CN103530886A - 一种视频分析低运算量背景去除方法 - Google Patents

Abstract

本发明公开了一种视频分析低运算量背景去除方法，它涉及一种背景去除方法。背景去除方法步骤为：(1)图像分块：将视频中的一帧图像分割成由MxN个像素构成的图像子块。接下来将对每一个图像块计算该图像块的局部对比度。M和N的选取可视应用而定，一般可以选取M=8,N=8；(2)计算局部对比度：针对上述每一个图像块，根据下述定义计算出该图像子块对应的局部对比度C_L；(3)建立每一个图像快局部对比度的混合高斯模型；(4)判断前背景：根据当前帧的每一个图像子块的局部对比度的值及该图像块当前的混合高斯模型的参数来判断该图像子块在当前帧中是否为前景。本发明保持自适应学习背景的特色，大大降低运算量和虚警率。

Description

一种视频分析低运算量背景去除方法

技术领域

 本发明涉及的是，具体涉及一种视频分析低运算量背景去除方法。

背景技术

背景去除是智能视频分析中最重要的步骤之一。视频中大部分像素，都是长久不变的，背景去除可以将视频中不变的背景去除掉，留下发生变化的前景。混合高斯模型背景去除是目前最流行的背景去除方法。混合高斯模型使用K（基本为3到5个）个高斯模型来表征图像中各个像素点的特征,在新一帧图像获得后更新混合高斯模型,用当前图像中的每个像素点与混合高斯模型匹配,如果成功则判定该点为背景点, 否则为前景点。通观整个高斯模型，主要是有方差和均值两个参数决定，对均值和方差的学习,采取不同的学习机制,将直接影响到模型的稳定性、精确性和收敛性。

高斯模型就是用高斯概率密度函数（正态分布曲线）精确地量化事物，将一个事物分解为若干的基于高斯概率密度函数（正态分布曲线）形成的模型。对图像背景建立高斯模型的原理及过程：图像灰度直方图反映的是图像中某个灰度值出现的频次，也可以以为是图像灰度概率密度的估计。

混合高斯模型背景去除方法的优点是可以自适应学习，不会受到早晚光线变化的影响。

缺点主要有：

1.运算量比较大，针对每一个像素都要建立一个混合高斯模型；

2.因为是以单个像素为处理单位，比较容易产生虚警。

发明内容

针对现有技术上存在的不足，本发明目的是在于提供一种视频分析低运算量背景去除方法，保持自适应学习背景的特色，且大大降低运算量和虚警率。

为了实现上述目的，本发明是通过如下的技术方案来实现：一种视频分析低运算量背景去除方法，其方法步骤为：

(1).    图像分块

将视频中的一帧图像分割成由MxN个像素构成的图像子块。接下来将对每一个图像块计算该图像块的局部对比度。M和N的选取可视应用而定，一般可以选取M=8,N=8。

(2).    计算局部对比度

针对上述每一个图像块，根据下述定义计算出该图像子块对应的局部对比度C_L。

局部对比度（ Local Contrast）定义为：

                      (1)

其中m_L是图像块的灰度均值，

                 (2)

I(i,j)是第i,j像素的灰度值。

s_L是图像块的标准差，

              (3)

当均值较小时，即对应于场景较暗处，根据公式（1），局部对比度LC比较大，因此能提高暗处的辨识能力。

(3).    建立每一个图像快局部对比度的混合高斯模型

对于图像序列来说，每个图像子块的局部对比度对应一个随机变量，那该变量是否可以用高斯混合模型来经过测试发现，局部对比度基本符合高斯分布，是可以用混合高斯模型来对局部对比度建模（局部对比度的值不需要归一化，与GMM相比，需要调整模型中的均值和方差）。

因此我们针对每个图像块的局部对比度建立一个混合高斯模型，并且使用后续每一帧图像中相同位置的子块所计算出的C_L值来更新该混合高斯模型；

(4).    判断前背景

根据当前帧的每一个图像子块的局部对比度的值以及该图像块当前的混合高斯模型的参数来判断该图像子块在当前帧中是否为前景。

本发明保持自适应学习背景的特色，且大大降低运算量和虚警率。

附图说明

下面结合附图和具体实施方式来详细说明本发明；

    图1为本发明的LCGMM算法流程图。

  

具体实施方式

为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。

参照图1，本具体实施方式采用以下技术方案：一种视频分析低运算量背景去除方法，其步骤为：

(1).图像分块

将视频中的一帧图像分割成由MxN个像素构成的图像子块。接下来将对每一个图像块计算该图像块的局部对比度。M和N的选取可视应用而定，一般可以选取M=8,N=8。

(2)、计算局部对比度

针对上述每一个图像块，根据下述定义计算出该图像子块对应的局部对比度C_L。

局部对比度（ Local Contrast）定义为：

                      (1)

其中m_L是图像块的灰度均值，

                 (2)

I(i,j)是第i,j像素的灰度值。

s_L是图像块的标准差，

              (3)

当均值较小时，即对应于场景较暗处，根据公式（1），局部对比度LC比较大，因此能提高暗处的辨识能力。

(3).建立每一个图像快局部对比度的混合高斯模型

对于图像序列来说，每个图像子块的局部对比度对应一个随机变量，那该变量是否可以用高斯混合模型来经过测试发现，局部对比度基本符合高斯分布，是可以用混合高斯模型来对局部对比度建模（局部对比度的值不需要归一化，与GMM相比，需要调整模型中的均值和方差）。

因此我们针对每个图像块的局部对比度建立一个混合高斯模型，并且使用后续每一帧图像中相同位置的子块所计算出的C_L值来更新该混合高斯模型；

(4).判断前背景

根据当前帧的每一个图像子块的局部对比度的值以及该图像块当前的混合高斯模型的参数来判断该图像子块在当前帧中是否为前景。

本具体实施方式在具体实现方法：

1）用积分图求取每个block的均值和方差，以加快处理速度。求积分图时如果用float型精度，会由于累加误差（32位float有效长度不够）导致虚警。因此采用double型精度表示积分图中的每一个元素。

2）对于公式（1），如果

趋向于0，则LC会趋向于无穷。因此做如下修正：

                       (4)

3）分块尺寸对速度及性能的影响：分块越大，处理速度越快，但容易造成漏检；分块越小，速度越慢（极限情况，图像块尺寸选取为1x1，即对应GMM算法）。另外，由于分块相对图像内容的随机性，容易造成目标断裂或偏离图像块中心。因此，分块时允许图像块与图像块之间存在重叠。经过大量测试，图像块尺寸选取为8x8，扫描步长为4。

4）图像压缩对性能的影响：对于低码流视频，DCT变化或帧间预测等压缩算法带来的量化噪声非常明显，单个像素点不再满足高斯变化，由整个block信息计算出来的lc的分布也发生不可预测的变化，因此不可避免会有虚警出现。因此，该算法对码流有一定要求，比如对于D1：8Mbps,对于1080P：16Mbps。视频压缩会对于LC的分布产生较大的影响，导致部分区域前背景分割的失败。 一种解决方案是：当sigma<2时，令sigma=2，即给sigma设定一个最小值，测试效果较好，基本上没有虚警出现（还有零星一些噪声，应该是由于噪声(包括压缩带来的噪声)引起的）。处理速度：单线程不做任何优化的情况下，对于D1的视频，处理速度为10ms，对于1080p视频，处理速度为55ms。

本具体实施方式保持自适应学习背景的特色，且大大降低运算量和虚警率。

以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (1)

1.一种视频分析低运算量背景去除方法，其特征在于，背景去除方法步骤为：

(1).    图像分块

将视频中的一帧图像分割成由MxN个像素构成的图像子块,接下来将对每一个图像块计算该图像块的局部对比度,M和N的选取可视应用而定，一般可以选取M=8,N=8。

(2).    计算局部对比度

针对上述每一个图像块，根据下述定义计算出该图像子块对应的局部对比度C_L,

局部对比度（ Local Contrast）定义为：

                      (1)

其中m_L是图像块的灰度均值，

                 (2)

I(i,j)是第i,j像素的灰度值。

s_L是图像块的标准差，

              (3)

当均值较小时，即对应于场景较暗处，根据公式（1），局部对比度LC比较大，因此能提高暗处的辨识能力；

(3).    建立每一个图像快局部对比度的混合高斯模型

对于图像序列来说，每个图像子块的局部对比度对应一个随机变量，那该变量是否可以用高斯混合模型来经过测试发现，局部对比度基本符合高斯分布，是可以用混合高斯模型来对局部对比度建模；

因此我们针对每个图像块的局部对比度建立一个混合高斯模型，并且使用后续每一帧图像中相同位置的子块所计算出的C_L值来更新该混合高斯模型；

(4).    判断前背景

根据当前帧的每一个图像子块的局部对比度的值以及该图像块当前的混合高斯模型的参数来判断该图像子块在当前帧中是否为前景。