CN102938152A - 一种视频监控中的背景建模方法 - Google Patents

Abstract

本发明提供一种视频监控中的背景建模方法，该方法采用单高斯模型进行背景建模，所述单高斯模型的学习速率随着视频帧颜色和纹理特征的变化而变化。可变的学习速率使得前景物体不会融入背景，背景的光线变化却能很好的更新到新的背景中来。这样有效地提高了提取背景的有效性。视频帧的颜色空间采用了HSL空间，把颜色和亮度分立，可变的学习速率是基于颜色和纹理特征进行变化的，使得前景物体不被融入背景；由于没有用到亮度特征，背景的亮度变化又能很好地更新到背景中。

Description

一种视频监控中的背景建模方法

技术领域

本发明涉及一种安防系统视频监控中遗留物检测的背景建模方法。

背景技术

近年来，随着社会对公共安全的不断重视，对于人流密集场所的抗议遗留物的检测己成为安防系统不可或缺的部分。遗留物检测方法一般包括如下几个步骤：背景提取、前景分割、静态区域检测和物体分类跟踪。其中，背景提取是遗留物检测的最基本步骤。一般的背景提取方法都假定背景为静态，在静态的基础上有微弱的光线变化，因此现有方法多采用混合高斯模型对背景进行建模。但是这种采用混合高斯模型对背景进行建模的方法会把长时间遗留的物体学习到背景模型中，使得背景模型和当前帧的差异消失，从而导致整个检测机制失效。

发明内容

本发明针对现有技术中的上述问题，提出了一种基于可变学习速率的背景建模方法。实验显示，该方法有效地解决了较长时间后前景物体融入背景中的问题。

本发明采用如下技术方案：

一种视频监控中的背景建模方法，该方法采用单高斯模型进行背景建模，其特征在于：所述单高斯模型的学习速率随着视频帧颜色和纹理特征的变化而变化，并按照如下公式更新单高斯模型的均值和方差：

μ_t=μ_t-1+α(p)(x_t-μ_t-1)

${\mathrm{\σ}}_t^2={\mathrm{\σ}}_{t-1}^2+\mathrm{\α}\left(p\right){(x_t-{\mathrm{\μ}}_{t-1})}^T(x_t-{\mathrm{\μ}}_{t-1})$

其中μ为像素值的均值，σ²为像素分布的方差，x为像素值，下标t表示时间，上标T表示转置；α(p)为学习速率，p表示像素，其中α₀为最大学习速率，d_m和d为两个预先定义的常数；为混合差异，由颜色差异和纹理差异加权求和得到，

的计算方法为：

其中，w_t(p)为纹理差异d_t(p)的权值，w_c(p)为颜色差异d_c(p)的权值，W_c(p)=1-w_t(p)，并且

$w_t\left(p\right)=\left\{\begin{array}{cc}1& \mathrm{if}{g}_i\left(p\right)>T_w\\ \frac{g_i\left(p\right)}{T_w}& \mathrm{if}{g}_i\left(p\right)\≤T_w\end{array}\right.,$

其中

T_w的值是由图像的噪声来决定的，T_w＝kσ_l，σ_l是图像L部分的标准差，k是系数，

是像素p周围包含M个像素的邻域；

其中，C_ii(p)=f′_i(p)·f′_i(p)=||f′_i(p)||²   i=1,2

      C₁₂(p)=f′₁(p)·f′₂(p)=‖f′₁(p)||·||f′₂(p)‖cosθ

f′_i(p)是在图像中像素点p的梯度向量，θ是梯度向量之间的夹角，

x方向和y方向的梯度可以用sobel算子得到；

其中，

f_b，h，f_b，s，f_b，l分别表示背景的H、S和L部分，f_c，h，f_c，s，f_c，l分别表示当前帧的H、S和L部分，

和

表示背景的H、S和L部分的方差，H、S、L分别表示HSL色彩模式中的色调、饱和度和亮度，

表示两幅图像间的亮度差异，

表示两幅图像间的色调差异，K1、K2、K3是三个参数，由训练数据得到。

附图说明

图1是采用混合高斯模型和本发明提出的基于可变学习速率的单高斯模型学习的视频帧背景对比效果图。

具体实施方式

下面结合附图与实施例对本发明作进一步说明。

我们对PETS 2006数据库中的100个具有groundtruth的视频进行训练，得到K1、K2、K3。当

时，我们认为像素p为背景像素。当

时，我们认为像素p为前景像素。而对于

这样的中间区域，我们需要利用

作为辅助判断依据。当

时，我们认为像素p为阴影区域，属于背景像素，反之为前景像素。按照如下公式进行单高斯模型均值和方差的更新。

μ_t=μ_t-1+α(p)(x_t-μ_t-1)

${\mathrm{\σ}}_t^2={\mathrm{\σ}}_{t-1}^2+\mathrm{\α}\left(p\right){(x_t-{\mathrm{\μ}}_{t-1})}^T(x_t-{\mathrm{\μ}}_{t-1})$

其中μ为像素值的均值，σ²为像素分布的方差，x为像素值，下标t表示时间，上标T表示转置；α(p)为学习速率，p表示像素，其中α₀为最大学习速率，d_m和d为两个预先定义的常数；

为混合差异，由颜色差异和纹理差异加权求和得到，

的计算方法为：

其中，w_t(p)为纹理差异d_t(p)的权值，w_c(p)为颜色差异d_c(p)的权值，w_c(p)=1-w_t(p)，并且

$w_t\left(p\right)=\left\{\begin{array}{cc}1& \mathrm{if}{g}_i\left(p\right)>T_w\\ \frac{g_i\left(p\right)}{T_w}& \mathrm{if}{g}_i\left(p\right)\≤T_w\end{array}\right.,$

其中

T_w的值是由图像的噪声来决定的，T_w=kσ_l，σ_l是图像L部分的标准差，k是系数，这里取T_w=10σ_l，

是像素p周围包含M个像素的邻域；

其中，C_ii(p)=f′_i(p)·f′_i(p)=‖f′_i(p)‖²  i=1，2

      C₁₂(p)=f′₁(p)·f′₂(p)=‖f′₁(p)||·||f′₂(p)‖cosθ

f′_i(p)是在图像中像素点p的梯度向量，θ是梯度向量之间的夹角，

x方向和y方向的梯度可以用sobel算子得到；

其中，

f_b，h，f_b，s，f_b，l分别表示背景的H、S和L部分，f_c，h，f_c，s，f_c，l分别表示当前帧的H、S和L部分，

和表示背景的H、S和L部分的方差，H、S、L分别表示HSL色彩模式中的色调、饱和度和亮度，

表示两幅图像间的亮度差异，

表示两幅图像间的色调差异。

从公式中我们可以看到，随着

的增大，α(p)不断趋于0，而随着

的减小，α(p)不断趋于α₀。所以该模型对于图像中的前景部分(

往往较大)持有较低的学习速率，而对于背景及阴影部分(

值往往较小)有着较大的学习速率。这样就保证了遗留物能长时间不融入背景，而背景中的光线变化却能很好的学习到背景模型中来。

本发明中，背景模型的构建采用了基于可变学习速率的单高斯模型，可变的学习速率(这个学习速率是基于颜色和纹理特征的)使得前景物体不会融入背景，背景的光线变化却能很好的更新到新的背景中来。这样有效地提高了提取背景的有效性。视频帧的颜色空间采用了HSL空间，把颜色和亮度分立，可变的学习速率是基于颜色和纹理特征进行变化的，使得前景物体不被融入背景；由于没有用到亮度特征，背景的亮度变化又能很好地更新到背景中。

我们用0.5做阈值分割，把当前帧与背景混合差异大于0.5的像素分为前像素，而小于0.5的作为背景像素。混合高斯模型和本发明提出的基于可变学习速率的单高斯模型学习的背景对比效果展示在图1中。可以看到，利用混合高斯模型的方法会逐渐把遗留物融入背景模型中，而基于可变学习速率的单高斯模型很好的把遗留物体排斥在了背景之外而同时把周围环境的阴影部分很好的融入了进来。

Claims (2)

1.一种视频监控中的背景建模方法，该方法采用单高斯模型进行背景建模，其特征在于：所述单高斯模型的学习速率随着视频帧颜色和纹理特征的变化而变化，并按照如下公式更新单高斯模型的均值和方差：

μ_t=μ_t-1+α(p)(x_t-μ_t-1)

${\mathrm{\σ}}_t^2={\mathrm{\σ}}_{t-1}^2+\mathrm{\α}\left(p\right){(x_t-{\mathrm{\μ}}_{t-1})}^T(x_t-{\mathrm{\μ}}_{t-1})$

其中μ为像素值的均值，σ²为像素分布的方差，x为像素值，下标t表示时间，上标T表示转置；α(p)为学习速率，p表示像素，其中α₀为最大学习速率，d_m和d为两个预先定义的常数；

为混合差异，由颜色差异和纹理差异加权求和得到，

的计算方法为：

其中，w_t(p)为纹理差异d_t(p)的权值，w_c(p)为颜色差异d_c(p)的权值，w_c(p)=1-w_t(p)，并且

$w_t\left(p\right)=\left\{\begin{array}{cc}1& \mathrm{if}{g}_i\left(p\right)>T_w\\ \frac{g_i\left(p\right)}{T_w}& \mathrm{if}{g}_i\left(p\right)\≤T_w\end{array}\right.,$

其中

T_w的值是由图像的噪声来决定的，T_w=kσ_l，σ_l是图像L部分的标准差，k是系数，

是像素p周围包含M个像素的邻域；

其中，C_ii(p)=f′_i(p)·f′_i(p)=||f′_i(p)||²    i=1，2

      C₁₂(p)=f′₁(p)·f′₂(p)=‖f′₁(p)||·||f′₂(p)‖cosθ

f′_i(p)是在图像中像素点p的梯度向量，θ是梯度向量之间的夹角，

x方向和y方向的梯度可以用sobel算子得到；

其中，

f_b，h，f_b，s，f_b，l分别表示背景的H、S和L部分，f_c，h，f_c，s，f_c，l分别表示当前帧的H、S和L部分，

和

表示背景的H、S和L部分的方差，H、S、L分别表示HSL色彩模式中的色调、饱和度和亮度，

表示两幅图像间的亮度差异，表示两幅图像间的色调差异，K1、K2、K3是三个参数，由训练数据得到。

2.根据权利要求1所述的视频监控中的背景建模方法，其特征在于：K1、K2、K3通过利用具有groundtruth的视频库中的多个视频进行训练得到。