一種基于樣本局部密度離群點(diǎn)檢測(cè)的背景建模方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明設(shè)及一種基于樣本局部密度離群點(diǎn)檢測(cè)的背景建模方法。
【背景技術(shù)】
[0002] 背景建模方法對(duì)于很多計(jì)算機(jī)視覺領(lǐng)域的應(yīng)用都是非常基礎(chǔ)和關(guān)鍵的，隨著計(jì)算 機(jī)視覺的飛速發(fā)展，對(duì)背景建模效果的要求也越來(lái)越高。盡管現(xiàn)階段已經(jīng)涌現(xiàn)出非常多優(yōu) 秀的背景建模方法，但離人們的要求還是存在一定的差距，特別是在面對(duì)動(dòng)態(tài)背景的時(shí)候， 現(xiàn)有的算法大多都不能很好的完成背景建模的任務(wù)。
[0003] 現(xiàn)階段的背景建模方法，一大部分是利用參數(shù)模型來(lái)對(duì)每一個(gè)像素點(diǎn)進(jìn)行建模， 即基于參數(shù)模型的方法，而另一些是直接利用已觀察到的實(shí)際像素值進(jìn)行建模，即基于樣 本點(diǎn)的方法。運(yùn)些方法在處理靜態(tài)背景時(shí)都能取得非常不錯(cuò)的效果，但面對(duì)多模態(tài)的動(dòng)態(tài) 背景時(shí)，他們表現(xiàn)的往往比較掙扎。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明為了解決上述問題，提出了一種基于樣本局部密度離群點(diǎn)檢測(cè)的背景建模 方法，該方法不僅在處理靜態(tài)背景時(shí)表現(xiàn)優(yōu)異，在處理動(dòng)態(tài)背景時(shí)，同樣能夠高效的建立出 效果良好的背景模型。 陽(yáng)〇化]為了實(shí)現(xiàn)上述目的，本發(fā)明采用如下技術(shù)方案：
[0006] 一種基于樣本局部密度離群點(diǎn)檢測(cè)的背景建模方法，包括W下步驟：
[0007] (1)利用已采集到的視頻帖對(duì)背景模型進(jìn)行初始化，針對(duì)每一個(gè)像素點(diǎn)都初始化 出一個(gè)樣本集，計(jì)算各樣本集的各個(gè)樣本點(diǎn)的局部背景因子.
[0008] (2)采集觀察到的新像素值，計(jì)算其局部背景因子；
[0009] (3)將新觀察到的新像素值的局部背景因子與其最近鄰的各個(gè)樣本點(diǎn)進(jìn)行比較， 判斷其是否屬于背景，如果屬于背景則進(jìn)入步驟（4)，如果不屬于背景則進(jìn)入步驟巧）；
[0010] (4)將新像素值融入背景模型，進(jìn)行更新，并利用新像素值將樣本集中局部背景因 子最大的樣本點(diǎn)替換掉；
[0011] (5)采集新的一帖視頻，重復(fù)步驟（2)-(4)，更新背景模型。
[0012] 所述步驟（1)中，具體方法為：
[0013] (1-1)定義樣本點(diǎn)P的k-距離d(p, 0)，表示樣本點(diǎn)P的k-距離鄰域，確定樣本點(diǎn) P的k-距離近鄰點(diǎn)；
[0014] (1-2)確定樣本點(diǎn)P的可達(dá)距離和樣本點(diǎn)P的局部可達(dá)密度；
[0015] (1-3)根據(jù)樣本點(diǎn)P的局部可達(dá)密度和P的k-距離最近鄰各點(diǎn)的局部可達(dá)密度的 比值，描述樣本點(diǎn)P為背景點(diǎn)的可能性。
[0016] 所述步驟（1-1)的具體方法為：定義關(guān)于一個(gè)樣本點(diǎn)P的k-距離d(p，0)，其滿足 W下要求：
[0017] (1)在同一個(gè)樣本集中，至少有k個(gè)樣本0'eC滿足d(p, 0'）《d(p, 0); 陽(yáng)〇1引 似在同一個(gè)樣本集中，至多有k-1個(gè)樣本點(diǎn)0'eC滿足d(p，0'）<d(p，0);
[0019] 樣本點(diǎn)P的k-距離鄰域則表示為：
[0020] Nk(p) ={qeC\{p} |d(p,q) ^k-distance(p)}
[0021] 樣本點(diǎn)p的k-距離鄰域表示包含到p的距離不大于p的k-距離的所有樣本點(diǎn)的 區(qū)域，運(yùn)些點(diǎn)都叫做樣本點(diǎn)P的k-距離近鄰點(diǎn)。
[0022] 所述步驟（1-2)中，定義樣本點(diǎn)P的可達(dá)距離：
[0023] reach-distk(p,ο) =max{k-distance(o),d(p,o)}
[0024] 同時(shí)定義樣本點(diǎn)p的局部可達(dá)密度如下： 陽(yáng)0巧]
[00%] 樣本點(diǎn)P的局部可達(dá)密度是樣本點(diǎn)P的基于k-距離最近鄰的平均可達(dá)距離的倒 數(shù)。
[0027] 所述步驟（1)中，如果所有的可達(dá)距離都是0的話，局部可達(dá)密度是有可能為-的，直接標(biāo)記該樣本點(diǎn)P為背景點(diǎn)。
[0028] 所述步驟（1-3)中，局部背景因子為：
[0029]
[0030] 樣本點(diǎn)P的局部背景因子是P的局部可達(dá)密度和P的k-距離最近鄰各點(diǎn)的局部 可達(dá)密度的比值，描述了樣本點(diǎn)P為背景點(diǎn)的可能性。
[0031] 所述步驟（1-3)中，樣本點(diǎn)P的局部密度越小，且其k-距離最近鄰的局部可達(dá)密 度越大，樣本點(diǎn)P的局部背景因子越大，表明P是背景的可能性越小。
[0032] 所述步驟（3)中，判斷方法為：將新像素值的局部背景因子與其k-距離最近鄰各 點(diǎn)的局部背景因子進(jìn)行比較，若其小于其k-距離最近鄰各點(diǎn)的局部背景因子的平均值，貝U 判斷為背景點(diǎn)。
[0033] 所述步驟（4)中，在更新背景模型時(shí)，選取局部背景因子最大的樣本點(diǎn)，即背景可 能性最小的點(diǎn)，用新背景像素值將其替換，保證背景模型更新的收斂性。
[0034] 本發(fā)明的有益效果為：
[0035] (1)本發(fā)明利用觀察到的像素真實(shí)值來(lái)初始化背景模型，增加了背景模型的真實(shí) 性，避免了被不存在的虛假值影響的可能性；
[0036] (2)通過(guò)定義局部背景因子運(yùn)一背景建模領(lǐng)域的全新概念，從更加局部的角度來(lái) 考慮背景建模過(guò)程，在判斷及更新階段，都只在k-距離最近鄰域中進(jìn)行，相當(dāng)于為每一個(gè) 像素點(diǎn)加入了一個(gè)動(dòng)態(tài)闊值，使整個(gè)背景建模方法在處理動(dòng)態(tài)背景模型時(shí)更高效準(zhǔn)確。
【附圖說(shuō)明】
[0037] 圖1為本發(fā)明實(shí)現(xiàn)流程框圖；
[0038] 圖2為動(dòng)態(tài)背景樣本點(diǎn)分布示意圖；
[0039]圖3為k值取值示意圖； W40] 圖4為N值取值示意圖；
[0041]圖5a為Wallflower數(shù)據(jù)庫(kù)中Waving Trees的一帖圖像；
[0042] 圖化為本發(fā)明用圖5a做輸入時(shí)得到的背景建模結(jié)果；
[0043] 圖6a為Statistical Modeling of Complex Backgrounds for Foreground Object Detection使用的數(shù)據(jù)庫(kù)中Water Surface的一帖圖像； W44] 圖化為本發(fā)明用圖6a做輸入時(shí)得到的背景建模結(jié)果； W45] 圖7a面向室外視頻監(jiān)控的運(yùn)動(dòng)目標(biāo)檢測(cè)跟蹤庫(kù)中"行人崗?fù)?的一帖圖像；
[0046] 圖化為ViBe用圖7a做輸入時(shí)得到的背景建模結(jié)果；
[0047] 圖7c為本發(fā)明用圖7a做輸入時(shí)得到的背景建模結(jié)果。
【具體實(shí)施方式】：
[0048] 下面結(jié)合附圖與實(shí)施例對(duì)本發(fā)明作進(jìn)一步說(shuō)明。
[0049] 如圖1所示，本發(fā)明的基于樣本局部密度離群點(diǎn)檢測(cè)的背景建模方法，包括W下 步驟：
[0050] 步驟1 :利用前N帖已觀察到的視頻帖對(duì)背景模型進(jìn)行初始化，運(yùn)樣每個(gè)像素點(diǎn)都 初始化了一個(gè)樣本集，計(jì)算樣本集中的各樣本點(diǎn)的局部背景因子。
[0051] 步驟2 :對(duì)于每一個(gè)新觀察到的新像素值，計(jì)算它的局部背景因子。
[0052] 步驟3 :將新觀察到的像素值的局部背景因子與其最近鄰的各個(gè)樣本點(diǎn)進(jìn)行比 較，確定其是否屬于背景。
[0053] 步驟4 :若新像素值確定屬于背景，則對(duì)背景模型進(jìn)行更新。融入新的像素值，并 將樣本集中局部背景因子最大的樣本點(diǎn)替換掉。若新像素值屬于前景，則不進(jìn)行背景更新。
[0054] 步驟5 :對(duì)于新觀察到的一帖視頻，重復(fù)上述步驟，更新背景模型。 陽(yáng)化5] 在處理動(dòng)態(tài)背景模型的時(shí)候，樣本點(diǎn)常常如圖2所示的運(yùn)樣分布，其中〇1和03都 應(yīng)該被識(shí)別為離群點(diǎn)，也就是前景點(diǎn)，而〇2,應(yīng)該被識(shí)別為屬于。簇的背景點(diǎn)，盡管C1簇比 較稀疏。但是如果使用基于距離的背景建模方法，只有〇1可W被順利的識(shí)別為背景點(diǎn)，由于 是基于全局的距離闊值，〇2很可能被誤識(shí)別為前景點(diǎn)，而可能代表某個(gè)顏色與背景相似的 前景點(diǎn)的〇3,則很可能被誤識(shí)別為背景點(diǎn)，如果要用基于距離的背景建模方法正確識(shí)別出 〇3為前景點(diǎn)，則可能必須要W誤識(shí)別簇Cl中的若干點(diǎn)作為代價(jià)。本發(fā)明正好能有效地解決 運(yùn)種在處理動(dòng)態(tài)背景模型中常見而棘手的問題。
[0056] 為了要計(jì)算樣本點(diǎn)的局部背景因子，本發(fā)明首先定義了樣本點(diǎn)P的k-距離： 陽(yáng)057] (1)在同一個(gè)樣本集中，至少有k個(gè)樣本0' eC滿足d(p，o'）《d(p，o);
[0058] (2)在同一個(gè)樣本集中，至多有k-1個(gè)樣本點(diǎn)0' eC滿足d(p，o'）<d(p，o)。
[0059] 樣本點(diǎn)p的k-距離鄰域則可W表示為：
[0060] Nk(p)