x＝α)。利用上述的近似方法，更新隱馬爾可夫模型參數(shù)。更新隱馬爾可夫模型參數(shù)后，在步驟405中，前一個時刻所求得的物體掩碼Ωh(t-1)是用一維的方式(水平或垂直)讀取，并利用一種解碼技術(shù)如Viterbi解碼算法，再估計Ωf1(x，y，t)的狀態(tài)，其中若在t時刻，Ωf1(x，y，t)＝1，輸入的圖像像素(x，y)屬于前景部分；若在t時刻，Ωf1(x，y，t)＝0，輸入的圖像像素(x，y)屬于背景部分。換句話說，估計出背景部分的統(tǒng)計模型。如果Ωf1(t)的前景符號與背景符號模糊的部分符合背景的統(tǒng)計模型，此部分則視為背景。而此估計出的Ωf1(x，y，t)的一維狀態(tài)將被恢復(fù)(restore)為二維物體掩碼，可與原始圖像大小一致。依此，改善了原來的物體掩碼Ωf1(t)，而成為較好的物體掩碼Ωh(t)。根據(jù)本發(fā)明，在步驟405中讀取前一個時刻所求得的物體掩碼Ωh(t-1)，并求得待更新掩碼Ω(t)，可以用不同的比例(scale)來執(zhí)行。常用的兩種比例如scale＝1和scale＝2。若用輸入信號Ω(t)的原始分辨率(originalresolution)來執(zhí)行，則其scale＝1。若先將輸入信號Ω(t)的取樣縮小(down-sample)為Ω′(t)，亦即原二維物體掩碼的取樣縮小后的結(jié)果，然后以Ω′(t)取代Ω(t)來估計t時刻隱馬爾可夫模型的參數(shù)λ(t)，則為scale＝2的情況。在scale＝2的情況下，改善后的狀態(tài)序列(refinedstatesequence)記為Ωh′(t)，并且于此隱馬爾可夫模型化的程序中必須將Ωh′(t)的取樣放大(up-sample)為Ωh″(t)。根據(jù)實驗的結(jié)果，以scale＝2的情況所求得的物體掩碼能更接近物體實際的范圍。本發(fā)明中僅有兩個狀態(tài)，背景狀態(tài)和前景狀態(tài)，無陰影狀態(tài)。而陰影的問題，可由亮度高斯混合模型(GMMonluma)的結(jié)果與彩度高斯混合模型(GMMonchroma)的結(jié)果融合后得到解決。圖6是實現(xiàn)上述本發(fā)明的范例中的一個系統(tǒng)方塊示意圖。如圖6所示，此圖像平面中檢測物體的系統(tǒng)包含一隱馬爾可夫模型601、一估計參數(shù)單元603、一估計狀態(tài)單元605、一轉(zhuǎn)換與存儲物體掩碼單元607和一延遲緩沖器609。隱馬爾可夫模型601由已初始化的參數(shù)配置而成H＝(N，M，A，π，P1，P2)，并與一物體片段切割(objectsegmentation)單元611耦合。估計參數(shù)單元603利用前一個時刻t-1所求得的物體掩碼Ωh(t-1)，更新該目前時刻t的隱馬爾可夫模型的參數(shù)λ(t)。估計狀態(tài)單元605根據(jù)此參數(shù)λ(t)，通過一解碼器估計出一相對應(yīng)的狀態(tài)序列。轉(zhuǎn)換與存儲物體掩碼單元607將此狀態(tài)序列轉(zhuǎn)換成一物體掩碼Ωh(t)并將其存儲。延遲緩沖器609將前一個時刻t-1的物體掩碼Ωh(t-1)傳送給估計參數(shù)單元603。不同于公知技術(shù)對每一個像素建立個別的隱馬爾可夫模型，如前所述，本發(fā)明針對一個畫面僅建立一個隱馬爾可夫模型，所處理的物體掩碼是一種二進(jìn)制畫面數(shù)據(jù)。值得一提的是，一般物體檢測的實際環(huán)境中，背景區(qū)域的面積大于前景區(qū)域的面積。所以，在狀態(tài)初始概率的設(shè)定時，背景狀態(tài)的初始概率會大于前景狀態(tài)的初始概率。在本發(fā)明的模擬實驗中，提取了23張畫面，并對一畫面100建立一個隱馬爾可夫模型，設(shè)定背景狀態(tài)的初始概率π1＝0.9，而前景狀態(tài)的初始概率π2＝0.1。相較于公知物體檢測技術(shù)，實驗結(jié)果顯示，利用本發(fā)明的技術(shù)后，前景部分變得更穩(wěn)定(stable)，并且背景部分也變得更清晰(clear)。而完整的物體掩碼幾乎可提煉出來(extracted)。所以，不僅增進(jìn)了物體掩碼的強(qiáng)健性，而清晰的背景結(jié)果也更加能排除誤判的情況。因而本發(fā)明的檢測率也較高。另外，此模擬實驗也分別以scale＝1和scale＝2來執(zhí)行上述本發(fā)明提出的新的隱馬爾可夫模型程序。實驗結(jié)果顯示，相較于scale＝1的情況，scale＝2的情況擁有更容易辨認(rèn)辨識的(moredistinguishable)物體掩碼。以上所述僅為本發(fā)明的實施例，并非用以限制本發(fā)明的范圍，任何所屬領(lǐng)域的技術(shù)人員，在不脫離本發(fā)明的精神和范圍內(nèi)，當(dāng)可作些許的變更與修飾，因此本發(fā)明的保護(hù)范圍當(dāng)視后附的權(quán)利要求所界定的范圍為準(zhǔn)。權(quán)利要求1.一種圖像平面中檢測物體的方法，該方法包含下列步驟針對一個畫面建立一個隱馬爾可夫模型，并初始化該隱馬爾可夫模型的參數(shù)；在一目前時刻的空間軸上，利用前一個時刻所求得的物體掩碼Ωh(t-1)求得一待更新掩碼Ω(t)，更新該目前時刻的隱馬爾可夫模型的參數(shù)；以及根據(jù)該更新的目前時刻的隱馬爾可夫模型的參數(shù)及一解碼算法，再估測該目前時刻的物體掩碼。2.如權(quán)利要求1所述的圖像平面中檢測物體的方法，其中以兩種狀態(tài)，背景狀態(tài)S1與前景狀態(tài)S2，和兩種符號，背景符號α與前景符號β，來建立該隱馬爾可夫模型。3.如權(quán)利要求2所述的圖像平面中檢測物體的方法，其中該初始化該隱馬爾可夫模型參數(shù)的步驟包括設(shè)定背景狀態(tài)S1下的前景符號的概率P1(x＝α)、背景狀態(tài)S1下的背景符號的概率P1(x＝β)、狀態(tài)S1及狀態(tài)S2的初始概率和狀態(tài)轉(zhuǎn)移概率矩陣{aij，i，j＝1，2}，aij是從狀態(tài)Si轉(zhuǎn)移到狀態(tài)Sj的概率。4.如權(quán)利要求3所述的圖像平面中檢測物體的方法，其中該更新目前時刻的隱馬爾可夫模型的參數(shù)的步驟還包括將該待更新掩碼Ω(t)表示為前景掩碼去除前一時刻所求的前景掩碼Ωh(t-1)之后的二進(jìn)制掩碼；以及該待更新掩碼Ω(t)在背景狀態(tài)下的前景符號的概率被近似為ξ，亦即P1(x＝α)＝ξ，其中ξ代表在Ω(t)中，前景符號所占的比例。5.如權(quán)利要求2所述的圖像平面中檢測物體的方法，其中該再估測該目前時刻的物體掩碼的步驟還包括以一維的方式讀取前一個時刻所求得的二維物體掩碼Ω(t)；利用該解碼算法去估計目前時刻的圖像像素(x，y)的一維狀態(tài)Ωf1(x，y，t)，其中如果該前一個時刻所求得的該待更新掩碼Ω(t)的前景符號與背景符號模糊的部分符合背景的統(tǒng)計模型，此部分則被視為背景；以及轉(zhuǎn)換該估計出的Ωf1(x，y，t)的一維狀態(tài)為二維物體掩碼。6.如權(quán)利要求4所述的圖像平面中檢測物體的方法，其中該前一個時刻所求得的二維物體掩碼用原始分辨率來讀取。7.如權(quán)利要求4所述的圖像平面中檢測物體的方法，其中該前一個時刻所求得的二維物體掩碼是將輸入信號的取樣縮小后的結(jié)果。8.如權(quán)利要求3所述的圖像平面中檢測物體的方法，其中該狀態(tài)轉(zhuǎn)移概率矩陣的設(shè)定還包括當(dāng)i≠j時，aii＞aij。9.如權(quán)利要求7所述的圖像平面中檢測物體的方法，其中對于以該輸入信號的取樣縮小后的結(jié)果去估測的狀態(tài)序列Ωh′(t)，該方法還包括將該狀態(tài)序列Ωh′(t)的取樣放大，以取得該物體掩碼的步驟。10.如權(quán)利要求1所述的圖像平面中檢測物體的方法，其中該解碼算法為一種Viterbi算法。11.一種圖像平面中檢測物體的系統(tǒng)，該系統(tǒng)包含一隱馬爾可夫模型，其由已初始化的多個參數(shù)配置而成并與一物體片段切割單元耦合，λ代表該隱馬爾可夫模型的該多個參數(shù)的集合；一估計參數(shù)單元，利用前一個時刻t-1所求得的物體掩碼Ωh(t-1)，求得一待更新掩碼Ω(t)，更新目前時刻t的隱馬爾可夫模型的參數(shù)λ(t)；一估計狀態(tài)單元，根據(jù)該參數(shù)λ(t)，由一解碼器估計出一相對應(yīng)的狀態(tài)序列；一轉(zhuǎn)換與存儲物體掩碼單元，將該狀態(tài)序列轉(zhuǎn)換成一物體掩碼Ωh(t)并將其存儲；以及一延遲緩沖器，將該前一個時刻t-1的物體掩碼Ωh(t-1)傳送給該估計參數(shù)單元。12.如權(quán)利要求11所述的圖像平面中檢測物體的系統(tǒng)，其中該隱馬爾可夫模型由下列參數(shù)配置而成，并以H＝(N，M，A，π，P1，P2)來表示N是狀態(tài)的個數(shù)，且N＝2，該兩種狀態(tài)分別為背景狀態(tài)S1與前景狀態(tài)S2；M是符號的個數(shù)，且M＝2，該兩種符號分別為背景符號α與前景符號β；A是狀態(tài)轉(zhuǎn)移概率矩陣，A＝{aij，i，j＝1，...N}，aij是從狀態(tài)i轉(zhuǎn)移到狀態(tài)j的概率；π＝{π1，...，πN}，πi是狀態(tài)i發(fā)生的初始概率；以及P1及P2分別是背景狀態(tài)S1及前景狀態(tài)S2的概率分布函數(shù)。13.如權(quán)利要求11所述的圖像平面中檢測物體的系統(tǒng)，其中該解碼器是一種Viterbi解碼器。14.如權(quán)利要求11所述的圖像平面中檢測物體的系統(tǒng)，其中該物體掩碼Ωh是一種二進(jìn)制畫面數(shù)據(jù)。全文摘要本發(fā)明公開一種圖像平面中檢測物體的方法與系統(tǒng)。其針對一個圖像畫面建立一個隱馬爾可夫模型，并初始化此隱馬爾可夫模型的參數(shù)。然后，在空間軸上，利用前一個時刻所求得的物體掩碼，更新目前時刻的隱馬爾可夫模型參數(shù)。根據(jù)此更新的參數(shù)及一解碼算法再估測目前時刻的物體掩碼。本發(fā)明可以快速估計出隱馬爾可夫模型參數(shù)，并有效地得到穩(wěn)定強(qiáng)健的物體檢測結(jié)果，使得所求得的物體掩碼更趨近于實際物體的范圍，而背景結(jié)果也能更加排除誤判的情況。文檔編號G06K9/62GK101174302SQ200610143258公開日2008年5月7日申請日期2006年11月1日優(yōu)先權(quán)日2006年11月1日發(fā)明者王文豪申請人:財團(tuán)法人工業(yè)技術(shù)研究院