一种动态背景场景下的前景检测方法

摘要

一种动态背景场景下的前景检测方法，采用多帧连续图像初始化背景模型，通过自适应的方式更新匹配阈值，并在更新过程引入空间一致性判断与模糊理论，完成前景检测。本发明以ViBe算法为基础，通过多帧图像初始化、匹配阈值自适应更新、空间一致性原则以及模糊理论大大改善了算法在动态背景下的性能，降低了误检率。

主权项

一种动态背景场景下的前景检测方法，其特征是采用背景运动信息和模糊理论进行动态场景下的前景检测，包括以下步骤：1)多帧图像进行模型初始化：对于多帧连续图像，根据时间一致性原则，对于当前帧I_t中的任一像素点x，采用所述像素点在前N帧图像中的像素值初始化背景模型M(x)：M(x)＝{v₁(x),...,v_i(x),...,v_N(x)}＝{I_t‑N(x),...,I_t‑1(x)}式中，v_i(x)为背景模型的样本，I_t‑1(x)为像素点x在第t‑1帧的像素值；2)通过ViBe算法构建前景二值图：以步骤1)获得的背景模型M(x)以及当前帧，采用ViBe背景分割算法获得运动目标的前景二值图F(x)，具体为：对于当前帧I_t中的任意一像素点x，其像素值为v(x)，背景模型为M(x)，在欧式空间中，定义一个以v(x)为中心，R(x)为半径的球体S_R(x)(v(x))，R(x)为模型匹配阈值，S_R(x)(v(x))表示所有与v(x)距离小于R(x)的像素值的集合，用M(x)落在球体S_R(x)(v(x))内的样本个数#{M(x)∩S_R(x)(v(x))}来描述v(x)与背景模型M(x)的相似度，对于给定的阈值#_min，如果#{M(x)∩S_R(x)(v(x))}<#_min，则v(x)为前景，记为“1”；如果#{M(x)∩S_R(x)(v(x))}>#_min，则v(x)为背景，记为“0”，像素点x与背景模型M(x)匹配，前景二值图F(x)表示为：$F\left(x\right)=\left\{\begin{array}{cc}1& \mathrm{if}*\{M\left(x\right)\cap S_{R\left(x\right)}\left(v\left(x\right)\right)\}<{\#}_{\min }\\ 0& \mathrm{else}\end{array}\right.;$3)计算背景运动信息，自适应更新模型匹配阈值：对于步骤2)中当前帧与背景模型M(x)匹配上的像素点，即像素点为背景，计算该像素点与背景模型中样本的平均欧氏距离d_min(x)作为背景运动信息，通过背景运动信息的变化值对模型匹配阈值R(x)进行自适应更新，所述平均欧氏距离d_min(x)的计算为：对于当前帧的前N帧图像，定义最小距离集合D(x)＝{D₁(x),…,D_k(x),…,D_N(x)}，其中D_k(x)＝min{dist(v_k(x),v_ki(x))}，计算D_k(x)时使用的是像素点x对应在第k帧的像素值v_k(x)，第k帧上像素点x对应的背景模型样本记为v_ki(x)，D_k(x)表示像素点x在第k帧上的像素值v_k(x)与其背景模型样本v_ki(x)的最小欧氏距离，分别记录像素点x在前N帧上对应的D_k(x)，采用N个D_k(x)的平均值d_min(x)描述背景运动信息：$d_{\min }\left(x\right)=\frac{1}{N}\underset{k}{\Sigma }{D}_k\left(x\right)$对于静态背景，d_min(x)趋于稳定，对于动态背景，通过d_min(x)实现模型匹配阈值R(x)的自适应更新，如下式：$R^{\prime }\left(x\right)=\begin{array}{cc}R\left(x\right)·(1-{\alpha }_{\mathrm{dec}})& \mathrm{ifR}\left(x\right)>d_{\min }\left(x\right)·\zeta \\ R\left(x\right)·(1-+{\alpha }_{\mathrm{inc}})& \mathrm{else}\end{array}$式中，α_dec、α_inc和ζ是固定的参数，α_inc＝0.05，ζ＝5，α_dec＝0.5；更新后的模型匹配阈值用于下一帧前景二值图的构建；4)采用空间一致性原则与模糊理论选择更新背景模型：在步骤2)获得前景二值图F(x)的基础上，通过空间一致性原则与模糊理论判断匹配上的像素点是否用于更新背景模型，对于当前视频帧I_t中的任意一像素点x(x_m,x_n)，定义其l*l邻域为：N_x＝{y(y_m,y_n)∈I:|x_m‑y_m|≤l,|x_n‑y_n|≤l}y(y_m,y_n)为像素点x(x_m,x_n)邻域内的像素点，定义集合Ω_x为N_x中与背景模型匹配上的像素点的集合：Ω_x＝{y∈N_x:#{M(y)∩S_R(x)(I(y))}<#_min}其中，M(y)表示像素点y的背景模型，I(y)表示像素点y在当前帧的像素值，S_R(x)(I(y))表示在欧式空间中以I(y)为中心半径为R(x)的球体，#{}表示M(y)落在球体S_R(x)(I(y))内的样本个数，满足#{M(y)∩S_R(x)(I(y))}<#_min<#_min的像素点y认为与背景模型匹配上；定义邻域一致性因子为：$\mathrm{NCF}\left(x\right)=\frac{\left|{\Omega }_x\right|}{\left|N_x\right|}$式中，|·|表示集合基数，将NCF(x)作为衡量背景模型正确性的参数；构建模糊系统：设定判别条件：“像素点x与M(x)匹配上”并且“NCF(x)大于等于0.5”，如果像素点x满足判别条件，则以的概率更新背景模型M(x)，所述更新指将像素点x随机替换M(x)中的一个样本，其中二次抽样时间因子，F₁(x)为模糊函数，为初始时间因子，为加入模糊系统后的时间因子，F₁(x)定义为：$F_1\left(x\right)=\left\{\begin{array}{cc}1/(2*\mathrm{NCF}\left(x\right))& \mathrm{NCF}\left(x\right)\ge 0.5\\ 0& \mathrm{else}\end{array}\right.;$如果像素点x不满足判别条件，则为前景像素；5)根据步骤2)和步骤4)的判别结果，得到当前帧的前景检测结果。