CN101957997B - 一种动态场景中基于区域均值核密度估计的运动目标检测方法 - Google Patents

Abstract

一种动态场景中基于区域均值核密度估计的运动目标检测方法，首先进行背景模型的初始化。在背景建模过程中利用训练样本，考虑视频帧中像素点的时序特性和像素点邻域内的空间特性，建立描述动态复杂场景的时空背景模型；其次，在运动目标检测过程中，利用新的视频帧样本对背景模型进行不断地更新。采用区域核密度估计方法适应瞬时性背景变化，采用单高斯背景模型适应持续性背景变化。两种模型相结合能够快速、准确适应背景的不断变化，同时提高了方法执行效率；最后，提出基于邻域信息量的方法进行前景检测方法，进一步消除检测过程中背景区域的噪声点和运动目标空洞，更加完整的提取前景中的运动物体。本发明可广泛应用于室外场景中的智能监控系统或军事禁区的可疑运动目标的报警，具有广阔的市场前景和应用价值。

Description

一种动态场景中基于区域均值核密度估计的运动目标检测方法

技术领域

本发明涉及智能视频监控系统中运动目标检测的算法，尤其涉及一种动态场景中基于区域均值核密度估计的运动目标检测算法。 

背景技术

运动目标检测是目标识别、跟踪以及后期物体行为理解的基础，是智能监控系统中的关键问题。在视频监控系统中都使用固定摄像头对目标区域进行监视，因此大多检测算法假设在静止背景下，仅考虑光照、阴影等背景变换。但是在真实复杂场景中，静止场景的假设是不存在的，例如：喷泉、摇曳的树叶、水波等均导致背景的动态变化。此外，摄像机也可能由于各种原因发生轻微抖动。因此，动态场景下运动目标检测算法已成为计算机视觉领域研究的热点，受到广泛关注。 

目前，背景减除法是运动检测中最常使用的一种方法，基本原理是通过将当前帧图像与背景图像进行相减运算并阈值化来实现运动检测。基于背景减除法的运动检测效果主要取决于背景模型及其更新算法的优劣，其中背景模型分为基于像素点的背景模型和基于区域或整体视频帧的背景模型。 

基于像素点的背景建模方法应用最为广泛，其典型算法为混合高斯模型。它将每个像素的颜色或者灰度值用K个高斯分布的混合建模，其优点是模型简单，执行效率高，但是它需要预先设定混合高斯的数目，而且当实际密度函数具有很大数量的峰值，或者峰值经常变化时，其性能不佳。进而，Elgammal等人在“Non-parametric model for backgroundsubtraction”(the 6th European Conference on Computer Version，Springer，Dublin，Ireland，2000，751-767)中提出了核密度估计(Kernel Density Estimation，KDE)的建模方法，利用最近的历史样本通过非参数估计的方法建立背景模型。此方法不需要高斯模型的假设，非常灵活，能够动态适应复杂的密度函数的变化。Sheikh等人在“Bayesian modelingof dynamic scenes for object detection”(IEEE transactions on pattern analysis andmachine intelligence，2005，27(11)：1778-1792)中进一步对KDE方法进行改进，在建立背景模型的基础上建立前景模型，同时建模过程中使用包含颜色和位置信息的五维向量空间。这两种方法虽然使检测率大大提高，但在背景更新过程需要消耗很大的内存存储历史样本，且更新速度慢。以上基于单像素建模的方法存在的主要问题是忽略了一帧图像中像素间存在的空间相关性。因此许多学者提出了基于区域或整体视频帧的背景建模方法。Oliver 等人在“A Bayesian computer vision system for modeling human interactions”(IEEETransaction on Pattern Analysis and Machine Intelligence，2000，22(8)：831-843)中对整幅背景图像进行特征分解得到k帧的背景模型，考虑了背景模型的空间相关性。Eng等人在“Robust human detection within a highly dynamic aquatic environment in realtime”(IEEE Transactions on Image Processing.2006，15(6)：1583-1600)中提出将图像分为互不交叠区域并进行聚类，建立基于区域的背景模型。 

综上所述，现有的检测算法包含如下问题：基于像素点的背景模型更新方法仅考虑了背景的时域特性，且在动态场景背景不断变化的情况下，如果采用某一函数或多函数的混合方法并不能准确描述像素点的时域特性，如果采用核密度估计方法虽然无需估计和确定函数，直接利用样本进行背景的描述，但其在更新过程中，执行效率低，无法满足实时要求；基于区域或整体视频帧的方法仅仅考虑了背景的空间相关性，其执行效率高，但检测准确度低于基于像素的检测方法。 

发明内容

本发明的技术解决问题：为克服现有技术的不足，提出一种动态场景中基于区域均值核密度估计的运动目标检测方法。该方法结合像素点的时间和空间特性，建立时空背景模型和确定快速更新策略，进一步提出了邻域信息量的前景检测方法，提高了运动目标检测的准确性和检测效率。 

本发明的技术解决方案：一种动态场景中基于区域均值核密度估计的运动目标检测方法，其特征在于包含时空背景建模、背景变化分类更新策略、邻域信息量运动目标前景检测三部分。时空背景模型能够很好的描述动态复杂场景。但随着光照、天气等导致背景不断变化，基于背景变化分类的更新策略能够保证背景模型的实时性。尽管利用准确的背景模型，提高了运动目标提取的准确性，但背景中仍然会包含少量噪声点和背景模型中未定义的像素点，因此，基于邻域信息量前景检测方法，能够更加完整的提取前景中的运动物体。运动目标检测方法的步骤如下： 

(1)基于样本背景视频帧利用区域均值的核密度估计方法建立初始的背景模型，具体实现如下： 

(1.1)区域均值重编码 

设样本背景视频帧数为N，且视频帧序列中某一位置的像素点所组成样本序列为X_N＝{x₁，x₂，...，x_i，...，x_N}，x_i为第i帧图像中的该位置的像素点，x_N为第N帧中的某一个像素点，N为自然数，x_i的区域均值为 $\stackrel{\‾}{x_i}=\frac{1}{P^2}\underset{x_r\∈R\left(P\right)}{\mathrm{\Σ}}{x}_r,$ P为窗口大小，R(P)为窗口在第i帧图像中所围成的区域，x_r为区域内某一像素点，X_N进行区域均值编码后的样本序列为 

； 

(1.2)利用区域均值的核密度估计方法建立初始的背景模型 

当前时刻t所在视频帧中某一像素点

的背景函数为 $p\left(\stackrel{\‾}{x_t}\right)=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\α}}_i{K}_{\mathrm{\σ}}(\stackrel{\‾}{x_t}-\stackrel{\‾}{x_i}),$ 式中为该像素点属于背景的概率，α_i为权重系数，K_σ为核函数，σ为核半径，

为

样本序列中第i个值。 

(1.3)对视频帧中每个位置的像素点通过步骤(1.2)中的公式计算背景概率，最终建立整个视频帧的背景模型； 

(2)当有新的视频帧进入系统，需要对当前的背景模型进行更新以适应动态场景中背景的不断变化；当前时刻t所在视频帧中的某一像素点

的背景更新模型按下式计算：  $p\left(\stackrel{\‾}{x_t}\right)={\mathrm{\βN}}^{-1}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{K}_{\mathrm{\σ}}(\stackrel{\‾}{x_t}-\stackrel{\‾}{x_i})+(1-\mathrm{\β})G\left(\stackrel{\‾}{x_t}\right),$ 式中β为混合权重，G为高斯函数，上述公式中前半部分是利用区域均值核密度估计函数K_σ适应瞬时背景变化进行背景模型更新，后半部分是利用单高斯函数G适应持续性背景变化进行背景模型更新；所述瞬时背景变化是指由于风、光线、水波、钟摆所导致的同一像素点每一帧都会产生差异；所述持续背景变化是指在长时间的监控过程中背景中会出现新的静止物体、静止物体消失、由于光照随着时间变化所导致的背景持续的变化； 

区域均值核密度函数K_σ的更新速率为ρ_k，即经过1/ρ_k个帧后，重新计算区域均值核密度函数K_σ的分布，具体实现如下：直接利用样本信息，为每个像素维护一个样本队列，队列长度为N；该队列采用盲目更新策略，其不做任何判断直接将每一帧中的新样本更新到样本队列中，然后丢弃最早样本；当到达更新时刻，利用最新样本重新计算K_σ。 

高斯函数G的更新速率为ρ_g，即经过1/ρ_g个帧后，对高斯函数的均值和方差两个参数进行更新，所述均值的更新方法为：

；所述方差的更新方法为：

；式中，γ为混合权重，μ_t为t时刻高斯函数的均值，δ_t为t时刻高斯函数的方差，μ_t+1为t+1时刻高斯函数的均值，δ_t+1为t+1时刻高斯函数的方差； 

K_σ和G更新速率的关系如下：ρ_g＞＞ρ_k； 

(3)基于已建立的背景模型得到像素点属于背景的概率，考虑相邻像素所含的信息对中心像素点的影响，利用邻域信息量方法进行运动目标检测，提出前景和背景分类方法，确定 当前像素点是否属于运动目标； 

所述邻域信息量方法具体实现如下： 

(3.1)像素当前亮度值为x_t，计算其自信息量为I，

； 

(3.2)像素

邻域区域为R(W)，其中W为区域窗口大小，设y_j为邻域区域内的任意一个像素，计算像素y_j的信息量与像素

之差为 $d(\stackrel{\‾}{x_t},y_j)=I\left(y_j\right)-I\left(\stackrel{\‾}{x_t}\right)=\log \frac{p\left(\stackrel{\‾}{x_t}\right)}{p\left(y_j\right)},$ p(y_j)为像素点y为背景的概率； 

(3.3)像素的修正自信息量为 $I_{\stackrel{\‾}{x_t}}^{\′}=I_{\stackrel{\‾}{x_t}}+\mathrm{\ϵ}\underset{j=1}{\overset{m}{\mathrm{\Σ}}}d(\stackrel{\‾}{x_t},y_j),$ 式中ε为修正自信息量权重，式中m为R(W)区域内包含像素点的个数，且m≥1； 

(3.4)当像素

的修正自信息量大于固定阈值I_th时，即 $I_{x_t}^{\&prime;}\&GreaterEqual;I_{\mathrm{th}},$ 该像素点为前景像素；当修正自信息量小于固定阈值I_th时，即 $I_{x_t}^{\&prime;}<I_{\mathrm{th}},$ 该像素点为背景像素。 

所述(1.2)中基于样本背景视频帧利用区域均值的核密度估计方法建立初始的背景模型所选取的核函数K_σ为高斯核函数，权重系数α_i简化取值为 

因此，像素点

背景模型公式为： 

$p\left(\stackrel{\&OverBar;}{x_t}\right)=\frac{1}{N}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}\frac{1}{{\left(2\mathrm{\&pi;}\right)}^{\frac{d}{2}}{\left|\mathrm{\&Sigma;}\right|}^{\frac{1}{2}}}{e}^{-\frac{1}{2}{(\stackrel{\&OverBar;}{x_t}-\stackrel{\&OverBar;}{x_i})}^T{\mathrm{\&Sigma;}}^{-1}(\stackrel{\&OverBar;}{x_t}-\stackrel{\&OverBar;}{x_i})}$

式中∑为高斯核函数的协方差矩阵。 

所述(2)中高斯函数G的均值μ和方差δ初始值的计算方法如下： $\mathrm{\&mu;}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{\stackrel{\&OverBar;}{x}}_i,$ $\mathrm{\&delta;}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{(\stackrel{\&OverBar;}{x_i}-\mathrm{\&mu;})}^2,$ 两式中为初始化背景模型样本序列

中第i个值，N为样本序列的总个数。 

本发明与现有技术相比的优点在于： 

本发明以视频帧序列中，背景变化的时间特性为基础，考虑了每个视频帧中邻域像素对该像素的影响，结合图像空间域上的内关联性，提出了区域均值核密度估计背景建模方法，该背景模型能够很好的描述动态复杂场景，抑制背景噪声，提高了运动目标检测率；提出瞬时背景变化和持续背景变化的概念，利用区域均值核密度估计与单高斯模型相结合的背景更新方法，解决了两种场景变化导致的背景更新问题，进一步提高了检测效率；采用基于邻域信息量的方法进行前景检测，以减少由于背景噪声和背景模型中未定义的像素点所引起的错 误，提高了目标检测准确度。 

附图说明

图1为本发明运动目标检测算法的具体流程图； 

图2(a)为本发明池塘边的实验场景； 

图2(b)为实验场景中A点的灰度值变化； 

图2(c)为实验场景中A点经过区域均值编码后灰度值的变化； 

图2(d)为实验场景中A点的灰度直方图变化频率； 

图2(e)为实验场景中A点经过区域均值编码后灰度直方图变化频率； 

图3(a)为本发明以池塘边为背景的视频原始序列； 

图3(b)为图3(a)下高斯混合模型的运动目标检测结果； 

图3(c)为图3(a)下Sheikh的核密度估计方法的运动目标检测结果； 

图3(d)为图3(a)下本发明的运动目标检测结果； 

图4(a)为本发明以雨天为背景的视频原始序列； 

图4(b)为图4(a)下高斯混合模型的运动目标检测结果； 

图4(c)为图4(a)下Sheikh的核密度估计方法的运动目标检测结果； 

图4(d)为图4(a)下本发明的运动目标检测结果； 

图5(a)为本发明以树林为背景的视频原始帧； 

图5(b)为图5(a)下传统前景检测方法结果； 

图5(c)为图5(a)下本发明前景检测方法结果； 

具体实施方式

如图1所示，本发明首先，进行背景模型的初始化。在背景建模过程中利用训练样本，考虑视频帧中像素点的时序特性和像素点邻域内的空间特性，建立描述动态复杂场景的时空背景模型；其次，在运动目标检测过程中，利用新的视频帧样本对背景模型进行不断地更新。采用区域核密度估计方法适应瞬时性背景变化，采用单高斯背景模型适应持续性背景变化。两种模型相结合能够快速、准确适应背景的更新，同时提高了方法执行效率；最后，本发明提出基于邻域信息量的方法进行前景检测方法，进一步消除背景噪声和运动目标空洞，更加完整的提取前景中的运动物体。本发明可广泛应用于室外场景中的智能监控系统或军事禁区的可疑运动目标的报警，具有广阔的市场前景和应用价值。 

本发明具体实现如下：本发明包含了初始化模型的建立，背景模型更新和运动目标检测三个步骤： 

步骤1：初始化时空背景模型的建立是基于200个800×600的样本背景视频帧，且视频 播放速率为25帧/秒，即，样本背景视频帧数为N＝200，且视频帧序列中某一位置的像素点所组成样本序列为X_N＝{x₁，x₂，...，x_i，...，x_N}，x_i为第i帧图像中的相同位置的像素值。则像素点x_i的区域均值可按下式计算： $\stackrel{\&OverBar;}{x_i}=\frac{1}{P^2}\underset{x_r\&Element;R\left(P\right)}{\mathrm{\&Sigma;}}{x}_r,$ 其中，区域窗口大小P＝3，R(P)为窗口在第i帧图像中所围成的区域，x_r为区域内某一像素点，最终得到样本序列为 

。 

在当前时刻t的像素点属于背景的概率可按下式计算： $p\left(\stackrel{\&OverBar;}{x_t}\right)=\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_i{K}_{\mathrm{\&sigma;}}(\stackrel{\&OverBar;}{x_t}-\stackrel{\&OverBar;}{x_i})$ 式中，α_i为权重系数，通常简化地取值为 K_σ为核函数，本发明选取核函数为高斯核函数；σ为核半径；因此，像素点

背景概率密度函数公式为： 

$p\left(\stackrel{\&OverBar;}{x_t}\right)=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}\frac{1}{{\left(2\mathrm{\&pi;}\right)}^{\frac{d}{2}}{\left|\mathrm{\&Sigma;}\right|}^{\frac{1}{2}}}{e}^{-\frac{1}{2}{(\stackrel{\&OverBar;}{x_t}-\stackrel{\&OverBar;}{x_i})}^T{\mathrm{\&Sigma;}}^{-1}(\stackrel{\&OverBar;}{x_t}-\stackrel{\&OverBar;}{x_i})}$

式中∑为高斯核函数的协方差矩阵；本发明采用三维RGB颜色空间，且各颜色通道间相互独立，因此 $\mathrm{\&Sigma;}=\left(\begin{array}{ccc}{\mathrm{\&sigma;}}_1^2& 0& 0\\ 0& {\mathrm{\&sigma;}}_2^2& 0\\ 0& 0& {\mathrm{\&sigma;}}_3^2\end{array}\right).$ 其中δ_j为第j个颜色通道的核半径，其值为  ${\mathrm{\&delta;}}_j=\min (10,\max (5,\frac{\mathrm{med}}{0.68\sqrt{2}}));$ 其中max为取最大值函数，min为取最小值函数；med为前N帧像素点的平均绝对值差， $\mathrm{med}=N^{-1}\underset{i=1}{\overset{N-1}{\mathrm{\&Sigma;}}}|\stackrel{\&OverBar;}{x_i}-\stackrel{\&OverBar;}{x_{i+1}}|.$

对视频帧中每个位置的像素点通过上式计算背景概率，最终建立整个视频帧的背景模型。 

步骤2：动态场景中背景是不断变化的，因此需要对背景模型进行快速的更新。其更新的策略为：在运动目标检测过程中，首先对新的视频帧利用步骤1中的区域均值方法进行计算，得到该时刻t编码后的像素

。其次将复杂的动态背景变化分为瞬时背景变化和持续背景变化。瞬时背景变化是指由于风、光线、水波、钟摆等所导致的同一像素点每一帧都会产生差异，此类变化由区域均值和密度估计方法进行处理；持续背景变化是指在长时间的监控过程中背景中会出现新的静止物体、静止物体消失、由于光照随着时间变化等所导致的背景持续的变化，此类变化由单高斯模型进行处理。因此t时刻像素点

的背景模型可按下式计算：  $p\left(\stackrel{\&OverBar;}{x_t}\right)={\mathrm{\&beta;N}}^{-1}\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{K}_{\mathrm{\&sigma;}}(\stackrel{\&OverBar;}{x_t}-\stackrel{\&OverBar;}{x_i})+(1-\mathrm{\&beta;})G\left(\stackrel{\&OverBar;}{x_t}\right),$ 其中混合权重β＝0.99为；K_σ为核函数；N为样本 总个数；

为计算样本中某点的像素值；G为高斯函数，其均值μ和方差δ的初始值通过前200帧样本确定。 

定义区域均值核密度背景模型的更新速率为ρk。其背景更新方法直接利用样本信息，为每个像素维护一个样本队列。该队列采用盲目更新策略，其不做任何判断直接将每一帧中的新样本更新到样本队列中，然后丢弃最早样本。当背景模型经过10000帧后，即ρ_k＝400秒后，利用队列中的最新样本计算区域均值核密度背景模型。 

高斯函数的更新方法如下式：其t+1时刻均值μ_t+1计算的方法

，其中μ_t为t时刻均值；其t+1时刻方差计算方法

，其中δ_t为t时刻方差。两式中，混合权重γ＝0.05，

为t时刻像素值。每当有新的视频帧进入，则进行更新，其更新速率为ρ_g＝1/25^s。 

步骤3：运动目标检测方法以准确的背景模型为基础。针对新的视频帧内某一像素值包含的自信息量为I，

，其中

为像素点

为背景的概率值；设像素点

邻域区域R(W)，其中区域窗口大小W＝5。设y_j为小邻域内的任意一个像素，其所包含的信息量与之差为 $d(\stackrel{\&OverBar;}{x_t},y_j)=I\left(y_j\right)-I\left(\stackrel{\&OverBar;}{x_t}\right)=\log \frac{p\left(\stackrel{\&OverBar;}{x_t}\right)}{p\left(y_j\right)},$ 其中p(y_j)为像素点y_j为背景的概率。因此像素的自信息量修正为 $I_{\stackrel{\&OverBar;}{x_t}}^{\&prime;}=I_{\stackrel{\&OverBar;}{x_t}}+\mathrm{\&epsiv;}\underset{j=1}{\overset{m}{\mathrm{\&Sigma;}}}d(\stackrel{\&OverBar;}{x_t},y_j),$ 式中自信息量修正权重ε＝0.05。 

本发明提出的邻域信息量方法综合考虑了像素本身信息和邻域像素信息对中心像素的影响。如果图像中存在一个像素点x，用传统的背景建模方法被判断为前景，而其邻域内的像素y被判断为背景，即p(x)≥p(y)，则d(x，y)≤0，可得 $I_{x_t}^{\&prime;}\&le;I_{x_t},$ 使得像素更倾向于被判断为背景，此时能够去掉背景中的噪声点。反之，当x为背景，y为前景，即p(x)≤p(y)，则d(x，y)≥0，可得 $I_{x_t}^{\&prime;}\&GreaterEqual;I_{x_t},$ 使得像素更倾向于判断为前景，此时能够消除前景区域中的空洞。 

最终，当修正自信息量大于固定阈值I_th时，即 $I_{x_t}^{\&prime;}\&GreaterEqual;I_{\mathrm{th}},$ 该像素点为前景像素；当修正自信息量小于固定阈值I_th时，即 $I_{x_t}^{\&prime;}<I_{\mathrm{th}},$ 该像素点为背景像素，其中I_th＝89.5。 

(2)为验证本发明所述的方法，提供了三个实验。 

实验一验证本发明区域均值方法对背景噪声的抑制作用： 

图2(a)为典型的室外动态场景。由于水波的影响A点灰度值的变化如图2(b)所示。 通过计算A点当前帧与前一帧灰度值的差异，得到经过一段时间(900帧)其灰度值平均变化为10.38％。采用本发明提出的区域均值方法对A点重新编码，图2(c)所示，每帧灰度值平均变化为4.53％，其能有效抑制场景动态变化的干扰。进一步，计算未编码和区域均值编码后的A点直方图变化频率，如图2(d)和图2(e)所示，经过RA方法进行重新编码后，能有效减少峰值个数，提高背景建模的准确性。 

实验二验证本发明的运动目标检测结果： 

图3(a)所示为在有风环境下，树枝、水波以及背景阴影晃动的池塘边的复杂动态背景视频序列，且运动物体受到了桥梁的遮挡。由图3(b)可知高斯混合模型方法虽然能识别出物体，但是其噪声干扰强，运动物体不连续；图3(c)为Sheikh等人提出的核密度估计方法的运动目标检测结果，该方法虽然有效地抑制了背景噪声，但其运动目标检测结果基本失效；图3(d)为本发明提出的方法在抑制噪声的同时能够较好的识别出物体区域。 

图4(a)为雨天视频序列，背景受到溅起水花、雾等干扰。将图4(b)与图4(b)(c)两种传统方法相比可知，在此场景下本算法在噪声抑制、检测精度两方面的结果均优于其他两种传统方法。 

实验三验证本发明的前景检测方法： 

图5(a)为以树林为场景的视频帧，其中检测的难点在于背景的面积非常大，且受到大风的影响产生剧烈的晃动。图5(b)为原始阈值检测算法的结果，即直接利用像素点的概率密度与阈值相比较，其中本实验设定阈值为Th＝10^-7，如图所示，检测结果背景中包含大量噪声，且运动目标的内部出现了空洞。图5(c)为本发明的前景检测算法，由图可知基于邻域信息量的方法与传统方法相比有效地去除物体内部的空洞和噪声点，然而对于较大的噪声块，本算法无法消除且增大了噪声块的面积，但后期可通过计算区域面积等其他方法消除检测干扰。 

(3)本发明能够很好的应用于各类室外的监控系统。例如：在民用领域，交通道路、小区内的大量摄像头均安装在室外场景下，利用本方法能够有效抑制场景中的背景变化，准确地检测运动目标，为后期的目标跟踪和行为理解提供了基础。减小了误报和漏报的概率。在军事无人区(森林，湖泊，海洋等)均安装了大量的视频监控摄像头，当有可疑运动目标时，本发明方法可以准确地报警，减轻了监控人员的负担，提高了监控区域的安全性。 

Claims (3)

1.一种动态场景中基于区域均值核密度估计的运动目标检测方法，其特征在于步骤如下：

(1)基于样本背景视频帧利用区域均值的核密度估计方法建立初始的背景模型，具体实现如下：

(1.1)区域均值重编码

设样本背景视频帧数为N，且视频帧序列中某一位置的像素点所组成样本序列为X_N＝{x₁，x₂，...，x_i，...，x_N}，x_i为第i帧图像中的该位置的像素点，x_N为第N帧中的某一个像素点，N为自然数，x_i的区域均值为

P为窗口大小，R(P)为窗口在第i帧图像中所围成的区域，x_r为区域内某一像素点，X_N进行区域均值编码后的样本序列为 $\stackrel{\&OverBar;}{X_N}=\{\stackrel{\&OverBar;}{x_1},\stackrel{\&OverBar;}{x_2},...,\stackrel{\&OverBar;}{x_i},...,\stackrel{\&OverBar;}{x_N}\};$

(1.2)利用区域均值的核密度估计方法建立初始的背景模型当前时刻t所在视频帧中某一像素点

的背景函数为

式中

为该像素点属于背景的概率，α_i为权重系数，K_σ为高斯核函数，σ为核半径，

为

样本序列中第i个值。

(1.3)对视频帧中每个位置的像素点通过步骤(1.2)中的公式计算背景概率，最终建立整个视频帧的背景模型；

(2)当有新的视频帧进入系统，需要对当前的背景模型进行更新以适应动态场景中背景的不断变化；当前时刻t所在视频帧中的某一像素点

的背景更新模型按下式计算： $p\left(\stackrel{\&OverBar;}{x_t}\right)={\mathrm{\&beta;N}}^{-1}\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{K}_{\mathrm{\&sigma;}}(\stackrel{\&OverBar;}{x_t}-\stackrel{\&OverBar;}{x_i})+(1-\mathrm{\&beta;})G\left(\stackrel{\&OverBar;}{x_t}\right),$ 式中β为混合权重，G为高斯函数，上述公式中前半部分是利用区域均值核密度估计函数K_σ适应瞬时背景变化进行背景模型更新，后半部分是利用单高斯函数G适应持续性背景变化进行背景模型更新；所述瞬时背景变化是指由于风、光线、水波、钟摆所导致的同一像素点每一帧都会产生差异；所述持续背景变化是指在长时间的监控过程中背景中会出现新的静止物体、静止物体消失、由于光照随着时间变化所导致的背景持续的变化；

区域均值核密度函数K_σ的更新速率为ρ_k，即经过1/ρ_k个帧后，重新计算区域均值核密度函数K_σ的分布，具体实现如下：直接利用样本信息，为每个像素维护一个样本队列，队列长度为N；该队列采用盲目更新策略，其不做任何判断直接将每一帧中的新样本更新到样本队列中，然后丢弃最早样本；当到达更新时刻，利用最新样本重新计算K_σ。

高斯函数G的更新速率为ρ_g，即经过1/ρ_g个帧后，对高斯函数的均值和方差两个参数进行更新，所述均值的更新方法为：所述方差的更新方法为：

式中，γ为混合权重，μ_t为t时刻高斯函数的均值，δ_t为t时刻高斯函数的方差，μ_t+1为t+1时刻高斯函数的均值，δ_t+1为t+1时刻高斯函数的方差；

K_σ和G更新速率的关系如下：ρ_g＞＞ρ_k；

(3)基于已建立的背景模型得到像素点属于背景的概率，考虑相邻像素所含的信息对中心像素点的影响，利用邻域信息量方法进行运动目标检测，提出前景和背景分类方法，确定当前像素点是否属于运动目标；

所述邻域信息量方法具体实现如下：

(3.1)像素当前亮度值为

计算其自信息量为I，

(3.2)像素邻域区域为R(W)，其中W为区域窗口大小，设y_j为邻域区域内的任意一个像素，计算像素y_j的信息量与像素

之差为p(y_j)为像素点y为背景的概率；

(3.3)像素

的修正自信息量为

式中ε为修正自信息量权重，式中m为R(W)区域内包含像素点的个数，且m≥1；

(3.4)当像素的修正自信息量大于固定阈值I_th时，即

该像素点为前景像素；当修正自信息量小于固定阈值I_th时，即

该像素点为背景像素。

2.根据权利要求1所述的一种动态场景中基于区域均值核密度估计的运动目标检测方法，其特征在于：所述(1.2)中基于样本背景视频帧利用区域均值的核密度估计方法建立初始的背景模型所选取的核函数K_σ为高斯核函数，权重系数α_i简化取值为

因此，像素点

背景模型公式为：

$p\left(\stackrel{\&OverBar;}{x_t}\right)=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}\frac{1}{{\left(2\mathrm{\&pi;}\right)}^{\frac{d}{2}}{\left|\mathrm{\&Sigma;}\right|}^{\frac{1}{2}}}{e}^{-\frac{1}{2}{(\stackrel{\&OverBar;}{x_t}-\stackrel{\&OverBar;}{x_i})}^T{\mathrm{\&Sigma;}}^{-1}(\stackrel{\&RightArrow;}{x_t}-\stackrel{\&RightArrow;}{x_i})}$

式中∑为高斯核函数的协方差矩阵。

3.根据权利要求1所述的一种动态场景中基于区域均值核密度估计的运动目标检测方法，其特征在于：所述(2)中高斯函数G的均值μ和方差δ初始值的计算方法如下：

两式中

为初始化背景模型样本序列

中第i个值，N为样本序列的总个数。

Images