專利名稱：一種基于高斯背景模型的靜態目標分割的方法
技術領域：
本發明涉及先進制造與自動化領域，更具體的說，涉及可以將靜態前景目標分割提取出來的高斯背景模型的方法。
背景技術：
在視頻監控中，為了提取出目標物體，常常采用構建背景模型的方式。而最為典型的就是高斯背景模型算法(Chris Stauffer and W. Eric L. Grimson, “Learning Patterns of Activity Using Real-Time Tracking, ” IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 22, no. 8, pp. 747 - 757, 2000.使用實時跟蹤方法進行模式行為學習)，它可以為每個像素點構建幾個高斯分布，進行匹配判定是否屬于前景，并不斷更新高斯分布的參數，進而有效地解決了背景的噪聲、光照等問題。自高斯背景模型提出以后，它被廣泛應用于各種視頻處理算法中。高斯背景模型對背景變化的學習能力和適應能力都非常出色，可以即時迅速的將運動物體和背景分離出來。然而，當目標物體停止維持靜態一段時間后，高斯背景模型會自動將該物體更新到背景上，進而丟失目標。這在監控領域是不可以接受的，而為此頻繁調節高斯背景模型的學習速度并不能很好的解決這一問題。目前的一種方法(Xiaodong Cai, Falah Ali, E. Stipidis, Background Modeling for Detecting Move-then-stop Arbitrary-long time Video Objects, 2009 10th WIAMIS，檢測視頻中任意時間移動停止物體的背景模型)提出采用根據閾值判定停止更新高斯背景模型的方式，可以識別不超過一定時間的靜止物體，但對于超過一定時間的物體效果并不理想，而且停止更新本身并不能有效地濾除光照和陰影等變化產生的影響。
發明內容
本發明的目的在于針對現有技術的不足，提出一種基于高斯背景模型的靜態目標分割的方法，是目前高斯背景模型的改進算法，該方法能同時解決靜態物體被更新到背景模型和不受光照陰影等影響的問題。本發明以高斯背景模型和EM改進算法(P. Kaewtrakulpong, R. Bowden, An Improved Adaptive Background Mixture Model for Real time Tracking with Shadow Detection, In Proc. 2nd European Workshop on Advanced Video Based Surveillance Systems, AVBSO1, Sept. 2001，實時跟蹤自適應背景混合模型的改進和陰影檢測)為基礎(EM算法是Dempster，Laind，Rubin于1977年提出的求參數極大似然估計的一種方法，即期望最大化算法)，基于OpenCV代碼庫(全稱是0pen Source Computer Vision Library，即開源計算機視覺庫，由一系列C函數和少量C++類構成，實現了圖像處理和計算機視覺方面的很多通用算法)，加入了一種參數還原算法，從而改進了模型本身不適應靜態物體的缺憾，并可以有效地適應光照等因素變化。本發明的技術方案首先建立高斯背景模型，并即時通過EM算法對高斯背景模型參數進行更新。在更新結束后通過連通域提取去掉遠小于目標區域面積的區域，將之后剩下的區域作為前景區域，每個像素代入條件判斷，若目標區域的像素重復屬于統一高斯分布次數超過一定閾值，則對該像素高斯分布進行參數還原，還原后繼續參與高斯背景模型的更新，進而可以有效分割出靜態目標物體，并能夠適應光度和陰影的變化。本發明的基于高斯背景模型的靜態物體分割算法包括以下幾個步驟
1.根據預存背景圖片或視頻的第一幀圖像構建高斯背景模型，載入模型對應初始參數，分配內存空間，初始化模型的一些結構參數。2. 當第二幀或其他幀載入后，對每個像素和背景點對應像素進行匹配，根據匹配結果進行參數更新。參數更新公式選擇根據是否到達學習速率的幀數決定。每次匹配同一分布則該點重復次數加一，不匹配則清零。3. 對每個點的高斯分布權值和方差的比值由大到小進行排序。根據匹配分布對應權值及其之前權值和是否大于閾值決定該點是否匹配背景，不匹配則為前景點。4. 進行連通域掃描，濾掉遠小于目標物體大小的前景區域。5. 對得到的前景點和陰影點進行掃描，檢測每個點的重復次數是否超過閾值， 超過閾值則進行參數還原，并把重復次數清零。本發明中通過加入參數還原的方式，因而可以避免靜態前景被學習進入背景。同時由于并沒有停止更新，可以適應光度變化和變化較為復雜的背景模型。這不僅可以彌補本身高斯模型無法識別長時間靜止目標物體的缺憾，而且可以保持高斯背景模型本身對光度敏感辨識和學習能力，可應用于低成本攝像機監控、視頻行為描述、人體運動分析等領域。
圖1為采用本發明高斯模型更新流程示意圖。
具體實施例方式為了更好地理解本發明的技術方案，以下公式計算過程結合附圖，作進一步的詳細描述。具體按如下步驟進行
1. 根據視頻第一幀或預載入背景圖像構建高斯模型，每個像素點的每個顏色通道 (共RGB3個通道)構建K個高斯模型分布(K通常取3 5)，載入對應初始化參數，包括學習速率win_Size (即初始背景模型學習需要幀數)，匹配閾值std—threshold,權值閾值bg_ stdshold,方差初始值varjnit，目標最小區域閾值area_iAre>sA0A/，重復次數計數器 counter閾值counterjhreshold，初始化各點高斯分布模型。第一分布對應均值用于初始化背景模型，即4,若當前運行幀數X尚未超過學習速率winjize時，采用EM改進算法對高斯分布的杈值均值私，方差CT2根據匹配結果進行參數更新，具體公式如下^
權利要求
1. 一種基于高斯背景模型的靜態目標分割的方法，其特征在于，包括如下具體步驟 根據預存背景圖片或視頻的第一幀圖像構建高斯背景模型，每個像素點的每個顏色通道構建K個高斯模型分布，載入模型對應初始參數，包括學習速率win_SiZe，匹配閾值 std_ threshold,權值閾值bg_stdshold，方差初始值var_init，目標最小區域閾值 iAreiW，重復次數計數器counter閾值counterjhreshold，初始化各點高斯分布模型， 分配內存空間；當新的一幀載入時，對每個像素點每個通道和背景模型的K個高斯分布依次進行匹配，并返回對應匹配結果，根據匹配結果進行參數更新，參數更新公式選擇根據是否到達學習速率的幀數決定；每次匹配同一分布則該點重復次數加一，不匹配則清零；對每個點的高斯分布權值和方差的比值由大到小進行排序，根據匹配分布對應權值及其之前權值和是否大于閾值決定該點是否匹配背景，不匹配則為前景點；
2.根據權利要求1所述的基于高斯背景樓型的靜態目標分割的方法，其特征在于，所述1)步驟中，第一分布對應均值蘆用于初始化背景模型，即
3.根據權利要求2所述的基于高斯背景模型的靜態目標分割的方法，其特征在于，所述1)步驟中，為預防第一幀中目標物體靜止存在的可能性，在預先載入背景圖像時，將該圖像設定為預先重復ThpM Μ次，Thpre num值大于學習速率Wirusize的半值。
4.K個高斯分布依次進行匹配并返回對應匹配結果，匹配公式如下
5.根據權利要求4所述的基于搞死北京模型的靜態目標分割方法，其特征在于， 所屬步驟2)中，若當前運行幀數超過Win_Size時，釆用EM改進算法對髙斯分布的權值 ，均值#，方差根據匹配結果進行參數更新，具體公式如下:
6.根據權利要求 所述的基于髙斯背景模型的靜態目標分割的方法，其特征在; 于，所述2)步驟中，若當前運行幀數超過Win_Size時，釆用EM改進算法對髙斯分布的權值 ，均值#，方差根據匹配結果進行參數更新，具體公式如下:
7.根據權利要求5或6所述的基于高斯背景+凳型的靜態目標分割的方法，其特征在于，所述3)步驟中，對每個像素各個髙斯分布根據%進行由大到企重艇 7'排序，根據以下公式選出前Kt分布作為該像素的高斯背景模型分布-
8.根據權利要求7所述的基于高斯背景模型的靜態目標分割的方法，其特征在于， 所述5)步驟中，對采集到的前景點進行逐像素掃描，若其對應的重復次數超過設定閾值 counter_threshold,則將重復次數清零，并按照下述公式進行參數還原；對其他分布區域所在高斯分布
全文摘要
一種基于高斯背景模型的靜態目標分割的方法，首先根據第一幀或預載入背景建立高斯混合模型，并載入所需各部分參數閾值；當新的一幀進入時，逐像素掃描和背景模型進行匹配；若匹配和上一幀相同的分布，則加一，反之則歸零；然后根據匹配結果進行參數更新，并對更新后的各分布進行排序，根據閾值選擇出對應的生成的背景模型；通過查找連通域濾除較小的前景部分以排除噪聲和復雜背景的干擾，并在前景部分根據計數器累積值逐像素進行參數還原。本發明方法可以有效使高斯背景模型可以識別長時間進入背景靜止的物體，并可以保持高斯背景模型本身對光度敏感辨識和學習能力。
文檔編號G06K9/00GK102509073SQ20111031457
公開日2012年6月20日 申請日期2011年10月17日 優先權日2011年10月17日
發明者劉允才, 厲鵬, 王沖鶄, 王宸昊 申請人:上海交通大學