光线变化时常为智能监控系统，尤其是装设于室外的监控系统，带来相当大的挑战。在过去，背景模型学习法常广泛地被应用于建置智能监控系统，以处理各种背景变化，包含光线改变等问题。其中，多数背景模型学习相关的研究，都将其焦点着重于和缓光线变化的处理，然而却无法有效的解决剧烈光线变化所造成的问题。因此，当监控系统遭遇剧烈的光线变化时，多数先前技术容易产生许多将光线变化，误判为前景异常的警告讯息。为了减少此类误判的状况，本发明专利技术提出一种新的背景模型学习系统。
【技术实现步骤摘要】
本专利技术是有关于一种用以辨识前景(foreground)异常的智能录影监控系统，且特别是有关于对遭遇剧烈光线变化的监控场景，进行背景模型(background model)学习。
技术介绍
对于应用背景相减法(lDackgroimd subtraction)辨识前景异常的智能监控系统而言，所采用的背景模型运算方式常影响其效能。一般长时间监控系统，通常需要定时更新背景模型，以避免背景变化(如从黎明到夜晚间的光线改变)影响其前景检测效能。因此， 智能监控系统多半通过周期性的背景模型更新，以对背景变化进行学习。一般业界人士，称上述更新方式为「背景模型学习(background model learning)」。在过去，有许多关于背景模型学习的研究，如C. Stauffer and W. Grimson, "Adaptive background mixture models for real-time tracking,"in Proc. IEEE Conf. CVPR, vol.2, pp. 246-252，1999。在大多数背景模型学习系统中，每个像素位置的背景模型更新频率，亦称为模型学习速率(model learning rate)，对于背景模型学习系统稳定度造成很大的影响。(此处，模型学习速率的定义，是依循C. Mauffer and W. Grimson, "Adaptive background mixture models for real-time tracking,"in Proc.IEEE Conf. CVPR, vol. 2，pp. 246-252,1999所提出的定义)通过周期性的更新背景模型，各种背景景物变化(如光线改变等)都将被背景模型所学习。因此，更新背景模型的频率越频繁，越多的景色变化可被采纳至学习后的模型中。因而，使得采用背景相减法的监控系统，对于前景的异常较不敏锐，如慢速移动物容易因为高学习率的模型设定，而被上述系统视为背景。于是，大部分的背景模型学习系统，需要将学习率设定为适当却不至于太高的学习率，在此设定下，渐进的光线变化因此可被学习至背景模型中，然而，对于某些过快的光线变化(如快速日照变化)，此类系统将无法适当地进行处理，因此，许多区域容易受到快速光线变化的影响，造成前景的误判。因此，如何使一般背景模型学习方式，可有效地处理剧烈光线变化，实属当前重要研发课题之一，亦成为当前相关领域亟需改进的目标。为了使一般背景学习系统可适应光线变化，本专利技术提出一种新的系统，通过使用一光线变化处理单元进行后处理，以修正一般系统在光线变化下产生的前景区域误判的结果，并进阶调整其背景模型学习率。通过本专利技术所提出的后处理模块，可大幅改善背景模型学习系统，适应剧烈光线变化的能力。图1分别绘示快速光线变化以及剧烈光线变化的例子。在图1 (a)至图1 (c)纪录遭遇快速光线变化的实验室的影像序列，在图上的实验室中有一台显示滚动介面的映像管荧幕；其中图1(a)至图1(c)是以20fps (frame per second)的速率拍摄遭遇快速光线变化的影像序列IA。在这一连串影像序列中，过了三秒钟后，平均感光度才增加了将近百分之二十。此类快速光线变化所造成的影像亮度变化，可通过使用比一般建议值更高的背景模型学习率，而被一般背景模型学习方法(如C. Mauffer and W. Grimson, "Adaptive background mixture models for real-timetracking,，，in Proc. IEEE Conf. CVPR, vol. 2,pp. 246-252，1999)所学习。如图2(a)所示，其为采用Stauffer and Grimson的方式，对影像画面/；4进行前景检测的模拟结果。图1(d)至图1(e)绘示以15fps的速度，拍摄遭遇剧烈光线变化的影像序列。其中，可观查到在户外场景中，约20 %的影像感光度增加发生于一秒以内。如图2(b)所示，其为在剧烈光线变化下，先前的背景模型学习法对影像画面/f，进行前景区域检测的实施结果。其中，虽然仍采用相同的方法进行前景检测，但图2(b)可看到许多被误判为前景的区域。图2(c)是采用本专利技术的一实施例。其中，相较于图2(b)， 图2(c)的前景检测结果减少了大部分因剧烈光线变化造成的误判。
技术实现思路
本专利技术的一实施例提出一种全新设计的背景模型学习系统，以使得影像监控系统适应光线变化。进一步而言，本专利技术所提出的系统可采用一般背景模型学习方法，进行基本的背景模型估算以及前景区域检测，并通过本专利技术提出的一光线变化处理单元进行后处理，以修正前景区域检测结果，以减少因渐进、快速或剧烈光线变化，所造成的前景误判。被光线变化处理单元修正后的前景检测结果，可作为其他应用的处理依据(如前景物件追踪与辨识)，并可回馈至进行背景模型估算的基本单元，作为其动态调整背景模型学习率的依据。可适应光线变化的背景模型学习系统应用于影像监控。可适应光线变化的背景模型学习系统，包含一背景模型估算单元、一前景对应表建构单元以及一光线变化处理单元。 背景模型估算单元自至少一输入，接收一目前时间t的一目前影像画面It，并自目前影像画面It中，估算对应一监控场景的一背景模型Bt，作为背景模型估算单元于目前时间t的输出。其中，目前影像画面It包含数个像素。前景对应表建构单元通过背景模型相减法，比较目前影像画面It与所估算出的背景模型Bt间的差异，而建构目前时间t的一参考前景对应表Ft。其中，参考前景对应表Ft包含各像素的一识别参数。此识别参数可为二进位数值或实数数值。使用二进位数值的识别参数，系用以标示对应的各像素为前景或背景；使用实数数值的识别参数，则是用以标示对应的各像素为前景的机率。光线变化处理单元通过修改参考前景对应表Ft，而减少因光线变化而误判为前景的区块数量。其中，光线变化处理单元包含一画面差异产生次单元以及一前景对应表修正次单元。画面差异产生次单元通过将目前影像画面It与一第一先前时间t-N的一先前影像画面It_N相减，产生目前时间t的一画面差异对应表Dt。前景对应表修正次单元通过整合画面差异对应表Dt、参考前景对应表Ft以及于一第二先前时间t-Ι所回馈的一先前前景修正表Ft,—，计算一目前前景修正表 Ft'，以使目前前景修正表Ft'上，因光线变化误判为前景的区块数量，较参考前景对应表 Ft少。其中，目前前景修正表Ft'被光线变化处理单元作为目前时间t的输出，并分别回馈至背景模型估算单元以及光线变化处理单元，以作为进行下一时间t+Ι的背景模型估算以及光线变化处理的依据。由上述本专利技术实施方式可知，应用本专利技术具有下列优点。可基于一般背景模型估算方法，使用后处理模块适应光线变化，因此不须改变现有系统的架构，即可很简单地应用于现有背景模型学习系统，以显着的改善现有系统对于光线变化的处理能力。附图说明为让本专利技术的上述和其他目的、特征、优点与实施例能更明显易懂，所附图式的说明如下图1(a)、图1(b)以及图1(c)为遭遇快速光线变化的影像序列以及其通过画面差异计算而产生的影像感光变化。图1(d)、图1(e)以及图1(f)为遭遇过快光线变化的本文档来自技高网...
【技术保护点】
【技术特征摘要】
...
【专利技术属性】
技术研发人员：林泓宏，
申请(专利权)人：威联通科技股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。