專利名稱：一種基于概率密度估計(jì)的隨機(jī)擺動(dòng)區(qū)域檢測(cè)方法
技術(shù)領(lǐng)域：
本發(fā)明屬于計(jì)算機(jī)視覺(jué)中運(yùn)動(dòng)目標(biāo)檢測(cè)技術(shù)領(lǐng)域，涉及一種基于概率密度估計(jì)的隨機(jī)擺動(dòng)區(qū)域檢測(cè)方法。
背景技術(shù)：
背景減除技術(shù)是一種應(yīng)用廣泛的運(yùn)動(dòng)檢測(cè)技術(shù)，常用于交通監(jiān)測(cè)、安防監(jiān)控、人機(jī)交互等領(lǐng)域。主要的方法有單高斯、碼本、混合高斯、核密度估計(jì)等，然而在實(shí)際應(yīng)用中由于受到各種形式的光照變化、樹(shù)枝水波的隨機(jī)擺動(dòng)、風(fēng)雨雪霧等干擾，因此如何建立動(dòng)態(tài)背景模型，從包含運(yùn)動(dòng)物體的視頻中提取出背景是該技術(shù)應(yīng)用的關(guān)鍵。其中，對(duì)隨機(jī)擺動(dòng)的檢測(cè)和去除是背景建模的關(guān)鍵問(wèn)題之一。目前主要的檢測(cè)和去除隨機(jī)擺動(dòng)的方法有將隨機(jī)擺動(dòng)區(qū)域作為背景模型的一部分進(jìn)行建模，如混合高斯、核密度估計(jì)等常見(jiàn)的背景建模方法，然而該類方法的背景模型無(wú)法及時(shí)適應(yīng)隨機(jī)擺動(dòng)的干擾；對(duì)已知的隨機(jī)擺動(dòng)區(qū)域提取表觀、時(shí)空特征，如形狀、動(dòng)態(tài)紋理等，并對(duì)背景圖像進(jìn)行減除，該類方法能夠去除具備先驗(yàn)特 征的擺動(dòng)干擾，而對(duì)隨機(jī)性很強(qiáng)的干擾無(wú)法去除。

發(fā)明內(nèi)容
本發(fā)明針對(duì)現(xiàn)有技術(shù)的不足，提供一種基于概率密度估計(jì)的隨機(jī)擺動(dòng)區(qū)域檢測(cè)方法。本發(fā)明的主要構(gòu)思首先對(duì)采集的實(shí)時(shí)視頻圖像進(jìn)行背景建模，本文采用無(wú)參數(shù)的核密度估計(jì)方法，然后提取背景像素的概率密度分布曲線的特性，計(jì)算背景像素的評(píng)價(jià)系數(shù)，并采用自適應(yīng)方法判定出隨機(jī)擺動(dòng)區(qū)域。最后對(duì)概率密度分布曲線的變化趨勢(shì)進(jìn)行估計(jì)，更新評(píng)價(jià)系數(shù)的閾值，以適應(yīng)隨機(jī)擺動(dòng)的時(shí)序變化。本發(fā)明解決技術(shù)問(wèn)題所采取的技術(shù)方案為
步驟I.從視頻采集設(shè)備中獲取實(shí)時(shí)視頻圖像。步驟2.收集數(shù)據(jù)樣本，利用無(wú)參數(shù)估計(jì)方法對(duì)視頻圖像中每個(gè)像素進(jìn)行背景建模，初始化背景的概率密度估計(jì)模型。步驟3.對(duì)一幀圖像進(jìn)行分塊，以塊為單位對(duì)背景模型中的像素的概率密度分布曲線進(jìn)行分析，獲取塊內(nèi)各像素點(diǎn)的波峰信息，并計(jì)算塊的評(píng)價(jià)系數(shù)，最后采用自適應(yīng)方法確定閾值，并判定出隨機(jī)擺動(dòng)區(qū)域。步驟4.根據(jù)當(dāng)前幀圖像與前景、背景樣本的概率分布，更新背景模型的概率密度估計(jì)，并隨概率密度分布曲線的實(shí)時(shí)更新，計(jì)算每幀圖像評(píng)價(jià)系數(shù)的均值，將均值作為概率密度曲線的變化趨勢(shì)，并對(duì)閾值進(jìn)行更新，以使得閾值達(dá)到自適應(yīng)的目的。本發(fā)明的有益效果本發(fā)明利用背景的概率密度分布曲線的特性檢測(cè)隨機(jī)擺動(dòng)區(qū)域，取得了較好的效果，提高了背景模型的精度。該方法僅采用背景模型的分布特性，未增加多余的計(jì)算量，確保了方法的實(shí)時(shí)性。


圖I為本發(fā)明方法流程 圖2為隨機(jī)擺動(dòng)區(qū)域檢測(cè)流程 圖3 Ca)為穩(wěn)定背景點(diǎn)的概率密度曲線 圖3 (b)為常出現(xiàn)前景的背景點(diǎn)的概率密度曲線 圖3 (C)為隨機(jī)擺動(dòng)分布曲線。
具體實(shí)施例方式以下結(jié)合附圖對(duì)本發(fā)明作進(jìn)一步說(shuō)明。如圖I所示，本發(fā)明包括以下步驟
步驟I.從視頻采集設(shè)備中獲取實(shí)時(shí)視頻圖像。即圖I的接收單元。步驟2.收集數(shù)據(jù)樣本，利用無(wú)參數(shù)估計(jì)方法對(duì)視頻圖像中每個(gè)像素進(jìn)行背景建模，初始化背景的概率密度估計(jì)模型。即圖I的初始化單元。概率密度估計(jì)方法是一種無(wú)參數(shù)估計(jì)方法，在實(shí)際應(yīng)用中該方法不需獲知數(shù)據(jù)總體分布的形式，可處理任意形式的概率分布。該方法通過(guò)采集數(shù)據(jù)樣本，對(duì)數(shù)據(jù)的每個(gè)類別均獨(dú)立的估計(jì)概率密度，其估計(jì)函數(shù)為
^M
^aiKJx-Xi)
其中，N為樣本數(shù)，A為歸一化的權(quán)重系數(shù),K為核函數(shù),通常用高斯核。通過(guò)該方法估
計(jì)背景的概率密度，背景上像素點(diǎn)的概率密度分布往往以單高斯分布、多高斯分布和復(fù)雜分布幾種曲線方式呈現(xiàn)。將場(chǎng)景分為穩(wěn)定的背景區(qū)域、常出現(xiàn)前景的背景區(qū)域、隨機(jī)擺動(dòng)區(qū)域等，不同區(qū)域所呈現(xiàn)的概率密度分布曲線各不相同，如圖3 (a)、圖3 (b)和圖3 (c)所示，橫坐標(biāo)為亮度值，縱坐標(biāo)為概率值。其中，圖3 (a)穩(wěn)定背景區(qū)域的概率分布曲線為單模的高斯分布，圖3 (b)常出現(xiàn)前景的背景區(qū)域的概率分布曲線和穩(wěn)定的背景區(qū)域相同，區(qū)別是除了一個(gè)類似高斯分布的高峰之外，在其他灰度區(qū)域還存在概率很小的分布，此現(xiàn)象的產(chǎn)生是由于這類區(qū)域常出現(xiàn)前景目標(biāo)，導(dǎo)致其灰度分布較為廣泛，但又由于前景出現(xiàn)的時(shí)間較背景的短，因此盡管有較廣泛的分布，但是除了反映背景分布的單高斯峰值除外，其他灰度值的概率遠(yuǎn)小于單高斯分布的概率。圖3 (c)隨機(jī)擺動(dòng)區(qū)域的概率密度分布曲線為多模分布。步驟3.由于隨機(jī)擺動(dòng)區(qū)域的分布曲線存在多模并且分布分散，多高峰的特點(diǎn)，而背景區(qū)域分布曲線存在單高斯或方差較小的單高斯混合的分布，圖I的區(qū)域檢測(cè)單元根據(jù)此概率密度曲線的復(fù)雜度的特性區(qū)分其是否為隨機(jī)擺動(dòng)區(qū)域。算法流程如圖2所示，以塊為單位(本實(shí)施例選用8X8大小有重疊的塊)對(duì)圖像進(jìn)行分析，遍歷各像素點(diǎn)的曲線分布，并獲取波峰信息；波峰由一個(gè)峰頂和兩個(gè)波谷組成；波峰信息包括峰值和與峰值對(duì)應(yīng)的亮度值。由于背景區(qū)域的波峰存在峰值較高，分布集中，而隨機(jī)擺動(dòng)區(qū)域的波峰存在峰值普遍較低，分布分散的特點(diǎn)，因此利用提取得到的各個(gè)波峰的峰值來(lái)得到不同區(qū)域的評(píng)價(jià)系數(shù)。同時(shí)，為了減小較低峰值的波峰對(duì)于整個(gè)曲線評(píng)價(jià)系數(shù)計(jì)算的影響，利用提取得到的各個(gè)波峰的峰值來(lái)得到不同區(qū)域的評(píng)價(jià)系數(shù)C，評(píng)價(jià)系數(shù)C代表了概率密度曲線的復(fù)雜度；
權(quán)利要求
1.一種基于概率密度估計(jì)的隨機(jī)擺動(dòng)區(qū)域檢測(cè)方法，其特征在于該方法包括以下步驟 步驟I.從視頻采集設(shè)備中獲取實(shí)時(shí)視頻圖像； 步驟2.收集數(shù)據(jù)樣本，利用無(wú)參數(shù)估計(jì)方法對(duì)視頻圖像中每個(gè)像素進(jìn)行背景建模，初始化背景的概率密度估計(jì)模型； 步驟3.對(duì)一幀圖像進(jìn)行分塊，以塊為單位對(duì)背景模型中的像素的概率密度分布曲線進(jìn)行分析，獲取塊內(nèi)各像素點(diǎn)的波峰信息，并計(jì)算塊的評(píng)價(jià)系數(shù)，最后采用自適應(yīng)方法確定閾值，并判定出隨機(jī)擺動(dòng)區(qū)域； 步驟4.根據(jù)當(dāng)前幀圖像與前景、背景樣本的概率分布，更新背景模型的概率密度估計(jì)，并隨概率密度分布曲線的實(shí)時(shí)更新，計(jì)算每幀圖像評(píng)價(jià)系數(shù)的均值，將均值作為概率密度曲線的變化趨勢(shì)，并對(duì)閾值進(jìn)行更新，以使得閾值達(dá)到自適應(yīng)的目的。
2.根據(jù)權(quán)利要求I所述的一種基于概率密度估計(jì)的隨機(jī)擺動(dòng)區(qū)域檢測(cè)方法，其特征在于步驟2中的無(wú)參數(shù)估計(jì)方法選用概率密度估計(jì)方法。
3.根據(jù)權(quán)利要求I所述的一種基于概率密度估計(jì)的隨機(jī)擺動(dòng)區(qū)域檢測(cè)方法，其特征在于步驟3具體是 首先以塊為單位對(duì)圖像進(jìn)行分析，遍歷各像素點(diǎn)的曲線分布，并獲取波峰信息； 然后利用提取得到的各個(gè)波峰的峰值來(lái)得到不同區(qū)域的評(píng)價(jià)系數(shù)C，評(píng)價(jià)系數(shù)C代表了概率密度曲線的復(fù)雜度；
4.根據(jù)權(quán)利要求3所述的一種基于概率密度估計(jì)的隨機(jī)擺動(dòng)區(qū)域檢測(cè)方法，其特征在于所述的波峰由一個(gè)峰頂和兩個(gè)波谷組成；波峰信息包括峰值和與峰值對(duì)應(yīng)的亮度值。
5.根據(jù)權(quán)利要求3所述的一種基于概率密度估計(jì)的隨機(jī)擺動(dòng)區(qū)域檢測(cè)方法，其特征在于雙閾值方法判定規(guī)則為如果評(píng)價(jià)系數(shù)C的均值小于閾值T1，則認(rèn)為此塊內(nèi)隨機(jī)擺動(dòng)較多，使用較為寬松的閾值來(lái)判斷塊內(nèi)每個(gè)像素是屬于隨機(jī)擺動(dòng)還是背景，以此使更多的隨機(jī)擺動(dòng)點(diǎn)被判斷出；如果評(píng)價(jià)系數(shù)C的均值大于閾值!；，則認(rèn)為此塊內(nèi)背景較多，使用較緊的閾值0.5=^^作為此塊的閾值，以此來(lái)減少背景被判斷為隨機(jī)擺動(dòng)的概率，其中閾值巧為
全文摘要
本發(fā)明涉及一種基于概率密度估計(jì)的隨機(jī)擺動(dòng)區(qū)域檢測(cè)方法?，F(xiàn)有方法中的背景模型無(wú)法及時(shí)適應(yīng)隨機(jī)擺動(dòng)的干擾。本發(fā)明首先對(duì)采集的實(shí)時(shí)視頻圖像進(jìn)行背景建模，本文采用無(wú)參數(shù)的核密度估計(jì)方法，然后提取背景像素的概率密度分布曲線的特性，計(jì)算背景像素的評(píng)價(jià)系數(shù)，并采用自適應(yīng)方法判定出隨機(jī)擺動(dòng)區(qū)域。最后對(duì)概率密度分布曲線的變化趨勢(shì)進(jìn)行估計(jì)，更新評(píng)價(jià)系數(shù)的閾值，以適應(yīng)隨機(jī)擺動(dòng)的時(shí)序變化。本發(fā)明利用背景的概率密度分布曲線的特性檢測(cè)隨機(jī)擺動(dòng)區(qū)域，取得了較好的效果，提高了背景模型的精度。該方法僅采用背景模型的分布特性，未增加多余的計(jì)算量，確保了方法的實(shí)時(shí)性。
文檔編號(hào)G06T7/60GK102800112SQ20121024347
公開(kāi)日2012年11月28日 申請(qǐng)日期2012年7月13日 優(yōu)先權(quán)日2012年7月13日
發(fā)明者尚凌輝, 張兆生, 劉家佳, 高勇 申請(qǐng)人:浙江捷尚視覺(jué)科技有限公司