CN102222340A - 前景检测方法及系统 - Google Patents

Abstract

本发明涉及视频监控技术领域，公开了一种前景检测方法及系统，该方法包括：获取视频图像帧；依次提取所述图像帧中各像素点p_j；将所述像素点p_j与预先生成的所述像素点p_j的模型集合中的候选模型进行匹配，根据匹配结果动态调整所述像素点p_j的模型集合中的候选模型个数及更新模型参数，并确定所述像素点p_j的背景模型B；如果所述像素点p_j与所述背景模型B中的所有模型都不匹配，并且所述像素点p_j与背景模型集合

中的所有模型都不匹配，则确定所述像素点p_j为前景点。利用本发明，可以在图像像素模型总个数固定的情况下，自适应地调整每个像素点的模型个数，提高检测准确性。

Description

前景检测方法及系统

技术领域

本发明涉及视频监控技术领域，更具体地说，涉及一种前景检测方法及系统。

背景技术

智能视频监控系统能够对视频图像进行自动分析识别，从而实现智能化的无人监控、实时现场监控等功能，具有重要的实际应用意义。而前景检测(或者叫做运动目标检测)是智能视频监控系统的核心技术之一。由于前景目标的种类是事先未知的，因此，如何有效地识别背景，从而将前景和背景区别开，达到检测前景的目的，是本领域的核心技术。不过，在现实生活中，环境是复杂多变的，比如树叶的摇晃、水纹波动等，这些动态的背景场景都会较大程度上影响前景检测的效果。

在现有技术中，混合高斯建模方法是常用的前景检测方法之一，能够在一定程度上，解决背景存在复杂变化的情况。通常，传统的混合高斯背景建模方法中，每个像素点的背景模型个数是预先固定的，一般地，每个像素点的模型个数为3～5个。当模型个数越多时，高斯背景建模方法处理树叶摇晃等背景环境变化的能力越强。但是，模型个数越多意味着需要更多的存储空间和更多的计算时间。

为了平衡模型个数和处理环境变化的能力两者之间的矛盾，一些研究者采用了模型个数的自适应选择策略。如Zivkovic Z等人提出了基于最大似然估计的像素点背景模型个数选择方法。但由于该方法人为地引入了负的先验系数，使得在更新过程中高斯成分的权重有可能被不合理地负更新。

另外，在现有技术中，还提出了一种在传统混合高斯背景建模的基础上自适应选择混合高斯模型个数的策略，该方法中每个像素点模型个数的上限是相同的、固定的，这很可能会导致图像中频繁变化区域的像素点的模型个数已经达到自身的最大限制，没有再增加模型个数的能力，从而影响了检测的准确性。

发明内容

本发明实施例针对现有技术中存在的上述问题，提供一种前景检测方法及系统，在图像像素模型总个数固定的情况下，能够自适应地调整每个像素点的模型个数，提高检测准确性。

为此，本发明实施例提供如下技术方案：

一种前景检测方法，包括：

获取视频图像帧；

依次提取所述图像帧中各像素点p_j；

将所述像素点p_j与预先生成的所述像素点p_j的模型集合中的候选模型进行匹配，根据匹配结果动态调整所述像素点p_j的模型集合中的候选模型个数及更新模型参数，并确定所述像素点p_j的背景模型B；

如果所述像素点p_j与所述背景模型B中的所有模型都不匹配，并且所述像素点p_j与背景模型集合

中的所有模型都不匹配，所述背景模型集合

包括所述像素点p_j的周围邻域观察窗口内除所述像素点p_j之外的所有像素点的背景模型，则确定所述像素点p_j为前景点。

一种前景检测系统，包括：

图像获取单元，用于获取视频图像帧；

像素点提取单元，用于依次提取所述图像帧中各像素点p_j；

匹配单元，用于将所述像素点p_j与预先生成的所述像素点p_j的模型集合中的候选模型进行匹配；

调整确定单元，用于根据所述匹配单元的匹配结果，动态调整所述像素点p_j的模型集合中候选模型个数及更新模型参数，并确定所述像素点p_j的背景模型B；

判断单元，用于在所述像素点p_j与所述背景模型B中的所有模型都不匹配，并且所述像素点p_j与背景模型集合中的所有模型都不匹配，所述背景模型集合包括所述像素点p_j的周围邻域观察窗口内除所述像素点p_j之外的所有像素点的背景模型时，确定所述像素点p_j为前景点。

本发明实施例前景检测方法及系统，针对每帧图像，在所有图像像素模型总个数固定的情况下，对于频繁变化的背景点，当达到像素点的模型个数平均上限时，在不超过图像模型总个数的前提下，通过借用相对稳定的区域的像素点的未用模型个数的名额，提高上述背景点对应的像素点的模型个数，也就是说，在模型总数不变的前提下，对于灰度值或颜色值频繁变化的像素点，动态多分配一些模型个数，用于描述它的灰度值或颜色值；对于灰度值或颜色值相对稳定的像素点，则动态少分配一些模型个数，用于描述它的灰度值或颜色值。同时，结合本发明提出的模型参数更新方式，提高了处理背景变化的能力，能够将前景更为准确地检测出来。

附图说明

图1是本发明实施例前景检测方法的流程图；

图2是本发明实施例中模型匹配的流程图；

图3是本发明实施例前景检测系统的结构示意图；

图4是本发明实施例中waving trees序列的第172帧图像；

图5是利用本发明实施例对图4所示图像进行检测得到的背景模型个数所属颜色的分布图；

图6是本发明实施例中waving trees序列的第252帧图像；

图7是利用传统混合高斯模型对图6所示图像进行前景检测的结果示意图；

图8是利用本发明实施例前景检测方法对图6所示图像进行前景检测的结果示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明实施例的方案，下面结合附图和实施方式对本发明实施例作进一步的详细说明。

本发明实施例前景检测方法及系统，在图像模型总个数固定的前提下，在模型匹配过程中，动态分配每个像素点的模型个数，并实现背景模型的生成，从而使得背景模型个数能够随着场景的变化动态调整。

如图1所示，是本发明实施例前景检测方法的流程图，包括以下步骤：

步骤101，获取视频图像帧；

步骤102，依次提取所述图像帧中各像素点p_j；

步骤103，将所述像素点p_j与预先生成的像素点p_j的模型集合中的候选模型进行匹配，根据匹配结果动态调整像素点p_j的模型集合中的候选模型个数及更新模型参数，并确定像素点p_j的背景模型B；

步骤104，如果像素点p_j与所述背景模型B中的所有模型都不匹配，并且像素点p_j与背景模型集合中的所有模型都不匹配，所述背景模型集合

包括像素点p_j的周围邻域观察窗口内除像素点p_j之外的所有像素点的背景模型，则确定像素点p_j为前景点。

在本发明实施例中，可以预先为每个像素点设置一个初始模型，并将所述初始模型作为候选模型加入到该像素点的模型集合中。像素的模型可以用像素的灰度值或颜色值来表示，下面以灰度值为例进行说明。

为了便于描述，下面先定义几个参数如下：

c_j：视频图像I(x，y)中j处的像素点p_j的灰度值；

l_j：表示像素点p_j的模型个数；

r：表示像素点p_j允许的最大模型个数的上限；

L_j，t：表示t时刻像素点p_j的模型集合；

表示t时刻像素点p_j的第i个候选模型，其中i＝1，…l_j；

表示t时刻像素点p_j与候选模型

匹配的总次数；

表示t时刻像素点p_j连续未与候选模型匹配的次数；

表示t时刻

的算数平均值。

初始化时，为视频图像I(x，y)开辟m*n*s个模型所需的内存空间，其中s＝{s|s≤r，s∈N^*}。所开辟内存空间的大小取决于计算机的内存存储能力和处理能力。其中，m*n表示图像的大小，s表示图像中每个像素点被允许分配到的模型个数的平均值。

为每个像素点设置一个初始模型，对于像素点p_j，初始化模型的参数定义为：

l_j＝1， ${\mathrm{\μ}}_{j,t_0}^1=c_j,$ ${\mathrm{\μ}}_{j,t_0}^{1,u}=1,$ $L_{j,t_0}^{1,w}=0---\left(1\right)$

表示所述像素点p_j在初始时刻t₀的第1个候选模型的算术平均值，c_j表示所述像素当前的灰度值；

表示在初始时刻t₀所述像素点p_j与第1个候选模型

匹配的总次数；

表示在初始时刻t₀所述像素点p_j连续未与第1个候选模型

匹配的次数。

在上述步骤103模型匹配的过程中，根据场景的变化，每个像素点的模型个数和参数都是不断学习和更新的，即对于I(x，y)上的每一个像素点p_j，与预先生成的像素点p_j的模型集合中的候选模型进行匹配，根据匹配结果动态调整像素点p_j的模型集合中的候选模型个数及更新模型参数。

具体地，可以将像素点p_j的模型集合L_j，t中的候选模型

按

(i＝1，…l_j)的大小进行排序，逐一将像素点p_j与候选模型

去匹配，若满足以下公式(2)，则表明像素点p_j与候选模型

匹配，即

否则，表明像素点p_j与候选模型

不匹配，即

$|c_j-{\mathrm{\μ}}_{j,t}^i|\≤\mathrm{\σ}---\left(2\right)$

其中，σ为实验阈值。

在像素点p_j每次与一个候选模型匹配结束后，无论是否匹配成功，都按下述公式(3)～(6)进行参数更新。

$c_j=\left\{\begin{array}{cc}{c}_j& ,p_j\∈L_{j,t}^i\\ 0& ,p_j\∉L_{j,t}^i\end{array}\right.---\left(3\right)$

$L_{j,t+1}^{i,u}=\left\{\begin{array}{cc}{L}_{j,t}^{i,u}+1& ,p_j\&Element;L_{j,t}^i\mathrm{and}{L}_{j,t}^{i,u}<\mathrm{\&zeta;}\\ L_{j,t}^{i,u}& ,\mathrm{else}\end{array}\right.---\left(4\right)$

$L_{j,t+1}^{i,w}=\left\{\begin{array}{cc}0& ,p_j\&Element;L_{j,t+1}^i\\ L_{j,t}^{i,w}+1& ,p_j\&NotElement;L_{j,t+1}^i\end{array}\right.---\left(5\right)$

${\mathrm{\&mu;}}_{j,t+1}^i=\left\{\begin{array}{cc}\frac{1}{L_{j,t+1}^{i,u}}({\mathrm{\&mu;}}_{j,t}^i{L}_{j,t}^{i,u}+c_j)& ,L_{j,t}^{i,u}<\mathrm{\&zeta;}\\ \frac{1}{L_{j,t}^{i,u}+1}({\mathrm{\&mu;}}_{j,t}^i{L}_{j,t}^{i,u}+c_j)& ,\mathrm{else}\end{array}\right.---\left(6\right)$

其中，ζ为预设的每个候选模型的最大匹配次数。

在本发明实施例中，如果像素点p_j与候选模型匹配失败，则动态调整所述模型集合中的候选模型个数及更新模型参数，具体调整过程可以是删除候选模型、增加候选模型、替换候选模型。

本发明实施例通过记录模型的匹配次数来对模型的均值进行更新，见上述公式(6)，在初始化时，模型的匹配次数较少，模型的均值计算受当前像素值的影响大，学习能力较强，从而能够快速学习背景。随着匹配次数的增加，模型的均值受当前像素值影响小，模型稳定，不会受噪音影响产生较大的波动，能够较为准确地描述该像素点的灰度值。当场景突然变化时，原有的模型不能够适应新的场景，则通过添加新的模型，在新模型初始化阶段能够快速学习新的背景。当场景变化较慢时，随着匹配次数的增多，模型能够稳定、平滑的更新。因此，本发明实施例的参数更新模式更能适应场景的变化。

另外，由于在一段时间内，同真正的背景相比，前景和噪声不会在同一位置出现太长时间，前景和噪声对应的模型的像素点出现总次数相对比较小。为此，在本发明实施例中，可以采用如下策略生成背景模型集合B：

$B=\left\{L_{j,t}^i\right|L_{j,t}^{i,u}\&GreaterEqual;\mathrm{\&psi;},i=1,\&CenterDot;\&CenterDot;\&CenterDot;l_j\}---\left(7\right)$

不满足上述条件(7)的模型为背景的候选模型。其中，ψ为预设的阈值，它决定了背景模型个数的多少。

在一段时间内，若像素点p_j长时间与某个候选模型匹配，那么与该候选模型匹配的总次数会不断变大。当达到阈值ψ，则确定该候选模型为背景模型。

如图2所示，是本发明实施例中模型匹配的流程图，包括以下步骤：

步骤201，获取像素点p_j的模型集合中的当前候选模型；

步骤202，将像素点p_j与所述当前候选模型进行匹配；

步骤203，判断是否匹配成功；如果是，则执行步骤204；否则，执行步骤207；

步骤204，更新模型参数，具体可按照上述公式(3)至(6)进行更新；

步骤205，判断像素点p_j与所述候选模型匹配成功次数是否达到设定次数；如果是，则执行步骤206；否则，执行步骤210；

步骤206，将所述候选模型添加到所述像素点p_j的背景模型B中；然后，执行步骤210；

步骤207，更新模型参数，具体可按照上述公式(3)至(6)进行更新；

步骤208，判断当前候选模型是否过期；如果是，则执行步骤209；否则，执行步骤210；

步骤209，删除当前候选模型；

所述候选模型过期是指该候选模型在一段时间内没有与之匹配的像素点出现，它已经失去了作为背景模型的必要，因此，为节省内存空间并为其他像素点所需求的更多模型个数提供名额，可以删除该模型。操作如以下公式(8)：

$l_j=\left\{\begin{array}{cc}{l}_j-1,& \mathrm{if}{L}_{j,t}^{i,w}\&GreaterEqual;\mathrm{\&tau;}\\ l_j,& \mathrm{else}\end{array}\right.---\left(8\right)$

其中，τ是实验阈值。

步骤210，判断匹配是否完成，也就是说，像素点p_j是否与其模型集合中的所有候选模型进行了匹配；如果是，则执行步骤211；否则，返回步骤201，即选取模型集合中的下一个候选模型继续进行上述匹配过程；

步骤211，判断像素点p_j是否与其模型集合中的所有候选模型均未匹配成功；如果是，则执行步骤212；否则，结束像素点p_j的匹配过程；

步骤212，判断当前时刻模型集合中的候选模型个数是否小于每个像素允许的最大模型个数，并且所述像素点及该像素点之外的所有像素点的模型集合中的模型个数之和小于预先为所述视频图像中所有像素点设置的模型总个数；如果是，则执行步骤213；否则执行步骤214；

步骤213，增加新的候选模型，然后，结束像素点p_j的匹配过程；

步骤214，替换模型集合中的某个候选模型，然后，结束像素点p_j的匹配过程。

上述步骤213和步骤214中增加候选模型和替换候选模型的具体方式如下：

增加候选模型：如果当前时刻所述模型集合中的候选模型个数小于每个像素允许的最大模型个数，并且像素点p_j及该像素点p_j之外的所有像素点的模型集合的模型个数之和小于预先为所述视频图像帧中所有像素点的模型总个数，则为像素点p_j增加一个新的候选模型，并将所述新的候选模型加入到所述模型集合中。

也就是说，若像素点p_j与已有候选模型均匹配失败，在满足(9)、(10)式的约束条件下自动地增加一个候选模型，候选模型的参数按(11)、(12)式进行初始化。

l_j＜r                             (9)

$\underset{a=1}{\overset{j}{\mathrm{\&Sigma;}}}{l}_{a,t}\&le;m\&times;n\&times;s---\left(10\right)$

l_j＝l_j+1                          (11)

${\mathrm{\&mu;}}_{j,t}^{l_j}=c_j,L_{j,t}^{l_j,u}=1,L_{j,t}^{l_j,w}=0---\left(12\right)$

替换候选模型：如果当前时刻所述模型集合中的候选模型个数大于或等于每个像素允许的最大模型个数，或者像素点p_j及该像素点p_j之外的所有像素点的模型集合中的模型个数之和大于或等于预先为所述视频图像帧中所有像素点的模型总数，则通过一个新的候选模型替换掉所述模型集合中的一个匹配成功次数最少的候选模型。

也就是说，若像素点p_j与已有候选模型均匹配失败，并且不满足上述(9)、(10)式的约束条件，则将像素点p_j的模型集合L_j，t中匹配总次数最少的候选模型i删除，再重新增加一个候选模型，并按上述(12)式进行初始化。其中：

$i=\underset{i^{\&prime;}:i^{\&prime;}\&Element;L_{j,t}}{\arg \min }{L}_{j,t}^{i^{\&prime;},u}---\left(13\right)$

当然，本发明实施例并不限定上述几种调整方式，还可以采用其他调整方式。

在本发明实施例中，对于前景点的检测，不仅在时域上进行背景模型的匹配，而且在空域上进行背景模型的匹配。下面对此分别进行详细说明。

时域上的背景模型匹配：在时间域上，若当前帧中像素点p_j与其背景模型B中的任意一个模型匹配，那么像素点p_j为背景像素点，匹配的判断条件如(14)式：

$H_j=\left\{\begin{array}{cc}0,& 0\&le;|c_j-{\mathrm{\&mu;}}_{j,t}^i|\&le;\mathrm{\&sigma;}\\ 1,& |c_j-{\mathrm{\&mu;}}_{j,t}^i|>\mathrm{\&sigma;}\end{array}\right.,L_{j,t}^i\&Element;B---\left(14\right)$

其中，H_j表示像素点p_j的二值像素值，H_j为0表示当前像素点为背景点，H_j为1表示当前像素点为前景点。

空域上的背景模型匹配：设定当前像素点p_j周围大小为N×N的邻域观察窗口，在该窗口中所有像素点(当前点除外)的背景模型构成的背景模型集合为

若当前帧中像素点p_j与背景模型集合

中的任意一个模型匹配，那么像素点p_j为背景像素。匹配的判断条件如(15)式：

上式中

是

中的某个背景模型。

本发明实施例采用邻域的思想，将当前像素点与不包含该像素点在内的小邻域内所有像素点的背景模型进行匹配，判断其是否为前景点，以此消除动态背景干扰的影响。因为在背景干扰(如树叶摇晃)的复杂动态场景中，被认为是前景的像素点，有可能在邻域位置内找到与之匹配的背景模型。

其中，根据场景的复杂程度，邻域观察窗口的大小可行自定义。N越大，克服背景频繁变化的能力越强，但处理时间也越长，且容易导致小的前景目标丢失。对于背景目标物运动范围较小(如树木晃动不是很大的情况)，采取3×3的邻域尺寸即可。

本发明实施例前景检测方法，针对每帧图像，在所有图像像素模型总个数固定的情况下，对于频繁变化的背景点，当达到像素点的模型个数平均上限时，在不超过图像模型总个数的前提下，通过借用相对稳定的区域的像素点的未用模型个数的名额，提高上述背景点对应的像素点的模型个数，也就是说，在模型总数不变的前提下，对于灰度值或颜色值频繁变化的像素点，动态多分配一些模型个数，用于描述它的灰度值或颜色值；对于灰度值或颜色值相对稳定的像素点，则动态少分配一些模型个数，用于描述它的灰度值或颜色值，从而提高了处理背景变化的能力，能够将前景更为准确地检测出来。

相应地，本发明实施例还提供一种前景检测系统，如图3所示，是该系统的一种结构示意图。

在该实施例中，所述系统包括：

图像获取单元301，用于获取视频图像帧；

像素点提取单元302，用于依次提取所述图像帧中各像素点p_j；

匹配单元303，用于将所述像素点p_j与预先生成的所述像素点p_j的模型集合中的候选模型进行匹配；

调整确定单元304，用于根据所述匹配单元的匹配结果，动态调整所述像素点p_j的模型集合中候选模型个数及更新模型参数，并确定所述像素点p_j的背景模型B；

判断单元305，用于在所述像素点p_j与所述背景模型B中的所有模型都不匹配，并且所述像素点p_j与背景模型集合

中的所有模型都不匹配，所述背景模型集合

包括所述像素点p_j的周围邻域观察窗口内除所述像素点p_j之外的所有像素点的背景模型时，确定所述像素点p_j为前景点。

在本发明实施例中，还可进一步包括：初始化单元(未图示)，用于为每个像素点p_j设置一个初始模型，并将所述初始模型作为候选模型加入到所述像素点p_j的模型集合中。比如，设置初始化模型的参数为：l_j＝1， ${\mathrm{\&mu;}}_{j,t_0}^1=c_j,$ $L_{j,t_0}^{1,u}=1,$ $L_{j,t_0}^{1,w}=0,$ 其中：

l_j表示所述像素点p_j的候选模型个数；

表示所述像素点p_j在初始时刻t₀的第1个候选模型的算术平均值，c_j表示所述像素当前的灰度值；

表示在初始时刻t₀所述像素点p_j与第1个候选模型

匹配的总次数；

表示在初始时刻t₀所述像素点p_j连续未与第1个候选模型

匹配的次数。

在本发明实施例中，所述调整确定单元304的一种优选结构包括：参数更新子单元、调整子单元和背景模型确定子单元。其中：

所述参数更新子单元用于在所述像素点p_j与所述模型集合中的一个候选模型匹配完成后，对应更新所述候选模型的参数；

背景模型确定子单元用于在所述像素点p_j与一个候选模型匹配成功，并且匹配成功的次数达到设定次数时，将该候选模型添加到所述像素点p_j的背景模型B中；

所述调整子单元用于在所述像素点p_j与一个候选模型匹配失败，并且该候选模型已经过期时，从所述模型集合中删除所述候选模型；所述调整子单元还用于在所述像素点p_j与所述模型集合中的所有候选模型匹配完成后，所述像素点p_j与所有候选模型匹配失败，增加或替换所述模型集合中的候选模型。

在本发明实施例中，所述参数更新子单元可以按照前面公式(3)至(6)来更新模型参数，对于候选模型在t+1时刻的均值按下述公式更新：

${\mathrm{\&mu;}}_{j,t+1}^i=\left\{\begin{array}{cc}\frac{1}{L_{j,t+1}^{i,u}}({\mathrm{\&mu;}}_{j,t}^i{L}_{j,t}^{i,u}+c_j)& ,L_{j,t}^{i,u}<\mathrm{\&zeta;}\\ \frac{1}{L_{j,t}^{i,u}+1}({\mathrm{\&mu;}}_{j,t}^i{L}_{j,t}^{i,u}+c_j)& ,\mathrm{else}\end{array}\right.,$

其中：

表示在t+1时刻所述像素点p_j第i个模型的算术平均值；

表示在t时刻所述像素点p_j第i个模型的算术平均值，c_j表示所述像素当前时刻的灰度值；

表示在t时刻所述像素点p_j与第i个候选模型匹配的总次数；

表示在t+1时刻所述像素点p_j与第i个候选模型匹配的总次数。

ζ为预设的每个候选模型的最大匹配次数。

另外，所述调整子单元可以按以下方式增加或替换所述模型集合中的候选模型：

如果当前时刻所述模型集合中的候选模型个数小于每个像素点允许的最大模型个数，并且所述像素点p_j及该像素点p_j之外的所有像素点的模型集合中的模型个数之和小于预先为所述视频图像帧中所有像素点设置的模型总个数，则为所述像素点p_j增加一个新的候选模型，并将所述新的候选模型加入到所述模型集合中；

如果当前时刻所述模型集合中的候选模型个数大于或等于每个像素点允许的最大模型个数，并且所述像素点p_j及该像素点p_j之外的所有像素点的模型集合中的模型个数之和大于或等于预先为所述视频图像帧中所有像素点设置的模型总个数，则通过一个新的候选模型替换掉所述模型集合中的一个匹配成功次数最少的候选模型。

上述调整子单元删除、增加、删除候选模型的具体过程可参照前面本发明实施例前景检测方法中的描述，在此不再赘述。

本发明实施例前景检测系统，针对每帧图像，在所有图像像素模型总个数固定的情况下，对于频繁变化的背景点，当达到像素点的模型个数平均上限时，在不超过图像模型总个数的前提下，通过借用相对稳定的区域的像素点的未用模型个数的名额，提高上述背景点对应的像素点的模型个数，也就是说，在模型总数不变的前提下，对于灰度值或颜色值频繁变化的像素点，动态多分配一些模型个数，用于描述它的灰度值或颜色值；对于灰度值或颜色值相对稳定的像素点，则动态少分配一些模型个数，用于描述它的灰度值或颜色值，从而提高了处理背景变化的能力，能够将前景更为准确地检测出来。

利用本发明实施例前景检测方法及系统，能够使背景模型个数随着场景的变化动态调整，从而可以有效地提高前景检测的准确度。

如图4所示，针对有复杂背景干扰的waving trees序列，利用本发明实施例的方法进行前景检测时，得到的背景模型个数所属颜色的分布图。

图中白色、灰色和黑色区域分别代表了模型个数小于5、模型个数在5到7之间(含5和7)和模型个数大于7的像素点集合。从图中可以看出，对于树木晃动频繁的区域，其像素点所具有的背景模型个数最多(图中黑色区域表示)。由此进一步验证了本发明实施例中的模型个数动态分配策略，能够使得背景模型个数随着场景的变化动态调整。

另外，相对于传统混合高斯模型，本发明实施例前景检测方法的结果准确性明显要高。

如图6所示，是本发明实施例中waving trees序列的第252帧图像。

分别利用传统混合高斯模型及本发明实施例的前景检测方法对图6所示图像进行前景检测，两种方法采用的像素点模型总个数相同，得到的检测结果分别如图7和图8所示。

从图7和图8所示结果图可以看出，对于频繁摇动的树木来说，传统的混合高斯建模方法当某个像素点的背景模型个数已经达到预想设定的上限时，无法再通过增加模型个数来解决树木晃动的问题。而本发明实施例的前景检测方法通过借用天空、楼房等稳定背景所对应的像素点的模型个数名额，增加了树木晃动区域像素点的背景模型个数，从而增加了解决树木晃动的能力，使得前景(即行走的人)检测更为准确。

通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例或者实施例的某些部分所述的方法。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

以上公开的仅为本发明的优选实施方式，但本发明并非局限于此，任何本领域的技术人员能思之的没有创造性的变化，以及在不脱离本发明原理前提下所作的若干改进和润饰，都应落在本发明的保护范围内。

Claims (12)

1.一种前景检测方法，其特征在于，包括：

获取视频图像帧；

依次提取所述图像帧中各像素点p_j；

将所述像素点p_j与预先生成的所述像素点p_j的模型集合中的候选模型进行匹配，根据匹配结果动态调整所述像素点p_j的模型集合中的候选模型个数及更新模型参数，并确定所述像素点p_j的背景模型B；

如果所述像素点p_j与所述背景模型B中的所有模型都不匹配，并且所述像素点p_j与背景模型集合

中的所有模型都不匹配，所述背景模型集合

包括所述像素点p_j的周围邻域观察窗口内除所述像素点p_j之外的所有像素点的背景模型，则确定所述像素点p_j为前景点。

2.如权利要求1所述的方法，其特征在于，所述方法还包括：

为每个像素点p_j设置一个初始模型，并将所述初始模型作为候选模型加入到所述像素点p_j的模型集合中。

3.如权利要求2所述的方法，其特征在于，所述为每个像素点p_j设置一个初始模型包括：

设置初始化模型的参数为：l_j＝1， ${\mathrm{\&mu;}}_{j,t_0}^1=c_j,$ ${\mathrm{\&mu;}}_{j,t_0}^{1,u}=1,$ $L_{j,t_0}^{1,w}=0,$ 其中：

l_j表示所述像素点p_j的候选模型个数；

表示所述像素点p_j在初始时刻t₀的第1个候选模型的算术平均值，c_j表示所述像素点p_j当前的灰度值；

表示在初始时刻t₀所述像素点p_j与第1个候选模型

匹配的总次数；

表示在初始时刻t₀所述像素点p_j连续未与第1个候选模型

匹配的次数。

4.如权利要求1至3任一项所述的方法，其特征在于，所述根据匹配结果动态调整所述像素点p_j的模型集合中候选模型个数及更新模型参数，并确定所述像素点p_j的背景模型B包括：

在所述像素点p_j与所述模型集合中的一个候选模型匹配完成后，对应更新所述候选模型的参数；

如果所述像素点p_j与一个候选模型匹配失败，并且该候选模型已经过期，则从所述模型集合中删除所述候选模型；

如果所述像素点p_j与一个候选模型匹配成功，并且匹配成功的次数达到设定次数，则将该候选模型添加到所述像素点p_j的背景模型B中；

在所述像素点p_j与所述模型集合中的所有候选模型匹配完成后，如果所述像素点p_j与所有候选模型匹配失败，则增加或替换所述模型集合中的候选模型。

5.如权利要求4所述的方法，其特征在于，所述对应更新所述候选模型的参数包括：

所述候选模型在t+1时刻的均值按下述公式更新：

${\mathrm{\&mu;}}_{j,t+1}^i=\left\{\begin{array}{cc}\frac{1}{L_{j,t+1}^{i,u}}({\mathrm{\&mu;}}_{j,t}^i{L}_{j,t}^{i,u}+c_j)& ,L_{j,t}^{i,u}<\mathrm{\&zeta;}\\ \frac{1}{L_{j,t}^{i,u}+1}({\mathrm{\&mu;}}_{j,t}^i{L}_{j,t}^{i,u}+c_j)& ,\mathrm{else}\end{array}\right.,$

其中：

表示在t+1时刻所述像素点p_j第i个候选模型的算术平均值；

表示在t时刻所述像素点p_j第i个候选模型的算术平均值，c_j表示所述像素当前时刻的灰度值；

表示在t时刻所述像素点p_j与第i个候选模型匹配的总次数；

表示在t+1时刻所述像素点p_j与第i个候选模型匹配的总次数；

ζ为预设的每个候选模型的最大匹配次数。

6.如权利要求4所述的方法，其特征在于，所述增加或替换所述模型集合中的候选模型包括：

确定当前时刻所述模型集合中的候选模型个数是否小于每个像素点允许的最大模型个数，并且所述像素点p_j及该像素点p_j之外的所有像素点的模型集合中的模型个数之和小于预先为所述视频图像帧中所有像素点设置的模型总个数；

如果是，则为所述像素点p_j增加一个新的候选模型，并将所述新的候选模型加入到所述模型集合中；

如果否，则通过一个新的候选模型替换掉所述模型集合中的一个匹配成功次数最少的候选模型。

7.如权利要求6所述的方法，其特征在于，所述为所述像素点p_j增加一个新的候选模型包括：

设置新的候选模型的参数为： ${\mathrm{\&mu;}}_{j,t}^{l_j}=c_j,$ ${\mathrm{\&mu;}}_{j,t}^{l_j,u}=1,$ $L_{j,t}^{l_j,w}=0,$ 其中，l_j＝l_j+1，其中：

表示在当前时刻t所述像素点p_j的第l_j个候选模型的算术平均值，c_j表示所述像素点p_j当前的灰度值；

表示在当前时刻t所述像素点p_j与第l_j个候选模型匹配的总次数；

表示在当前时刻t所述像素点p_j连续未与第l_j个候选模型匹配的次数。

8.如权利要求6所述的方法，其特征在于，所述通过一个新的候选模型替换掉所述模型集合中的一个匹配成功次数最少的候选模型包括：

将所述模型集合中的一个匹配成功次数最少的候选模型删除；

增加一个新的候选模型，所述新的候选模型的参数为： ${\mathrm{\&mu;}}_{j,t}^{l_j}=c_j,$ ${\mathrm{\&mu;}}_{j,t}^{l_j,u}=1,$ $L_{j,t}^{l_j,w}=0,$ 其中：

表示在当前时刻t所述像素点p_j的第l_j个候选模型的算术平均值，c_j表示所述像素点p_j当前的灰度值；

表示在当前时刻t所述像素点p_j与第l_j个候选模型匹配的总次数；

表示在当前时刻t所述像素点p_j连续未与第l_j个候选模型匹配的次数。

9.一种前景检测系统，其特征在于，包括：

图像获取单元，用于获取视频图像帧；

像素点提取单元，用于依次提取所述图像帧中各像素点p_j；

匹配单元，用于将所述像素点p_j与预先生成的所述像素点p_j的模型集合中的候选模型进行匹配；

调整确定单元，用于根据所述匹配单元的匹配结果，动态调整所述像素点p_j的模型集合中候选模型个数及更新模型参数，并确定所述像素点p_j的背景模型B；

判断单元，用于在所述像素点p_j与所述背景模型B中的所有模型都不匹配，并且所述像素点p_j与背景模型集合中的所有模型都不匹配，所述背景模型集合

包括所述像素点p_j的周围邻域观察窗口内除所述像素点p_j之外的所有像素点的背景模型时，确定所述像素点p_j为前景点。

10.如权利要求9所述的系统，其特征在于，所述系统还包括：

初始化单元，用于为每个像素点p_j设置一个初始模型，并将所述初始模型作为候选模型加入到所述像素点p_j的模型集合中。

11.如权利要求9或10所述的系统，其特征在于，所述调整确定单元包括：

参数更新子单元，用于在所述像素点p_j与所述模型集合中的一个候选模型匹配完成后，对应更新所述候选模型的参数；

调整子单元，用于在所述像素点p_j与一个候选模型匹配失败，并且该候选模型已经过期时，从所述模型集合中删除所述候选模型；

背景模型确定子单元，用于在所述像素点p_j与一个候选模型匹配成功，并且匹配成功的次数达到设定次数时，将该候选模型添加到所述像素点p_j的背景模型B中；

所述调整子单元，还用于在所述像素点p_j与所述模型集合中的所有候选模型匹配完成后，所述像素点p_j与所有候选模型匹配失败，增加或替换所述模型集合中的候选模型。

12.如权利要求11所述的系统，其特征在于，所述调整子单元，具体用于按以下方式增加或替换所述模型集合中的候选模型：

如果当前时刻所述模型集合中的候选模型个数小于每个像素点允许的最大模型个数，并且所述像素点p_j及该像素点p_j之外的所有像素点的模型集合中的模型个数之和小于预先为所述视频图像帧中所有像素点设置的模型总个数，则为所述像素点p_j增加一个新的候选模型，并将所述新的候选模型加入到所述模型集合中；

如果当前时刻所述模型集合中的候选模型个数大于或等于每个像素点允许的最大模型个数，并且所述像素点p_j及该像素点p_j之外的所有像素点的模型集合中的模型个数之和大于或等于预先为所述视频图像帧中所有像素点设置的模型总个数，则通过一个新的候选模型替换掉所述模型集合中的一个匹配成功次数最少的候选模型。

Images