一种基于概率密度估计的随机摆动区域检测方法技术

本发明专利技术涉及一种基于概率密度估计的随机摆动区域检测方法。现有方法中的背景模型无法及时适应随机摆动的干扰。本发明专利技术首先对采集的实时视频图像进行背景建模，本文采用无参数的核密度估计方法，然后提取背景像素的概率密度分布曲线的特性，计算背景像素的评价系数，并采用自适应方法判定出随机摆动区域。最后对概率密度分布曲线的变化趋势进行估计，更新评价系数的阈值，以适应随机摆动的时序变化。本发明专利技术利用背景的概率密度分布曲线的特性检测随机摆动区域，取得了较好的效果，提高了背景模型的精度。该方法仅采用背景模型的分布特性，未增加多余的计算量，确保了方法的实时性。

【技术实现步骤摘要】

本专利技术属于计算机视觉中运动目标检测
，涉及。
技术介绍
背景减除技术是一种应用广泛的运动检测技术，常用于交通监测、安防监控、人机交互等领域。主要的方法有单高斯、码本、混合高斯、核密度估计等，然而在实际应用中由于受到各种形式的光照变化、树枝水波的随机摆动、风雨雪雾等干扰，因此如何建立动态背景模型，从包含运动物体的视频中提取出背景是该技术应用的关键。其中，对随机摆动的检测和去除是背景建模的关键问题之一。目前主要的检测和去除随机摆动的方法有将随机摆动区域作为背景模型的一部分进行建模，如混合高斯、核密度估计等常见的背景建模方法，然而该类方法的背景模型无法及时适应随机摆动的干扰；对已知的随机摆动区域提取表观、时空特征，如形状、动态纹理等，并对背景图像进行减除，该类方法能够去除具备先验特 征的摆动干扰，而对随机性很强的干扰无法去除。
技术实现思路
本专利技术针对现有技术的不足，提供。本专利技术的主要构思首先对采集的实时视频图像进行背景建模，本文采用无参数的核密度估计方法，然后提取背景像素的概率密度分布曲线的特性，计算背景像素的评价系数，并采用自适应方法判定出随机摆动区域。最后对概率密度分布曲线的变化趋势进行估计，更新评价系数的阈值，以适应随机摆动的时序变化。本专利技术解决技术问题所采取的技术方案为 步骤I.从视频采集设备中获取实时视频图像。步骤2.收集数据样本，利用无参数估计方法对视频图像中每个像素进行背景建模，初始化背景的概率密度估计模型。步骤3.对一帧图像进行分块，以块为单位对背景模型中的像素的概率密度分布曲线进行分析，获取块内各像素点的波峰信息，并计算块的评价系数，最后采用自适应方法确定阈值，并判定出随机摆动区域。步骤4.根据当前帧图像与前景、背景样本的概率分布，更新背景模型的概率密度估计，并随概率密度分布曲线的实时更新，计算每帧图像评价系数的均值，将均值作为概率密度曲线的变化趋势，并对阈值进行更新，以使得阈值达到自适应的目的。本专利技术的有益效果本专利技术利用背景的概率密度分布曲线的特性检测随机摆动区域，取得了较好的效果，提高了背景模型的精度。该方法仅采用背景模型的分布特性，未增加多余的计算量，确保了方法的实时性。附图说明图I为本专利技术方法流程 图2为随机摆动区域检测流程 图3 Ca)为稳定背景点的概率密度曲线 图3 (b)为常出现前景的背景点的概率密度曲线 图3 (C)为随机摆动分布曲线。 具体实施例方式以下结合附图对本专利技术作进一步说明。如图I所示，本专利技术包括以下步骤 步骤I.从视频采集设备中获取实时视频图像。即图I的接收单元。步骤2.收集数据样本，利用无参数估计方法对视频图像中每个像素进行背景建模，初始化背景的概率密度估计模型。即图I的初始化单元。概率密度估计方法是一种无参数估计方法，在实际应用中该方法不需获知数据总体分布的形式，可处理任意形式的概率分布。该方法通过采集数据样本，对数据的每个类别均独立的估计概率密度，其估计函数为^M ^aiKJx-Xi) 其中，N为样本数，A为归一化的权重系数,K为核函数,通常用高斯核。通过该方法估计背景的概率密度，背景上像素点的概率密度分布往往以单高斯分布、多高斯分布和复杂分布几种曲线方式呈现。将场景分为稳定的背景区域、常出现前景的背景区域、随机摆动区域等，不同区域所呈现的概率密度分布曲线各不相同，如图3 (a)、图3 (b)和图3 (c)所示，横坐标为亮度值，纵坐标为概率值。其中，图3 (a)稳定背景区域的概率分布曲线为单模的高斯分布，图3 (b)常出现前景的背景区域的概率分布曲线和稳定的背景区域相同，区别是除了一个类似高斯分布的高峰之外，在其他灰度区域还存在概率很小的分布，此现象的产生是由于这类区域常出现前景目标，导致其灰度分布较为广泛，但又由于前景出现的时间较背景的短，因此尽管有较广泛的分布，但是除了反映背景分布的单高斯峰值除外，其他灰度值的概率远小于单高斯分布的概率。图3 (c)随机摆动区域的概率密度分布曲线为多模分布。步骤3.由于随机摆动区域的分布曲线存在多模并且分布分散，多高峰的特点，而背景区域分布曲线存在单高斯或方差较小的单高斯混合的分布，图I的区域检测单元根据此概率密度曲线的复杂度的特性区分其是否为随机摆动区域。算法流程如图2所示，以块为单位(本实施例选用8X8大小有重叠的块)对图像进行分析，遍历各像素点的曲线分布，并获取波峰信息；波峰由一个峰顶和两个波谷组成；波峰信息包括峰值和与峰值对应的亮度值。由于背景区域的波峰存在峰值较高，分布集中，而随机摆动区域的波峰存在峰值普遍较低，分布分散的特点，因此利用提取得到的各个波峰的峰值来得到不同区域的评价系数。同时，为了减小较低峰值的波峰对于整个曲线评价系数计算的影响，利用提取得到的各个波峰的峰值来得到不同区域的评价系数C，评价系数C代表了概率密度曲线的复杂度；权利要求1.，其特征在于该方法包括以下步骤 步骤I.从视频采集设备中获取实时视频图像； 步骤2.收集数据样本，利用无参数估计方法对视频图像中每个像素进行背景建模，初始化背景的概率密度估计模型； 步骤3.对一帧图像进行分块，以块为单位对背景模型中的像素的概率密度分布曲线进行分析，获取块内各像素点的波峰信息，并计算块的评价系数，最后采用自适应方法确定阈值，并判定出随机摆动区域； 步骤4.根据当前帧图像与前景、背景样本的概率分布，更新背景模型的概率密度估计，并随概率密度分布曲线的实时更新，计算每帧图像评价系数的均值，将均值作为概率密度曲线的变化趋势，并对阈值进行更新，以使得阈值达到自适应的目的。2.根据权利要求I所述的，其特征在于步骤2中的无参数估计方法选用概率密度估计方法。3.根据权利要求I所述的，其特征在于步骤3具体是 首先以块为单位对图像进行分析，遍历各像素点的曲线分布，并获取波峰信息； 然后利用提取得到的各个波峰的峰值来得到不同区域的评价系数C，评价系数C代表了概率密度曲线的复杂度；4.根据权利要求3所述的，其特征在于所述的波峰由一个峰顶和两个波谷组成；波峰信息包括峰值和与峰值对应的亮度值。5.根据权利要求3所述的，其特征在于双阈值方法判定规则为如果评价系数C的均值小于阈值T1，则认为此块内随机摆动较多，使用较为宽松的阈值来判断块内每个像素是属于随机摆动还是背景，以此使更多的随机摆动点被判断出；如果评价系数C的均值大于阈值!；，则认为此块内背景较多，使用较紧的阈值0.5=^^作为此块的阈值，以此来减少背景被判断为随机摆动的概率，其中阈值巧为全文摘要本专利技术涉及。现有方法中的背景模型无法及时适应随机摆动的干扰。本专利技术首先对采集的实时视频图像进行背景建模，本文采用无参数的核密度估计方法，然后提取背景像素的概率密度分布曲线的特性，计算背景像素的评价系数，并采用自适应方法判定出随机摆动区域。最后对概率密度分布曲线的变化趋势进行估计，更新评价系数的阈值，以适应随机摆动的时序变化。本专利技术利用背景的概率密度分布曲线的特性检测随机摆动区域，取得了较好的效果，提高了背景模型的精度。该方法仅采用背景模型的分布特性，未增加多余的计算量，确保了方法的实时性。文档编号G06T7/60GK102800112SQ20121024347公开日2012年11月2本文档来自技高网...

【技术保护点】
一种基于概率密度估计的随机摆动区域检测方法，其特征在于该方法包括以下步骤：步骤1.从视频采集设备中获取实时视频图像；步骤2.收集数据样本，利用无参数估计方法对视频图像中每个像素进行背景建模，初始化背景的概率密度估计模型；步骤3.对一帧图像进行分块，以块为单位对背景模型中的像素的概率密度分布曲线进行分析，获取块内各像素点的波峰信息，并计算块的评价系数，最后采用自适应方法确定阈值，并判定出随机摆动区域；步骤4.根据当前帧图像与前景、背景样本的概率分布，更新背景模型的概率密度估计，并随概率密度分布曲线的实时更新，计算每帧图像评价系数的均值，将均值作为概率密度曲线的变化趋势，并对阈值进行更新，以使得阈值达到自适应的目的。

【技术特征摘要】

【专利技术属性】
技术研发人员：尚凌辉，张兆生，刘家佳，高勇，
申请(专利权)人：浙江捷尚视觉科技有限公司，
类型：发明
国别省市：