專(zhuān)利名稱(chēng)：一種基于改進(jìn)的混合高斯背景模型的實(shí)時(shí)運(yùn)動(dòng)目標(biāo)檢測(cè)方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種實(shí)時(shí)運(yùn)動(dòng)目標(biāo)檢測(cè)算法，特別是涉及一種適合安防級(jí)別較高的應(yīng)用場(chǎng)合，基于視頻圖像的運(yùn)動(dòng)目標(biāo)檢測(cè)方法。
背景技術(shù)：
隨著計(jì)算機(jī)視覺(jué)技術(shù)的發(fā)展與硬件設(shè)備的升級(jí)，一些安防級(jí)別較高的應(yīng)用場(chǎng)合對(duì)計(jì)算機(jī)智能視頻監(jiān)控提出了更高的要求，如博物館、銀行、核電站、軍事防區(qū)等。這些區(qū)域往往禁止敏感的人或車(chē)等運(yùn)動(dòng)目標(biāo)進(jìn)入，因此，要對(duì)非法入侵的目標(biāo)進(jìn)行準(zhǔn)確、及時(shí)的檢測(cè)與報(bào)警。目前，基于視頻圖像序列的主流運(yùn)動(dòng)目標(biāo)檢測(cè)方法是采用基于混合高斯背景建模的背景減除法來(lái)提取包含運(yùn)動(dòng)目標(biāo)的前景圖像。但這一方法由于方法本身的特性決定了在解決如下問(wèn)題時(shí)會(huì)遇到瓶頸1、當(dāng)感興趣運(yùn)動(dòng)目標(biāo)在監(jiān)控區(qū)域中靜止一段時(shí)間后，由于背景更新會(huì)融入背景中，導(dǎo)致運(yùn)動(dòng)目標(biāo)丟失、跟蹤失敗，而且單純依靠修改算法更新率不能很好的解決這一問(wèn)題；2、當(dāng)靜止一段時(shí)間的感興趣目標(biāo)再次運(yùn)動(dòng)后，會(huì)導(dǎo)致運(yùn)動(dòng)目標(biāo)失真和目標(biāo)的誤檢；本發(fā)明提出一種基于改進(jìn)的自適應(yīng)背景模型的運(yùn)動(dòng)目標(biāo)檢測(cè)方法，適合安防級(jí)別較高的監(jiān)控區(qū)域的智能視頻監(jiān)控系統(tǒng)，能準(zhǔn)確對(duì)防區(qū)內(nèi)的運(yùn)動(dòng)目標(biāo)做出檢測(cè)與報(bào)警。

發(fā)明內(nèi)容
為了有效解決傳統(tǒng)的基于背景建模的運(yùn)動(dòng)目標(biāo)檢測(cè)方法的靜止目標(biāo)易漏檢、失真、誤檢，以及無(wú)法將重合運(yùn)動(dòng)目標(biāo)分開(kāi)瓶頸問(wèn)題，本發(fā)明提供一種基于改進(jìn)的混合高斯背景模型的實(shí)時(shí)運(yùn)動(dòng)目標(biāo)檢測(cè)方法。本發(fā)明所采用的技術(shù)方案是一種基于改進(jìn)的混合高斯背景模型的實(shí)時(shí)運(yùn)動(dòng)目標(biāo)檢測(cè)方法，改進(jìn)了傳統(tǒng)混合高斯建模算法，克服了運(yùn)動(dòng)目標(biāo)靜止造成的目標(biāo)檢測(cè)丟失、失真、誤檢，具體步驟為(1)初始化“K+1”混合高斯背景模型。傳統(tǒng)混合高斯模型采用K(K取3 5)個(gè)高斯模型來(lái)描述背景，此處添加I個(gè)高斯模型用于存放被靜止目標(biāo)像素所遮擋的真實(shí)背景高斯模型，作為臨時(shí)背景模型。為每個(gè)高斯模型設(shè)定均值μ O，標(biāo)準(zhǔn)差O ^，權(quán)重COtl以及相關(guān)的閾值參數(shù)。(2)當(dāng)前幀中的每一像素與對(duì)應(yīng)的K個(gè)混合高斯模型進(jìn)行匹配，更新混合高斯模型集合，對(duì)權(quán)重進(jìn)行歸一化，按照集合中的各個(gè)模型的權(quán)重對(duì)模型進(jìn)行降序排序，如果在排序過(guò)程中，權(quán)重次大的模型與權(quán)重最大的模型發(fā)生交換，說(shuō)明當(dāng)前靜止目標(biāo)像素對(duì)應(yīng)的高斯模型與背景對(duì)應(yīng)的高斯模型發(fā)生交換，若①此時(shí)不存在臨時(shí)背景模型，即置存在臨時(shí)模型標(biāo)志HasTempModel為FALSE，則將先前權(quán)重最大的高斯模型保存在那“ I ”個(gè)高斯模型中，并將HasTempModel標(biāo)志置為T(mén)RUE ;②如果此時(shí)存在臨時(shí)背景模型，即HasTempModel標(biāo)志為T(mén)RUE，則說(shuō)明背景對(duì)應(yīng)的模型重新成為權(quán)重最高的高斯模型，則將其HasTempModel標(biāo)志為FALSE，表示對(duì)應(yīng)高斯模型集合中不存在臨時(shí)背景模型。臨時(shí)背景模型將在提取前景圖像時(shí)使用。(3)前景圖像生成。將前景圖像對(duì)應(yīng)像素值置為255，①若當(dāng)前圖像的像素與對(duì)應(yīng)高斯模型中權(quán)重最大的匹配上，則將對(duì)應(yīng)像素值置為0，若此時(shí)存在臨時(shí)模型，即HasTempModel標(biāo)志為T(mén)RUE，且該像素沒(méi)有和臨時(shí)背景模型匹配上，則將前景圖像中該位置像素值置為255，表示當(dāng)前像素是前景像素；否則置為O ;②若當(dāng)前圖像的像素與權(quán)重最大的高斯模型沒(méi)有匹配上，此時(shí)，如果存在臨時(shí)背景模型，且當(dāng)前像素和臨時(shí)背景模型匹配上，則將情景圖像中該位置像素置為0，表示當(dāng)前像素是背景像素，如果當(dāng)前背景模型中的其他模型匹配上，且權(quán)重最大的權(quán)重小于給定閾值Ttl，也將該位置前景圖像像素值置為O。 (4)重復(fù)(2) (3)過(guò)程，得到完整的前景圖像和更新后的背景模型。


圖1是本發(fā)明的算法原理示意2是本發(fā)明的算法流程圖
具體實(shí)施例方式下面結(jié)合附圖和實(shí)施方式對(duì)本發(fā)明進(jìn)一步說(shuō)明。(I)初始化“K+1”背景模型。參考圖1，本發(fā)明采用“5+1” (K = 5)混合高斯模型來(lái)對(duì)每個(gè)像素背景進(jìn)行建模。高斯模型像素基元表示針對(duì)某一像素所建立的一個(gè)高斯模型，包含權(quán)重ω、均值μ、標(biāo)準(zhǔn)差O、模型序號(hào)等參數(shù)。當(dāng)獲取第一幀圖像，并對(duì)其分辨率指定為固定格式(考慮到實(shí)時(shí)性，本發(fā)明采用CIF格式)后，對(duì)圖像建立背景模型。對(duì)于圖像中每個(gè)像素，將其對(duì)應(yīng)的5個(gè)高斯模型的均值μ初始化為該像素RGB值，標(biāo)準(zhǔn)差初始化為15，序號(hào)為O的高斯模型權(quán)重ω初始化為1. 0，其它模型權(quán)重初始為O. O。將“I”個(gè)臨時(shí)背景高斯模型T初始化為空，S卩ω =0. 0，μ = (0,0,0), σ =0。(2)更新混合高斯背景。當(dāng)有新的視頻幀圖像時(shí)，要對(duì)背景模型進(jìn)行匹配更新。匹配更新背景模型采用傳統(tǒng)混合高斯模型的匹配更新算法，但是在按照ω對(duì)5個(gè)高斯模型進(jìn)行排序時(shí)，如果在排序過(guò)程中，權(quán)重次大的模型(即序號(hào)為I的高斯模型)與權(quán)重最大的模型(即序號(hào)為O的高斯模型)發(fā)生交換，說(shuō)明當(dāng)前靜止目標(biāo)像素對(duì)應(yīng)的高斯模型與背景對(duì)應(yīng)的高斯模型發(fā)生交換，若①此時(shí)不存在臨時(shí)背景模型，即置存在臨時(shí)模型標(biāo)志HasTempModel為FALSE，則將先前權(quán)重最大的高斯模型保存在那“ I ”個(gè)高斯模型中，并將HasTempModel標(biāo)志置為T(mén)RUE，表明當(dāng)前運(yùn)動(dòng)目標(biāo)上像素對(duì)應(yīng)的高斯模型取代真實(shí)背景對(duì)應(yīng)的高斯模型成為權(quán)重最高的高斯模型如果此時(shí)存在臨時(shí)背景模型，即HasTempModel標(biāo)志為T(mén)RUE，則說(shuō)明背景對(duì)應(yīng)的模型再次成為權(quán)重最高的高斯模型，則將其HasTempModel標(biāo)志為FALSE，表示對(duì)應(yīng)高斯模型集合中不存在臨時(shí)背景模型。如圖1所示。(3)提取前景圖像。參考圖2所示流程圖，對(duì)于每一個(gè)像素，首先將前景圖像(灰度圖像)對(duì)應(yīng)像素值置為255，①若當(dāng)前圖像的像素與對(duì)應(yīng)高斯模型中權(quán)重最大(即序數(shù)為O的高斯模型)的匹配上，則將對(duì)應(yīng)像素值置為O，若此時(shí)存在臨時(shí)模型，即HasTempModel標(biāo)志為T(mén)RUE，且該像素沒(méi)有和臨時(shí)背景模型匹配上，則將前景圖像中該位置像素值置為255，表示當(dāng)前像素是前景像素；否則置為O ;②若當(dāng)前圖像的像素與權(quán)重最大的高斯模型沒(méi)有匹配上，此時(shí)，如果存在臨時(shí)背景模型，且當(dāng)前像素和臨時(shí)背景模型匹配上，則將情景圖像中該位置像素置為0，表示當(dāng)前像素是背景像素。此后，如果當(dāng)前背景模型中的其他模型匹配上，且權(quán)重最大的權(quán)重小于給定閾值T0，也將該位置前景圖像像素值置為O。(4)重復(fù)(2) (3)過(guò)程，得到完整的前景圖像和更新后的背景模型。前景圖像中灰度值為255的像素區(qū)域即運(yùn)動(dòng)目標(biāo)所在的區(qū)域。
權(quán)利要求
1.一種基于改進(jìn)的混合高斯背景模型的實(shí)時(shí)運(yùn)動(dòng)目標(biāo)檢測(cè)方法，其特征在于包括以下步驟 (1)初始化“K+1”混合高斯背景模型； (2)更新混合高斯背景模型，確定是否需要將真實(shí)背景對(duì)應(yīng)的高斯模型保存在臨時(shí)背景模型中； (3)確定前景圖像像素值； (4)重復(fù)(2)、(3)步驟，完成整個(gè)背景模型的更新和當(dāng)前前景圖像的生成。
2.根據(jù)權(quán)利要求1所述的基于改進(jìn)的混合高斯背景模型的實(shí)時(shí)運(yùn)動(dòng)目標(biāo)檢測(cè)方法，其特征在于所述步驟(I)中初始化“K+1”混合高斯背景模型包括對(duì)每個(gè)像素初始化K (K取3 5)個(gè)高斯模型來(lái)描述背景和I個(gè)臨時(shí)背景模型用于存放被靜止目標(biāo)像素所遮擋的真實(shí)背景高斯模型。為每個(gè)高斯模型設(shè)定均值Utl，標(biāo)準(zhǔn)差0(1，權(quán)重以及相關(guān)的閾值參數(shù)。
3.根據(jù)權(quán)利要求1所述的基于改進(jìn)的混合高斯背景模型的實(shí)時(shí)運(yùn)動(dòng)目標(biāo)檢測(cè)方法，其特征在于所述步驟(2)中更新混合高斯背景模型，確定是否需要將真實(shí)背景對(duì)應(yīng)的高斯模型保存在臨時(shí)背景模型中是指更新混合高斯模型集合，對(duì)權(quán)重進(jìn)行歸一化，按照集合中的各個(gè)模型的權(quán)重對(duì)模型進(jìn)行降序排序，如果在排序過(guò)程中，權(quán)重次大的模型與權(quán)重最大的模型發(fā)生交換，說(shuō)明當(dāng)前靜止目標(biāo)像素對(duì)應(yīng)的高斯模型與背景對(duì)應(yīng)的高斯模型發(fā)生交換，若①此時(shí)不存在臨時(shí)背景模型，即置存在臨時(shí)模型標(biāo)志HasTempModel為FALSE，則將先前權(quán)重最大的高斯模型保存在那“I”個(gè)高斯模型中，并將HasTempModel標(biāo)志置為T(mén)RUE ■級(jí)如果此時(shí)存在臨時(shí)背景模型，即HasTempModel標(biāo)志為T(mén)RUE，則說(shuō)明背景對(duì)應(yīng)的模型重新成為權(quán)重最高的高斯模型，則將其HasTempModel標(biāo)志為FALSE，表示對(duì)應(yīng)高斯模型集合中不存在臨時(shí)背景模型。
4.根據(jù)權(quán)利要求1所述的基于改進(jìn)的混合高斯背景模型的實(shí)時(shí)運(yùn)動(dòng)目標(biāo)檢測(cè)方法，其特征在于所述步驟(3)中確定前景圖像像素值包括首先將前景圖像對(duì)應(yīng)像素值置為.255，①若當(dāng)前圖像的像素與對(duì)應(yīng)高斯模型中權(quán)重最大的匹配上，則將對(duì)應(yīng)像素值置為0，若此時(shí)存在臨時(shí)模型，即HasTempModel標(biāo)志為T(mén)RUE，且該像素沒(méi)有和臨時(shí)背景模型匹配上，則將前景圖像中該位置像素值置為255，表示當(dāng)前像素是前景像素；否則置為0 若當(dāng)前圖像的像素與權(quán)重最大的高斯模型沒(méi)有匹配上，此時(shí)，如果存在臨時(shí)背景模型，且當(dāng)前像素和臨時(shí)背景模型匹配上，則將情景圖像中該位置像素置為0，表示當(dāng)前像素是背景像素，如果當(dāng)前背景模型中的其他模型匹配上，且權(quán)重最大的權(quán)重小于給定閾值Ttl，也將該位置前景圖像像素值置為O。
全文摘要
本發(fā)明涉及一種適合安防級(jí)別較高的應(yīng)用場(chǎng)合，基于視頻圖像的實(shí)時(shí)運(yùn)動(dòng)目標(biāo)檢測(cè)算法，具體步驟為首先根據(jù)第一幀視頻幀初始化K+1混合高斯模型，“K”即K個(gè)傳統(tǒng)混合高斯模型，“1”為用于保存被遮擋的背景的臨時(shí)背景高斯模型；其次，對(duì)于當(dāng)前視頻幀中的每個(gè)像素，按照傳統(tǒng)混合高斯模型算法進(jìn)行匹配更新，然后按照權(quán)重對(duì)5個(gè)混合高斯模型進(jìn)行排序，確定是否需要將背景對(duì)應(yīng)的混合高斯模型保存在那1個(gè)臨時(shí)背景高斯模型中；再次，按照本發(fā)明的方法確定當(dāng)前像素對(duì)應(yīng)的前景圖像(包含運(yùn)動(dòng)目標(biāo)區(qū)域的圖像)中像素的灰度值(0或255)；最后，重復(fù)以上兩個(gè)步驟，得到表征運(yùn)動(dòng)目標(biāo)所在區(qū)域的前景圖像。本發(fā)明改進(jìn)了基于傳統(tǒng)混合高斯模型的運(yùn)動(dòng)目標(biāo)的檢測(cè)方法的對(duì)靜止目標(biāo)的漏檢、失真、誤檢問(wèn)題。
文檔編號(hào)G06K9/32GK103020617SQ20111027965
公開(kāi)日2013年4月3日 申請(qǐng)日期2011年9月20日 優(yōu)先權(quán)日2011年9月20日
發(fā)明者劉昊 申請(qǐng)人:劉昊