一種基于前景背景模型交互的運動目標(biāo)檢測方法
【專利摘要】本發(fā)明公開一種基于前景背景模型交互的運動目標(biāo)檢測方法，以前景模型對目標(biāo)的表征狀態(tài)進行擬合建模；以背景模型對場景中背景狀態(tài)進行擬合建模。引入上一時刻背景模型的決策作為先驗估計當(dāng)前時刻前景模型參數(shù)；引入上一時刻前景模型的決策作為先驗估計得到當(dāng)前時刻背景模型參數(shù)；融合當(dāng)前時刻前景及背景模型的決策得到對當(dāng)前時刻運動目標(biāo)的檢測結(jié)果。前景、背景模型交互方法包括：①利用上一時刻前景、背景模型決策作為先驗經(jīng)驗相互指導(dǎo)當(dāng)前時刻背景、前景模型中樣本加權(quán)、選擇及更新，②貝葉斯框架下的前景背景模型決策融合。該方法能夠準(zhǔn)確地擬合場景中的穩(wěn)定信息，并適應(yīng)場景及目標(biāo)表征的變化，抑制復(fù)雜動態(tài)場景中動態(tài)背景噪聲，準(zhǔn)確檢測出運動目標(biāo)。
【專利說明】
一種基于前景背景模型交互的運動目標(biāo)檢測方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明涉及一種圖像運動目標(biāo)檢測的方法，具體是利用前景、背景模型交互實現(xiàn) 復(fù)雜動態(tài)場景中運動目標(biāo)檢測的方法，屬于圖像處理技術(shù)領(lǐng)域。
【背景技術(shù)】
[0002] 在復(fù)雜、動態(tài)場景中的運動目標(biāo)檢測所常遇到的問題主要包括:①光照變化，②雜 亂場景及運動場景所形成的雜亂、動態(tài)噪聲，③目標(biāo)同背景相似。對于這些問題的解決，目 前的方法主要依賴于兩種策略。一是通過對長時間背景狀態(tài)進行擬合建模，并通過比較運 算，能夠檢測到場景中的變化信息，以檢測出運動目標(biāo)，該類策略對運動信息較為敏感。二 是通過對運動目標(biāo)的表征狀態(tài)進行擬合建模，通過模型匹配的策略檢測出場景中的運動目 標(biāo)，該類策略有助于對場景雜亂、動態(tài)背景噪聲的抑制。孤立的考慮前景及背景模型，難以 同時解決場景雜亂、變化、運動噪聲以及目標(biāo)-背景相似所導(dǎo)致檢測率較低的問題。其次，目 標(biāo)在運動過程中表征狀態(tài)的變化導(dǎo)致難以采用常用的圖像特征建立穩(wěn)定、魯棒的前景模 型。此外，模型對場景穩(wěn)定狀態(tài)的擬合程度及對場景狀態(tài)變化的適應(yīng)性，是較為矛盾的問 題，影響到對模型中擬合數(shù)據(jù)時長的選擇。最后，在背景模型及前景模型的建模和計算過程 中均包含有大量的參數(shù)估計過程，參數(shù)估計結(jié)果的優(yōu)劣直接影響到模型的性能，先驗知識 的準(zhǔn)確引入有利于參數(shù)估計準(zhǔn)確性的提高。目前尚未有一種技術(shù)能夠綜合解決上述問題。

【發(fā)明內(nèi)容】

[0003] 發(fā)明目的：針對現(xiàn)有方法在復(fù)雜、動態(tài)場景中應(yīng)用時，所存在的光照變化適應(yīng)、雜 亂背景噪聲抑制、動態(tài)背景噪聲抑制、目標(biāo)表征建模等問題，并綜合考慮到基于先驗經(jīng)驗的 模型參數(shù)估計策略、模型融合策略及前景目標(biāo)顯著性檢測策略，本發(fā)明提供了一種基于加 權(quán)樣本采樣及顯著性檢測的前景模型建模及基于加權(quán)樣本采樣及核密度估計的背景模型 建模，利用前景、背景模型交互實現(xiàn)模型參數(shù)估計(主要包括樣本加權(quán)、選擇及更新)及貝葉 斯框架下的前景背景模型決策融合方法。
[0004] 技術(shù)方案:一種基于前景背景模型交互的運動目標(biāo)檢測方法，包括以下幾個方面： [0005] (1)建立貝葉斯框架下前景、背景模型決策的融合方法。建立圖像中的點屬于背景 和前景的概率P(Bt I Xt )，P(Ft I Xt)，及最終決策δ (Xt)似然比的解析表達。
[0006] (2)建立一種基于改進核密度估計背景模型的建模計算方法。
[0007]
[0008] (3)建立一種基于顯著性概率密度估計前景模型的建模及計算方法。
[0009] P(xt|Ft) = St
[0010] (4)設(shè)計前景、背景模型中樣本選擇的時間窗長。
[0011] (5)分別估計前景、背景模型中樣本的權(quán)重。
[0012] W7i^l-P(XMFt-I),W77iCxp(X^ iIBt-I)
[0013] (6)在權(quán)重估計的基礎(chǔ)上，根據(jù)權(quán)重的大小排列并選擇樣本。
[0014] X7t= {x7 ijw7 i>W7 η+Ι,Χ^?= {xt,X//i}w//i>W//K+l
[0015] (7)根據(jù)樣本的衰減程度及"先進先出"原則，重采樣樣本。
[0016] 有益效果：與現(xiàn)有技術(shù)相比，本發(fā)明提供的基于前景背景模型交互的運動目標(biāo)檢 測方法，首先，建立貝葉斯框架下的前景、背景模型融合及計算方法，融合兩種模型的決策 形成最終的對運動目標(biāo)檢測的決策結(jié)果。其次，分別建立基于加權(quán)樣本的前景及背景模型 建模及計算方法。最后，對模型中樣本加權(quán)、選擇及更新采用模型交互式的估計和計算方 法。上述三個關(guān)鍵技術(shù)共同組成了前景、背景模型的交互方法。該方法能夠描述長時場景的 穩(wěn)定信息，又能夠適應(yīng)場景的變換，并且通過對背景及前景狀態(tài)的擬合，能夠解決復(fù)雜、動 態(tài)場景中的光照變化及雜亂、動態(tài)背景噪聲，并能夠準(zhǔn)確的擬合場景穩(wěn)定狀態(tài)，適應(yīng)場景的 變化狀態(tài)，以實現(xiàn)高準(zhǔn)確性的運動目標(biāo)檢測。如圖2所示，本發(fā)明所公開的方法獲得了準(zhǔn)確 度最高的運動目標(biāo)檢測結(jié)果。
【附圖說明】
[0017] 圖1為本發(fā)明方法總體的流程圖；
[0018] 圖2為本發(fā)明方法所實現(xiàn)的圖像運動目標(biāo)檢測結(jié)果以及同其它方法的比較示例， 以說明本發(fā)明方法的有益效果，其中，a為視頻幀圖像，b為真實的目標(biāo)區(qū)域，c為時間-空間 高斯模型所得到的結(jié)果，d為時間殘余譜方法所得到的結(jié)果，e為前景-背景核密度估計模型 所得到的結(jié)果，f為本發(fā)明方法所得到的結(jié)果；
[0019] 圖3為運動目標(biāo)的運動顯著性示例，其中，a為視頻幀圖像及場景的運動顯著性圖 像，b為目標(biāo)的運動顯著性，c為運動顯著性的分布圖；
[0020] 圖4為前景背景模型交互示意框圖。
【具體實施方式】
[0021] 下面結(jié)合具體實施例，進一步闡明本發(fā)明，應(yīng)理解這些實施例僅用于說明本發(fā)明 而不用于限制本發(fā)明的范圍，在閱讀了本發(fā)明之后，本領(lǐng)域技術(shù)人員對本發(fā)明的各種等價 形式的修改均落于本申請所附權(quán)利要求所限定的范圍。
[0022] 基于前景背景模型交互的運動目標(biāo)檢測方法，如圖1所示，包括:基于加權(quán)樣本采 樣及顯著性檢測的前景模型建模及基于加權(quán)樣本采樣及核密度估計的背景模型建模，利用 前景、背景模型交互實現(xiàn)模型參數(shù)估計(主要包括樣本加權(quán)、選擇及更新)及貝葉斯框架下 的前景背景模型決策融合方法。
[0023] -，基于改進核密度估計的背景模型
[0024] 經(jīng)典的核密度估計背景模型能夠采用樣本及核密度函數(shù)估計實現(xiàn)背景建模，計算 圖像中點屬于背景的概率。在理論上，樣本屬于背景的概率越高，模型對目標(biāo)運動過程中發(fā) 生的變化越敏感，運動目標(biāo)檢測正確率越高。但是在經(jīng)典的核密度估計背景模型中，樣本的 選擇通常采用"盲"采樣的方式，即在沒有先驗經(jīng)驗指導(dǎo)的情況下隨機地選擇樣本。這種方 式并不能保證樣本以較高的概率來源于背景，當(dāng)其來源于目標(biāo)本身時，模型就會出現(xiàn)誤判。
[0025] 在本發(fā)明所公開的方法中，首先根據(jù)先驗知識對候選樣本進行加權(quán)(權(quán)重值正比 于樣本屬于背景的概率），其次根據(jù)權(quán)重值從大到小排列候選樣本，選擇那些權(quán)重較大的候 選樣本作為模型所需要的樣本輸入到模型中并結(jié)合其權(quán)重進行計算，具體如下：
[0026] 對于t時刻的點Xt，相應(yīng)的樣本Y1采樣于該點相同位置處在{1，2,-St-U時間區(qū) 間內(nèi)的值，并對其進行加權(quán)，得到矢量，其中權(quán)重用于估計該樣本屬于背景的 置信度。選擇η個權(quán)重值最大的樣本(屬于背景的概率最高）引入到模型計算中，最終考慮樣 本權(quán)重而建立的改進核密度估計模型可以表示為：
[0027]
[0028]其中，Xt為t時刻的點，Bt為t時刻背景狀態(tài)，P(Xt|Bt)為t時刻的點X t屬于背景Bt的 概率，κ 〇為核函數(shù)，η為樣本個數(shù)。
[0029] 通過這種改進，背景模型在核密度估計過程中通過樣本地加權(quán)、選擇，并將樣本權(quán) 重引入到模型計算中，使得模型更加依賴于那些以較高概率屬于背景的樣本，能夠更加準(zhǔn) 確的提取出當(dāng)前點同樣本點之間的差異，反映出該點位置上圖像信息的變化。最終，更加準(zhǔn) 確的檢測出目標(biāo)運動所造成的變化及運動目標(biāo)區(qū)域。
[0030] 二，基于顯著性概率密度估計的前景模型
[0031] 在目標(biāo)運動的過程中，它們的外觀表征通常會發(fā)生高頻率的變化。這種問題受到 光照和遮擋的影響而越發(fā)變的嚴(yán)重，如圖3(a)所示。在這種情況下難以采用常用的圖像強 度特征(例如灰度和色彩特征），亦或者形態(tài)學(xué)特征(例如輪廓和骨架特征)穩(wěn)定地實現(xiàn)前景 目標(biāo)建模。相比較，運動顯著性具有能夠抑制場景變化的不變性特征。如圖3(b)所示，盡管 目標(biāo)的圖像特征在運動過程中發(fā)生劇烈變化，它的運動顯著性仍保持平穩(wěn)，如圖3(c)。此 外，這種顯著性的值同目標(biāo)和背景間的對比度密切相關(guān)，較強的對比度對應(yīng)著幅度值較高 的顯著性的值。上述因素意味著這種運動顯著性值與相應(yīng)點屬于前景的概率密切正相關(guān)。 加之運動顯著性的變化范圍為0~1。因而這種運動顯著性可以直接轉(zhuǎn)換為目標(biāo)屬于前景的 概率，即前景模型。
[0032]鑒于此，對于前景模型在本發(fā)明中建立一種顯著性概率密度估計模型。對于t時刻 的點Xt，相應(yīng)的樣本X"i采樣于該點相同位置處在{1，2，…，t-ι}區(qū)間內(nèi)的值，并對其進行加 權(quán)，得到矢量，其中權(quán)重W 1用于估計該樣本屬于背景的概率。在理論上，樣本屬于 背景的概率越高，模型對運動中發(fā)生的變化越敏感，運動目標(biāo)檢測正確率越高。選擇K個權(quán) 重值最大的樣本(屬于背景的概率最高）引入到模型中，并同t時刻的點xt組成時間序列X〃 t。 對于時間序列X〃 t計算其相位譜，得：
[0033]
[0034] 其中，3為傅里葉變換。Pt為時間序列X〃t的相位譜。時間t時刻的運動顯著性可以 通過反傅里葉變換計算得到：
[0035]
[0036] 其中，^T1為反傅里葉變換，gt為一維高斯濾波器(其方差典型值通常設(shè)置為：〇 = 5)。相應(yīng)t時刻的運動顯著性可以通過閾值濾波計算得到：
[0037]
[0038] τ為閾值(其典型值通常設(shè)置為0.5)將該顯著性值歸一化到0到1之間，t時刻顯著 性圖像可以描述t時刻像素X t屬于前景的概率。因此前景模型可以建模為：
[0039] P(xt|Ft) = St
[0040] 其中，F(xiàn)t為t時刻前景狀態(tài)，P(Xt|Ft)為t時刻的點Xt屬于前景F t的概率。
[0041]三，前景、背景模型中樣本采樣時間窗的選擇
[0042]在采樣時間窗的設(shè)計中，考慮到本發(fā)明中背景模型及前景模型交互過程中，兩種 模型的互補性，兩種模型分別設(shè)計不同的性能。背景模型主要用于擬合場景中長時的穩(wěn)定 狀態(tài)，對t時刻的點Xt其樣本采樣的時間窗長盡可能長，設(shè)計為t-Ι，即{1，2，···，?-1}，如圖4 所示。
[0043]對于前景模型，考慮其主要用于擬合前景目標(biāo)的表征狀態(tài)及場景中狀態(tài)的變化， 使得本發(fā)明所公開的方法能夠適應(yīng)場景的動態(tài)變化，選擇相對較小的時間窗長，如圖4所 示，設(shè)計為U X K。其中υ為比例系數(shù)(典型值通常設(shè)置為υ = 2)。
[0044]通過這種前景、背景模型的分工設(shè)計，本發(fā)明所公開的方法即能夠穩(wěn)定地擬合場 景的長時穩(wěn)定狀態(tài)，又能夠適應(yīng)場景的變化。
[0045]四，前景背景模型交互式樣本權(quán)重估計及選擇
[0046]本發(fā)明公開了一種通過前景、背景模型交互式實現(xiàn)樣本權(quán)重估計方法，如圖4所 不。
[0047]在前景模型中，樣本權(quán)重估計是通過引入上一時刻（t-Ι時刻）背景模型決策判斷 該樣本屬于背景的概率P(W1IBn)作為先驗，權(quán)重值W1正比于該概率P(^1IBh),以此估 計得到當(dāng)前時刻t前景模型中樣本的權(quán)重：
[0048] W77iCxp(X^iIBt-I)
[0049] 在具體應(yīng)用中，￥^ = 0\卩(1〃#*一1)，其中0為比例系數(shù)值，典型0=1。
[0050] 在前景模型中，對于t時刻的點Xt，共有t-Ι個候選樣本。根據(jù)其權(quán)重從大到小的順 序，對樣本進行排列，并選擇權(quán)重最大的前K個樣本同t時刻的點Xt共同組成用于傅里葉變 換的矢量X^=IxtjMw" 。其中K參數(shù)的估計：
[0051]
[0052]其中，α(α>Κ)為采樣的時間窗寬度,T1為預(yù)設(shè)的權(quán)重，典型值!^ =。.72。
[0053]在背景模型中，樣本權(quán)重估計是通過引入上一時刻（t-Ι時刻）前景模型的決策判 斷該樣本屬于前景的概率PU": I B^1)作為先驗，權(quán)重值V i反比于該概率I Bh)，以此 估計得到當(dāng)前時刻t前景模型中樣本的權(quán)重：
[0054] W7i^l-P(X7iIFt-I)
[0055] 在具體應(yīng)用中，i = vX (1-P(x、|Ft-i))，其中V為比例系數(shù)值，典型v = l。
[0056] 在背景模型中，對于t時刻的點Xt，共有t_l個候選樣本。根據(jù)其權(quán)重從大到小的順 序?qū)颖具M行排列，并選擇權(quán)重最大的前η個樣本V t= {1、}?^>'/11+1。其中：
[0057]
[0058]其中，T2為預(yù)設(shè)的權(quán)重，典型值T2 = 0.8。
[0059]這種方法通過選擇那些屬于背景概率較高的樣本及其權(quán)重用于模型計算，一方面 能夠增強背景模型對場景的擬合能力，另一方面能夠防止前景模型進入死循環(huán)，即選擇的 樣本為目標(biāo)本身。
[0060]這種方式有助于提高本發(fā)明方法防止模型進入死循環(huán)并提高模型的適應(yīng)性。一方 面，對于短時前景模型，以長時背景模型的決策給權(quán)重加權(quán)能夠加強那些以較高概率屬于 背景的樣本的重要性。能夠減小模型進入死循環(huán)的可能性，即前景模型中的樣本變成了目 標(biāo)本身。另一方面，長時背景模型中的樣本以短時前景模型的決策為依據(jù)進行加權(quán)可以增 強那些近期樣本對背景模型的重要性。以此能夠增強背景模型的適應(yīng)性。
[0061 ] 五，樣本重采樣
[0062] 對于以樣本為基礎(chǔ)的模型，樣本的衰減是一個重要的問題，即在多次循環(huán)后樣本 的權(quán)重值變小。這種權(quán)重值較小的樣本一方面會降低模型對場景的擬合能力另一方面會消 耗計算資源，從而降低模型的性能。
[0063] 為了防止樣本本身的衰減，采用重采樣的方式更新樣本。首先，采用衰減因子Y、 N"度量樣本集合的衰減程度：
[0064]
[0065] Y和N〃的值越小表示樣本集合的衰減程度越大。重采樣方法刪除那些權(quán)值較小的 樣本，并補充新的樣本。在本發(fā)明所公開的方法中，這種重采樣的方法同樣本"先進先出"的 策略相結(jié)合，即在一定次數(shù)的循環(huán)后，忽視權(quán)重值大小而舍棄那些較老的樣本，同時補充新 的樣本。這種方法能夠防止樣本過于集中而導(dǎo)致樣本表征缺少多樣性的問題。
[0066] 六，貝葉斯框架下前景背景模型決策融合
[0067] 本發(fā)明公開了一種基于貝葉斯框架下將前景與背景模型的決策融合于統(tǒng)一的概 率密度模型的方法，如圖1，圖4所示。前者用于計算圖像點屬于前景的概率，后者用于計算 圖像點屬于背景的概率。
[0068] 對于圖像運動目標(biāo)檢測，需要判斷當(dāng)前時刻圖像中每一點屬于前景和背景的概 率。假定對于t時刻的點Xt，對其判決的形式化表示為D t 如果%屬于背景
[0069] Dt - < ?巧如果&屬于前景
[0070] 在貝葉斯框架下，Xt屬于背景的概率可以表示為：
[0071]
[0072] 其中，Xt Xt-1 為時間矢量，表示為Xt = {χι，X2，…，xt}和Xt-1= {χι，X2，…，xt-1}。其 中，由于背景樽型是由矢量Xt,-!估計得到，P(xt, I . Xn) = P(xt, I Bt,)。
[0073]
[0074] 其中，Ρ(Βη|Βη)是背景狀態(tài)保持穩(wěn)定的概率，是背景變化為前景的 概率，pWhIxh)是上一時刻卜1乂^屬于背景的概率，通過上一時刻的背景模型計算，并迭 代到當(dāng)前時刻得到。
[0075]同理，在貝葉斯框架下，Xt屬于前景的概率可以表示為：
[0076]
[0077] 其中，Xt Xt-1 為時間矢量，表示為Xt = {xi，X2，…，Xt}和Xt-1= {xi，X2，…，Xt-1}。其 中，由于前景模型Ft是由矢量Xt-HM+得到，P(Xt I Ft，Xt-i) = P(Xt I Ft)。
[0078]
[0079] 其中，PWhIFh)是前景狀態(tài)保持穩(wěn)定的概率，PWhIFh)是前景變化為背景的 概率，pWm Ixt-O是上一時刻卜1，1-1屬于前景的概率，通過上一時刻的前景模型計算，并 迭代到當(dāng)前時刻得到。
[0080] 分母項可以計算為：
[0081]
[0082]最終，通過前景、背景模型交互，運動目標(biāo)檢測結(jié)果可以計算為：
[0083]
[0084] 其中Θ為閾值，典型值θ = 〇.7。
【主權(quán)項】
1. 一種基于前景背景模型交互的運動目標(biāo)檢測方法，其特征在于:首先，通過引入上一 時刻背景模型的決策作為先驗估計當(dāng)前時刻前景模型參數(shù)(主要包括對樣本地加權(quán)、選擇 及更新）；通過引入上一時刻前景模型的決策作為先驗估計得到當(dāng)前時刻背景模型參數(shù)(主 要包括對樣本地加權(quán)、選擇及更新），形成了一種前景、背景模型相互指導(dǎo)以實現(xiàn)模型中樣 本加權(quán)、選擇及更新方法；其次，在貝葉斯框架下，建立了一種前景、背景模型決策融合方 法；上述前景及背景模型的相互指導(dǎo)建模及模型決策融合技術(shù)共同構(gòu)成前景、背景模型交 互方法;該方法通過同時對場景中背景、前景狀態(tài)的建模能夠準(zhǔn)確地擬合場景中的穩(wěn)定信 息(長時背景模型的貢獻），并適應(yīng)場景中的變化(短時前景模型的貢獻），抑制復(fù)雜、動態(tài)場 景中的雜亂噪聲及動態(tài)背景噪聲，準(zhǔn)確檢測出運動目標(biāo);此外，這種前景、背景交互方法還 有助于防止模型陷入死循環(huán)和衰弱，并提高模型的魯棒性和穩(wěn)定性。2. 如權(quán)利要求1所述的基于前景背景模型交互的運動目標(biāo)檢測方法，其特征在于，建立 了利用有限個加權(quán)樣本實現(xiàn)前景及背景模型建模： 對于背景模型，引入了核密度估計模型并對其進行了改進;對于t時刻的點xt，相應(yīng)的樣 本采樣于該點相同位置處在{1，2，···，?-1}時間區(qū)間內(nèi)的值，并對其進行加權(quán)，得到矢量 ，其中權(quán)重用于估計該樣本屬于背景的置信度;選擇η個權(quán)重值最大的樣本(屬 于背景的概率最高）引入到模型計算中，最終考慮樣本權(quán)重而建立改進的核密度估計模型 可以弄示為，其中，xt為t時刻的點，Bt為t時刻背景狀態(tài)，P(Xt | Bt)為t時刻的點Xt屬于背景Bt的概率， κ 0為核函數(shù)，η為樣本個數(shù)。3. 如權(quán)利要求2所述的基于前景背景模型交互的運動目標(biāo)檢測方法，其特征在于，對于 前景，建立一種顯著性概率密度估計模型;對于t時刻的點xt，相應(yīng)的樣本X%采樣于該點相 同位置處在U，2，···，t-l}時間區(qū)間內(nèi)的值，并對其進行加權(quán)，得到矢量，其中權(quán)重 w%用于估計該樣本屬于背景的置信度。選擇K個權(quán)重值最大的樣本(屬于背景的概率最高） 弓丨入到模型中，并同t時刻的點Xt組成時間序列X〃 t;對于時間序列X〃t計算其相位譜，得： ,/, =3(A',）,pt = angle(ft) 其中，3為傅里葉變換;pt為時間序列X〃t的相位譜;時間t時刻的運動顯著性可以通過 反傅里葉變換計算得到： 其中，XT1為反傅里葉變換，gt為一維高斯濾波器;相應(yīng)t時刻的運動顯著性可以通過閾 值濾波計算得到：將該顯著性值歸一化到0到1之間，t時刻顯著性圖像可以描述t時刻像素 xt屬于前景的 概率;因此前景模型可以建模為： P(xt | Ft) = St 其中，F(xiàn)t為t時刻前景狀態(tài)，P(Xt I Ft)為t時刻的點Xt屬于前景Ft的概率。4.如權(quán)利要求1所述的基于前景背景模型交互的運動目標(biāo)檢測方法，其特征在于，以模 型交互方式實現(xiàn)模型中樣本地加權(quán)、選擇及更新方法； 對于背景模型中樣本、前景模型中樣本^:的處理主要涉及:①采樣時間窗，②權(quán)重 計算，③樣本更新;針對這三點，采用前景、背景模型交互的方式予以實現(xiàn)； (1) 米樣時間窗的選擇 背景模型主要用于擬合場景中長時的穩(wěn)定狀態(tài)，對t時刻的點xt其樣本采樣的時間窗 長，設(shè)計為t_l，即{1，2，…，t-Ι}; 對于前景模型，選擇相對較小的時間窗長，設(shè)計為u X K; (2) 樣本權(quán)重估計及選擇 在前景模型中，樣本權(quán)重估計是通過引入上一時刻背景模型的決策判斷該樣本屬于背 景的概率PU^lBw)作為先驗，權(quán)重值正比于該概率PU^lBw)，以此估計得到當(dāng)前時 亥Ijt前景模型中樣本的權(quán)重： w//i〇cp(x//i | Bt-i) 在前景模型中，對于t時刻的點xt，共有t-1個候選樣本;根據(jù)其權(quán)重從大到小的順序?qū)?樣本進行排列，并選擇權(quán)重最大的前K個樣本同t時刻的點xt共同組成用于傅里葉變換的矢 量X〃 t = {X t，x〃 i} w〃 i > w〃 K+1;其中K參數(shù)的估計：其中，α(α>Κ)為采樣的時間窗寬度，Τι為預(yù)設(shè)的權(quán)重； 在背景模型中，樣本權(quán)重估計是通過引入上一時刻（t-i時刻）前景模型的決策判斷該 樣本屬于前景的概率PU% I Bh)作為先驗，權(quán)重值V i反比于該概率PU% | Bn)，以此估計 得到當(dāng)前時刻t前景模型中樣本的權(quán)重： w7i〇ci-p(x/ i |Ft-i) 在背景模型中，對于t時刻的點xt，共有t-1個候選樣本;根據(jù)其權(quán)重從大到小的順序?qū)?樣本進行排列，并選擇權(quán)重最大的前η個樣本X' t= n+1輸入到背景模型中；其 中：其中，Τ2*預(yù)設(shè)的權(quán)重； 這種方法一方面能夠增強背景模型對場景的擬合能力，另一方面能夠防止前景模型進 入死循環(huán)，即選擇的樣本為目標(biāo)本身； (3) 樣本重采樣 為了防止樣本本身的衰減，采用重采樣的方式更新樣本;首先，采用衰減因子N\N 〃度 量樣本集合的衰減程度：Ν'和N"的值越小表示樣本集合的衰減程度越大；重采樣方法刪除那些權(quán)值較小的樣 本，并補充新的樣本;采用"先進先出"的策略相結(jié)合，即在數(shù)次的循環(huán)后，忽視權(quán)重值大小 而舍棄那些較老的樣本，同時補充新的樣本。5.如權(quán)利要求1所述的基于前景背景模型交互的運動目標(biāo)檢測方法，其特征在于，建立 了一種貝葉斯框架下前景、背景模型決策融合方法，輸出最終的運動目標(biāo)檢測結(jié)果； 假定對于t時刻的點xt，對其判決的形式化表示為Dt在貝葉斯框架下，xt屬于背景的概率可以表示為：其中，Xt Xt-1為時間矢量，表示為Xt = {xi，X2,…，Xt}和Xt-1= {xi，X2,…，Xt-1};其中，由于 背景模型Bt是由矢量Xt-i估計得到，P (xt I Bt，Xt-i) = P (Xt I Bt);其中，Ρ(Βη|Βη)是背景狀態(tài)保持穩(wěn)定的概率，Ρ(Ρη|Βη)是背景變化為前景的概率， PWhIXh)是上一時刻卜1乂^屬于背景的概率，通過上一時刻的背景模型計算，并迭代到 當(dāng)前時刻得到； 同理，在貝葉斯框架下，xt屬于前景的概率可以表示為：其中，Xt Xt-1為時間矢量，表示為Xt = {xi，X2,…，Xt}和Xt-1= {xi，X2,…，Xt-1}。其中，由于 前景模型Ft是由矢量Xw估計得到，其中，P^hIFh)是前景狀態(tài)保持穩(wěn)定的概率，Ρ(Βη|Ρη)是前景變化為背景的概率， P^hIXh)是上一時刻卜1，1-1屬于前景的概率，通過上一時刻的前景模型計算，并迭代到 當(dāng)前時刻得到； 分母項可以計算為：最終，通過前景、背景模型交互，運動目標(biāo)檢測結(jié)果可以計算為：其中Θ為閾值。
【文檔編號】G06T7/20GK106056626SQ201610364082
【公開日】2016年10月26日
【申請日】2016年5月26日
【發(fā)明人】陳哲, 張振, 王鑫, 王慧斌, 盧苗
【申請人】河海大學(xué)