CN110363197B - 基于改进视觉背景提取模型的视频感兴趣区域提取方法 - Google Patents

Abstract

本发明是一种基于改进视觉背景提取模型的视频感兴趣区域提取方法，其特点是，包括：提出一种基于时空域的自适应数量阈值确定算法；基于时空域相关性根据视频帧列不同场景对人眼贡献率大小，提出一种基于时空域的自适应距离阈值确定算法；根据自适应数量阈值和自适应距离阈值确定前景分割阶段公式，采用切比雪夫距离衡量当前像素点与背景模型中像素点的差异，根据提出的区域场景复杂度计算公式计算所述场景复杂度获得模型的动态更新方式。能够消除目标空洞并加快消除鬼影，提高模型在动态场景下的适应性和鲁棒性。

Description

基于改进视觉背景提取模型的视频感兴趣区域提取方法

技术领域

本发明涉及视频感兴趣区域提取技术领域，一种基于改进视觉背景提取模型的视频感兴趣区域提取方法。

背景技术

随着计算机视觉领域的不断发展，感兴趣区域提取广泛应用于行人检测、目标跟踪等领域。根据人类视觉系统特性表明，人眼对于视频帧中的纹理丰富的区域即感兴趣区域(ROI)关注度更高，如视频中的运动目标，而纹理平坦的区域即非感兴趣区域(RONI)对人眼的贡献率较低。目前，对于图像中的ROI提取方法主要采用视觉注意模型，如Itti模型。Itti模型作为经典的提取模型具有处理视觉信息快、显著度认知能力高等诸多优点。

但Itti模型对ROI的提取主要应用于静态图片，且模型提取过程的计算量较大，不能满足实时性应用需求。目前，针对连续视频帧ROI的提取方法主要采用背景建模算法，背景建模算法具有实时性高、检测目标精确等优点，经典的背景建模算法主要是视觉背景提取模型(VIBE)算法，其显著优势是背景模型简单、计算量小，且具有较好的鲁棒性，在运动目标检测领域应用较为广泛。

VIBE算法提取视频中的运动目标区域较为精确，但模型并不加以区分纹理复杂度高的区域和背景区域，即不能准确提取视频中的ROI，且VIBE算法采用固定的阈值难以适应动态场景变化，采用全局随机更新更新周期方式容易出现目标空洞和虚假目标、消除鬼影时间较长等问题，最终影响检测的精度和效率。

发明内容

本发明的目的是克服了现有VIBE算法存在的不足，提供了一种基于改进视觉背景提取模型的视频感兴趣区域提取方法。在前景分割阶段，基于时空相关性，引入均值绝对偏差(MAD)来表征纹理复杂度，并结合提出的判断准则1和算法1获得动态的自适应数量阈值，适应动态视频场景的变化。基于时空域相关性依据不同场景对人眼贡献率的大小，引入方差并结合提出的算法2获得自适应距离阈值，由自适应数量阈值和自适应距离阈值确定的前景分割模型分割视频帧的ROI和背景区域，消除模型更新阶段误检信息传播的概率。在背景模型更新阶段，引入区域场景复杂度结合判断准则2动态调节模型更新方式，有效消除目标空洞并加快消除鬼影，增强模型对动态场景的适应性和鲁棒性。

本发明的目的是由以下技术方案来实现的：一种基于改进视觉背景提取模型的视频感兴趣区域提取方法，其特征是，它包括以下步骤：

(1)提出一种基于时空域的自适应数量阈值确定算法，所述自适应数量阈值由MAD结合判断准则1和提出的算法1确定。计算当前像素点及其邻域的MAD2和背景模型帧对应位置处的MAD1，基于MAD1和MAD2根据判断准则1对当前帧进行第一步分割，基于MAD1和MAD2采用算法1确定自适应数量阈值。

其中MAD的计算公式为：

判断准则1为：

MAD2为当前像素点与邻域像素点的均值绝对偏差。MAD1为当前像素点与邻域在对应背景模型中对应位置处像素点的均值绝对偏差。

算法1为：

(2)基于时空域相关性根据视频帧列不同场景对人眼贡献率大小，提出一种基于时空域的自适应距离阈值确定算法，所述自适应距离阈值由方差结合算法2确定，计算当前像素点邻域像素及对应背景模型帧中的方差，定义局部距离阈值D₂，基于方差采用算法2计算自适应距离阈值。

计算定义的局部距离阈值D₂：

算法2为：

(3)根据自适应数量阈值和自适应距离阈值确定前景分割阶段公式，采用切比雪夫距离衡量当前像素点与背景模型中像素点的差异。

其中自适应阈值前景分割公式为：

(4)基于时空域统计信息提出一种基于区域场景复杂度的模型动态更新算法，根据提出的区域场景复杂度计算公式计算所述场景复杂度，基于所述区域场景复杂度采用设计的判断准则2获得模型的动态更新方式。

其中提出的区域场景复杂度计算公式为：

判断准则2为：

发明的基于改进视觉背景提取模型的视频感兴趣区域提取方法与原VIBE算法相比的有益效果是：构建了视频感兴趣区域提取的前景分割阶段模型，提出了基于时空域的自适应数量阈值确定算法，基于MAD采用判断准则1和提出的算法1确定自适应数量阈值；提出了基于时空域的自适应距离阈值确定算法，基于方差采用提出的算法2确定自适应距离阈值，由自适应数量阈值和自适应距离阈值确定前景分割模型，该模型可提取当前帧ROI并消除模型更新阶段交界处误检信息传播概率；构建基于判断准则2的模型动态更新方式，消除目标空洞并加快消除鬼影，提高模型在动态场景下的适应性和鲁棒性。

附图说明

下面结合附图及具体实施实例对本发明再作进一步详细说明。

图1为一种基于改进视觉背景提取模型的视频感兴趣区域提取方法的流程框图。

图2为VIBE前景分割阶段示意图。

具体实施方式

下面结合附图对本发明的一种基于改进视觉背景提取模型的视频感兴趣区域提取方法作详细描述。

参照图1，一种基于改进视觉背景提取模型的视频感兴趣区域提取方法，包括如下步骤：

(1)所述基于时空域的自适应数量阈值确定算法步骤是：

针对原VIBE模型采用全局数量阈值在前景分割阶段难以适应动态场景的变化，提出基于时空域的自适应数量阈值确定算法，引入MAD表征视频帧列的纹理复杂度，基于MAD采用提出的判断准则1对当前帧进行第一步分割，基于MAD采用提出的算法1确定自适应数量阈值η_N提高模型适应动态视频场景的能力。

计算当前像素点及其邻域像素的MAD，定义为MAD2，计算当前像素点对应背景模型帧位置处的MAD，定义为MAD1，算法将视频帧分成8×8大小的块进行处理，MAD计算公式为：

M,N分别为当前处理视频帧块的宽和高，p(i,j)为当前像素点的像素值，aυg为当前帧块的平均像素值。

基于MAD1和MAD2，根据提出的判断准则1对视频的第二帧进行分割，对视频第一帧采用原VIBE算法进行初始化。

判断准则1为：

/>

所述判断准则1可表述为：当结果为true时，则为运动区域；否则，为背景区域和纹理复杂度高的区域；在第二帧及以后帧按判断准则1进行分割时，当结果为true时，则该区域为背景区域和纹理复杂度高的区域，否则，为背景区域。

基于MAD1和MAD2的算法1依据为：VIBE算法全局数量阈值为2，若当前像素与背景模型中的像素满足全局阈值的个数大于等于2时，则判断为背景区域或纹理复杂度高的区域，可以理解为当满足条件个数为1或0时，则为运动区域，因为出现0或1的概率随机，则这里二者出现的概率相等。

算法1为：

β是一个随机数，这里β∈(3,20)，算法1的实现过程可表述为：在对第二帧进行前景分割时，根据判断准则1当结果为false时，由算法1的第一个式子确定自适应数量阈值η_N，在对第三帧及以后帧进行前景分割时，当结果为true时，由算法1的第二个式子确定自适应数量阈值η_N。

(2)所述基于时空域的自适应数量阈值确定算法步骤是：

针对原VIBE算法采用全局距离阈值难以适应动态场景变化，提出一种基于时空域的自适应距离阈值确定算法，引入方差作为调整距离阈值的平衡因子，定义局部距离阈值，基于全局距离阈值和局部距离阈值确定自适应距离阈值。

计算当前像素点及其邻域像素点的方差，定义为σ₂，计算当前像素点及其对应背景模型中像素点的方差，定义为σ₁。

VIBE算法采用全局固定阈值进行前景分割，全局距离阈值D₁＝20，这里定义局部距离阈值D₂。

N为当前像素点8邻域中像素点的个数，υ(x,y)为当前像素点，υ_i为8邻域中的任意一个像素点，|*|为当前像素点与其邻域的曼哈顿距离，即局部距离阈值由当前点与其8邻域中所有像素点距离的均值获得。

基于全局距离阈值D₁和局部距离阈值D₂，采用提出的算法2确定自适应距离阈值T_N。

算法2为：

(3)所述基于自适应数量阈值η_N和自适应距离阈值T_N的视频感兴趣区域提取公式为：

CD(x,y)表示当前像素点与其背景像素点的切比雪夫距离。

参照图2，结合上述步骤即可完成前景分割阶段视频感兴趣区域的提取，并消除背景模型更新阶段交界处误检信息传播的概率，提高检测精度。

(4)所述基于区域场景复杂度的模型动态更新算法步骤是：

基于时空域统计信息提出一种基于区域场景复杂度的模型动态更新算法，合理设计区域场景复杂度计算公式，基于区域场景复杂度采用提出的判断准则2得到模型的动态更新方式。

将当前视频帧按8×8大小块进行分割，分块统计每个区域中背景像素所占的比例来衡量区域场景复杂度。

*{BG}为区域内背景像素点的个数，*{FG}为区域内感兴趣区域像素点的个数。

随着场景的变化，在P_j发生变化的区域其更新周期U_j也发生变化，各区域的动态更新周期U_j为：

判断准则2为：

U为全局更新周期，ρ为区域场景复杂度阈值，由对应的背景模型区域中协方差得到，在统计学知识里，协方差代表变量之间的相关性，这里用来衡量像素点灰度值之间的相关性或像素点间明暗程度的大小，具体计算方法是在对应背景模型区域中随机抽取十组像素点，每组两个像素点来计算协方差。

上述更新方式可表述为：当P_j大于等于阈值ρ时，动态更新周期与全局更新周期成比例关系，否则，此时背景模型需要立即更新。

综上所述，本发明的基于改进视觉背景提取模型的视频感兴趣区域提取方法，基于时空域相关性采用提出的判断准则1和算法1确定自适应数量阈值，增强模型适应动态场景的能力；基于时空域相关性采用提出的算法2确定自适应距离阈值，由自适应数量阈值和自适应距离阈值确定前景分割阶段的分割公式，完成视频感兴趣区域的提取，降低模型更新阶段交界处误检信息传播的概率；基于区域场景复杂度采用提出的判断准则2确定模型的动态更新方式，消除目标空洞并加快消除鬼影，增强模型对动态视频场景的适应性和鲁棒性。

以上所述，仅仅为本发明的具体实施方式，但本发明的适用范围不仅仅局限于此，任何熟悉该领域技术的人员根据本发明的技术方案得出的其他实施方式也同样属于本发明所保护的范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (1)

1.一种基于改进视觉背景提取模型的视频感兴趣区域提取方法，其特征是，它包括如下步骤：

(1)基于时空域的自适应数量阈值确定算法：

针对原VIBE模型采用全局数量阈值在前景分割阶段难以适应动态场景的变化，提出基于时空域的自适应数量阈值确定算法，引入MAD表征视频帧列的纹理复杂度，基于MAD采用提出的判断准则1对当前帧进行第一步分割，基于MAD采用提出的算法1确定自适应数量阈值η_N提高模型适应动态视频场景的能力；

计算当前像素点及其邻域像素的MAD，定义为MAD2，计算当前像素点对应背景模型帧位置处的MAD，定义为MAD1，算法将视频帧分成8×8大小的块进行处理，MAD计算公式为：

M,N分别为当前处理视频帧块的宽和高，p(i,j)为当前像素点的像素值，avg为当前帧块的平均像素值；

基于MAD1和MAD2，根据提出的判断准则1对视频的第二帧进行分割，对视频第一帧采用原VIBE算法进行初始化；

判断准则1为：

所述判断准则1表述为：当结果为true时，则为运动区域；否则，为背景区域和纹理复杂度高的区域；在第二帧及以后帧按判断准则1进行分割时，当结果为true时，则该区域为背景区域和纹理复杂度高的区域，否则，为背景区域；

基于MAD1和MAD2的算法1依据为：VIBE算法全局数量阈值为2，若当前像素与背景模型中的像素满足全局阈值的个数大于等于2时，则判断为背景区域或纹理复杂度高的区域，能够理解为当满足条件个数为1或0时，则为运动区域，因为出现0或1的概率随机，则二者出现的概率相等；

算法1为：

β是一个随机数，这里β∈(3,20)，算法1的实现过程表述为：在对第二帧进行前景分割时，根据判断准则1当结果为false时，由算法1的第一个式子确定自适应数量阈值η_N，在对第三帧及以后帧进行前景分割时，当结果为true时，由算法1的第二个式子确定自适应数量阈值η_N；

(2)基于时空域的自适应距离阈值确定算法：

针对原VIBE算法采用全局距离阈值难以适应动态场景变化，提出一种基于时空域的自适应距离阈值确定算法，引入方差作为调整距离阈值的平衡因子，定义局部距离阈值，基于全局距离阈值和局部距离阈值确定自适应距离阈值；

计算当前像素点及其邻域像素点的方差，定义为σ₂，计算当前像素点及其对应背景模型中像素点的方差，定义为σ₁；

VIBE算法采用全局固定阈值进行前景分割，全局距离阈值D₁＝20，定义局部距离阈值D₂；

N为当前像素点8邻域中像素点的个数，v(x,y)为当前像素点，v_i为8邻域中的任意一个像素点，|*|为当前像素点与其邻域的曼哈顿距离，即局部距离阈值由当前点与其8邻域中所有像素点距离的均值获得；

基于全局距离阈值D₁和局部距离阈值D₂，采用提出的算法2确定自适应距离阈值T_N；

算法2为：

(3)基于自适应数量阈值η_N和自适应距离阈值T_N的视频感兴趣区域提取公式为：

CD(x,y)表示当前像素点与其背景像素点的切比雪夫距离；

(4)基于区域场景复杂度的模型动态更新算法：

基于时空域统计信息提出一种基于区域场景复杂度的模型动态更新算法，合理设计区域场景复杂度计算公式，基于区域场景复杂度采用提出的判断准则2得到模型的动态更新方式；

将当前视频帧按8×8大小块进行分割，分块统计每个区域中背景像素所占的比例来衡量区域场景复杂度；

*{BG}为区域内背景像素点的个数，*{FG}为区域内感兴趣区域像素点的个数；

随着场景的变化，在P_j发生变化的区域其更新周期U_j也发生变化，各区域的动态更新周期U_j为：

判断准则2为：

U为全局更新周期，ρ为区域场景复杂度阈值，由对应的背景模型区域中协方差得到，用来衡量像素点灰度值之间的相关性或像素点间明暗程度的大小，具体计算方法是在对应背景模型区域中随机抽取十组像素点，每组两个像素点来计算协方差；当P_j大于等于阈值ρ时，动态更新周期与全局更新周期成比例关系，否则，此时背景模型需要立即更新。

Images