面向夜间环境下的背景减除算法制造技术

本公开内容涉及一种面向夜间环境下的背景减除算法，该方法包括接收用于AMBER的背景模型以及当前帧；利用LBSP算子并根据像素分类阈值将所述当前帧的像素位置分类为背景点类和前景点类；将所述前景点类进一步分类为感兴趣的目标以及闪烁像素；以及针对被分类为闪烁像素的像素位置学习关联区域并根据关联区域的学习结果动态更新所述像素分类阈值和所述背景模型的更新率。依据本公开内容的背景减除方法利用原AMBER背景减除方法中的背景模型并将LBSP算子引入像素分类阶段，进而通过学习关联区域并利用学习结果动态调整特定的像素位置及其周边的像素位置的像素分类阈值及背景模型的更新率，从而使得应用在夜间拍摄的视频序列中时能够获得更为精确的检测结果。

Background subtraction algorithm for night environment

The disclosure relates to a subtraction algorithm for night environment background, the method includes receiving a background model for AMBER and the current frame; using the LBSP operator, and according to the pixel position classification of pixel classification threshold will be the current frame for the background and foreground point point; the former attractions are further categorized as target interested in and blinking pixels; and to be classified as flashing the pixel position learning association region according to the related regional study results of the dynamic update of the pixel classification threshold and the background model update rate. Based on the background subtraction method model of this disclosure background using the original AMBER method of background subtraction and LBSP operator into the pixel classification stage, and then through the study of related areas and using pixel classification threshold and background model learning results of the dynamic adjustment pixel pixel position specific location and its surrounding the update rate, which makes the application in video sequence taken at night when can obtain more accurate detection results.

【技术实现步骤摘要】
面向夜间环境下的背景减除算法
本公开内容涉及背景减除方法，更具体地涉及一种综合了现有的适应性多分辨率背景提取（AMBER）背景减除方法以及利用局部二值相似性模式（LBSP）算子的背景减除方法的优点的新型的面向夜间环境下的背景减除算法。
技术介绍
背景减除方法是一类将不感兴趣的区域剔除而只将感兴趣的前景目标保留的目标检测算法的总称。随着计算机视觉的发展，诸如目标跟踪和目标识别等高层次的应用逐渐成为某些应用场景中最为基本的需求。目标检测是这些高层次计算机视觉应用的基础，因此有必要探索检测结果更加精确、实时性更好、鲁棒性更强的背景减除方法，以满足高层次计算机视觉应用的需求。在现有技术中，例如论文“AMBER:AdaptingMulti-ResolutionBackgroundExtractor，IEEEInternationalConferenceonImageProcessing，ICIP2013，Melbourne，Australia”（作者：B.Wang和P.Dudek）提出了一种适应性多分辨率背景提取（AMBER）背景减除方法，该背景减除算法只将像素值作为构建模型的唯一依据，因此当该背景减除算法应用在前景像素值与背景像素值差别并不大的夜间环境下时，其检测结果自然不会很精确。而论文“SubSENSE：AUniversalChangeDetectionMethodWithLocalAdaptiveSensitivity，IEEETransactionsonImageProcessing，Vol.24，No.1，January2015（作者：Pierre-LucSt-Charles，G.A.Bilodeau，R.Bergevin）”虽然将LBSP算子加入到背景模型中，并且在模型更新阶段使用了八邻域空间一致性，但仅仅只在像素分类阶段考虑像素间的空间一致性，并且空间一致性的考虑范围仅仅限定在八邻域的空间是不足以得到更好的检测结果的。更为重要的是，虽然该算法考虑到动态调整像素点分类时的阈值及背景模型更新率，但没有考虑到其他行为类似的像素位置也应该一同调整像素分类阈值及模型更新率。综上所述，现有技术中的背景减除方法应用在夜晚环境下拍摄的视频序列时，并不能给出效果很好的检测结果。
技术实现思路
基于上述技术问题，本公开内容期望提出了一种更适合在夜间条件下应用的背景减除方法，其能够针对已有背景减除方法在夜间环境下对前景感兴趣目标的检测结果并不精确而做出改进，从而获得更好的检测效果。依据根据本公开内容的一个示例性方面，面向夜间环境下的背景减除算法包括：接收用于适应性多分辨率背景提取（AMBER）的背景模型以及当前帧；利用局部二值相似性模式（LBSP）算子并根据像素分类阈值将所述当前帧的像素位置分类为背景点类和前景点类；将所述前景点类进一步分类为感兴趣的目标以及闪烁像素；以及针对被分类为闪烁像素的像素位置学习关联区域并根据关联区域的学习结果动态更新所述像素分类阈值和所述背景模型的更新率。在依据本公开内容的一种实施方式中，利用局部二值相似性模式（LBSP）算子并根据像素分类阈值将所述当前帧的像素分类为背景点类和前景点类进一步包括：当所述当前帧的像素满足第一预定条件并且满足第二预定条件时，所述当前帧的所述像素被分类为背景点类。在依据本公开内容的一种实施方式中，利用局部二值相似性模式（LBSP）算子并根据像素分类阈值将所述当前帧的像素分类为背景点类和前景点类进一步包括：当所述当前帧的像素不满足第一预定条件或不满足第二预定条件时，所述当前帧的所述像素被分类为前景点类。在依据本公开内容的一种实施方式中，将所述前景点类进一步分类为感兴趣的目标以及闪烁像素进一步包括：当所述当前帧的所述像素被分类为前景点类并且所述当前帧的所述像素不是闪烁像素时，所述当前帧的所述像素被分类为感兴趣的目标；否则所述当前帧的所述像素被分类为闪烁像素。在依据本公开内容的一种实施方式中，所述背景减除方法还包括：针对被分类为闪烁像素的像素位置学习关联区域并根据关联区域的学习结果动态更新所述像素分类阈值和背景模型的更新率，其中，针对被分类为感兴趣的目标的像素位置及所述被分类为感兴趣的目标的像素位置周围与其具有第一行为相似度的像素位置，以第一幅度降低像素分类阈值和背景模型的更新率；针对所述被分类为感兴趣的目标的像素位置周围与其具有第二行为相似度的像素位置，以第二幅度降低像素分类阈值和背景模型的更新率，其中，所述第一行为相似度高于所述第二行为相似度并且所述第一幅度大于所述第二幅度。在依据本公开内容的一种实施方式中，针对被分类为闪烁像素的像素位置学习关联区域并根据关联区域的学习结果动态更新所述像素分类阈值和背景模型的更新率进一步包括：针对被分类为闪烁像素的像素位置及所述被分类为闪烁像素的像素位置周围与其具有第三行为相似度的像素位置，以第三幅度增大像素分类阈值和所述背景模型的更新率；针对被分类为闪烁像素的像素位置及所述被分类为闪烁像素的像素位置周围与其具有第四行为相似度的像素位置，以第四幅度增大像素分类阈值和背景模型的更新率，其中，所述第三行为相似度高于所述第四行为相似度并且所述第三幅度大于所述第四幅度。在依据本公开内容的一种实施方式中，针对被分类为闪烁像素的像素位置及所述被分类为闪烁像素的像素位置周围与其具有第三行为相似度的像素位置，以第三幅度增大像素分类阈值和所述背景模型的更新率进一步包括：当被分类为闪烁像素的像素位置经过第一预定次数的调整之后仍被分类为闪烁像素时，所述第三幅度依次递增。在依据本公开内容的一种实施方式中，当被分类为闪烁像素的像素位置经过第二预定次数的调整之后仍被分类为闪烁像素时，删除该像素位置，其中，所述第二预定次数多于所述第一预定次数。在依据本公开内容的一种实施方式中，所述闪烁像素的像素位置根据当前帧以及所述当前帧的前两帧进行判断。在依据本公开内容的一种实施方式中，所述闪烁像素包括：-全分辨率下的检测结果和低分辨率下的检测结果之间的差异；-全分辨率下的检测结果和经过后处理的全分辨率下的检测结果之间的差异；以及-低分辨率下的检测结果和经过后处理的低分辨率下的检测结果之间的差异。依据本公开内容的背景减除方法综合了
技术介绍
中所提及的两种背景减除方法的优点并克服了它们的不足，利用原AMBER背景减除方法中的背景模型并将LBSP算子引入像素分类阶段，进而通过学习关联区域并利用学习结果动态调整特定的像素位置及其周边的像素位置的像素分类阈值及背景模型的更新率，从而使得应用在夜间拍摄的视频序列中时能够获得更为精确的检测结果。附图说明图1示出了依据本公开内容的面向夜间环境下的背景减除算法的流程图100；图2示出了依据图1的背景减除方法的方框示意图200；图3示出了针对每个像素位置进行分类的方框示意图300；图4示出了针对前景点类的像素位置的像素分类阈值以及背景模型的更新率的动态学习过程的方框示意图400。具体实施方式本公开内容所提出的背景减除方法通过学习关联区域并利用学习结果动态调整周边一定范围内像素的像素分类阈值及背景模型的更新率。具体说来，需要动态调整的是前景点类，而前景点类按性质可分为背景动态和感兴趣的目标。在调整时需要对标记为背景动态的像素位置增大像素本文档来自技高网...

【技术保护点】
一种面向夜间环境下的背景减除算法，所述方法包括：接收用于适应性多分辨率背景提取（AMBER）的背景模型以及当前帧；利用局部二值相似性模式（LBSP）算子并根据像素分类阈值将所述当前帧的像素位置分类为背景点类和前景点类；将所述前景点类进一步分类为感兴趣的目标以及闪烁像素；以及针对被分类为闪烁像素的像素位置学习关联区域并根据关联区域的学习结果动态更新所述像素分类阈值和所述背景模型的更新率。

【技术特征摘要】
1.一种面向夜间环境下的背景减除算法，所述方法包括：接收用于适应性多分辨率背景提取（AMBER）的背景模型以及当前帧；利用局部二值相似性模式（LBSP）算子并根据像素分类阈值将所述当前帧的像素位置分类为背景点类和前景点类；将所述前景点类进一步分类为感兴趣的目标以及闪烁像素；以及针对被分类为闪烁像素的像素位置学习关联区域并根据关联区域的学习结果动态更新所述像素分类阈值和所述背景模型的更新率。2.根据权利要求1所述的背景减除方法，其中，利用局部二值相似性模式（LBSP）算子并根据像素分类阈值将所述当前帧的像素分类为背景点类和前景点类进一步包括：当所述当前帧的像素满足第一预定条件并且满足第二预定条件时，所述当前帧的所述像素被分类为背景点类。3.根据权利要求1或2所述的背景减除方法，其中，利用局部二值相似性模式（LBSP）算子并根据像素分类阈值将所述当前帧的像素分类为背景点类和前景点类进一步包括：当所述当前帧的像素不满足第一预定条件或不满足第二预定条件时，所述当前帧的所述像素被分类为前景点类。4.根据权利要求3所述的背景减除方法，其中，将所述前景点类进一步分类为感兴趣的目标以及闪烁像素进一步包括：当所述当前帧的所述像素被分类为前景点类并且所述当前帧的所述像素不是闪烁像素时，所述当前帧的所述像素被分类为感兴趣的目标；否则所述当前帧的所述像素被分类为闪烁像素。5.根据权利要求1所述的背景减除方法，其中，所述背景减除方法还包括：针对被分类为闪烁像素的像素位置学习关联区域并根据关联区域的学习结果动态更新所述像素分类阈值和背景模型的更新率，其中，针对被分类为感兴趣的目标的像素位置及所述被分类为感兴趣的目标的像素位置周围与其具有第一行为相似度的像素位置，以第一幅度降低像素分类阈值和背景模型的更新率；针对所述被分类为感兴趣的目标的像素位置周围...

【专利技术属性】
技术研发人员：王斌，曹峰银，吴芬，林俪，
申请(专利权)人：上海大学，
类型：发明
国别省市：上海,31