專利名稱：基于rgb分量分布的視頻圖像背景檢測(cè)方法
技術(shù)領(lǐng)域：
本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，尤其涉及一種基于RGB分量分布的視頻圖像背景檢測(cè)方法。
背景技術(shù)：
隨著視頻監(jiān)控?cái)z像頭在智能監(jiān)控領(lǐng)域的廣泛應(yīng)用與智能視頻分析技術(shù)的快速發(fā)展，視頻摘要技術(shù)逐漸進(jìn)入人們的眼簾。視頻摘要技術(shù)，是一種將長(zhǎng)時(shí)間的海量視頻數(shù)據(jù)壓縮到一個(gè)可控的時(shí)間段內(nèi)的技術(shù)，便于提供給人們進(jìn)行視頻瀏覽。在視頻摘要技術(shù)中，需要利用高效的背景檢測(cè)方法，以對(duì)視頻圖像的背景加以檢測(cè)，進(jìn)而捕捉視頻中的前景運(yùn)動(dòng)物體作為視頻摘要跟蹤的對(duì)象，因此背景檢測(cè)技術(shù)成為了視頻摘要技術(shù)中的一個(gè)研究熱點(diǎn)。 同時(shí)，在其它視頻圖像處理技術(shù)領(lǐng)域，例如人臉識(shí)別技術(shù)領(lǐng)域、視頻壓縮處理技術(shù)領(lǐng)域等， 也需要借助背景檢測(cè)技術(shù)完成背景、前景的區(qū)分?？梢?jiàn)，背景檢測(cè)技術(shù)在多種應(yīng)用的視頻圖像處理技術(shù)中都具有重要的地位，是目前圖像處理技術(shù)領(lǐng)域中的一個(gè)主流研究方向。目前使用比較廣泛的背景檢測(cè)方法主要有背景差分法、核密度估計(jì)檢測(cè)法、混合高斯背景建模檢測(cè)法和codebook背景建模檢測(cè)法。Heikkila 等人在文獻(xiàn)“Heikkila，J. and 0. Silven. A real-time system for monitoring of cyclists and pedestrians. In :Second IEEE Workshop on Visual Surveillance. Collins, Colorado :IEEE, 1999. 74-81” 和文獻(xiàn)"Piccardi，M. Background subtraction techniques -.a review. In :IEEE International Conference on Systems, Man and Cybernetics 2004. The Hague，Netherlands :IEEE 2004. 3099_3104vol· 4” 中提出了背景差分法，該算法使用了背景相減的方法，即通過(guò)將待處理視頻圖像序列減去事先給定的一副背景圖像，再應(yīng)用二值化的方法來(lái)區(qū)分出運(yùn)動(dòng)前景。該算法的優(yōu)點(diǎn)是容易實(shí)現(xiàn)， 算法復(fù)雜度低，幾乎不會(huì)耗費(fèi)多少計(jì)算資源就可以快速的獲取運(yùn)動(dòng)前景，進(jìn)而應(yīng)用到實(shí)時(shí)視頻摘要生成系統(tǒng)中去。但是，該算法需要事先給定一副完整的背景圖像，且完整的背景圖像不易獲取，依賴外部輸入，并不能夠隨著時(shí)間推移進(jìn)行更新，導(dǎo)致視頻處理后期的工作出現(xiàn)較大的誤差。Elgammal 等人在文獻(xiàn)"Piccardi，Μ. Background subtraction techniques :a review. In :IEEE International Conference on Systems, Man and Cybernetics 2004. The Hague，Netherlands :IEEE 2004. 3099_3104vol. 4，，禾口文獻(xiàn)“Elgammal，A.，D. Harwood， and L. Davis, Non-parametric model for background subtraction. Computer Vision ECCV 2000,2000 :p. 751-767”中提出了非參數(shù)背景建模方法，估計(jì)背景像素值在時(shí)間序列上的概率密度，通過(guò)一個(gè)長(zhǎng)度設(shè)定的窗口以及窗函數(shù)估計(jì)像素值屬于前景或者背景的概率，從而判斷圖像中各個(gè)像素是否為背景像素。該算法的優(yōu)點(diǎn)是方便適應(yīng)新的訓(xùn)練樣本加入，為密度估計(jì)的在線學(xué)習(xí)提供便利。但是，該算法計(jì)算復(fù)雜度太大，不適合應(yīng)用于實(shí)時(shí)運(yùn)動(dòng)檢測(cè)系統(tǒng)中，并且在動(dòng)態(tài)背景和光線突變條件下的魯棒性不高。Wren ^ Λ ^； K "Wren, C. R. ， et al. Pfinder :Real-time tracking ofthehuman body.IEEE Transactions on Pattern Analysis and Machine Intelligence， 1997. 19(7) :p. 780-785. ”中使用單高斯模型對(duì)背景進(jìn)行建模，克服了需要外部輸入背景的限制，在室內(nèi)等單峰環(huán)境下具有較好的檢測(cè)效果，但是在復(fù)雜的多峰環(huán)境中，如波動(dòng)的湖面和擺動(dòng)的樹(shù)葉，就很難使用該模型對(duì)背景環(huán)境進(jìn)行準(zhǔn)確的建模了。為了解決這些問(wèn)題， Stauffer等人提出了混合高斯背景建模檢測(cè)法(簡(jiǎn)稱為MOG方法)，該檢測(cè)方法考慮了像素點(diǎn)在時(shí)間上的連續(xù)性，將背景像素在時(shí)間序列上的分布假設(shè)為混合高斯模型，并假設(shè)了 RGB空間的三個(gè)分量之間是相互獨(dú)立的，給出了背景像素的分布特征，即背景像素在RGB空間中呈現(xiàn)球狀分布。但是，RGB空間中的三個(gè)分量并不是相互獨(dú)立的，因此MOG方法對(duì)背景像素的分布特征的描述不是很準(zhǔn)確，導(dǎo)致運(yùn)動(dòng)前景檢測(cè)誤差的增大。Kim 等在文獻(xiàn)“Kim, K. , et al. , Real-time foreground-background segmentation using codebook model. Real-time imaging, 2005. 11 (3) :p. 172-185”禾口文獻(xiàn)"Chalidabhongse, Τ. H. , et al. A perturbation method for evaluating background subtraction algorithms. In Joint IEEE International Workshop on Visual Surveillance and Performance Evaluation of Tracking and Surveillance. 2003. Nice, France =Citeseer"中提出了一種結(jié)構(gòu)化的codebook背景建模檢測(cè)法，在多峰環(huán)境下得到了較好的圖像背景檢測(cè)效果。mi等在文獻(xiàn)“mi，M. and X. Peng, Spatio-temporal context for codebook—based dynamic background subtraction. AEU-International Journal of Electronics and Communications, 2010. 64 (8) :p. 739—747” 以及 Qiu 等在文獻(xiàn)"Tu, Q. , Y. Xu, and Μ. Zhou. Box-based codebook model for real-time objects detection. In :7th World Congress on Intelligent Control and Automation. Chongqing, China =IEEE, 2008. 7621-7625” 中分別對(duì) Kim 等提出的 codebook 背景建模檢測(cè)法進(jìn)行了部分改進(jìn)，在一定程度上進(jìn)一步提高了背景檢測(cè)的準(zhǔn)確度。codebook背景建模檢測(cè)法，是基于視頻圖像像素點(diǎn)的亮度變化，通過(guò)界定背景模型的亮度上、下邊界實(shí)現(xiàn)背景、 前景的區(qū)分，降低了全局和局部光照變化對(duì)背景區(qū)分的影響，背景檢測(cè)效果相對(duì)于MOG方法而言更好，而且其運(yùn)算可以在不影響前景檢測(cè)效果的基礎(chǔ)上對(duì)背景模型進(jìn)行壓縮，大大減少了對(duì)內(nèi)存的需求和計(jì)算量，處理效果和運(yùn)算效率較優(yōu)于前述的三種背景檢測(cè)方法。但是，也正是由于codebook背景建模檢測(cè)法是基于對(duì)視頻圖像像素點(diǎn)的亮度統(tǒng)計(jì)觀察而提出的，而沒(méi)有考慮視頻圖像像素點(diǎn)的RGB分量分布情況，因此在很多情況下對(duì)圖像背景、前景的區(qū)分不夠準(zhǔn)確，導(dǎo)致背景檢測(cè)和前景捕捉存在較多的噪點(diǎn)。

發(fā)明內(nèi)容
針對(duì)現(xiàn)有技術(shù)中存在的上述問(wèn)題，對(duì)視頻圖像像素點(diǎn)的RGB分量分布特征加以考慮和分析，利用像素點(diǎn)RGB均值矩陣作為其RGB分量分布中心進(jìn)行坐標(biāo)轉(zhuǎn)換對(duì)視頻圖像像素點(diǎn)的RGB分量分布特征進(jìn)行度量，提出一種背景檢測(cè)準(zhǔn)確性更高的基于RGB分量分布的視頻圖像背景檢測(cè)方法。為實(shí)現(xiàn)上述目的，本發(fā)明采用了如下技術(shù)手段基于RGB分量分布的視頻圖像背景檢測(cè)方法，包括如下步驟a)從視頻中提取F幀背景圖像作為訓(xùn)練樣本集，80彡F彡L，L表示視頻的總幀數(shù)；
b)分別求取訓(xùn)練樣本集中圖像各像素點(diǎn)的RGB均值矩陣
權(quán)利要求
1.基于RGB分量分布的視頻圖像背景檢測(cè)方法，其特征在于，包括如下步驟a)從視頻中提取F幀背景圖像作為訓(xùn)練樣本集，80^ F^L, L表示視頻的總幀數(shù)；b)分別求取訓(xùn)練樣本集中圖像各像素點(diǎn)的RGB均值矩陣
全文摘要
本發(fā)明提供了一種基于RGB分量分布的視頻圖像背景檢測(cè)方法，該方法通過(guò)對(duì)視頻圖像像素點(diǎn)的RGB分量分布特征加以考慮和分析，根據(jù)研究、分析發(fā)現(xiàn)的視頻圖像中像素點(diǎn)的RGB分量分布特性，利用像素點(diǎn)RGB均值矩陣作為其RGB分量分布中心進(jìn)行坐標(biāo)轉(zhuǎn)換對(duì)視頻圖像像素點(diǎn)的RGB分量分布特征進(jìn)行度量，獲取視頻圖像中背景像素點(diǎn)真實(shí)的橄欖球形RGB分量分布輪廓，并結(jié)合閾值法進(jìn)行背景檢測(cè)，提高了背景檢測(cè)準(zhǔn)確性，并同時(shí)保證了該方法具備良好的實(shí)時(shí)性和魯棒性；即便其背景檢測(cè)結(jié)果中存在少量噪點(diǎn)，也都主要分布在前景像素點(diǎn)的附近，完全能夠滿足實(shí)際應(yīng)用中視頻圖像背景識(shí)別和前景捕獲的實(shí)用準(zhǔn)確性要求。
文檔編號(hào)G06K9/62GK102510437SQ20111032781
公開(kāi)日2012年6月20日 申請(qǐng)日期2011年10月25日 優(yōu)先權(quán)日2011年10月25日
發(fā)明者張小洪, 徐玲, 楊丹, 楊夢(mèng)寧, 洪明堅(jiān), 胡海波, 葛永新, 陳遠(yuǎn), 霍東海 申請(qǐng)人:重慶大學(xué)