本發(fā)明屬于圖像處理領域，具體為一種防止暫停目標錯誤融入背景的方法，該方法允許一個有效的真實目標在任意位置暫停一段時間，只有當目標停止時間夠長時才會被認為已經成為背景了。

背景技術：

人類感知自身周圍復雜環(huán)境最直接有效的手段之一是視覺。前景目標檢測與跟蹤技術由于融合了自動控制、圖像處理、以及模式識別等領域的相關知識，并伴隨著計算機技術的飛速發(fā)展，已成為計算機視覺諸多研究領域中的熱點問題且受到高度重視。前景目標檢測與跟蹤技術應用于智能交通系統(tǒng)和車聯(lián)網中，可以有效預警和檢測交通事故或故障突發(fā)等情況，從而很大程度上判斷或避免交通事故的發(fā)生；此外，該技術在圖像導航制導、城市安全、地形匹配、戰(zhàn)場偵察測繪等方面和領域都得到了廣泛應用。

運動目標檢測與跟蹤的第一步主要任務是從視頻圖像中提取出運動目標并獲得運動目標的如位置、形狀、輪廓和顏色等特征信息，即進行運動目標檢測，它為后續(xù)運動目標跟蹤建立初始化目標模板模型。能否正確檢測出運動目標對后續(xù)的運動目標跟蹤產生很大的影響。運動目標檢測依據前景目標所處的背景環(huán)境，可以劃分為兩類一一靜態(tài)背景下運動目標檢測和動態(tài)背景下運動目標檢測。而靜態(tài)背景作為最常見的場景因而受到了重點關注。圖1展示了運動目標檢測流程。

背景差分法是一種最為常用的運動目標檢測算法，是將當前幀與背景參考模型相減，以此檢測出運動目標。該方法的性能依賴于所使用的背景建模，其核心是背景建模，所建背景模型要盡可能地反映背景場景的現(xiàn)實，因此對背景更新機制要求非常高。一般情況下，背景差分法獲得的運動目標比較完整。構建背景圖像的方法有很多，常見的主要有:中值法背景建模、均值法背景建模、卡爾曼濾波器模型、單高斯分布模型、多高斯分布模型等。背景建模方法各異，但是運用背景差分法來進行前景檢測的一般流程相同，主要包括以下幾個步驟:圖像預處理、背景建模、前景檢測以及圖像后處理等。如圖2所示。

背景差分算法中背景幀不是直接取視頻中的原始幀，而是通過算法更新得到的。一般情況下，背景差分法包括背景建模、背景更新、背景消除及后處理等幾個步驟。對背景模型進行初始化的過程稱為背景建模，它主要決定了背景消除法在后面的處理中的響應速度、動態(tài)范圍等條件。背景更新的過程是用每幀視頻圖像對背景模型中的參數進行修正的過程，它反應了環(huán)境的變化，即背景中是否存在運動。背景差分法成功的關鍵并不在于用當前視頻幀與背景模型進行比較的過程，而在于背景模型的構建、維持與更新。將當前幀與修正好的背景模型進行比較，提取出運動目標的過程稱為背景消除。后處理的過程是對提取出的運動目標進行精確的校正，這個步驟根據視頻應用后續(xù)處理模塊的要求處理。

圖3為背景差分法檢測的效果圖，圖中包括輸入的視頻序列窗口video,累積的背景圖像窗口background、前景視圖窗口foreground。從圖3可以看出，背景差分法可以較好的在視頻序列圖像中檢測出運動目標，且檢測的結果比較完整。圖3(a)、(b)相比較，背景在不斷更新。(a)、(c)、(d)三種情況比較可知，當運動目標靜止時檢測時被認為是運動背景的一部分。圖3(a)檢測中，選用視頻或者攝像機的第一幀作為背景，再將后面的幀與背景做差分；雖然后續(xù)檢測會進行背景的更新，但是如果第一幀中存在運動目標，那么該運動目標將會成為背景，而后續(xù)幀中原位置上的背景將會成為運動目標被檢測。

上面已經提到，背景差分法的一個最大的潛在問題是由于背景的不斷更新，往往會使得暫時停止不動的有效目標(如停下來說話的行人)被錯誤融入背景模型中。因此，最好的解決方案是對當前有效目標占據的區(qū)域不進行背景更新，這樣背景就無法吸納這一目標。但是有的時候又需要進入的目標被背景吸納，比如一輛車進入車場并停下，如果把這輛車融入背景的話它所在的位置就永遠是前景從而會影響其它經過的前景目標的正確檢測。因此這是一個兩難的問題，已有的技術都忽略或者回避了這一問題。

解決上面這個二難問題的一個顯見的策略就是：對于停止的目標暫時不進行背景更新，而只有當目標停止一段時間之后才更新。但是這個簡單的解決方案帶來了額外的難題：1.如何準確知道一目標是停止下來的(由于噪聲的影響會使得本來靜止的目標搖移不定)；2.有時由于遮擋的影響會使得有效目標暫時消失；3.鬼影(原為背景的目標離開后形成的空洞)消除變得愈加困難。

技術實現(xiàn)要素：

本發(fā)明的目的在于提供一種防止暫停目標錯誤融入背景的方法，能有效防止暫停目標錯誤融入背景。

為實現(xiàn)上述目的，本發(fā)明提供如下技術方案：

一種防止暫停目標錯誤融入背景的方法，它包括以下步驟：

1)背景建模，在背景建模中，開始i遍所有像素點，在i遍所有像素點時，如果當前視頻幀I(i)符合當前背景模型B(i)，則用當前視頻幀I(i)更新當前背景模型B(i)；

2)如果像素點上一次屬于一個有效目標的時間Tp(i)加上目標允許暫停的時間ts小于當前視頻幀時間tn，則用當前視頻幀I(i)更新模型B(i)；

3)前景檢測與待定目標的形成；

4)目標跟蹤；

5)在目標跟蹤步驟后，開始i遍所有像素點，如果像素(i)屬于剛剛成為正常目標的目標，則像素點上一次屬于一個有效目標的時間Tp(i)的值為當前視頻幀時間tn。

6)在步驟4中，如果如果像素(i)屬于正常目標，且有效目標的時間Tp(i)的值為0，則將有效目標的時間Tp(i)的值替換為當前視頻幀時間tn；

7)在步驟4中，如果像素(i)不屬于被遮擋目標，則有效目標的時間Tp(i)為0；

8)通過上述步驟得到的有效目標的時間Tp(i)的值，對背景進行更新。

上述步驟在背景差分法的基礎上進行。

上述背景差分法包括圖像預處理、背景建模、前景檢測以及圖像后處理。

與現(xiàn)有技術相比，本發(fā)明的有益效果是：

首先，它解決了靜止的目標容易成為背景，使得暫時停止不動的有效目標被錯誤融入背景模型中的技術問題；而且，該方法對圖像中的每一像素點基本是獨立處理的，這樣使得并行計算成為可能，在GPU上通過OpenCL實現(xiàn)這個方法時，處理速度比普通CPU上提升了10倍左右，本方法不需要更多地知道關于目標的細節(jié)信息，就是背景技術中提到的三個方面：1.如何準確知道一目標是停止下來的(由于噪聲的影響會使得本來靜止的目標搖移不定)；2.有時由于遮擋的影響會使得有效目標暫時消失；3.鬼影(原為背景的目標離開后形成的空洞)消除變得愈加困難，這樣使得本方法的適應性很強，可以應用于所有的背景消除和目標跟蹤中。

附圖說明

圖1是現(xiàn)有技術中運動目標檢測流程圖；

圖2是現(xiàn)有技術中背景差分法流程圖；

圖3為現(xiàn)有技術中背景差分法檢測的效果圖；

圖4為現(xiàn)有技術中背景消除的目標跟蹤方法的流程圖。

具體實施方式

如圖1所示一種防止暫停目標錯誤融入背景的方法，它包括以下步驟：

1)背景建模，在背景建模中，開始i遍所有像素點，在i遍所有像素點時，如果當前視頻幀I(i)符合當前背景模型B(i)，則用當前視頻幀I(i)更新當前背景模型B(i)；

2)如果像素點上一次屬于一個有效目標的時間Tp(i)加上目標允許暫停的時間ts小于當前視頻幀時間tn，則用當前視頻幀I(i)更新模型B(i)；

3)前景檢測與待定目標的形成；

4)目標跟蹤；

5)在目標跟蹤步驟后，開始i遍所有像素點，如果像素(i)屬于剛剛成為正常目標的目標，則像素點上一次屬于一個有效目標的時間Tp(i)的值為當前視頻幀時間tn。

6)在步驟4中，如果如果像素(i)屬于正常目標，且有效目標的時間Tp(i)的值為0，則將有效目標的時間Tp(i)的值替換為當前視頻幀時間tn；

7)在步驟4中，如果像素(i)不屬于被遮擋目標，則有效目標的時間Tp(i)為0；

8)通過上述步驟得到的有效目標的時間Tp(i)的值，對背景進行更新。

所述步驟在背景差分法的基礎上進行。

所述背景差分法包括圖像預處理、背景建模、前景檢測以及圖像后處理。

實施例：

采用上述步驟，首先，它解決了靜止的目標容易成為背景，使得暫時停止不動的有效目標被錯誤融入背景模型中的技術問題；而且，該方法對圖像中的每一像素點基本是獨立處理的，這樣使得并行計算成為可能，在GPU上通過OpenCL實現(xiàn)這個方法時，處理速度比普通CPU上提升了10倍左右，本方法不需要更多地知道關于目標的細節(jié)信息，就是背景技術中提到的三個方面：1.如何準確知道一目標是停止下來的(由于噪聲的影響會使得本來靜止的目標搖移不定)；2.有時由于遮擋的影響會使得有效目標暫時消失；3.鬼影(原為背景的目標離開后形成的空洞)消除變得愈加困難，這樣使得本方法的適應性很強，可以應用于所有的背景消除和目標跟蹤中。