CN104715480B - 一种基于统计背景模型的目标检测方法 - Google Patents
一种基于统计背景模型的目标检测方法 Download PDFInfo
- Publication number
- CN104715480B CN104715480B CN201510107283.4A CN201510107283A CN104715480B CN 104715480 B CN104715480 B CN 104715480B CN 201510107283 A CN201510107283 A CN 201510107283A CN 104715480 B CN104715480 B CN 104715480B
- Authority
- CN
- China
- Prior art keywords
- background
- statistical
- model
- value
- cluster
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于统计背景模型的目标检测方法,该方法包括以下步骤:针对光照变化运用一种新的自适应高斯混合模型技术,构建基于全局信息的背景统计模型;针对动态变化,在对背景图像基于自整定谱聚类的基础上,通过核密度估计方式,构建基于局部信息的背景统计模型。本发明能在光照与动态扰动情况下,构建出一种稳健的背景模型,从而实现对前景目标的精确检测。
Description
技术领域
本发明涉及一种目标检测方法,尤其涉及一种基于统计背景模型的目标检测方法,属于图像处理技术领域。
背景技术
从视频图像中检测出感兴趣的目标是计算机视觉的一个基础问题。可视化监视和监测系统通常采用静态摄像头,从静止背景中分离运动物体,实现目标的检测。由于不需先验数据,基于背景差分的目标检测法在实际应用中非常广泛。然而,将背景差分法运用于户外视频目标检测时,检测效果往往不理想,这主要是由于场景光照变化和背景动态变化。在户外视频检测中,背景变化包括以下两种情况:(1)场景光照变化,如太阳的升起落下,云层的遮挡等;(2)背景动态变化:如树枝的摇动、树叶的落下,浮动的云层,湖面的波浪等。
为获得准确的前景检测结果,我们需克服以上背景变化。针对此问题,许多学者已提出基于统计方式的背景模型构建方法,其中高斯混合模型是一种常用方法。高斯混合模型可通过估测图像背景信息,实现目标检测。
背景减除法的核心是为每一个背景里的像素构建稳定模型。相关文献描述了一系列的背景构建方法,其中最简单的方法为基于时域的背景均值法,这方法具有建模过程简单、运算速度快等优点,但在环境光照变化和动态背景变化时的检测效果不甚理想。为解决此问题,有文献提出采用单高斯模型实现目标的实时跟踪与检测,然而,由于图像目标像素分布往往非常复杂,因而,一种更为精确的多分布模型随之产生并得到广泛运用——高斯混合模型。由于完全静止背景是现实中不存在的,因此,许多学者提出多种模型的背景建模:基于光照不变理论的背景建模;基于图形块的背景建模;基于自组织的背景建模;基于光照因子的背景建模,然而这些方法都是针对特定场景,存在一定局限性。
为克服场景光照变化和背景动态变化,越来越多方法倾向于将全局信息或者局部信息融合于统计模型。基于光照变化相似性的目标检测理论,尝试区别全局像素的变化特征,但这种方法的检测结果中往往混杂着不少噪声。Schutte和Groen提出将全局像素信息与统计方式相融合,得到增益因子的非迭代估计。基于局部区域像素相似性的目标检测方法,为一种解决场景动态变化方法。Koppal等人通过将局部信息与统计方式相融合,获得一种基于聚类级的概率密度分布,这种方法对场景动态变化的目标检测具有很好效果。
聚类是一种对像素进行相似性划分的图像处理方式,传统的K均值和期望最大是两种常用聚类方法。然而,这类聚类方法并不能用于复杂或未知的图像分析。由于基于参数自整定方式的聚类算法五需估计数据分布类型,而只是对像素间相似性矩阵进行谱分析,因此,基于参数自整定谱聚类算法对于解决数据分布未知情况下的聚类,表现出良好的性能。而本发明能够很好地解决上面的问题。
发明内容
本发明目的在于提出了一种基于统计背景模型的目标检测方法,该方法能在光照与动态扰动情况下,构建出一种稳健的背景模型,从而实现对前景目标的精确检测。
本发明解决其技术问题所采取的技术方案是:一种基于统计背景模型的目标检测方法,该方法包括如下步骤:
步骤1:依据初始图像帧序列分别建立像素级高斯混合模型与聚类级核密度估计模型;
步骤2:针对场景光照变化的视频序列,利用像素级高斯模型实现图像目标检测;
步骤3:针对背景变化的视频序列,利用聚类级核密度估计模型实现图像目标检测。
针对场景光照变化的目标检测,本发明是采用基于全局光照变化的统计因子当场景光照变化时,位于同一区域内的像素在相邻帧中的比例,具有一定的相似性。
在本发明中,基于马氏距离的全局光照变化因子用于构建高斯混合背景模型。针对背景动态变化的目标检测,本发明是基于聚类级差异值的背景模型。本发明为聚类像素特征建立统计概率密度分布,是采用背景变化的建模方式。
由于在背景变化的图像中,每个聚类由空间结构彼此相似的像素构成,因此,为聚类像素特征建立统计概率密度分布,能够有效克服由于背景变化带来的不利影响。实验表明,采用这种背景变化的建模方式,可有效克服由于背景变化而引起前景目标的误检。
本发明利用基于聚类级差异值背景模型构建分为两个步骤。(1)基于自整定参数的谱聚类,实现背景图像的聚类。这种谱聚类方法的主要特点在于:运用局部比例因子计算像素间相似性,获得类别数量;通过旋转特征向量生成最大限度的稀疏表示,解决不精确先验数据造成的干扰。(2)背景图像聚类后,构建基于局部差异值的特征表示:若某个聚类中心坐标为(x,y),同时在YUV像素空间里目标像素为X={D,U,Y}(这里D表示目标像素密度值Y与聚类密度值Yr的差值,且选取聚类密度值的中值表示聚类密度值Yr)。
本发明提出一种改进的高斯混合模型算法。该算法为图像中的每个像素构建基于全局光照变化因子的统计背景模型,且根据光照变化实时调整模型更新速率。本发明将一种新的自适应框架引入传统高斯混合模型的更新迭代过程中:在已有背景和当前新输入图像间引入全局光照变化因子g,且计算各个高斯模型的统计值cm;通过因子g跟踪光照变化,统计值cm记录有多少个数据点参与高斯的参数估计;参数更新时,利用初始学习速率α和当前统计值cm计算当前学习速率βm。
本发明中的高斯模型参数更新过程主要在以下两方面进行了改进:(1)当某一目标成为背景时,它不能破坏现有背景模型,即初始背景模型在高斯分布中保持稳定;当目标在视频序列中长时间出现时,它的权重将比cf大;当目标移动时,先前的背景模型将保持原有的估计密度与方差。(2)通过动态学习速率的更新,如果背景变化的速率很快,cm的值将变的更小,学习速率βm的值将增加,背景模型的更新速率将会随之变得更快,并获得很好的概率密度的估计。
本发明分别通过在自适应高斯混合模型中引入全局光照变化因子与局部差异值因子加以解决。
具体而言,本发明是通过将全局光照变化因子引入自适应高斯混合模型中,实现实时更新背景模型,有效克服由于光照变化引起的背景改变;同时,通过局部差异值因子将局部信息引入统计背景模型,有效克服背景动态变化,获得鲁棒性的目标检测结果。
有益效果:
1、本发明构建了更好地鲁棒性目标检测模型。
2、本发明提高了光照变化情况下目标检测的精度。
3、本发明提高了背景变化情况下目标检测的精度。
附图说明
图1为本发明的方法流程图。
具体实施方式
下面结合说明书附图对本发明创造作进一步的详细说明。
如图1所述,本发明提供了一种基于统计背景模型的目标检测方法,包括:首先针对光照变化运用自适应高斯混合模型,构建基于全局信息的背景统计模型;然后针对动态变化,在对背景图像基于自整定谱聚类的基础上,通过核密度估计方式,构建基于局部信息的背景统计模型。
本发明的基于统计背景模型的目标检测方法的一个优选实施方式,具体包括如下步骤:
步骤1:依据初始图像帧序列分别建立像素级高斯混合模型与聚类级核密度估计模型;
步骤2、针对光照变化运用自适应高斯混合模型,构建基于全局信息的背景统计模型。
通过观察可知:当场景光照变化时,位于同一区域内的像素在相邻帧中的比例,具有一定的相似性。
在本发明中,基于马氏距离的全局光照变化因子用于构建高斯混合背景模型。
本发明将一种新的自适应框架引入传统高斯混合模型的更新迭代过程中:在已有背景和当前新输入图像间引入全局光照变化因子g,且计算各个高斯模型的统计值cm;通过因子g跟踪光照变化,统计值cm记录有多少个数据点参与高斯的参数估计;参数更新时,利用初始学习速率α和当前统计值cm计算当前学习速率βm。
本发明中高斯模型参数更新过程主要在以下两方面进行了改进:(1)当某一目标成为背景时,它不能破坏现有背景模型,即初始背景模型在高斯分布中保持稳定;当目标在视频序列中长时间出现时,它的权重将增大;当目标移动时,先前的背景模型将保持原有的估计密度与方差。(2)通过动态学习速率的更新,如果背景变化的速率很快,cm的值将变的更小,学习速率βm的值将增加,背景模型的更新速率将会随之变得更快,并获得很好的概率密度的估计。
步骤3:针对动态变化,在对背景图像基于自整定谱聚类的基础上,通过核密度估计方式,构建基于局部信息的背景统计模型。
针对场景光照变化的目标检测,本发明提出基于全局光照变化因子的混合高斯模型。针对背景动态变化的目标检测,本发明提出基于聚类级差异值的背景模型。这是由于在动态变化背景中,每个聚类由空间结构彼此相似的像素构成,因此,为聚类像素特征建立统计概率密度分布,可有效克服由于背景的动态变化带来的不利影响。实验表明,采用这种背景动态变化的建模方式,可有效克服由于背景动态变化而引起前景目标的误检。
本发明利用基于聚类级差异值背景模型构建分为以下两个步骤:
(1)基于自整定参数的谱聚类,实现背景图像的聚类。这种谱聚类方法的主要特点在于:运用局部比例因子计算像素间相似性,获得类别数量;通过旋转特征向量生成最大限度的稀疏表示,解决不精确先验数据造成的干扰。该谱聚类算法的主要流程如下所述:
(2)背景图像聚类后,若某个聚类中心坐标为(x,y),同时在YUV像素空间里目标像素为X={D,U,Y}(这里D表示目标像素密度值Y与聚类密度值Yr的差值,且选取聚类密度值的中值表示聚类密度值Yr)。这样,就构建了基于局部差异值的特征表示方式。
如何建立稳健背景模型,有效去除视频前景目标阴影及克服背景动态变化,是图像处理一个重要课题。传统高斯模型易受光照变化影响,且易将动态变化的背景物体误检为前景目标,从而降低目标检测成功率。
针对以上背景建模过程中遇到的问题,本发明分别通过在自适应高斯混合模型中引入全局光照变化因子与局部差异值因子加以解决。具体而言,通过将全局光照变化因子引入自适应高斯混合模型中,实现实时更新背景模型,有效克服由于光照变化引起的背景改变;同时,通过局部差异值因子将局部信息引入统计背景模型,有效克服背景动态变化,获得鲁棒性的目标检测结果。
背景动态变化情况下的目标检测的具体步骤包括:首先,定义背景图像某一类别像素X为X={D,U,Y},其中D表示目标像素密度值Y与聚类密度值Yr的差值,且选取聚类密度值的中值表示聚类密度值Yr;然后,利用核密度法采集S个样本估计该类别的概率密度分布;最后,利用阈值Ts划分前景目标像素。
由于在背景动态变化时,来自同一类别像素与聚类代表的变化具有一定的相似性,它们间的差异值保持一定的稳定性。所以,在背景动态变化时,基于密度改变相似性的统计背景模型具有很好的前景目标检测性能。
相比现有的各种目标检测方法,本发明依据统计背景模型进行目标检测,能在光照与动态扰动情况下,构建出一种稳健的背景模型,从而实现对前景目标的精确检测。
Claims (7)
1.一种基于统计背景模型的目标检测方法,其特征在于,所述方法是基于聚类级差异值的背景模型;所述方法为聚类像素特征建立统计概率密度分布,是采用背景变化的建模方式,包括如下步骤:
步骤1:依据初始图像帧序列分别建立像素级高斯混合模型与聚类级核密度估计模型;
步骤2:针对场景光照变化的视频序列,利用像素级高斯模型实现图像目标检测;
步骤3:针对背景变化的视频序列,利用聚类级核密度估计模型实现图像目标检测;
高斯模型参数更新包括:(1)当某一目标成为背景时,它不能破坏现有背景模型,即初始背景模型在高斯分布中保持稳定;当目标在视频序列中长时间出现时,它的权重将增大;当目标移动时,先前的背景模型将保持原有的估计密度与方差;(2)通过动态学习速率的更新,如果背景变化的速率很快,统计值cm的值将变的小,当前学习速率βm的值将增加,背景模型的更新速率将会随之变得更快,并获得很好的概率密度的估计。
2.根据权利要求1所述的一种基于统计背景模型的目标检测方法,其特征在于,所述方法是采用基于全局光照变化的统计因子;当场景光照变化时,位于同一区域内的像素在相邻帧中的比例,具有相似性。
3.根据权利要求2所述的一种基于统计背景模型的目标检测方法,其特征在于,所述方法基于马氏距离的全局光照变化的统计因子用于构建高斯混合背景模型。
4.根据权利要求1所述的一种基于统计背景模型的目标检测方法,其特征在于,所述方法是利用基于聚类级差异值背景模型构建,包括:
步骤4-1:基于自整定参数的谱聚类,实现背景图像的聚类;包括:运用局部比例全局光照变化的统计因子计算像素间相似性,获得类别数量;通过旋转特征向量生成最大限度的稀疏表示,解决不精确先验数据造成的干扰;
步骤4-2:背景图像聚类后,构建基于局部差异值的特征表示:某个聚类中心坐标为(x,y),同时在YUV像素空间里目标像素为X={D,U,Y},这里D表示目标像素密度值Y与聚类密度值Yr的差值,且选取聚类密度值的中值表示聚类密度值Yr。
5.根据权利要求4所述的一种基于统计背景模型的目标检测方法,其特征在于:所述方法为图像中的每个像素构建基于全局光照变化的统计因子的统计背景模型,且根据光照变化实时调整模型更新速率;将一种新的自适应框架引入传统高斯混合模型的更新迭代过程中:在已有背景和当前新输入图像间引入全局光照变化的统计因子g,且计算各个高斯模型的统计值cm;通过全局光照变化的统计因子g跟踪光照变化,统计值cm记录有多少个数据点参与高斯的参数估计;参数更新时,利用初始学习速率α和当前统计值cm计算当前学习速率βm。
6.根据权利要求1所述一种基于统计背景模型的目标检测方法,其特征在于,所述方法分别通过在自适应高斯混合模型中引入全局光照变化的统计因子与局部差异值全局光照变化的统计因子;所述方法是通过将全局光照变化的统计因子引入自适应高斯混合模型中,实现实时更新背景模型;所述方法是通过局部差异值全局光照变化的统计因子将局部信息引入统计背景模型,获得鲁棒性的目标检测结果。
7.根据权利要求1所述一种基于统计背景模型的目标检测方法,其特征在于:所述方法首先针对光照变化运用自适应高斯混合模型,构建基于全局信息的背景统计模型;然后针对动态变化,在对背景图像基于自整定参数的谱聚类的基础上,通过核密度估计方式,构建基于局部信息的背景统计模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510107283.4A CN104715480B (zh) | 2015-03-11 | 2015-03-11 | 一种基于统计背景模型的目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510107283.4A CN104715480B (zh) | 2015-03-11 | 2015-03-11 | 一种基于统计背景模型的目标检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104715480A CN104715480A (zh) | 2015-06-17 |
CN104715480B true CN104715480B (zh) | 2018-07-17 |
Family
ID=53414774
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510107283.4A Active CN104715480B (zh) | 2015-03-11 | 2015-03-11 | 一种基于统计背景模型的目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104715480B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105488814A (zh) * | 2015-11-25 | 2016-04-13 | 华南理工大学 | 一种检测视频中摇动背景的方法 |
CN105809716B (zh) * | 2016-03-07 | 2019-12-24 | 南京邮电大学 | 融合超像素与三维自组织背景减除法的前景提取方法 |
CN108629254B (zh) * | 2017-03-24 | 2020-11-27 | 杭州海康威视数字技术股份有限公司 | 一种运动目标的检测方法及装置 |
CN108388838B (zh) * | 2018-01-26 | 2021-07-09 | 重庆邮电大学 | 无人机对地人群监控系统及监控方法 |
CN111537088B (zh) * | 2020-05-25 | 2021-11-30 | 苏州大学 | 动态光场有效空间相干分布的测量方法及测量系统 |
US20230289979A1 (en) * | 2020-11-13 | 2023-09-14 | Zhejiang University | A method for video moving object detection based on relative statistical characteristics of image pixels |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102867383A (zh) * | 2011-07-07 | 2013-01-09 | 哈尔滨工业大学深圳研究生院 | 一种抢劫监控报警方法及系统 |
CN104268851A (zh) * | 2014-09-05 | 2015-01-07 | 浙江捷尚视觉科技股份有限公司 | 一种基于深度信息的atm自助营业厅行为分析方法 |
-
2015
- 2015-03-11 CN CN201510107283.4A patent/CN104715480B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102867383A (zh) * | 2011-07-07 | 2013-01-09 | 哈尔滨工业大学深圳研究生院 | 一种抢劫监控报警方法及系统 |
CN104268851A (zh) * | 2014-09-05 | 2015-01-07 | 浙江捷尚视觉科技股份有限公司 | 一种基于深度信息的atm自助营业厅行为分析方法 |
Non-Patent Citations (4)
Title |
---|
Appearance Derivatives for Isonormal Clustering of Scenes;Sanjeev J.Koppal et al;《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》;20090831;第31卷(第8期);全文 * |
光照变动条件下基于图切割算法的运动目标跟踪;侯明正 等;《光电子·激光》;20120531;第23卷(第5期);正文第1页第1栏第9-10行 * |
光照突变补偿在视频序列运动目标检测中的应用;苏延召 等;《光电子·激光》;20140131;第25卷(第1期);全文 * |
核密度估计与高斯模型联级运动目标检测;芮挺 等;《计算机工程与应用》;20110930;第47卷(第18期);正文第2页第4部分 * |
Also Published As
Publication number | Publication date |
---|---|
CN104715480A (zh) | 2015-06-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104715480B (zh) | 一种基于统计背景模型的目标检测方法 | |
CN108830145B (zh) | 一种基于深度神经网络的人数统计方法及存储介质 | |
CN107256225B (zh) | 一种基于视频分析的热度图生成方法及装置 | |
CN106991686B (zh) | 一种基于超像素光流场的水平集轮廓跟踪方法 | |
CN102307274B (zh) | 基于边缘检测和帧差法的运动检测方法 | |
CN106570874B (zh) | 一种结合图像局部约束与对象全局约束的图像标记方法 | |
Ma et al. | Shadow detection of moving objects based on multisource information in internet of things | |
CN109447008A (zh) | 基于注意力机制和可变形卷积神经网络的人群分析方法 | |
CN110084782B (zh) | 基于图像显著性检测的全参考图像质量评价方法 | |
CN111652822B (zh) | 一种基于生成对抗网络的单幅图像阴影去除方法及系统 | |
CN110322445A (zh) | 一种基于最大化预测和标签间相关性损失函数的语义分割方法 | |
Zhang et al. | An adaptive learning rate method for improving adaptability of background models | |
CN107133964B (zh) | 一种基于Kinect的抠像方法 | |
Chen et al. | A color-guided, region-adaptive and depth-selective unified framework for Kinect depth recovery | |
CN108830882A (zh) | 视频异常行为实时检测方法 | |
CN110322479B (zh) | 一种基于时空显著性的双核kcf目标跟踪方法 | |
CN107657628A (zh) | 一种实时彩色目标跟踪方法 | |
CN107564029B (zh) | 基于高斯极值滤波和群稀疏rpca的运动目标检测方法 | |
CN111598036B (zh) | 分布式架构的城市群地理环境知识库构建方法及系统 | |
Lu et al. | Adaptive random-based self-organizing background subtraction for moving detection | |
Yu et al. | Automatic object segmentation from large scale 3d urban point clouds through manifold embedded mode seeking | |
Wang et al. | Combined improved Frequency-Tuned with GMM algorithm for moving target detection | |
CN109102526A (zh) | 无人机的监控系统的前景检测方法以及装置 | |
Zheng et al. | Research on the video segmentation method with integrated multi-features based on GMM | |
Zhou et al. | Traffic video image segmentation model based on bayesian and spatio-temporal markov random field |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |