CN108921078A - 基于视频的时空背景建模运动前景检测算法 - Google Patents

Abstract

本发明涉及一种基于视频的时空背景建模运动前景检测方法，包括：首先对视频的前L帧进行中值滤波处理；利用视频中值滤波处理后的前L帧建立时间域背景模型；利用前L帧中的最后一帧，建立空间域背景模型；4)运动前景检测；对背景模型进行更新，以便背景模型可以适应缓慢的环境变化，提取出准确的前景。

Description

基于视频的时空背景建模运动前景检测算法

技术领域：

本发明属于智能视频监控领域。具体来说是一种基于普通单目摄像头，单摄像机(即一般的现有视频监控平台)的运动检测分析系统。

背景技术：

近年来，随着安防技术的发展及人们对社会安全的重视，几乎所有的场所都安装了视频监控平台。从校园、银行、博物馆、商场到医院、工厂等，视频监控系统在城市公共安全、智能交通、打击犯罪等等诸多领域，发挥着不可替代的作用，为人们的生命财产安全提供了保障，保卫着社会的稳定和繁荣。

现在越来越多的视频分析算法需要对视频内容进行分析，但是视频中存在的感兴趣区域一般并不会充满整个视频监控场景，如果不对视频信息进行针对性的分析，就会浪费很多的计算分析资源。因而进行视频分析的首要一步就是要提取出视频中的运动前景。

随着图像模式识别，计算机视觉等技术的不断发展，各种智能的算法不断被提出，近几年来，机器学习、深度学习也愈加受人关注，并且吸引越来越多的人投身其中，相关研究也不断深入。而这些技术在视频监控中的应用更加需要集中对视频中的运动前景进行分析，但是现有的运动前景检测算法中，基于帧差的运动前景检测容易造成前景空洞，无法提取出完整的前景区域；基于光流法的运动前景检测计算量较大并容易受到周围环境光照等条件的影响；基于混合高斯模型等的背景建模方法速度较慢，限制条件也较多。

因此使用一种准确有效的视频运动前景检测算法并提取出感兴趣前景的区域，可以加快相关视频分析算法的速度，这不仅减轻了基于视频的分析算法的开销，同时由于预先提取了运动区域，避免了对无关区域分析而可能产生的错误，从而也能一定程度上提升相关分析算法的性能。

发明内容：

本发明提出了一种基于视频时空信息的背景建模方法，可以快速准确地对视频中的运动区域进行检测，从而提取出相应的运动区域，为各种视频分析算法提供保证，技术方案如下：

一种基于视频的时空背景建模运动前景检测方法，包括以下步骤：

1)首先对视频的前L帧进行中值滤波处理，从而去掉视频中存在的椒盐噪声并保留图像的边缘细节。

2)利用视频中值滤波处理后的前L帧建立时间域背景模型。对于某一个固定位置的像素点m，随机采样L帧中同一个位置的像素N次，建立时间域背景模型，T(m)，有{T_i(m)|i＝1,2…N}，其中T_i(m)为时间背景模型中的像素值。

3)利用前L帧中的最后一帧，建立空间域背景模型：对某一像素点m，在最后一帧中该像素点周围的8邻域内随机取样N个数，建立空间域背景模型S(m)，有{S_j(m)|j＝1,2…N}，其中S_j(m)为空间背景模型中的像素值。

4)对于新的图像，利用公式(1)(2)(3)运动前景检测：

其中，Y_r是一个常数，表示对背景像素的误差容忍度，x_t(m)表示当前时刻t像素点m的值，对于时刻t，用F_t(m)表示一个像素点m是否为前景点,为1时表示当前像素为背景点，为0时则为前景点；Y_n是一个常数，如果当前点像素值和时域、空域所有样本点相比，距离小于Y_r的个数大于等于Y_n,则该像素点为背景点。

5)对背景模型进行更新，以便背景模型可以适应缓慢的环境变化，提取出准确的前景，方法如下：在开始检测后，若某一像素点被判断为前景点，则暂时不更新该位置的像素点背景模型，如果某像素点长时间被判断为前景点，则将该点像素逐渐更新到背景模型中去；若某一像素点被判断为背景点，则随机将该像素点值更新到背景模型中。

附图说明：

图1为本方法的背景建模和前景检测过程。

具体实施方式：

现有视频监控的一般架构为：由模拟摄像机拍摄的画面经过线缆一部分直接传给监视器显示，另一部分传给硬盘录像机。当需要对视频信息进行分析时，可另接一路将视频信号传输到服务器并对视频提取相应的前景区域，之后针对前景区域进行检测分析。

下面对各个部分进行详细说明：

1.时间域背景建模

利用视频中值滤波处理后的前L帧(L可取20)建立时间域背景模型。对于某一个固定位置的像素点m，随机采样L帧中同一个位置的像素N次，建立时间域背景模型T(m)，有{T_i(m)|i＝1,2…N}，其中T_i(m)为时间背景模型中的像素值。

2.空间域背景建模

对前L帧中的最后一帧，提取信息并建立空间域背景模型。对某一像素点m，在最后一帧中该像素点周围的8邻域内随机取样N个数，建立空间域背景模型S(m)，有{S_j(m)|j＝1,2…N}，其中S_j(m)为空间背景模型中的像素值。

3.运动前景检测

在背景建模完成后，利用公式(1)(2)(3)来进行前景检测。其中Y_r是一个常数，表示对背景像素的误差容忍度，x_t(m)表示当前时刻t像素点m的值。对于时刻t，用F_t(m)表示一个像素点m是否为前景点,为1时表示当前像素为背景点，为0时则为前景点。其中Y_n是一个常数，如果当前点像素值和时域、空域所有样本点相比，距离小于Y_r的个数大于等于Y_n,则该像素点为背景点。

4.背景模型更新

(1)若像素点m被判断为背景点，则更新该点的背景模型。对于背景模型的时域部分T(m)，有的概率进行更新。更新时用当前像素值x_t(m)随机替换T(m)中的一个值；并随机选取m周围8邻域的一个像素点，记为n，同样有的概率更新点n的时域部分T(n)，更新时用当前像素值x_t(m)随机替换T(n)中的一个值，此时时域部分更新完成。对背景模型的空域部分S(m)，以相同策略进行更新。

(2)若像素点m被判断为前景点，则暂时不进行背景模型更新，若某一点连续N_R帧被检测为前景点，则按(1)更新该点的背景模型。

Claims (1)

1.一种基于视频的时空背景建模运动前景检测方法，包括以下步骤：

1)首先对视频的前L帧进行中值滤波处理，从而去掉视频中存在的椒盐噪声并保留图像的边缘细节；

2)利用视频中值滤波处理后的前L帧建立时间域背景模型；对于某一个固定位置的像素点m，随机采样L帧中同一个位置的像素N次，建立时间域背景模型，T(m)，有{T_i(m)|i＝1,2…N}，其中T_i(m)为时间背景模型中的像素值；

3)利用前L帧中的最后一帧，建立空间域背景模型：对某一像素点m，在最后一帧中该像素点周围的8邻域内随机取样N个数，建立空间域背景模型S(m)，有{S_j(m)|j＝1,2…N}，其中S_j(m)为空间背景模型中的像素值；

4)对于新的图像，利用公式(1)(2)(3)运动前景检测：

其中，Y_r是一个常数，表示对背景像素的误差容忍度，x_t(m)表示当前时刻t像素点m的值，对于时刻t，用F_t(m)表示一个像素点m是否为前景点,为1时表示当前像素为背景点，为0时则为前景点；Y_n是一个常数，如果当前点像素值和时域、空域所有样本点相比，距离小于Y_r的个数大于等于Y_n,则该像素点为背景点；

5)对背景模型进行更新，以便背景模型可以适应缓慢的环境变化，提取出准确的前景，方法如下：在开始检测后，若某一像素点被判断为前景点，则暂时不更新该位置的像素点背景模型，如果某像素点长时间被判断为前景点，则将该点像素逐渐更新到背景模型中去；若某一像素点被判断为背景点，则随机将该像素点值更新到背景模型中。