專利名稱：應用于影像監(jiān)控的可適應光線變化的背景模型學習系統的制作方法
技術領域：
本發(fā)明是有關于一種用以辨識前景(foreground)異常的智能錄影監(jiān)控系統，且特別是有關于對遭遇劇烈光線變化的監(jiān)控場景，進行背景模型(background model)學習。
背景技術：
對于應用背景相減法(lDackgroimd subtraction)辨識前景異常的智能監(jiān)控系統而言，所采用的背景模型運算方式常影響其效能。一般長時間監(jiān)控系統，通常需要定時更新背景模型，以避免背景變化(如從黎明到夜晚間的光線改變)影響其前景檢測效能。因此， 智能監(jiān)控系統多半通過周期性的背景模型更新，以對背景變化進行學習。一般業(yè)界人士，稱上述更新方式為「背景模型學習(background model learning)」。在過去，有許多關于背景模型學習的研究，如C. Stauffer and W. Grimson, "Adaptive background mixture models for real-time tracking,"in Proc. IEEE Conf. CVPR, vol.2, pp. 246-252，1999。在大多數背景模型學習系統中，每個像素位置的背景模型更新頻率，亦稱為模型學習速率(model learning rate)，對于背景模型學習系統穩(wěn)定度造成很大的影響。(此處，模型學習速率的定義，是依循C. Mauffer and W. Grimson, "Adaptive background mixture models for real-time tracking,"in Proc.IEEE Conf. CVPR, vol. 2，pp. 246-252,1999所提出的定義)通過周期性的更新背景模型，各種背景景物變化(如光線改變等)都將被背景模型所學習。因此，更新背景模型的頻率越頻繁，越多的景色變化可被采納至學習后的模型中。因而，使得采用背景相減法的監(jiān)控系統，對于前景的異常較不敏銳，如慢速移動物容易因為高學習率的模型設定，而被上述系統視為背景。于是，大部分的背景模型學習系統，需要將學習率設定為適當卻不至于太高的學習率，在此設定下，漸進的光線變化因此可被學習至背景模型中，然而，對于某些過快的光線變化(如快速日照變化)，此類系統將無法適當地進行處理，因此，許多區(qū)域容易受到快速光線變化的影響，造成前景的誤判。因此，如何使一般背景模型學習方式，可有效地處理劇烈光線變化，實屬當前重要研發(fā)課題之一，亦成為當前相關領域亟需改進的目標。為了使一般背景學習系統可適應光線變化，本發(fā)明提出一種新的系統，通過使用一光線變化處理單元進行后處理，以修正一般系統在光線變化下產生的前景區(qū)域誤判的結果，并進階調整其背景模型學習率。通過本發(fā)明所提出的后處理模塊，可大幅改善背景模型學習系統，適應劇烈光線變化的能力。圖1分別繪示快速光線變化以及劇烈光線變化的例子。在圖1 (a)至圖1 (c)紀錄遭遇快速光線變化的實驗室的影像序列，在圖上的實驗室中有一臺顯示滾動介面的映像管熒幕；其中圖1(a)至圖1(c)是以20fps (frame per second)的速率拍攝遭遇快速光線變化的影像序列IA。在這一連串影像序列中，過了三秒鐘后，平均感光度才增加了將近百分之二十。此類快速光線變化所造成的影像亮度變化，可通過使用比一般建議值更高的背景模型學習率，而被一般背景模型學習方法(如C. Mauffer and W. Grimson, "Adaptive background mixture models for real-timetracking,，，in Proc. IEEE Conf. CVPR, vol. 2,pp. 246-252，1999)所學習。如圖2(a)所示，其為采用Stauffer and Grimson的方式，對影
像畫面/；4進行前景檢測的模擬結果。圖1(d)至圖1(e)繪示以15fps的速度，拍攝遭遇劇
烈光線變化的影像序列。其中，可觀查到在戶外場景中，約20 %的影像感光度增加發(fā)生于一
秒以內。如圖2(b)所示，其為在劇烈光線變化下，先前的背景模型學習法對影像畫面/f，
進行前景區(qū)域檢測的實施結果。其中，雖然仍采用相同的方法進行前景檢測，但圖2(b)可看到許多被誤判為前景的區(qū)域。圖2(c)是采用本發(fā)明的一實施例。其中，相較于圖2(b)， 圖2(c)的前景檢測結果減少了大部分因劇烈光線變化造成的誤判。

發(fā)明內容
本發(fā)明的一實施例提出一種全新設計的背景模型學習系統，以使得影像監(jiān)控系統適應光線變化。進一步而言，本發(fā)明所提出的系統可采用一般背景模型學習方法，進行基本的背景模型估算以及前景區(qū)域檢測，并通過本發(fā)明提出的一光線變化處理單元進行后處理，以修正前景區(qū)域檢測結果，以減少因漸進、快速或劇烈光線變化，所造成的前景誤判。被光線變化處理單元修正后的前景檢測結果，可作為其他應用的處理依據(如前景物件追蹤與辨識)，并可回饋至進行背景模型估算的基本單元，作為其動態(tài)調整背景模型學習率的依據?？蛇m應光線變化的背景模型學習系統應用于影像監(jiān)控?？蛇m應光線變化的背景模型學習系統，包含一背景模型估算單元、一前景對應表建構單元以及一光線變化處理單元。 背景模型估算單元自至少一輸入，接收一目前時間t的一目前影像畫面It，并自目前影像畫面It中，估算對應一監(jiān)控場景的一背景模型Bt，作為背景模型估算單元于目前時間t的輸出。其中，目前影像畫面It包含數個像素。前景對應表建構單元通過背景模型相減法，比較目前影像畫面It與所估算出的背景模型Bt間的差異，而建構目前時間t的一參考前景對應表Ft。其中，參考前景對應表Ft包含各像素的一識別參數。此識別參數可為二進位數值或實數數值。使用二進位數值的識別參數，系用以標示對應的各像素為前景或背景；使用實數數值的識別參數，則是用以標示對應的各像素為前景的機率。光線變化處理單元通過修改參考前景對應表Ft，而減少因光線變化而誤判為前景的區(qū)塊數量。其中，光線變化處理單元包含一畫面差異產生次單元以及一前景對應表修正次單元。畫面差異產生次單元通過將目前影像畫面It與一第一先前時間t-N的一先前影像畫面It_N相減，產生目前時間t的一畫面差異對應表Dt。前景對應表修正次單元通過整合畫面差異對應表Dt、參考前景對應表Ft以及于一第二先前時間t-Ι所回饋的一先前前景修正表Ft,—，計算一目前前景修正表 Ft'，以使目前前景修正表Ft'上，因光線變化誤判為前景的區(qū)塊數量，較參考前景對應表 Ft少。其中，目前前景修正表Ft'被光線變化處理單元作為目前時間t的輸出，并分別回饋至背景模型估算單元以及光線變化處理單元，以作為進行下一時間t+Ι的背景模型估算以及光線變化處理的依據。由上述本發(fā)明實施方式可知，應用本發(fā)明具有下列優(yōu)點。可基于一般背景模型估算方法，使用后處理模塊適應光線變化，因此不須改變現有系統的架構，即可很簡單地應用于現有背景模型學習系統，以顯著的改善現有系統對于光線變化的處理能力。


為讓本發(fā)明的上述和其他目的、特征、優(yōu)點與實施例能更明顯易懂，所附圖式的說明如下圖1(a)、圖1(b)以及圖1(c)為遭遇快速光線變化的影像序列以及其通過畫面差異計算而產生的影像感光變化。圖1(d)、圖1(e)以及圖1(f)為遭遇過快光線變化的影像序列以及其通過畫面差異計算而產生的影像感光變化。圖2(a)以及圖2(b)分別顯示采用Mauffer and Grimson' s背景模型學習方法并使用同一背景模型學習率時，由于快速以及過快光線變化，所造成的前景區(qū)域誤判的示意圖。圖2c顯示應用本發(fā)明所提出的方法，于遭遇過快光線變化時，而產生改善的前景區(qū)域檢測結果的示意圖(其中圖2c所采用的背景學習系統以及背景模型學習率與圖2(a) 以及圖2(b)相同)。圖3是繪示依照本發(fā)明一實施方式所提出的一種可適應光線變化的背景模型學習系統的功能方塊圖。主要元件符號說明100:背景模型學習系統110:背景估算單元120 前景對應表建構單元130 光線變化處理單元131 畫面差異產生次單元132 前景對應表修正次單元140 前景物件分析單元150:回饋輸入160:回饋輸入170 影像畫面輸入
具體實施例方式以下將以圖式及詳細說明清楚說明本發(fā)明的精神，任何所屬技術領域中具有通常知識者在了解本發(fā)明的較佳實施例后，當可由本發(fā)明所教示的技術，加以改變及修飾，其并不脫離本發(fā)明的精神與范圍。請參照圖3，其繪示依照本發(fā)明一實施方式所提出的一種可適應光線變化的背景模型學習系統的功能方塊圖。所提出的背景模型學習系統100包含一背景估算單元110、 一前景對應表建構單元120、一光線變化處理單元130以及一前景物件分析單元140。背景估算單元110用以根據所接收的畫面序列，估算背景模型。其中，背景估算單元110可自對一監(jiān)控場景拍攝的攝影元件，接收畫面序列。背景估算單元110可通過「C. StaufTer and W. Grimson,"Adaptive background mixture models for real-time tracking,”in Proc. IEEE Conf. CVPR，vol. 2，pp. 246-252，1999」、「D.-S. Lee, "Adaptive mixture learning in a dynamic system, "Patent US 7103，584B2，2006」或其他背景模型學習方法，估算背景模型。由背景估算單元110所估算的背景模型接下來被傳送至前景對應表建構單元 120，以作為計算參考前景對應表的依據。其中，前景對應表建構單元120可使用背景模型相減法(background subtraction)，將前景區(qū)域自背景區(qū)域中分離，以產生參考前景對應表。接下來，光線變化處理單元130修正自前景對應表建構單元120所取得的參考前景對應表，以減少(劇烈)光線變化所造成的前景誤判，并產生目前前景修正表，作為其輸出。目前前景修正表接下來便可被前景物件分析單元140應用，并通過回饋輸入150及160，分別回傳至光線變化處理單元130以及背景估算單元110。其中，前景物件分析單元140可采用相連元素分析(connected component analysis)法或其他前景物件分析演算法，在各種不同的應用中，進行前景物件的分析。輸入至背景估算單元110的數據系影像序列Itl, ...，It,且影像序列Itl, ...，It至
目前時間t為止通過影像畫面輸入170所接收。目前時間t的影像畫面八
權利要求
1.一種可適應光線變化的背景模型學習系統，應用于影像監(jiān)控，其中該可適應光線變化的背景模型學習系統包含一背景模型估算單元，自至少一輸入，接收一目前時間t的一目前影像畫面It，并自該目前影像畫面It中，估算對應一監(jiān)控場景的一背景模型Bt，作為該背景模型估算單元于該目前時間t的輸出，其中該目前影像畫面It包含多個像素；一前景對應表建構單元，通過背景模型相減法，比較該目前影像畫面It與所估算出的該背景模型Bt間的差異，而建構該目前時間t的一參考前景對應表Ft，其中該參考前景對應表Ft包含每一該些像素的一識別參數，每一該些識別參數為二進位數值或實數數值，其中，使用二進位數值的每一該些識別參數，用以標示對應的每一該些像素為前景或背景，而使用實數數值的每一該些識別參數，用以標示對應的每一該些像素為前景的機率；以及一光線變化處理單元，用以減少因光線變化而誤判為前景的區(qū)塊數量，修改該參考前景對應表Ft，其中該光線變化處理單元包含一畫面差異產生次單元，通過將該目前影像畫面It與一第一先前時間t-N的一先前影像畫面It_N相減，產生該目前時間t的一畫面差異對應表Dt ；以及一前景對應表修正次單元，通過整合該畫面差異對應表Dt、該參考前景對應表Ft以及于一第二先前時間t-Ι所回饋的一先前前景修正表Ft,—，計算一目前前景修正表Ft'，以使該目前前景修正表Ft'中，因光線變化誤判為前景的區(qū)塊數量，較該參考前景對應表Ft 少；其中該目前前景修正表Ft'被該光線變化處理單元作為該目前時間t的輸出，并分別回饋至該背景模型估算單元以及該光線變化處理單元，以作為進行下一時間t+Ι的背景模型估算以及光線變化處理的依據。
2.如權利要求1所述的可適應光線變化的背景模型學習系統，其特征在于，該畫面差異產生次單元以二進位數值產生該畫面差異對應表Dt，其計算式為
3.如權利要求1所述的可適應光線變化的背景模型學習系統，其特征在于，該前景對應表修正次單元以二進位數值，計算該目前前景修正表Ft'的計算式為Ft' =Ft AND (Ft, ！ OR Dt)其中通過邏輯運算，整合以二進位數值表示的該畫面差異對應表Dt、該參考前景對應表Ft以及該先前前景修正表Ft, 以計算出該目前前景修正表Ft'；且對應于該些像素的多個二進位前景對應參數Ft,，xe {0(背景)，1(前景)}組成該目前前景修正表F/= ·}Ρ/，x |Vxj，以作為該前景對應表修正次單元于該目前時間t的輸出。
4.如權利要求ι所述的可適應光線變化的背景模型學習系統，其特征在于，該畫面差異產生次單元以實數數值，產生該畫面差異對應表Dt，其計算式為
5.如權利要求4所述的可適應光線變化的背景模型學習系統，其特征在于，該轉換函數f(·)是通過計算像素值差異量的絕對值|it,x-it_N,xl，將|it,x-it_N,xl依線性方式轉換成機率值，或將|lt,x-It-N,xl代入雙彎曲函數(sigmoid function)而實作。
6.如權利要求1所述的可適應光線變化的背景模型學習系統，其特征在于，該前景對應表修正次單元以實數數值，計算該目前前景修正表Ft'的計算式為
7.如權利要求1所述的可適應光線變化的背景模型學習系統，其特征在于，該背景模型估算單元以及該前景對應表建構單元，是通過采用背景模型定期更新，作為其核心運算的背景模型學習方法，進行計算。
8.如權利要求1所述的可適應光線變化的背景模型學習系統，其特征在于，該背景模型估算單元的輸入更包含一影像畫面輸入，用以輸入該目前時間t的該目前影像畫面It ；以及一回饋輸入，用以分別輸入該第二先前時間t-Ι所回饋的一先前參考前景對應表Fw 以及該先前前景修正
9.如權利要求1所述的可適應光線變化的背景模型學習系統，其特征在于，更包含 一攝影元件，拍攝該監(jiān)控場景，以取得并傳送所拍攝的畫面至該背景模型估算單元。
10.如權利要求1所述的可適應光線變化的背景模型學習系統，其特征在于，所輸入的畫面的格式采用灰階、三原色光模式、色差格式或貝爾圖格式。
全文摘要
光線變化時常為智能監(jiān)控系統，尤其是裝設于室外的監(jiān)控系統，帶來相當大的挑戰(zhàn)。在過去，背景模型學習法常廣泛地被應用于建置智能監(jiān)控系統，以處理各種背景變化，包含光線改變等問題。其中，多數背景模型學習相關的研究，都將其焦點著重于和緩光線變化的處理，然而卻無法有效的解決劇烈光線變化所造成的問題。因此，當監(jiān)控系統遭遇劇烈的光線變化時，多數先前技術容易產生許多將光線變化，誤判為前景異常的警告訊息。為了減少此類誤判的狀況，本發(fā)明提出一種新的背景模型學習系統。
文檔編號G06K9/00GK102469302SQ20111007209
公開日2012年5月23日 申請日期2011年3月17日 優(yōu)先權日2010年10月28日
發(fā)明者林泓宏 申請人:威聯通科技股份有限公司