基于多線程在復(fù)雜高動(dòng)態(tài)環(huán)境中快速更新背景和前景的方法
【專利摘要】本發(fā)明涉及圖像處理領(lǐng)域，具體涉及一種基于多線程在復(fù)雜高動(dòng)態(tài)環(huán)境中快速更新背景和前景的方法，包括以下步驟：對(duì)像素點(diǎn)及其鄰近像素點(diǎn)進(jìn)行Haar-like特征提??；根據(jù)場(chǎng)景的復(fù)雜程度，將前10～35幀圖像的特征向量直接并入背景模型矩陣的末尾；獲取圖像中的某一像素點(diǎn)，計(jì)算該像素點(diǎn)到其背景模型的距離，以此來(lái)判別該像素點(diǎn)當(dāng)前是否為前景點(diǎn)；如果通過(guò)步驟三得出當(dāng)前像素點(diǎn)為背景點(diǎn)，則更新背景模型矩陣中與當(dāng)前P2M距離最小的特征值；如果通過(guò)步驟三得出當(dāng)前像素點(diǎn)為背景點(diǎn)，從當(dāng)前像素點(diǎn)鄰近的像素點(diǎn)中隨機(jī)選取一個(gè)點(diǎn)，更新其背景模型中與當(dāng)前像素特征距離最大的特征。本發(fā)明能實(shí)時(shí)、準(zhǔn)確地更新背景，適應(yīng)各種復(fù)雜環(huán)境，有效提高前景檢測(cè)的準(zhǔn)確性和適應(yīng)性。
【專利說(shuō)明】基于多線程在復(fù)雜高動(dòng)態(tài)環(huán)境中快速更新背景和前景的方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及圖像處理領(lǐng)域，具體涉及一種基于多線程在復(fù)雜高動(dòng)態(tài)環(huán)境中快速更新背景和前景的方法。
【背景技術(shù)】
[0002]隨著視頻監(jiān)控、人機(jī)交互、圖像編碼和檢索等新興領(lǐng)域的迅速發(fā)展和技術(shù)需求的快速增多，計(jì)算機(jī)視覺(jué)的相關(guān)技術(shù)也取得了巨大的突破，圖像處理成為行業(yè)的基礎(chǔ)和領(lǐng)域的技術(shù)核心，而背景建模作為其中的常見(jiàn)處理手段，也取得了長(zhǎng)足的進(jìn)步。
[0003]最流行、使用最廣泛的背景建模方法當(dāng)屬混合高斯模型。它將圖像中的每一個(gè)像素點(diǎn)進(jìn)行建模，定義每個(gè)像素點(diǎn)的分布模型為由多個(gè)單高斯模型組成的集合，根據(jù)每一個(gè)新的像素值更新模型參數(shù)，按照一定的準(zhǔn)則判斷哪些像素點(diǎn)為背景點(diǎn)、哪些為前景點(diǎn)。當(dāng)光照發(fā)生大規(guī)模的迅速變化時(shí)，混合高斯模型將為其新建一個(gè)高斯體，但仍以以前的像素值作為背景(因?yàn)樾碌母咚贵w的“力量”還不到能夠取代原來(lái)主高斯體的地步)，直到一定幀數(shù)后，新的高斯體取代原來(lái)的背景。但是對(duì)于城市里高動(dòng)態(tài)、光照變化復(fù)雜的環(huán)境，前景目標(biāo)數(shù)量很大而移動(dòng)緩慢，背景中的光照、陰影、樹(shù)葉搖動(dòng)等小變化層出不窮，常常出現(xiàn)背景還沒(méi)來(lái)得及更新完畢環(huán)境又發(fā)生變化的情況，混合高斯模型就出現(xiàn)了不斷建新的高斯體、在各種變化間疲于計(jì)算的結(jié)果，達(dá)不到實(shí)時(shí)、準(zhǔn)確檢測(cè)前景的目的。
[0004]貝葉斯方法作為混合高斯建模的替代品，使用了核密度估計(jì)的方法，遞歸地使用貝葉斯學(xué)習(xí)來(lái)近似每個(gè)像素的概率密度分布，代替了混合高斯模型的精確參數(shù)估計(jì)方法。但是貝葉斯方法仍然無(wú)法解決前景移動(dòng)緩慢的判別問(wèn)題(即將移動(dòng)緩慢的前景誤認(rèn)為背景)。接著，碼本算法將像素值量化編碼，使得鄰域的信息被加入模型，解決了緩慢前景的問(wèn)題。但是碼本算法需要花費(fèi)大量的時(shí)間在離線訓(xùn)練上，難以滿足復(fù)雜高動(dòng)態(tài)環(huán)境多變的要求。
[0005]將背景建模問(wèn)題看作一個(gè)信號(hào)重建的問(wèn)題是最近一種較為流行的做法。當(dāng)環(huán)境中的前景只占很小一部分時(shí)，使用壓縮感知理論來(lái)對(duì)前景進(jìn)行檢測(cè)是一種行之有效的方法，即是將前景看作是信號(hào)重建中的噪聲，這樣背景建模就成了一個(gè)主信號(hào)量恢復(fù)的問(wèn)題。同時(shí)，還有一種做法是將前景在環(huán)境中看作一個(gè)暫時(shí)出現(xiàn)的量，使用稀疏表達(dá)，將前景看作一個(gè)稀疏量，從而從過(guò)去的一些圖像里恢復(fù)出當(dāng)前的背景。然而，在復(fù)雜高動(dòng)態(tài)環(huán)境下，任何時(shí)間或者空間上的稀疏假設(shè)都是不存在的，前景有可能在在時(shí)空中占有很大的比例。因此，便有了一種將混合高斯建模和信號(hào)恢復(fù)串聯(lián)起來(lái)的方法，使用主成分分析，將背景從主特征中恢復(fù)出來(lái)。但是，這種方法顯然需要花費(fèi)大量的資源在訓(xùn)練和參數(shù)估計(jì)上，難以達(dá)到實(shí)時(shí)的目的。

【發(fā)明內(nèi)容】

[0006]本發(fā)明的目的在于提供基于多線程在復(fù)雜高動(dòng)態(tài)環(huán)境中快速更新背景和前景的方法，解決現(xiàn)有的建模方法無(wú)法應(yīng)對(duì)復(fù)雜高動(dòng)態(tài)環(huán)境，無(wú)法實(shí)時(shí)、準(zhǔn)確地更新背景模型，并且前景檢測(cè)的準(zhǔn)確性和適應(yīng)性不高的問(wèn)題。
[0007]為解決上述的技術(shù)問(wèn)題，本發(fā)明采用以下技術(shù)方案:
[0008]一種基于多線程在復(fù)雜高動(dòng)態(tài)環(huán)境中快速更新背景和前景的方法，包括以下步驟:
[0009]步驟一，對(duì)像素點(diǎn)及其鄰近像素點(diǎn)進(jìn)行Haar-1ike特征提?。?br> [0010]步驟二，根據(jù)場(chǎng)景的復(fù)雜程度，將前10~35幀圖像的特征向量直接并入背景模型矩陣的末尾；
[0011]步驟三，獲取圖像中的某一像素點(diǎn)，計(jì)算該像素點(diǎn)到其背景模型的P2M距離，以此來(lái)判別該像素點(diǎn)當(dāng)前是否為前景點(diǎn)，如果當(dāng)前點(diǎn)被判定為前景點(diǎn)，那么當(dāng)前點(diǎn)將對(duì)背景模型沒(méi)有任何貢獻(xiàn)；
[0012]步驟四，如果通過(guò)步驟三得出當(dāng)前像素點(diǎn)為背景點(diǎn)，則更新背景模型矩陣中與當(dāng)前P2M距離最小的特征值；
[0013]步驟五，如果通過(guò)步驟三得出當(dāng)前像素點(diǎn)為背景點(diǎn)，從當(dāng)前像素點(diǎn)鄰近的像素點(diǎn)中隨機(jī)選取一個(gè)點(diǎn)，更新其背景模型中與當(dāng)前像素特征P2M距離最大的特征。
[0014]更進(jìn)一步的技術(shù)方案是,所述步驟一中Haar-1ike特征提取具體方法是:
[0015]獲取當(dāng)前幀圖像中第k個(gè)像素點(diǎn)和其鄰近點(diǎn)構(gòu)成的像素塊向量pk，利用積分圖，將圖像從起點(diǎn)開(kāi)始到各個(gè)點(diǎn)所形成的矩形區(qū)域像素之和作為一個(gè)數(shù)組的元素保存起來(lái)，當(dāng)要計(jì)算某個(gè)區(qū)域的像素和時(shí)可以直接索引數(shù)組中對(duì)應(yīng)點(diǎn)的值，通過(guò)加減算法得到乘數(shù)，將壓縮感知矩陣與像素塊向量乘 法的問(wèn)題轉(zhuǎn)變成積分圖得到的乘數(shù)和權(quán)值相乘再求和的問(wèn)題，從而獲取壓縮感知矩陣A，進(jìn)而得到第k個(gè)像素點(diǎn)的特征向量Vk = Apko
[0016]更進(jìn)一步的技術(shù)方案是，所述壓縮感知矩陣de(? <m)，)，其中n為目標(biāo)向
量的維度，即是以當(dāng)前像素為中心的圖像塊的長(zhǎng)度，m為經(jīng)過(guò)壓縮感知后的特征維度，即是背景模型矩陣的行數(shù)。
[0017]更進(jìn)一步的技術(shù)方案是，所述步驟二中，判斷當(dāng)前幀圖像如果屬于前N幀，則第k個(gè)像素點(diǎn)的背景模型矩陣e表示為Mk = Ivlu, vk,2，…，vk,N}，其中eM 1代表第k個(gè)像素點(diǎn)第i幀的特征向量。
[0018]更進(jìn)一步的技術(shù)方案是，所述步驟三中，判別該像素點(diǎn)當(dāng)前是否為前景點(diǎn)的方法為:
[0019]用Ik代表當(dāng)前幀圖像中第k個(gè)像素點(diǎn)的像素值，用V/,e IT-代表其背景模型，
用Vk代表該像素點(diǎn)的特征向量，用Viu代表該像素點(diǎn)特征向量第I維的值(I < I < m)，用Vlua代表該像素點(diǎn)背景模型中第i個(gè)的特征向量第I維的值(I≤i≤N，1≤I≤m)，那么最小P2M距離定義為
【權(quán)利要求】
1.一種基于多線程在復(fù)雜高動(dòng)態(tài)環(huán)境中快速更新背景和前景的方法，其特征在于:包括以下步驟: 步驟一，對(duì)像素點(diǎn)及其鄰近像素點(diǎn)進(jìn)行Haar-1ike特征提?。? 步驟二，根據(jù)場(chǎng)景的復(fù)雜程度，將前10~35幀圖像的特征向量直接并入背景模型矩陣的末尾； 步驟三，獲取圖像中的某一像素點(diǎn)，計(jì)算該像素點(diǎn)到其背景模型的P2M距離，以此來(lái)判別該像素點(diǎn)當(dāng)前是否為前景點(diǎn)； 步驟四，如果通過(guò)步驟三得出當(dāng)前像素點(diǎn)為背景點(diǎn)，則更新背景模型矩陣中與當(dāng)前P2M距離最小的特征值； 步驟五，如果通過(guò)步驟三得出當(dāng)前像素點(diǎn)為背景點(diǎn)，從當(dāng)前像素點(diǎn)鄰近的像素點(diǎn)中隨機(jī)選取一個(gè)點(diǎn)，更新其背景模型中與當(dāng)前像素特征P2M距離最大的特征。
2.根據(jù)權(quán)利要求1所述的基于多線程在復(fù)雜高動(dòng)態(tài)環(huán)境中快速更新背景和前景的方法，其特征在于:所述步驟一中Haar-1ike特征提取具體方法是: 獲取當(dāng)前幀圖像中第k個(gè)像素點(diǎn)和其鄰近點(diǎn)構(gòu)成的像素塊向量pk，利用積分圖，將圖像從起點(diǎn)開(kāi)始到各個(gè)點(diǎn)所形成的矩形區(qū)域像素之和作為一個(gè)數(shù)組的元素保存起來(lái)，當(dāng)要計(jì)算某個(gè)區(qū)域的像素和時(shí)直接索引數(shù)組中對(duì)應(yīng)點(diǎn)的值，通過(guò)加減算法得到乘數(shù)，將壓縮感知矩陣與像素塊向量乘法的問(wèn)題轉(zhuǎn)變成積分圖得到的乘數(shù)和權(quán)值相乘再求和的問(wèn)題，從而獲取到壓縮感知矩陣A，進(jìn)而得到第k個(gè)像素點(diǎn)的特征向量Vk = Apko
3.根據(jù)權(quán)利要求2所述的基于多線程在復(fù)雜高動(dòng)態(tài)環(huán)境中快速更新背景和前景的方法，其特征在于:所述壓縮感知矩陣W e Mmxn (? < w)，其中n為目標(biāo)向量的維度，即是以當(dāng)前像素為中心的圖像塊的長(zhǎng)度，m為經(jīng)過(guò)壓縮感知后的特征維度，即是背景模型矩陣的行數(shù)。
4.根據(jù)權(quán)利要求2所述的基于多線程在復(fù)雜高動(dòng)態(tài)環(huán)境中快速更新背景和前景的方法，其特征在于:所述步驟二中，判斷當(dāng)前幀圖像如果屬于前N幀，則第k個(gè)像素點(diǎn)的背景模型矩陣G Mmx^表示為Mk = {vk, 1； vk,2，…，vk,N}，其中Vki € ITixl代表第k個(gè)像素點(diǎn)第i幀的特征向量。
5.根據(jù)權(quán)利要求2所述的基于多線程在復(fù)雜高動(dòng)態(tài)環(huán)境中快速更新背景和前景的方法，其特征在于:所述步驟三中，判別該像素點(diǎn)當(dāng)前是否為前景點(diǎn)的方法為: 用Ik代表當(dāng)前幀圖像中第k個(gè)像素點(diǎn)的像素值，用e K_v代表其背景模型，用Vk代表該像素點(diǎn)的特征向量，用Viu代表該像素點(diǎn)特征向量第I維的值(I < I Sm)，用vk，u代表該像素點(diǎn)背景模型中第i個(gè)的特征向量第I維的值(I ^ i ^N,l ^ I ^m)0那么最小P2M距離定義為
6.根據(jù)權(quán)利要求1所述的基于多線程在復(fù)雜高動(dòng)態(tài)環(huán)境中快速更新背景和前景的方法，其特征在于:所述當(dāng)前像素點(diǎn)為背景點(diǎn)時(shí)，對(duì)其更新分為像素點(diǎn)背景更新和鄰域像素點(diǎn)背景更新， 其中所述像素點(diǎn)背景更新方法是:用vk，u表示該第k個(gè)像素點(diǎn)背景模型中第i個(gè)的特征向量第I維的值(I≤N,l≤ m)，用Vtl表示該像素點(diǎn)特征向量第I維的值(1≤1≤ m),利用公式
【文檔編號(hào)】G06T7/00GK103824297SQ201410081798
【公開(kāi)日】2014年5月28日 申請(qǐng)日期:2014年3月7日 優(yōu)先權(quán)日:2014年3月7日
【發(fā)明者】楊路, 程洪, 蘇建安 申請(qǐng)人:電子科技大學(xué)