一種基于自適應(yīng)核密度估計模型的運(yùn)動目標(biāo)檢測方法
【專利摘要】本發(fā)明公開了一種基于自適應(yīng)核密度估計模型的運(yùn)動目標(biāo)檢測方法，包括：根據(jù)輸入視頻構(gòu)建基于核密度估計的背景模型，從而得到輸入視頻像素點(diǎn)的概率密度函數(shù)和核函數(shù)的寬度；根據(jù)輸入視頻像素灰度值的概率密度函數(shù)和核函數(shù)的寬度確定樣本點(diǎn)的概率取值區(qū)間，然后遍歷所有像素點(diǎn)灰度值的概率，從而形成概率分布直方圖；對概率分布直方圖進(jìn)行二次線性插值和小閾值差分，從而得到差分直方圖；根據(jù)差分直方圖自適應(yīng)求取前景閾值和背景閾值；根據(jù)輸入視頻像素點(diǎn)灰度值的概率值、前景閾值和背景閾值對構(gòu)建的背景模型進(jìn)行更新。本發(fā)明具有計算量小、實(shí)時性較好且誤差較小的優(yōu)點(diǎn)，可廣泛應(yīng)用于計算機(jī)視覺分析領(lǐng)域。
【專利說明】—種基于自適應(yīng)核密度估計模型的運(yùn)動目標(biāo)檢測方法

【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及計算機(jī)視覺分析領(lǐng)域，尤其是一種基于自適應(yīng)核密度估計模型的運(yùn)動目標(biāo)檢測方法。

【背景技術(shù)】
[0002]視頻序列的運(yùn)動目標(biāo)檢測應(yīng)用非常廣泛，包括智能交通、銀行監(jiān)控和人機(jī)交互等領(lǐng)域。背景差分法是常用的一種運(yùn)動目標(biāo)檢測方法，其主要是通過“減運(yùn)算”從當(dāng)前幀中將背景剔除，從而得到完整的前景運(yùn)動目標(biāo)。背景建模對光照、氣候等動態(tài)環(huán)境十分敏感，當(dāng)背景模型的更新不能很好地適應(yīng)動態(tài)環(huán)境的變化時，將會很大程度上影響運(yùn)動目標(biāo)的檢測結(jié)果。因此，如何獲得穩(wěn)定而可靠的背景是基于背景差分法的運(yùn)動目標(biāo)檢測的關(guān)鍵所在。
[0003]背景建模是根據(jù)背景區(qū)域的統(tǒng)計特性來分割前景目標(biāo)和背景圖像。非參數(shù)化的建模方法因其不依賴于模型的定義優(yōu)點(diǎn)而成為背景建模的一個研究熱點(diǎn)。Elga_al等人提出了基于核密度估計的非參數(shù)背景模型，該方法充分利用最近的歷史幀信息來表示背景模型，能夠適應(yīng)復(fù)雜的像素分布密度，克服像素值在短時間內(nèi)發(fā)生的頻繁變化，但因其采用單閾值而不可避免地帶來分類誤差，而且其計算代價過高。毛燕芬等人采用基于多樣性采樣原理的核密度估計方法來建立背景模型，從原樣本中提取具有高頻度和多樣性的較小樣本，從而減小背景估計的計算量，雖然提高了時間效率，但仍無法滿足系統(tǒng)的實(shí)時性要求。胡閩等人提出在核密度估計之前先使用幀間差分結(jié)合背景差法，過濾掉相對靜止的背景點(diǎn)，只對典型的運(yùn)動像素進(jìn)行核密度估計，以減少計算量，但引入幀間差分結(jié)合背景差分時，也引入了其誤差，容易導(dǎo)致前景目標(biāo)提取的不夠完整。
[0004]綜上所述，目前業(yè)內(nèi)亟需一種計算量小、實(shí)時性較好且誤差較小的基于核密度估計模型的運(yùn)動目標(biāo)檢測方法。


【發(fā)明內(nèi)容】

[0005]為了解決上述技術(shù)問題，本發(fā)明的目的是:提供一種計算量小、實(shí)時性較好且誤差較小的基于自適應(yīng)核密度估計模型的運(yùn)動目標(biāo)檢測方法。
[0006]本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案是:一種基于自適應(yīng)核密度估計模型的運(yùn)動目標(biāo)檢測方法，包括:
[0007]A.根據(jù)輸入視頻構(gòu)建基于核密度估計的背景模型，從而得到輸入視頻像素點(diǎn)的概率密度函數(shù)和核函數(shù)的寬度；
[0008]B.根據(jù)輸入視頻像素灰度值的概率密度函數(shù)和核函數(shù)的寬度確定樣本點(diǎn)的概率取值區(qū)間，然后遍歷所有像素點(diǎn)灰度值的概率，從而形成概率分布直方圖；
[0009]C.對概率分布直方圖進(jìn)行二次線性插值和小閾值差分，從而得到差分直方圖；
[0010]D.根據(jù)差分直方圖自適應(yīng)求取前景閾值和背景閾值；
[0011]E.根據(jù)輸入視頻像素點(diǎn)灰度值的概率值、前景閾值和背景閾值對構(gòu)建的背景模型進(jìn)行更新。
[0012]進(jìn)一步，所述步驟A，其包括:
[0013]Al.根據(jù)輸入視頻和高斯核函數(shù)，得到時刻t像素點(diǎn)i的概率密度函數(shù)，所述時刻t像素點(diǎn)i的概率密度函數(shù)P(X (t)i)的表達(dá)式為:

【權(quán)利要求】
1.一種基于自適應(yīng)核密度估計模型的運(yùn)動目標(biāo)檢測方法，其特征在于:包括: A.根據(jù)輸入視頻構(gòu)建基于核密度估計的背景模型，從而得到輸入視頻像素點(diǎn)的概率密度函數(shù)和核函數(shù)的寬度； B.根據(jù)輸入視頻像素灰度值的概率密度函數(shù)和核函數(shù)的寬度確定樣本點(diǎn)的概率取值區(qū)間，然后遍歷所有像素點(diǎn)灰度值的概率，從而形成概率分布直方圖； C.對概率分布直方圖進(jìn)行二次線性插值和小閾值差分，從而得到差分直方圖； D.根據(jù)差分直方圖自適應(yīng)求取前景閾值和背景閾值； E.根據(jù)輸入視頻像素點(diǎn)灰度值的概率值、前景閾值和背景閾值對構(gòu)建的背景模型進(jìn)行更新。
2.根據(jù)權(quán)利要求1所述的一種基于自適應(yīng)核密度估計模型的運(yùn)動目標(biāo)檢測方法，其特征在于:所述步驟A，其包括: Al.根據(jù)輸入視頻和高斯核函數(shù)，得到時刻t像素點(diǎn)i的概率密度函數(shù)，所述時刻t像素點(diǎn)i的概率密度函數(shù)P(x (t)i)的表達(dá)式為:
其中，N為每個像素點(diǎn)背景樣本的數(shù)目，d為像素的維數(shù)，m為顏色空間的維度，X (t) im為第i個像素點(diǎn)的第m個顏色通道的灰度值，x(t)iffl, j為第i個像素點(diǎn)第j個樣本點(diǎn)的第m個顏色通道灰度值，σ ^為第m個顏色通道的核密度寬度； A2.根據(jù)相鄰幀灰度像素樣本之間差值的絕對值的中位數(shù)計算高斯核函數(shù)的核密度寬度，所述高斯核函數(shù)的核密度寬度σ的表達(dá)式為:
其中，median函數(shù)為求中位數(shù)函數(shù)，x(t)ijJ為第i個像素點(diǎn)中第j個背景樣本的灰度值，X(I)i,」+1為第i個像素點(diǎn)中第j+Ι個背景樣本的灰度值。
3.根據(jù)權(quán)利要求2所述的一種基于自適應(yīng)核密度估計模型的運(yùn)動目標(biāo)檢測方法，其特征在于:所述步驟B，其包括: B1.根據(jù)核函數(shù)的寬度最小可能取值σ min確定在t時刻N(yùn)個樣本點(diǎn)的概率最大可能取值，所述在t時刻N(yùn)個樣本點(diǎn)的概率最大可能取值Pmax的表達(dá)式為:
B2.將t時刻N(yùn)個樣本點(diǎn)的概率最小可能取值取為O，并將在t時刻N(yùn)個樣本點(diǎn)的概率乘以比例因子α，其中α > 1，從而將在t時刻N(yùn)個樣本點(diǎn)的概率的取值區(qū)間量化為[O，a Pmax]； Β3.根據(jù)量化后的取值區(qū)間遍歷所有像素點(diǎn)的概率，從而形成概率分布直方圖Ηρ，所述概率分布直方圖Hp的表達(dá)式為:
其中，Hp (j)為概率分布直方圖的縱坐標(biāo)，Hp (j)代表第j個樣本在當(dāng)前時刻概率相同像素點(diǎn)的數(shù)目，Hp' (j)代表第j個樣本在前一時刻概率相同像素點(diǎn)的數(shù)目。
4.根據(jù)權(quán)利要求3所述的一種基于自適應(yīng)核密度估計模型的運(yùn)動目標(biāo)檢測方法，其特征在于:所述步驟C，其包括:Cl.采用二次線性插值法對概率分布直方圖Hp進(jìn)行平滑，從而得到平滑后的直方圖Hps ； C2.采用小閾值對平滑后的直方圖Hps進(jìn)行差分，從而得到差分直方圖Hb，所述差分直方圖Hb的表達(dá)式為:
其中，Hb(J)為差分直方圖中第j個樣本的縱坐標(biāo)，b為平滑后的直方圖中相鄰兩個樣本點(diǎn)最小差異；min函數(shù)為求最小值函數(shù)，Hps (j)、Hps (j+1)和Hps(j+2)分別表示平滑后的直方圖第j個樣本、第j+Ι個樣本和第j+2個樣本中概率相同像素點(diǎn)的數(shù)目，Ts為預(yù)設(shè)的小閾值。
5.根據(jù)權(quán)利要求4所述的一種基于自適應(yīng)核密度估計模型的運(yùn)動目標(biāo)檢測方法，其特征在于:所述步驟D，其包括: Dl.通過差分直方圖Hb尋找直方圖由陡變緩的轉(zhuǎn)折點(diǎn)Pz，所述轉(zhuǎn)折點(diǎn)Pz滿足:
D2.在差分直方圖Hb上從Pz開始向右側(cè)尋找變化趨勢變緩的起點(diǎn)； D3.在差分直方圖Hb上從開始向右側(cè)尋找緩慢變化的終點(diǎn)Pk，直至前景的概率最大占 P,,.D4.根據(jù)和Pk自適應(yīng)計算前景閾值和背景閾值，所述前景閾值Tf和背景閾值Tb的計算公式分別為:
Tf = Pl-β (Pe-Pl),
Tb = ΡΕ+β (VPL)， 其中，β為自適應(yīng)因子，且β < I。
6.根據(jù)權(quán)利要求5所述的一種基于自適應(yīng)核密度估計模型的運(yùn)動目標(biāo)檢測方法，其特征在于:所述步驟Ε，其包括: El.根據(jù)輸入視頻像素點(diǎn)灰度值的概率值與前景閾值、背景閾值的大小關(guān)系計算像素點(diǎn)的更新概率；E2.根據(jù)計算的像素點(diǎn)更新概率按照先進(jìn)先出原則對輸入視頻像素點(diǎn)的樣本值進(jìn)行更新。
7.根據(jù)權(quán)利要求6所述的一種基于自適應(yīng)核密度估計模型的運(yùn)動目標(biāo)檢測方法，其特征在于:所述步驟El，其具體為: 根據(jù)輸入視頻像素點(diǎn)在t時刻的概率值P(x (t) i)與前景閾值Tf、背景閾值Tb的大小關(guān)系計算像素點(diǎn)的更新概率，所述像素點(diǎn)的更新概率Pb(x(t)i)的表達(dá)式為:
8.根據(jù)權(quán)利要求7所述的一種基于自適應(yīng)核密度估計模型的運(yùn)動目標(biāo)檢測方法，其特征在于:所述步驟E2，其具體為: 根據(jù)計算的像素點(diǎn)更新概率Pb(x(t)i)按照先進(jìn)先出原則對輸入視頻像素點(diǎn)i在t時刻的第j個樣本值進(jìn)行更新，更新后的樣本值x(t)i，i的表達(dá)式為:
X (t) ^j=Pb (x(t)i).(x(t)i) + (l-Pb (x(t)i)).(x(t-l)ijJ), 其中，x(t-l) i，j為輸入視頻像素點(diǎn)i在t-1時刻的第j個樣本值。
【文檔編號】G06T7/20GK104077786SQ201410301849
【公開日】2014年10月1日 申請日期:2014年6月27日 優(yōu)先權(quán)日:2014年6月27日
【發(fā)明者】匡慈維, 吳悅, 莫永波, 劉文昌, 江厚銀, 陳敏, 汪永強(qiáng) 申請人:深圳市賽為智能股份有限公司