專(zhuān)利名稱(chēng)：一種基于擴(kuò)展混合高斯模型的運(yùn)動(dòng)目標(biāo)檢測(cè)方法
技術(shù)領(lǐng)域：
本發(fā)明屬于模式識(shí)別領(lǐng)域，涉及圖像處理和計(jì)算機(jī)視覺(jué)等技術(shù)，特別 是涉及視頻中的運(yùn)動(dòng)目標(biāo)檢測(cè)。
背景技術(shù)：
在計(jì)算機(jī)視覺(jué)領(lǐng)域中， 一個(gè)最根本的問(wèn)題就是如何從底層原始視頻數(shù) 據(jù)得到高層的語(yǔ)義理解。當(dāng)前國(guó)內(nèi)外智能視頻監(jiān)控的研究主要集中在攝像 機(jī)標(biāo)定、多攝像機(jī)融合、運(yùn)動(dòng)物體的視覺(jué)分析等方面。其中，運(yùn)動(dòng)物體的 視覺(jué)分析是計(jì)算機(jī)視覺(jué)領(lǐng)域中最活躍的研究課題之一，其核心是利用計(jì)算 機(jī)視覺(jué)技術(shù)從圖像序列中檢測(cè)、跟蹤和識(shí)別運(yùn)動(dòng)物體(如人和車(chē)等)并對(duì)其 行為進(jìn)行理解與描述，它在虛擬現(xiàn)實(shí)、視頻監(jiān)控、感知接口等領(lǐng)域均有著 廣闊的應(yīng)用前景。運(yùn)動(dòng)物體的視覺(jué)分析系統(tǒng)一般包括下述的四個(gè)處理過(guò) 程，如圖1所示1)運(yùn)動(dòng)檢測(cè)；2)目標(biāo)分類(lèi)；3)目標(biāo)跟蹤；4)行為理 解和描述。
運(yùn)動(dòng)物體的檢測(cè)與提取以及目標(biāo)物體的跟蹤作為運(yùn)動(dòng)物體的視覺(jué)分 析中的兩項(xiàng)核心技術(shù)以及底層問(wèn)題，它們是后續(xù)各種高級(jí)處理，如物體分 類(lèi)及行為識(shí)別、事件檢測(cè)、行為分析、視頻圖像的壓縮編碼和語(yǔ)義索引等 高層次的視頻處理和應(yīng)用理解的基礎(chǔ)，也是視頻監(jiān)控技術(shù)自動(dòng)化和實(shí)時(shí)應(yīng) 用的關(guān)鍵，同時(shí)，它們也是當(dāng)前圖像技術(shù)研究應(yīng)用的熱點(diǎn)和焦點(diǎn)。
背景建模方法因?yàn)槟軌虮绕渌椒?光流，幀間差)提供更多的運(yùn)動(dòng) 目標(biāo)的信息，它被廣泛應(yīng)用于目標(biāo)檢測(cè)中。但是在實(shí)際的應(yīng)用場(chǎng)景中，動(dòng) 態(tài)背景和陰影都會(huì)產(chǎn)生不需要的誤檢測(cè)，從而使運(yùn)動(dòng)目標(biāo)檢測(cè)失敗。
目前最常用的背景建模方法是混合高斯方法(GMM)。但是該方法是 基于像素點(diǎn)的方法且未融合空間信息，所以，當(dāng)背景運(yùn)動(dòng)很劇烈時(shí)，該方 法就會(huì)造成很多誤檢測(cè)，如圖2 (b)所示，圖2 (b)為傳統(tǒng)混合高斯模 型方法的檢測(cè)結(jié)果。由于背景存在劇烈運(yùn)動(dòng)，該方法造成了許多前景誤檢測(cè)(如圖2 (b)中白點(diǎn)所示)，而這些前景誤檢測(cè)是由于鄰域背景的運(yùn)動(dòng) 造成的。。同時(shí)該模型中的高斯個(gè)數(shù)需要事先確定，從而限制了該方法的 進(jìn)一步應(yīng)用。目前的陰影去除算法也很多，但是他們都是作為一個(gè)獨(dú)立的 模塊應(yīng)用于目標(biāo)檢測(cè)，如在混合高斯檢測(cè)出前景目標(biāo)后，再應(yīng)用陰影去 除算法去除前景中的陰影，其流程圖如圖3所示。這種結(jié)構(gòu)使"背景建模" 的輸出直接決定"陰影去除"的結(jié)果，如果"背景建模"的結(jié)果不好，那 么"陰影去除"的結(jié)果肯定也會(huì)變差。本發(fā)明基于一個(gè)擴(kuò)展的混合高斯模 型，通過(guò)構(gòu)造背景、前景和陰影的概率密度函數(shù)將動(dòng)態(tài)背景建模、前景檢 測(cè)、陰影去除融合在一個(gè)概率框架下進(jìn)行處理，如圖4所示。這種框架可 以克服，如圖3所示，"背景建模"和"陰影去除"作為獨(dú)立的模塊所帶 來(lái)的一些缺點(diǎn)。同時(shí)此擴(kuò)展的混合高斯模型融合了空間信息，其高斯成員 的數(shù)目也能在運(yùn)行過(guò)程中動(dòng)態(tài)的確定，從而克服了傳統(tǒng)的混合高斯模型因 未融合空間信息而造成的前景誤檢測(cè)。

發(fā)明內(nèi)容
現(xiàn)有目標(biāo)檢測(cè)技術(shù)通常將背景建模、前景檢測(cè)和陰影去除作為獨(dú)立的 模塊，因此很難達(dá)到一個(gè)很好的分類(lèi)效果。本發(fā)明的目的是提供一種一種 基于擴(kuò)展混合高斯模型的運(yùn)動(dòng)目標(biāo)檢測(cè)方法，所述方法基于一個(gè)擴(kuò)展的混 合高斯模型，通過(guò)構(gòu)造背景、前景和陰影的概率密度函數(shù)將動(dòng)態(tài)背景建模、 前景檢測(cè)、陰影去除融合在一個(gè)概率框架下進(jìn)行處理。同時(shí)此擴(kuò)展的混合 高斯模型融合了空間信息，其高斯成員的數(shù)目也能在運(yùn)行過(guò)程中動(dòng)態(tài)的確 定。
為了實(shí)現(xiàn)上述目的，本發(fā)明提供的基于擴(kuò)展混合高斯的運(yùn)動(dòng)目標(biāo)檢測(cè) 方法，包含如下步驟
通過(guò)一級(jí)模型構(gòu)建模塊，基于擴(kuò)展混合高斯模型，構(gòu)造陰影背景、和 前景的概率密度函數(shù)；
通過(guò)二級(jí)模型構(gòu)建模塊，基于上述三類(lèi)的模型，構(gòu)造運(yùn)動(dòng)目標(biāo)和非運(yùn)
動(dòng)目標(biāo)的概率密度函數(shù)；
通過(guò)分類(lèi)模塊，應(yīng)用MAP-MRF (Maximum a Posteriori- Markov Random Field)方法進(jìn)行分類(lèi)；應(yīng)用跟蹤的反饋信息，進(jìn)一步精確前景模型。
進(jìn)一步，所述構(gòu)造陰影背景、和前景的概率密度函數(shù)步驟包括 基于擴(kuò)展的混合高斯模型，假設(shè)對(duì)于某一柵格，其在大部分時(shí)間內(nèi)為
背景所覆蓋，構(gòu)建背景模型；
基于擴(kuò)展的混合高斯模型，假設(shè)如果某一時(shí)刻， 一個(gè)柵格檢測(cè)到前景
樣本，則下一時(shí)刻，沿速度方向上的另一個(gè)柵格檢測(cè)到顏色相似的前景樣
本的概率增加，構(gòu)建前景模型；
基于擴(kuò)展的混合高斯模型，假設(shè)對(duì)于同一個(gè)柵格，不同的運(yùn)動(dòng)目標(biāo)所 造成的陰影特征是相似的，構(gòu)建陰影模型。
進(jìn)一步，所述構(gòu)造運(yùn)動(dòng)目標(biāo)和非運(yùn)動(dòng)目標(biāo)的概率密度函數(shù)步驟包括 基于非運(yùn)動(dòng)目標(biāo)包含陰影和背景的特征，構(gòu)建非運(yùn)動(dòng)目標(biāo)模型；
基于前景包含運(yùn)動(dòng)目標(biāo)的特征，構(gòu)建運(yùn)動(dòng)目標(biāo)的模型。 進(jìn)一步，在一個(gè)概率框架中，同時(shí)處理了背景建模，運(yùn)動(dòng)目標(biāo)檢測(cè)和 陰影去除。
進(jìn)一步，擴(kuò)展的混合高斯模型融入了空間信息，且模型中的高斯成分 個(gè)數(shù)可以動(dòng)態(tài)的確定。本發(fā)明的有益效果是，通過(guò)將高斯混合模型融合空間信息可以克服因
背景運(yùn)動(dòng)造成的前景誤檢測(cè)；通過(guò)在一個(gè)概率框架中融合背景建模、前景 檢測(cè)和陰影去除可以克服陰影所造成的不利影響，從而提高運(yùn)動(dòng)目標(biāo)的檢 測(cè)效果。效果提高以后的運(yùn)動(dòng)目標(biāo)信息可以更好的應(yīng)用于視覺(jué)監(jiān)控中后續(xù) 的分類(lèi)、跟蹤環(huán)節(jié)，和圖像壓縮等領(lǐng)域。


圖1示出視覺(jué)分析系統(tǒng)的一般處理過(guò)程； 圖2 (a)是原始圖像；
圖2 (b)是傳統(tǒng)的混合高斯模型方法的檢測(cè)結(jié)果；
圖2 (c)是本發(fā)明的檢測(cè)結(jié)果；
圖3是傳統(tǒng)方法的目標(biāo)檢測(cè)流程圖4是本發(fā)明的系統(tǒng)流程圖；圖5 (a)是傳統(tǒng)的混合高斯模型學(xué)習(xí)的結(jié)果，高斯個(gè)數(shù)為4; 圖5 (b)是傳統(tǒng)的混合高斯模型學(xué)習(xí)結(jié)果，高斯個(gè)數(shù)為5; 圖5 (C)是本發(fā)明的學(xué)習(xí)結(jié)果。
圖6 (a)是原始圖像；
圖6 (b)是本發(fā)明的運(yùn)動(dòng)目標(biāo)檢測(cè)結(jié)果；
圖7 (a)是在室外環(huán)境中，不同柵格的灰度直方圖7 (b)是在室內(nèi)環(huán)境中，不同柵格的灰度直方圖。
具體實(shí)施例方式
下面結(jié)合附圖詳細(xì)說(shuō)明本發(fā)明技術(shù)方案中所涉及的各個(gè)細(xì)節(jié)問(wèn)題。應(yīng)
指出的是，所描述的實(shí)施例僅s在便于對(duì)本發(fā)明的理解，而對(duì)其不起任何 限定作用。
運(yùn)動(dòng)目標(biāo)檢測(cè)對(duì)于監(jiān)控中后續(xù)環(huán)節(jié)，如跟蹤和識(shí)別，具有很重要的作 用?；跀U(kuò)展的混合高斯模型，本發(fā)明實(shí)現(xiàn)了運(yùn)動(dòng)目標(biāo)檢測(cè)方法，它能有
效處理動(dòng)態(tài)場(chǎng)景和陰影的影響。如圖4示出本方法的系統(tǒng)流程圖，所述步
驟基于擴(kuò)展的混合高斯模型，構(gòu)造背景、前景和陰影的概率密度函數(shù)(模 型)；然后通過(guò)構(gòu)造運(yùn)動(dòng)目標(biāo)和非運(yùn)動(dòng)目標(biāo)的概率密度函數(shù)(模型)，將一 個(gè)三類(lèi)的分類(lèi)問(wèn)題轉(zhuǎn)變?yōu)橐粋€(gè)兩類(lèi)的分類(lèi)問(wèn)題；接著用MAP-MRF
(Maximum a Posteriori- Markov Random Field)方法進(jìn)行運(yùn)動(dòng)目標(biāo)分害U; 最后利用運(yùn)動(dòng)目標(biāo)跟蹤的信息進(jìn)一步精確前景的概率密度函數(shù)(模型)。
本發(fā)明的方法需要的硬件最低配置為P4 3.0GCPU， 512M內(nèi)存的 計(jì)算機(jī)；最低分辨率為320x240的監(jiān)控?cái)z像頭；幀率為25幀每秒的視頻 采集卡。在此配置水平的硬件上，采用0++語(yǔ)言編程實(shí)現(xiàn)本方法，可以達(dá) 到實(shí)時(shí)檢測(cè)的效果。
本發(fā)明的具體實(shí)施形式如下所述
1.基于擴(kuò)展的混合高斯模型，構(gòu)造背景模型
構(gòu)造背景模型是基于如下假設(shè)對(duì)于某一柵格，在大部分時(shí)間內(nèi)為背 景所覆蓋。在這一節(jié)，我們將推導(dǎo)出擴(kuò)展的混合高斯模型，它與傳統(tǒng)的混 合高斯模型有以下區(qū)別擴(kuò)展的混合高斯模型融合了空間信息；模型中的
6高斯成分的數(shù)量可以在應(yīng)用過(guò)程中動(dòng)態(tài)的確定。推導(dǎo)過(guò)程如下
為了融合空間信息，我們首先用核密度估計(jì)的方法構(gòu)造概率密度函數(shù) 如下
<formula>formula see original document page 7</formula>(1)
其中，y、h…y'，為M寸刻以前的圖像樣本。他們?yōu)槲寰S向量，前兩維為 樣本坐標(biāo)，后三維為樣本的RGB值。^為五維的核函數(shù)，w為正定對(duì)稱(chēng)
陣。我們假設(shè)樣本的坐標(biāo)和RGB值之間相互獨(dú)立，貝ij:
<formula>formula see original document page 7</formula>
其中，s'和e'為樣本y'的坐標(biāo)分量和RGB分: 寫(xiě)為
<formula>formula see original document page 7</formula>(2)
很顯然公式(2)可以改
<formula>formula see original document page 7</formula>(3)
其中CiV為rgb的值域，^'為rgb分量等于e'的樣本個(gè)數(shù)。然后我們對(duì) 樣本的坐標(biāo)分量釆用類(lèi)似于binned kernel density estimator(文獻(xiàn)[l]， P. Hall and M. P. Wand. On the accuracy of binned kernel density estimators. / Mw&'var/afev4"a^^, 1995.)的方法進(jìn)行簡(jiǎn)化，可以得到
肌
/(xl^"-'2^(c-c,)(JXi^(s-g,》= Ws ^
/=iyZ^。=i A 。, 乂 (4)
其中，g'為第v個(gè)柵格的中心坐標(biāo)，，為一幀中的柵格個(gè)數(shù)，^為柵格的
寬度，^(Sa^)表示樣本S。對(duì)第7個(gè)柵格的貢獻(xiàn)。重新排列方程(4)，我
們可以得到
柳CW TV
/(x 16) Z」4 (s - g》d 4 (c - c,))
(5)
其中，w,u',i^:e。xs。，。。接著我們?nèi)?br> '1, if |s。—g丄"/2， 0， otherwise
其中l(wèi)卜L是無(wú)窮大級(jí)數(shù)。顯然我們可以得到^為落入第y個(gè)柵格的樣本個(gè) 數(shù)，而且其中有 個(gè)樣本的RGB值等于e'。我們可以重寫(xiě)方程(5)為肌 1 w乂
/(x 16) S (s — )(i ￡尺股(c — c))
^… (7)
其中、為在第7個(gè)柵格的樣本的RGB分量，^是個(gè)常量，其值等于"。 1 ^
顯然，表達(dá)式W'" 是落在第7個(gè)柵格的樣本的RGB分量的邊緣
分布。此時(shí)，我們假設(shè)第7個(gè)柵格的樣本的RGB分量為混合高斯分布，
柳 A
/(x 16) a 2c人(s-g》(藝 G - ))
/=' '=' (8)
其中，^^為描述第y個(gè)柵格的混合高斯分布的高斯成分個(gè)數(shù)，^()為高斯 函數(shù)，其方差為"， 為混合高斯中第^個(gè)高斯的權(quán)值。通過(guò)公式(8)， 我們可以看出空間信息通過(guò)兩種方式進(jìn)行融合1)混合高斯是基于柵格， 而不是基于像素的；2) ^^s — g》將某個(gè)樣本和它相鄰的柵格構(gòu)建起了聯(lián) 系。圖7 (a)和附圖7 (b)顯示了不同環(huán)境和不同位置的柵格的灰度直 方圖。圖7 (a)為室外場(chǎng)景，其中直方圖a、 b和c反映的分別為原始圖 像中柵格A、 B和C中的象素點(diǎn)的灰度值在時(shí)間上分布曲線(xiàn)。圖7 (b) 為室內(nèi)場(chǎng)景，其中直方圖d、 e和f反映的分別為原始圖像中柵格D、 E 和F中的象素點(diǎn)的灰度值在時(shí)間上分布曲線(xiàn)。直方圖的橫軸為象素點(diǎn)的灰 度值，縱軸為象素點(diǎn)的個(gè)數(shù)。從圖7 (a)和圖7 (b)，可以看出他們的分 布可以用混合高斯來(lái)描述。
從圖7 (a)和圖7 (b)我們還能看出，即使是在同一個(gè)場(chǎng)景下，隨 著柵格的位置不同，所需要用來(lái)描述分布的高斯的數(shù)目也不相同。在下面 我們將用高斯合并和去除的規(guī)則動(dòng)態(tài)確定混合高斯分布中的高斯的數(shù)目。
當(dāng)混合高斯模型中的某個(gè)高斯被更新時(shí)，我們將會(huì)檢查在同一模型中 是否有其他高斯需要和它合并。
考慮到在背景建模中，高斯沿各個(gè)分量的方差相等，此時(shí)我們構(gòu)造兩 個(gè)一維高斯替換原來(lái)的三維高斯(R， G， B三維)。新構(gòu)建的高斯的方差、
8權(quán)值和中心距與原高斯相同。當(dāng)兩個(gè)新構(gòu)建高斯(weighted Gaussian)滿(mǎn)足以下條件時(shí)，我們將合并原來(lái)的兩個(gè)高斯(weighted Gaussian):
1. 當(dāng)兩個(gè)高斯(weighted Gaussian)沒(méi)有交點(diǎn)時(shí)。這表示其中一個(gè)高其j (weighted Gaussian)完全為另一個(gè)高其/f (weighted Gaussian)所覆蓋，
此時(shí)需要合并。
2. 當(dāng)兩個(gè)高斯(weighted Gaussian)有交點(diǎn)時(shí)。此時(shí)若交點(diǎn)與任意一個(gè)高斯中心的距離小于一個(gè)指定的域值，則需要合并。
當(dāng)兩個(gè)高斯(weighted Gaussian)滿(mǎn)足合并條件時(shí)，我們將按下述公
式進(jìn)行合并
a = '———=^—^--(叫a+叫//，)
"腦' + W/尸+ m/p w,+w, '"'
s:(D"')r+S二W)') " f" 、r- w2S2 〃2K
、T ，, 廠(chǎng)、廠(chǎng)W6W7 , /
"2 = ! ，22 , ,Cmf"-/i2)
new
其中新合并的高斯用G, =(&w，S'， ="^，《_)來(lái)表示，原來(lái)的高斯分別為G, 巧,2/,^)和G2 =(/^2，5:2 =cr22J>2)。考慮到合并后的高斯沿各
個(gè)方向的方差也要相等，此時(shí)我們用
"2 = w,cr, , ，2 , ，2Cm) Cm)
附w
來(lái)近似代替合并后的高斯的方差。
高斯參數(shù)的更新與(文獻(xiàn)[2], C. Stauffer and W. Grimson. Learningpattern of acitivity using real-time tracking. IEEE Trans. Parttem Analysis andMachine Intelligence, 22: 747-757, 2000.) —致。當(dāng)某個(gè)高斯的權(quán)值小于一個(gè)閥值時(shí)，我們將該高斯從該模型中刪除。圖5 (a)-圖5 (c)顯示了應(yīng)用高斯合并和刪除策略后的學(xué)習(xí)方法與傳統(tǒng)的混合高斯模型方法的比較。圖5 (a)為傳統(tǒng)的混合高斯的學(xué)習(xí)結(jié)果，此時(shí)高斯的個(gè)數(shù)手工選為4。圖5 (b)為傳統(tǒng)的混合高斯的學(xué)習(xí)結(jié)果，此時(shí)高斯的個(gè)數(shù)手工選為5。圖5 (c)為本發(fā)明的學(xué)習(xí)結(jié)果。從圖5 (a) - (c)，可以看出我們的方法更穩(wěn)定效果也更好。從前面的推導(dǎo)，我們可以看出背景的模型如下式
9柳 1
/(x I 6) ￡ c^他(s — g/)(i Z ^ (c — S ))
2. 基于擴(kuò)展的混合高斯模型，構(gòu)造前景模型
在通常情況下，運(yùn)動(dòng)目標(biāo)在檢測(cè)以后不會(huì)立即消失。本發(fā)明利用該特點(diǎn)來(lái)構(gòu)建前景模型，從而使運(yùn)動(dòng)目標(biāo)的檢測(cè)率提高。前景模型的構(gòu)建是基于如下假設(shè)如果某一時(shí)刻， 一個(gè)柵格檢測(cè)到前景樣本，則下一時(shí)刻，沿速度方向上的另一個(gè)柵格檢測(cè)到顏色相似的前景樣本的概率增加。考慮到在未檢測(cè)到任何前景樣本時(shí)，柵格檢測(cè)到任何顏色的前景的概率相等，我們構(gòu)建前景模型如下
柳 .
/(x i /) = Z c,i:抬(s—g》[w, + (i—,] ^ = 2 化(c - a,)
■/=1 ;,=1 j'
其中，,為混合分布的權(quán)值，y為均勻分布的隨機(jī)變量，。=^。表達(dá)式，
+ 、)^ ，用來(lái)描述落在第y'個(gè)柵格的前景樣本的顏色分布。
為了利用跟蹤信息，前景模型的更新如下如果某一柵格檢測(cè)到前景，
則這些前景樣本用來(lái)更新描述另一個(gè)柵格前景顏色值的邊緣分布，該柵格位于當(dāng)前檢測(cè)的前景樣本在下一時(shí)刻預(yù)測(cè)出現(xiàn)的位置上。
3. 基于擴(kuò)展的混合高斯模型，構(gòu)造陰影模型
如果只利用背景模型和前景模型，則檢測(cè)出的前景不僅包含運(yùn)動(dòng)目標(biāo)，還包括陰影。陰影會(huì)造成，諸如多個(gè)運(yùn)動(dòng)目標(biāo)合并、目標(biāo)的輪廓發(fā)生改變等后果。這些都會(huì)對(duì)后續(xù)的跟蹤識(shí)別環(huán)節(jié)造成影響。為了去除陰影，同時(shí)能夠?qū)㈥幱叭コ谌胍粋€(gè)整體框架，我們構(gòu)建陰影模型。陰影模型的構(gòu)建基于如下假設(shè)對(duì)于同一個(gè)柵格，不同的運(yùn)動(dòng)目標(biāo)所造成陰影的特征是相似的。陰影模型如下
柳
/(x I刑=藝 (s - & )(S ,、 (c - ))
氣
其形式與背景模型類(lèi)似。表達(dá)式，臺(tái)" "，用于描述第y個(gè)柵
格的陰影RGB值的分布。其更新過(guò)程類(lèi)似于背景，但是用于更新的樣本
10必須滿(mǎn)足下式:
八(""力—《"力)《rs
其中，八"力，八"力和A",力分別為，在當(dāng)前幀中，位于坐標(biāo)"力的象 素點(diǎn)的V， S和H顏色分量?！?,力，《"力和《"力分別為，在背景 參考圖象中，位于坐標(biāo)"，力的象素點(diǎn)的V， S和H顏色分量。該公式的意 義為陰影會(huì)使背景的灰度值降低，但不會(huì)改變背景的S和H分量太多。 由上可知，我們需要構(gòu)建一個(gè)背景參考圖象。參考圖象由下式構(gòu)建
為"1時(shí)刻象素點(diǎn)(U)的背景顏色值，A"，力為^時(shí)刻的背景顏色
值，A"，力為,時(shí)刻圖像的顏色值，且A-o.oooi， A-o丄
4.構(gòu)造運(yùn)動(dòng)目標(biāo)和非運(yùn)動(dòng)目標(biāo)模型，并進(jìn)行運(yùn)動(dòng)目標(biāo)分割 在實(shí)際的應(yīng)用中，我們所關(guān)心的是哪一部分是運(yùn)動(dòng)目標(biāo)，而對(duì)哪些是 背景哪些是陰影并不關(guān)心。在這一節(jié)，我們將構(gòu)建運(yùn)動(dòng)目標(biāo)和非運(yùn)動(dòng)目標(biāo) 的模型。很明顯，非運(yùn)動(dòng)目標(biāo)包括背景和陰影，前景包含運(yùn)動(dòng)目標(biāo)。他們 的模型如下
其中，/"l"力為運(yùn)動(dòng)目標(biāo)的模型，/"l"^為非運(yùn)動(dòng)目標(biāo)的模型。
在構(gòu)建運(yùn)動(dòng)目標(biāo)模型和非運(yùn)動(dòng)目標(biāo)模型后，我們利用如(文獻(xiàn)[3] ，Y.
Sheikh and M. Shah. Bayesian modeling of dynamic scenes for object detection. IEEE Trans. Parttern Analysis and Machine Intelligence, pages 1778—1792， 2005.)所述的MAP-MRF (Maximum a Posteriori- Markov
RandomField)方法來(lái)進(jìn)行運(yùn)動(dòng)目標(biāo)分割。分割效果如圖6 (b)所示，圖 中白色區(qū)域?yàn)樽罱K的運(yùn)動(dòng)目標(biāo)區(qū)域。
從實(shí)驗(yàn)結(jié)果我們可以看出在融合了空間信息和陰影模型以后，我們能
/。(x,力 i" = 0;
(1 _ M (x,力)+々,/,"力，else if/(x 16) < /(x | /); (1 一 , (x,力)+ / 2/,(>,力， otherwise;
/(x|w) = /(x|/) /(x I膽)=max(/(x I刑,/(x 16))夠很好的處理動(dòng)態(tài)背景和陰影。
以上所述，僅為本發(fā)明中的具體實(shí)施方式
，但本發(fā)明的保護(hù)范圍并不 局限于此，任何熟悉該技術(shù)的人在本發(fā)明所揭露的技術(shù)范圍內(nèi)，可理解想 到的變換或替換，都應(yīng)涵蓋在本發(fā)明的包含范圍之內(nèi)，因此，本發(fā)明的保 護(hù)范圍應(yīng)該以權(quán)利要求書(shū)的保護(hù)范圍為準(zhǔn)。
權(quán)利要求
1. 一種基于擴(kuò)展混合高斯模型的運(yùn)動(dòng)目標(biāo)檢測(cè)方法，其特征在于，包含如下步驟通過(guò)一級(jí)模型構(gòu)建模塊，基于擴(kuò)展混合高斯模型，構(gòu)造陰影、背景和前景的概率密度函數(shù)；通過(guò)二級(jí)模型構(gòu)建模塊，基于上述三類(lèi)的模型，構(gòu)造運(yùn)動(dòng)目標(biāo)和非運(yùn)動(dòng)目標(biāo)的概率密度函數(shù)；通過(guò)分類(lèi)模塊，應(yīng)用MAP-MRF(Maximum a Posteriori-MarkovRandom Field)方法進(jìn)行分類(lèi)；應(yīng)用跟蹤的反饋信息，進(jìn)一步精確前景模型。
2. 如權(quán)利要求l所述的方法，其特征在于，所述構(gòu)造陰影背景、和前景的概率密度函數(shù)步驟包括基于擴(kuò)展的混合高斯模型，假設(shè)對(duì)于某一柵格，其在大部分時(shí)間內(nèi)為 背景所覆蓋，構(gòu)建背景模型；基于擴(kuò)展的混合高斯模型，假設(shè)如果某一時(shí)刻， 一個(gè)柵格檢測(cè)到前景 樣本，則下一時(shí)刻，沿速度方向上的另一個(gè)柵格檢測(cè)到顏色相似的前景樣 本的概率增加，構(gòu)建前景模型；基于擴(kuò)展的混合高斯模型，假設(shè)對(duì)于同一個(gè)柵格，不同的運(yùn)動(dòng)目標(biāo)所 造成的陰影特征是相似的，構(gòu)建陰影模型。
3. 如權(quán)利要求l所述的運(yùn)動(dòng)目標(biāo)檢測(cè)方法，其特征在于，所述構(gòu)造運(yùn) 動(dòng)目標(biāo)和非運(yùn)動(dòng)目標(biāo)的概率密度函數(shù)步驟包括基于非運(yùn)動(dòng)目標(biāo)包含陰影和背景的特征，構(gòu)建非運(yùn)動(dòng)目標(biāo)模型； 基于前景包含運(yùn)動(dòng)目標(biāo)的特征，構(gòu)建運(yùn)動(dòng)目標(biāo)的模型。
4. 如權(quán)利要求1或2所述的運(yùn)動(dòng)目標(biāo)檢測(cè)方法，其特征在于，在一個(gè) 概率框架中，同時(shí)處理了背景建模，運(yùn)動(dòng)目標(biāo)檢測(cè)和陰影去除。
5. 如權(quán)利要求l所述的運(yùn)動(dòng)目標(biāo)檢測(cè)方法，其特征在于，擴(kuò)展的混合 高斯模型融入了空間信息，且模型中的高斯成分個(gè)數(shù)動(dòng)態(tài)的確定。
全文摘要
本發(fā)明是一種基于擴(kuò)展混合高斯模型的運(yùn)動(dòng)目標(biāo)檢測(cè)方法。所述方法包含如下步驟通過(guò)一級(jí)模型構(gòu)建模塊，基于擴(kuò)展混合高斯模型，構(gòu)造陰影背景、和前景的概率密度函數(shù)；通過(guò)二級(jí)模型構(gòu)建模塊，基于上述三類(lèi)的模型，構(gòu)造運(yùn)動(dòng)目標(biāo)和非運(yùn)動(dòng)目標(biāo)的概率密度函數(shù)；通過(guò)分類(lèi)模塊，應(yīng)用MAP-MRF(Maximum a Posteriori-Markov Random Field)方法進(jìn)行分類(lèi)；應(yīng)用跟蹤的反饋信息，進(jìn)一步精確前景模型。本發(fā)明通過(guò)將高斯混合模型融合空間信息可以克服因背景運(yùn)動(dòng)造成的前景誤檢測(cè)；通過(guò)在一個(gè)概率框架中融合背景建模、前景檢測(cè)和陰影去除可以克服陰影所造成的不利影響，從而提高運(yùn)動(dòng)目標(biāo)的檢測(cè)效果。
文檔編號(hào)G06K9/62GK101470809SQ20071030422
公開(kāi)日2009年7月1日 申請(qǐng)日期2007年12月26日 優(yōu)先權(quán)日2007年12月26日
發(fā)明者舟 劉, 譚鐵牛, 黃凱奇 申請(qǐng)人:中國(guó)科學(xué)院自動(dòng)化研究所