一种基于改进的局部自适应灵敏度背景建模方法与流程

本发明属于图像识别
技术领域：
，可应用于小区、学校、广场等公共场景下的智能视频监控中。
背景技术：
：基于背景建模算法的前景检测的一般步骤在于将静止或存在部分扰动的背景以一定方式建立背景模型，通过当前帧的像素与背景模型中的样本进行对比提取出前景目标，然后更新背景模型。背景建模的难点在于如何克服扰动信息完整提取目标。目前提出的算法包括基于像素点和区域级的方法，也有基于颜色信息和纹理特征的背景建模方法，这些方法都有其特定的优势，保证了实时性，但是大多数不能完整提取目标或错检扰动的噪点。在基于区域级建模中，刘翠微等提出利用在线子空间的学习方法用于模型更新，2015年，beaugendre等人提出了一种自适应区域传播的背景建模方法。2017年maity等人将块的统计特征提取技术用于检测前景。这些方法都具有区域级建模的缺点，即无法获得精确的前景和轮廓，故而效果不佳。olivierbarnich等人于2009年提出基于像素点的背景减除法(vibe)后，基于像素点的背景建模方法得到重大发展，能够有效处理区域级建模带来的问题。2012年，hofmann等人提出了基于像素的自适应分割(pbas)算法。该算法在vibe算法的基础上提出了自适应距离阈值和更新率的概念。2015年pierre-lucst-charles等人提出了基于局部自适应灵敏度分割(subsense)算法。该方法以颜色和纹理的时空信息来表征像素级模型中的样本，提出了一种新颖的像素级反馈方案，自适应调整内部灵敏度用以改变和更新距离阈值速率。通过连续监控局部模型逼真度和分割噪声以指导这些调整，允许对间歇的动态背景运动做出快速响应。然而该方法在初始化背景模型时并不能去除静止或缓慢运动目标的影响，在距离阈值更新上不能防止它过大或过小，造成部分漏检或错检，因此该算法尚有不足之处。技术实现要素：发明目的：为了解决背景减除法在复杂背景下提取前景的缺陷，在局部自适应灵敏度的背景建模(subsense)算法的基础之上，本发明提出了一种新的初始化背景模型的方法，在自适应距离阈值的更新过程中设计了一种纠正机制，并且优化了背景模型的更新方式，使之能够提取更精准的前景，具有更高的鲁棒性。技术方案：本发明提出了一种基于改进的局部自适应灵敏度背景建模方法，包括以下步骤：步骤(1)：选取视频序列的前m帧作为背景模型候选帧，去除缓慢运动目标和短时静止目标的影响建立背景模型，背景模型由样本组成；步骤(2)：在步骤(1)所述背景模型的基础上，利用样本一致性的策略检测前景；步骤(3)：依据自适应灵敏度的模型更新策略调整距离阈值，并且获得当前像素点的学习率；步骤(4)：计算像素点在rgb空间上与其邻域的带权颜色差值之和，然后获取当前像素点与背景模型的样本的最小距离阈值的平均值。通过两者的加权和来衡量背景复杂程度并修正距离阈值，最后更新颜色距离阈值和lbsp特征距离阈值；步骤(5)：以当前自适应学习率指导更新背景模型的样本。进一步，所述步骤(1)，创建背景模型的方法是：在前m帧内使用差分步长为n的帧间差分法，从第i、i+n和i+2*n帧获取并标记运动目标的像素位置，帧数i的初始值为1，差分步长n＝2。然后获取剩余像素位置的rgb值和lbsp特征值，将其作为当前像素的一个样本存入背景模型。然后在前m-n帧内迭代增加i值，重复上述操作获取像素样本并进行计数，当某像素点的样本数量为n时，则完成该像素点的背景模型的初始化。当样本数量小于n且i+2*n≥m-n时，通过后续n帧中的像素信息填充样本数量不足的像素模型，直至样本数为n时为止。通过上述方法获得的背景模型b(x)具体如下：b(x)＝{b1(x)，…，bk(x)，…，bn(x)}其中，bk(x)表示模型中第k个样本，n为样本总数，一般情况下n＝20；进一步，所述步骤(2)，在进行前景检测阶段中，分别计算像素点与样本的欧氏距离和汉明距离，作为衡量像素点与样本之间颜色和lbsp特征的相似度。其前景判别规则如下：即如果当前像素点i(x)与背景模型b(x)中样本的距离小于自适应距离阈值r′(x)的个数小于最小匹配数量min时，该像素点被检测为前景，反之为背景。进一步，所述步骤(3)中，通过使用背景动态程度dmin(x)和闪烁点计数器v(x)更新距离阈值r(x)。其中，背景动态程度dmin(x)＝dmin(x)(1-θ)+dt(x)*θ，θ是学习率，dt(x)是模型中样本与像素点之间的颜色与lbsp距离的最小值。闪烁点计数机制v(x)更新如下：而xt(x)为当前帧像素与前一帧像素分割的异或结果。自适应距离阈值调整方式借助dmin(x)和v(x)表示：进一步，所述步骤(4)中，用背景模型b(x)中所有样本与当前像素点i(x)之间距离最小值的平均值和当前像素点与周围16邻域像素点的带权rgb空间颜色差值之和描述当前像素点的背景复杂程度，记为c(x)。s是背景复杂程度的临界阈值，rs是背景复杂度为s下的距离阈值。对于距离阈值r(x)的修正机制如下：当c(x)＜s时，背景较稳定，取r(x)历史最小值与rs之间的较大者作为判定阈值，当背景复杂度减小时使得r(x)快速变化，防止判定阈值过小造成漏检；当c(x)＞＝s时，即当前像素点的背景复杂，取r(x)历史最大值与rs+α(c(x)-s)之间的较小者作为判定阈值，避免判定阈值过大造成误检。此时r′(x)兼顾了背景稳定性和动态性，能够获得更好的检测效果。最后实际的颜色阈值和lbsp距离阈值计算如下，其中和分别取30和3：进一步的，所述步骤(5)中，当判定当前像素为背景，记录当前像素与样本距离最小的像素样本，并用这个像素信息以当前像素点的学习率替换这个样本，当判定为前景时，则不更新。本发明的有益效果：基于改进局部自适应灵敏度的背景建模方法保持了原有算法的优点，在很大程度上减少了缓慢运动和短时静止目标对背景模型的污染，并且赋予了距离阈值r(x)自我修正机制，优化了模型的更新策略，使判定的目标前景更加完整精确。附图说明图1是本发明所述改进的局部自适应灵敏度的背景建模算法的核心结构示意图。具体实施方式下面结合附图对本发明作进一步说明。如图1所示，本发明所述改进的局部自适应灵敏度的背景建模算法主要包括背景模型初始化、前景检测、距离阈值更新与修正策略以及学习率更新。下面从这几个方面详细阐述本发明的实施方法。创建背景模型：在前m帧(m＝120)内使用差分步长为n的帧间差分法，从第i、i+n和i+2*n帧获取并标记运动目标的像素位置，帧数i的初始值为1，差分步长n＝2。然后获取剩余像素位置的rgb值和lbsp特征值，将其作为当前像素的一个样本存入背景模型。然后在前m-n帧(n＝20)内迭代增加i值，重复上述操作获取像素样本并进行计数，当某像素点的样本数量为n时，则完成该像素点的背景模型的初始化。当样本数量小于n且i+2*n≥m-n时，通过后续n帧中的像素信息填充样本数量不足的像素模型，直至样本数为n时为止。通过上述方法获得的背景模型b(x)具体如下：b(x)＝{b1(x)，…，bk(x)，…，bn(x)}其中，bk(x)表示模型中第k个样本，n为样本总数。该方法结合了时间信息和空间信息，能够去除缓慢运动和短时静止目标的影响建立背景模型，使得模型样本能够体现真实的背景。前景检测：对于新的一帧视频图像的像素点进行前景和背景分离，其判定方式为：即如果当前像素点it(x)与背景模型b(x)中每一个样本的距离小于距离阈值r′(x)的个数小于匹配数量min时，该像素点被检测为前景；反之为背景。其中检测颜色值相似度时使用l1距离，检测lbsp特征相似度使用的是汉明距离。同时r(x)也分为颜色距离阈值和lbsp特征距离阈值。距离阈值更新与修正策略：通过使用背景动态程度dmin(x)和闪烁点计数器v(x)更新距离阈值r(x)。其中，背景动态程度dmin(x)＝dmin(x)(1-θ)+dt(x)*θ，θ是学习率，dt(x)是模型中样本与像素点之间的颜色与lbsp距离的最小值。闪烁点计数机制v(x)更新如下：xt(x)为当前帧像素与前一帧像素分割的异或结果。自适应距离阈值r(x)调整方式借助dmin(x)和v(x)表示：用背景模型b(x)中所有样本与当前像素点i(x)之间距离最小值的平均值和当前像素点与周围16邻域像素点的带权rgb空间颜色差值之和描述当前像素点的背景复杂程度，记为c(x)。s是背景复杂程度的临界阈值，rs是背景复杂度为s下的距离阈值。其中，颜色背景复杂度通过表1示的带权像素块计算所得，记为c(o)。中心像素点与邻域a、b、c的差值权重分别是和其目的在于提高距离中心像素近的邻域像素点对背景复杂度的描述能力，降低距离中心像素点较远的邻域像素点对背景复杂度的影响力。c(o)计算方式如下：式中，ai、bi和ci分别表示表1像素区域块中像素在rgb各通道的像素值，xo为中心像素点o的像素值。表1本发明所述预定义测量当前像素点的颜色复杂度的带权像素块c4c3c6b3a0b1c0a1oa3c1b0a2b2c7c2c5如果当前像素点发生突变，如闪烁点突然闪烁或停止闪烁，则其背景复杂度快速增大或减小，上述距离阈值r(x)的变化无法满足其速度，因此对距离阈值r(x)进行修正，其工作方式如下式所示：其中，加权阈值α设置为6，复杂度临界阈值s对应的距离阈值rs为1.2。当c(x)＜s时，背景较稳定，取r(x)历史最小值与rs之间的较大者作为判定阈值，当背景复杂度减小时使得r(x)快速变化，防止判定阈值过小造成漏检；当c(x)≥s时，即当前像素点的背景复杂，取r(x)历史最大值与rs+α(c(x)-s)之间的较小者作为判定阈值，避免判定阈值过大造成误检。此时r′(x)兼顾了背景稳定性和动态性，能够获得更好的检测效果。最后实际的颜色阈值和lbsp距离阈值计算如下，其中初始值和分别取30和3：更新背景学习率：当判定当前像素为背景，计算并记录当前像素与样本距离最小的样本，并以1/t(x)的更新率替换这个样本，当判定为前景时，则不更新。其中t(x)的更新方式为：其中，st(x)是当前帧中像素点的检测结果。上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施方式的具体说明，它们并非用以限制本发明的保护范围，凡未脱离本发明技艺精神所作的等效实施方式或变更均应包含在本发明的保护范围之内。当前第1页12